Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics

Stel je voor dat je in een druk park staat en naar een vriend kijkt die ergens naartoe probeert te gaan. Je wilt raden waar hij naartoe gaat en hoe hij daar zal komen. Dit is de dagelijkse uitdaging voor robots, zelfrijdende auto's en drones: ze moeten voorspellen wat andere bewegende objecten hierna zullen doen. Maar hier komt het lastige deel bij: de persoon die je observeert, kan plotseling van gedachten veranderen, of hij kan op een zeer onvoorspelbare manier lopen. Hij vertelt je zijn plan niet, en je weet zijn loopstijl niet. In de wereld van robotica wordt dit "intentie-inferentie" genoemd. Het is alsof je probeert iemands gedachten te lezen terwijl diegene door een doolhof loopt, waarbij je zowel de bestemming als de manier waarop iemand beweegt probeert te raden, terwijl die persoon op elk moment van plan kan veranderen. Als een robot een fout maakt in de gok, kan hij botsen of in de weg zitten. Daarom zoeken wetenschappers altijd naar betere manieren om deze gissingen snel en nauwkeurig te maken, vooral wanneer ze niet beschikken over een grote database van eerdere gedragingen om te bestuderen.

Dit artikel introduceert een slimme nieuwe manier voor robots om dit raadspel te spelen. De auteurs, Shunan Yin, Zehui Lu en Shaoshuai Mou, hebben een "Bayesiaans" algoritme ontwikkeld. Denk aan dit als een superintelligente detective die elke seconde zijn overtuigingen bijwerkt. In plaats van alleen een bestemming te raden en daarbij te blijven, of ervan uit te gaan dat het doelwit in een perfecte, voorspelbare lijn beweegt, doet hun robotdetective twee dingen tegelijk. Ten eerste raadt het de bestemming waar het doelwit naartoe wil (het doel). Ten tweede raadt het hoe het doelwit beweegt (is het een snelle, directe renner, of een langzame, dwalende dwaalwagen?). Het beste eraan is dat de detective deze twee zaken samen leert. Als het doelwit plotseling van richting verandert, realiseert de detective zich: "O, ze zijn niet gewoon aan het dwalen; ze hebben echt van gedachten veranderd!" en werkt de gok onmiddellijk bij.

Het artikel laat zien dat deze methode ongelooflijk snel en nauwkeurig is. In computersimulaties kon de robot deze gissingen ongeveer 547 keer per seconde maken. Dat is sneller dan een menselijk oog kan knipperen! Ze testten het met virtuele doelwitten die willekeurig van doel wisselden en met echte robots, waaronder een vliegende drone en een viervoetige robot (zoals een hond). In deze tests was de nieuwe methode veel beter in het voorspellen waar de robots naartoe zouden gaan vergeleken met oudere methoden die ofwel niet van gedachten konden veranderen, of niet begrepen hoe het doelwit bewoog. De auteurs ontdekten dat door constant zowel het "waar" als het "hoe" bij te werken, de robot de verrassingen veel beter aan kan, zelfs wanneer het doelwit zeer ruizig of onvoorspelbaar beweegt. Ze bewezen dit door duizenden computertests en realtime hardwaretests, waarmee ze lieten zien dat hun aanpak werkt zonder dat er eerst getraind hoeft te worden op enorme hoeveelheden data.

De Dubbelcheck van de Detective

Om te begrijpen hoe dit werkt, kijken we naar de twee belangrijkste problemen die het artikel oplost. Het eerste probleem is dat doelwitten (zoals mensen of andere robots) vaak van gedachten veranderen. Stel je een hond voor die een bal achterna rent. De hond kan recht op de bal afrennen, maar dan plotseling een eekhoorn zien en van richting veranderen. Oudere methoden gaan er vaak vanuit dat een hond één vast doel heeft en houden dat vast, zelfs als de hond duidelijk van koers verandent. Dit artikel stelt dat doelen niet vaststaan; ze kunnen wisselen zoals een licht dat aan of uit wordt gezet. De auteurs modelleerden dit met een "Markoviaans" proces, wat gewoon een chique manier is om te zeggen dat het doel op elk moment kan veranderen op basis van een reeks kansen.

Het tweede probleem is dat we niet weten hoe het doelwit beweegt. Is het een robot die het kortste pad perfect volgt? Of is het een mens die een beetje dwaalt? Het artikel introduceert een speciale getal, genaamd $\alpha$ (alpha), om dit te beschrijven. Een hoge $\alpha$ betekent dat het doelwit zeer vastberaden is en een rechte, efficiënte lijn volgt. Een lage $\alpha$ betekent dat het doelwit "ruizig" of willekeurig is, misschien zwenkend of stoppend. De grote innovatie hier is dat het artikel $\alpha$ behandelt als iets dat onbekend is en dat de robot ter plekke moet ontdekken. In plaats van een vaste waarde voor $\alpha$ te raden en daarbij te blijven, werkt het algoritme de gok van $\alpha$ elke keer bij dat het een nieuwe beweging ziet.

De Magie van Twee Dingen Tegelijk Doen

De kern van de ontdekking in dit artikel is dat je de bestemming en de bewegingsstijl niet apart moet raden. Als je de bestemming fout raadt, denk je misschien dat het doelwit willekeurig beweegt, terwijl ze eigenlijk gewoon ergens specifiek naartoe proberen te gaan. Als je de bewegingsstijl fout raadt, denk je misschien dat het doelwit van gedachten verandert, terwijl ze gewoon een vreemd pad nemen.

De auteurs bouwden een algoritme dat beide gissingen tegelijkertijd bijwerkt. Het is als een detective die, bij het zien van een verdachte die een hoek om gaat, onmiddellijk twee vragen stelt: "Is deze persoon net van bestemming veranderd?" en "Is deze persoon een snelle renner of een langzame wandelaar?". Door beide vragen tegelijkertijd te beantwoorden, krijgt de detective een veel duidelijker beeld. Het artikel laat zien dat als je alleen het doel bijwerkt en de bewegingsstijl vast houdt (of andersom), je voorspellingen rommelig en onnauwkeurig worden, vooral wanneer het doelwit abrupt van plan verandert. Maar wanneer je beide bijwerkt, blijft de robot kalm en nauwkeurig, zelfs wanneer het doelwit lastig is.

De Theorie Testen

De auteurs hebben de theorie niet alleen opgeschreven; ze hebben het op drie verschillende manieren getest.

Eerst hebben ze duizenden computersimulaties gedraaid. Ze creëerden virtuele doelwitten die willekeurig van doel wisselden en bewogen met verschillende niveaus van "ruis". Ze vergeleken hun nieuwe methode met drie andere methoden: één die uitging van een vast doel en een vaste beweging, één die van doel kon veranderen maar niet van bewegingsstijl, en één die van bewegingsstijl kon veranderen maar niet van doel. De resultaten waren duidelijk: de nieuwe methode, die beide veranderde, was het beste in het raden van het juiste doel en het voorspellen van het toekomstige pad. Het was vooral goed in het snel herstellen nadat een doelwit van gedachten veranderde.

Ten tweede testten ze hoe het algoritme omging met verschillende gradaties van moeilijkheid. Ze vergrootten het aantal mogelijke doelen, de lengte van de voorspelling en de complexiteit van de kaart. Zelfs toen de zaken ingewikkelder werden, bleef het algoritme snel en draaide het op ongeveer 547 Hz (wat betekent dat het de berekeningen 547 keer per seconde uitvoert). Dit is snel genoeg voor real-time gebruik in robots die direct moeten reageren.

Ten derde namen ze het algoritme mee naar de echte wereld. Ze plaatsten het op een quadrotor (een drone) en een quadrupede robot (een viervoetige robot). In deze experimenten bewoog een menselijke operator de robot en veranderde plotseling de bestemming. De robot moest raden waar hij naartoe ging. Het artikel laat zien dat het algoritme het nieuwe doel correct identificeerde en het pad nauwkeurig voorspelde, zelfs wanneer de robot snel bewoog of plotseling van richting veranderde. De drone en de hondachtige robot volgden de voorspellingen beide goed, wat bewees dat de methode buiten de computer werkt.

Waarom Dit Belangrijk Is

Het artikel concludeert dat deze "adaptieve" aanpak een belangrijke stap voorwaarts is. Het vereist niet dat de robot het doelwit al eerder heeft gezien of een enorme bibliotheek aan trainingsdata heeft. Het hoeft alleen maar het doelwit te observeren en de overtuigingen in real-time bij te werken. De auteurs suggereren dat dit de methode zeer bruikbaar maakt voor beveiligingsdrones, zelfrijdende auto's en elke robot die naast mensen of andere onvoorspelbare actoren moet werken. Door in staat te zijn om plotselinge veranderingen in zowel waar een doelwit naartoe gaat als hoe zij bewegen op te vangen, wordt de robot veiliger en betrouwbaarder. Het artikel beweert niet dat het alle problemen in de wereld heeft opgelost, maar het laat zien dat door de robot zowel de bestemming als de bewegingsstijl tegelijkertijd te laten leren, we veel betere voorspellingen kunnen doen in een wereld vol verrassingen.