From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers

Stel je een robot voor die door een drukke fabrieksvloer of een ziekenhuisgang beweegt. Het is niet alleen een machine die een reeks instructies volgt; het is een sociale actor. Elke keer dat het draait, stopt of versnelt, zendt het een stille boodschap uit naar de mensen en andere machines om zich heen. In het vakgebied van de robotica staat deze stille communicatie bekend als "legibiliteit" (leesbaarheid). Een legibel pad is een pad waardoor een waarnemer snel en correct kan raden waar de robot naartoe gaat. Als een robot op een manier beweegt die de bestemming duidelijk maakt, helpt dit mensen om er veilig mee te coördineren. Maar de regels veranderen afhankelijk van wie er kijkt. In een coöperatieve setting, zoals een magazijn waar mensen en robots samenwerken, moet de robot zo duidelijk mogelijk zijn. In een competitieve of adversariële setting, zoals een militaire operatie of een spel, moet de robot misschien zijn werkelijke bestemming verbergen om te voorkomen dat een tegenstander zijn volgende zet voorspelt. Dit creëert een complexe puzzel: wat gebeurt er wanneer een robot duidelijk moet zijn voor de één, terwijl hij verborgen moet blijven voor de ander, terwijl hij tegelijkertijd om muren heen navigeert die het zicht van sommigen blokkeren maar niet dat van anderen?

Onderzoekers aan de University of Illinois at Urbana-Champaign hebben zich aangepakt aan precies deze uitdaging door een nieuw probleem te introduceren dat zij "Mixed-Motive Limited-Observability Legible Motion Planning" noemen. In hun werk beschrijven zij een scenario waarin een robot een enkel pad moet plannen dat aan twee tegenstrijdige eisen voldoet. De robot moet gemakkelijk begrijpelijk zijn voor "positieve" waarnemers—zij die vriendelijk of coöperatief zijn—terwijl hij tegelijkertijd verwarrend of misleidend moet zijn voor "negatieve" waarnemers, die mogelijk tegenstanders zijn. Het feit dat deze waarnemers niet allemaal hetzelfde zien, maakt de zaak nog complexer. Sommigen zien misschien slechts een kleine hoek van de kamer, of hun zicht wordt geblokkeerd door obstakels. De onderzoekers hebben een nieuwe softwaretool ontwikkeld, die zij de trajectoptimalisator noemden, om dit probleem op te lossen. Deze tool fungeert als een trajectoptimalisator die berekent welk exact pad de robot moet nemen om deze concurrerende behoeften in evenwicht te brengen. In plaats van te proberen voor iedereen legibel of voor iedereen onzichtbaar te zijn, vindt de trajectoptimalisator uit hoe de robot legibel kan zijn voor de juiste mensen en illegibel voor de verkeerde mensen, gebaseerd op wat elke persoon daadwerkelijk kan zien.

Om te begrijpen hoe dit werkt, overweeg de twee belangrijkste strategieën die de robot kan gebruiken bij het omgaan met een negatieve waarnemer. De eerste is de "afleidingsstrategie" (decoy strategy). Hierbij beweegt de robot doelbewust naar een valse bestemming, waardoor de waarnemer gelooft dat hij daarheen gaat. Pas op het allerlaatste moment draait de robot naar zijn werkelijke doel. Dit is effectief wanneer de robot een tegenstander actief wil misleiden. De tweede strategie is de "ambigue" of vermijdingsbenadering. In dit geval probeert de robot de tijd die hij in het gezichtsveld van de negatieve waarnemer doorbrengt te minimaliseren, of beweegt hij op een manier die alle mogelijke bestemmingen even waarschijnlijk maakt, zodat de waarnemer de werkelijke bestemming helemaal niet kan raden. De onderzoekers ontdekten dat de beste keuze volledig afhangt van de indeling van de kamer en de motieven van de mensen die kijken. Als een vriendelijke waarnemer en een onvriendelijke waarnemer op dezelfde plek staan, moet de robot hun belang afwegen. Als de vriendelijke waarnemer belangrijker is, zal de robot prioriteit geven aan duidelijkheid voor hen, zelfs als dat betekent dat de onvriendelijke waarnemer iets meer ziet. Als de onvriendelijke waarnemer gevaarlijker is, kan de robot ervoor kiezen om zich volledig te verbergen of een afleiding te gebruiken, zelfs als dat de weg minder duidelijk maakt voor de vriendelijke waarnemer.

Het team heeft hun systeem getest in diverse gesimuleerde omgevingen om te zien hoe goed de trajectoptimalisator presteerde. In één scenario moest een robot duidelijk zijn voor een vriendelijke waarnemer in een groene zone en verborgen voor een onvriendelijke in een rode zone. De software genereerde succesvol paden die door de groene zone krommen om zijn intenties duidelijk te tonen, terwijl het ofwel de rode zone volledig ontweek, ofwel bewoog op een manier die de waarnemer in de rode zone verwarde. In een andere test plaatsten de onderzoekers de vriendelijke en onvriendelijke waarnemers in overlappende gebieden. Ze ontdekten dat de robot nog steeds een pad kon vinden dat voor beide werkte, hoewel hij compromissen moest sluiten. Bijvoorbeeld, als de onvriendelijke waarnemer een sterkere "motive" of invloed had, koos de robot voor een meer misleidend traject, zelfs als dat betekende dat de vriendelijke waager even moest wachten voordat hij het doel van de robot begreep. De resultaten toonden aan dat de trajectoptimalisator paden kon genereren die aanzienlijk beter waren dan eenvoudige rechte lijnen of paden die alleen probeerden efficiënt te zijn. Het kon trajecten produceren die zeer legibel waren voor de juiste mensen en zeer illegibel voor de verkeerde mensen, waarbij het gedrag werd aangepast aan de specifieke beperkingen van de omgeving.

De onderzoekers verkenden ook wat er gebeurt wanneer de doelen in de tegenovergestelde richtingen liggen. In deze moeilijke gevallen is een rechte lijn meestal het meest efficiënte pad, maar die kan te makkelijk te lezen zijn. De trajectoptimalisator toonde aan dat door een afleidingsstrategie te gebruiken, de robot gedurende een lange tijd naar een vals doel kon bewegen, waardoor de waarnemer ervan overtuigd raakte dat hij de verkeerde kant op ging, voordat hij plotseling naar de echte bestemming afbuigt. Dit vertraagde de correcte gok van de waarnemer tot het allerlaatste deel van het pad. De onderzoekers merkten echter op dat hun huidige werk steunt op simulaties waarbij de omgeving statisch is en de waarnemers niet bewegen. Zij erkennen dat real-world toepassingen van een robot vereisen dat deze bewegende mensen en veranderende inzichten in realtime afhandelt. Ze wijzen er ook op dat hun systeem ervan uitgaat dat de robot precies weet waar de waarnemers zich bevinden en wat zij kunnen zien, wat in een chaotische werkelijkheid niet altijd het geval kan zijn. Ondanks deze beperkingen biedt de studie een helder wiskundig kader voor een probleem dat voorheen niet was opgelost: hoe je tegelijkertijd duidelijk bent voor sommigen en verborgen voor anderen.

Uiteindelijk gaat dit werk verder dan het idee dat een robot simpelweg efficiënt of simpelweg beleefd moet zijn. Het erkent dat in een wereld met meerdere waarnemers, het pad van een robot een vorm van communicatie is die kan worden afgestemd op verschillende doelgroepen. Het trajectoptimalisator-systeem demonstreert dat het mogelijk is om een pad te berekenen dat meerdere meesters dient, waarbij de behoefte aan transparantie en de behoefte aan privacy in evenwicht worden gebracht. Naarmate robots gebruikelijker worden in ons dagelijks leven, van magazijnen tot ziekenhuizen, zal het vermogen om door deze sociale en strategische complexiteiten te navigeren steeds belangrijker worden. Dit onderzoek biedt een nieuwe manier om naar robotbeweging te kijken, niet alleen als een fysieke handeling van punt A naar punt B bewegen, maar als een strategische beslissing over wie de plannen van de robot mag kennen en wie dat niet.