Continuous Cognitive Coverage for Autonomous Robots via Event-Dependent Cognitive Treatment and Learning
Dit artikel stelt een continu cognitief dekkingsframework voor autonome robots voor dat op basis van de context en geschiedenis aan elk toegelaten evenement een evenementafhankelijke cognitieve behandeling toewijst, wat een dynamische mix van geautomatiseerde en deliberatieve verwerking mogelijk maakt die een hoge nauwkeurigheid en dekking bereikt onder diverse werklasten.
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
Robots worden steeds gebruikelijker in magazijnen, ziekenhuizen en huizen, maar ze worstelen vaak met de stille, constante stroom van gebeurtenissen om hen heen. Terwijl een robot druk bezig kan zijn met het bezorgen van een pakketje, kan er een deur openslaan, een doos op een plank kunnen wankelen, of een persoon in zijn pad kunnen stappen. Huidige systemen negeren dergelijke achtergrondgebeurtenissen meestal totdat een specifieke taak aandacht vereist, of ze passen hetzelfde rigide denkproces toe op elke nieuwe situatie. Deze aanpak zorgt ervoor dat veel potentiële gevaren onopgemerkt blijven en verspilt energie aan het overdenken van simpele zaken. Het doel van moderne robotica is om machines te creëren die, net als mensen, in staat zijn om een continue stroom van gebeurtenissen op te merken, te interpreteren en af te handelen zonder te wachten op een direct bevel. Dit vereist een systeem dat onmiddellijk kan beslissen of een situatie bekend en veilig is, of dat het diep nadenken en voorzichtigheid vereist.
Een onderzoeker heeft een nieuw framework voorgesteld om robots deze vorm van continue bewustwording te geven. In plaats van elke gebeurtenis als een aparte taak te behandelen of ze te negeren totdat er een crisis optreedt, zorgt dit systeem ervoor dat elke enkele gebeurtenis die de robot opmerkt, een passende mentale reactie krijgt. De kern van het idee is dat niet alle gebeurtenissen gelijk zijn. Een kopje dat veilig op een tafel staat, is anders dan hetzelfde kopje dat aan de rand van de tafel wankelt. De onderzoeker heeft een systeem gebouwd dat aan elke gebeurtenis een specifiek type mentale behandeling toewijst op basis van de context, de geschiedenis en de huidige staat. Als een situatie bekend is, handelt de robot deze automatisch af met behulp van aangeleerde gewoontes. Als het vreemd, onzeker of gevaarlijk is, schakelt de robot over naar een meer voorzichtige, bedachtzame modus van denken. Dit stelt de robot in staat om zijn geest actief te houden op alles om hem heen, in plaats van zich alleen te concentreren op zijn huidige takenlijst.
De onderzoeker testte dit idee met behulp van een gesimuleerde robot die zich door een serviceomgeving bewoog en daarbij objecten, geblokkeerde paden en veranderende omstandigheden tegenkwam. Er werd ontdekt dat wanneer de robot gedwongen werd om een enkele, vaste manier van denken voor elk object te gebruiken, hij er niet in slaagde belangrijke verschillen in context te herkennen. Zo kon hij bijvoorbeeld het verschil niet zien tussen een stabiel object en een onstabiel object als ze er hetzelfde uitzagen. Echter, wanneer de robot de ruimte kreeg om zijn eigen mentale benadering te kiezen, identificeerde hij correct de juiste behandeling voor bijna 97 procent van de gestructureerde scenario's. Cruciaal was dat hij dit wist te doen terwijl hij 93 procent van de gebeurtenissen automatisch afhandelde, waarbij hij zijn dure, langzaam denkende redeneermotor alleen aanriep voor de zeldzame, moeilijke gevallen. Deze balans betekende dat de robot diep kon nadenken wanneer dat nodig was, zonder verstrikt te raken in onnodige overwegingen.
Een grote uitdaging voor elke denkende machine is wat er gebeurt als er veel dingen tegelijkertijd plaatsvinden. Als een robot een defecte machine aan het diagnosticeren is en vervolgens een geblokkeerd pad ziet, kan een simpel systeem stoppen met alles om het pad vrij te maken, waardoor het de diagnose vergeet, of het kan het pad negeren om de diagnose af te maken. Het nieuwe framework lost dit op door de robot in staat te stellen één denklijn te pauzeren, over te schakelen naar een andere, en vervolgens precies terug te keren naar de eerste waar hij gebleven was. In tests waarbij gebeurtenissen in plotselinge uitbarstingen arriveerden en sommige wacht op vertraagde informatie vereisten, maakte deze flexibele aanpak het de robot mogelijk om een dekking van 92 procent van alle gebeurtenissen te behouden. In contrast hiermee daalde de dekking bij systemen die niet in staat waren om het denken te pauzeren en te hervatten tot minder dan de helft, waarbij ze kritieke veiligheidswaarschuwingen misten en taken niet voltooiden. Dit vermogen om meerdere onvoltooide gedachten tegelijk te jongleren bleek essentieel om de robot veilig en effectief te houden in een drukke wereld.
Het systeem leert ook continu en verbetert zo zijn eigen besluitvorming in de loop van de tijd. Wanneer de robot een nieuw type gebeurtenis succesvol afhandelt, slaat hij deze ervaring op en gebruikt hij deze om soortgelijke toekomstige gebeurtenissen automatisch af te handelen. Als de robot een fout maakt of als de omgeving verandert, kan het systeem die oude herinnering opnieuw openen, de begrip ervan herzien en de nieuwe regel aanpassen. In experimenten waarbij de onderzoeker nieuwe objecten introduceerde en vervolgens het gedrag van bekende objecten veranderde, paste de robot zich succesvol aan. Het leerde om nieuwe gebeurtenissen met zorg te behandelen en die lessen vervolgens om te zetten in automatische gewoontes. Wanneer een voorheen betrouwbare regel niet meer klopte, detecteerde de robot de fout, schakelde hij terug naar diep nadenken en corrigeerde hij zijn gedrag. Deze cyclus van leren, automatiseren en herzien stelde de robot in staat om 100 procent automatische verwerking te bereiken bij het hergebruiken van zijn eigen geleerde oplossingen voor nieuwe situaties.
De resultaten suggereren dat voor robots om veilig en efficiënt in de echte wereld te opereren, ze meer nodig hebben dan alleen een lijst met taken om te voltooien. Ze hebben een continue stroom van bewustzijn nodig die elke gebeurtenis met de juiste mate van aandacht behandelt. Door automatische gewoontes te combineren met diep redeneren, en door de mogelijkheid te bieden om gedachten te pauzeren en te hervatten, biedt dit framework een manier voor machines om mentaal aanwezig te blijven in een chaotische omgeving. De experimenten laten zien dat deze aanpak niet alleen de veiligheid en efficiëntie verbetert, maar het ook robots mogelijk maakt om te leren van hun dagelijkse ervaringen, waarbij elke ontmoeting wordt omgezet in een les voor de toekomst.
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.