ACME: A Multi-Cultural, Multi-Embodiment Social-Navigation Dataset
Het artikel introduceert ACME, een grootschalige, multiculturele en multi-embodiment dataset verzameld in vijf landen om onderzoek naar de navigatie van sociale robots te bevorderen door diverse, doelgerichte interactiedata te bieden die het gebrek aan culturele en geografische diversiteit in bestaande bronnen aanpakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren hoe hij door een drukke schoolgang kan lopen zonder tegen iemand op te botsen. Dit gaat niet alleen over het vermijden van muren; het gaat over het begrijpen van de onzichtbare dans van menselijke beweging. Dit vakgebied wordt sociale navigatie genoemd. Waar een gewone robot alleen van punt A naar punt B moet komen zonder te crashen, moet een sociale robot de ongeschreven regels van de menigte kennen: wanneer hij opzij moet stappen, hoe dichtbij is "te dichtbij", en aan welke kant van de gang mensen het liefst lopen. Deze regels veranderen afhankelijk van waar je ter wereld bent en hoe de robot eruitziet. Een robot die beleefd is in het ene land, kan onbeleefd zijn in het andere, en een robot die eruitziet als een hond, kan anders worden behandeld dan een robot die eruitziet als een koffer. Wetenschappers geven hierom omdat naarmate robots in onze huizen, ziekenhuizen en op straat gaan werken, ze op een natuurlijke manier moeten passen zonder dat wij ons ongemakkelijk of onveilig voelen.
Maak kennis met ACME, een enorm nieuw project dat fungeert als een gigantisch, wereldwijd trainingskamp voor deze sociale robots. De onderzoekers achter ACME realiseerden zich dat eerdere trainingsdata voor robots te beperkt waren, zoals het aanleren van het rijden aan een bestuurder in slechts een rustige, lege parkeerplaats en vervolgens verwachten dat hij een chaotisch kruispunt in Tokio aankan. Om dit op te lossen, maakte het team een wereldtournee en verzamelde data van 8 verschillende locaties in 5 landen (waaronder de VS, Japan, Singapore, Duitsland en Spanje). Ze gebruikten niet slechts één type robot; ze zetten 7 verschillende robot-"lichamen" (of belichamingen) in, variërend van viervoetige hondachtige robots tot rijdende kofferbots en hoge servicerobots. Ze namen meer dan 29 uur aan beelden op van de robots die zich door menigten bewogen en 43,5 uur aan bovenaanzichtvideo's waarin werd bijgehouden hoe mensen om hen heen liepen.
Het artikel suggereert dat door deze diverse, rommelige, real-world data in computermodellen te voeren, we robots veel beter kunnen leren om de sfeer te peilen. Het team ontdekte dat robots die getraind zijn op deze nieuwe dataset veel grotere uitdagingen tegenkomen dan robots die getraind zijn op oudere data, wat eigenlijk een goed ding is — het betekent dat de robots leren om te gaan met de echte, onvoorspelbare wereld. Ze ontdekten ook dat cultuur een grote rol speelt: mensen in sommige landen hebben de neiging om aan de rechterkant te lopen, terwijl anderen de linkerkant verkiezen, en de manier waarop mensen op een robot reageren hangt sterk af van de vraag of de robot eruitziet als een vriendelijke hond of een rollende doos. Bovendien laat de studie zien dat robots die spraak gebruiken (zoals "Pardon" zeggen) anders met menigten interageren afhankelijk van hun grootte en vorm. Hoewel het artikel niet beweert het probleem van perfecte robotnavigatie te hebben opgelost, suggereert het dat ACME het meest uitgebreide "handboek" tot nu toe biedt om robots te leren hoe ze door de complexe, culturele en fysieke dans van menselijke ruimtes moeten navigeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.