Onderzoekers van het Okinawa Institute of Science and Technology hebben onlangs een neurorobotica-aanpak voorgesteld die zou kunnen helpen bij de ontwikkeling van robots met geavanceerde communicatiemogelijkheden. Hun aanpak, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, is gebaseerd op twee belangrijke kenmerken:stochastische neurale dynamiek en voorspellingsfoutminimalisatie (PEM).

"Ons onderzoek richt zich in grote lijnen op het bouwen van robots op basis van de belangrijkste principes van de hersenen, "Jungsik Hwang, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "In dit onderzoek, we hebben ons gericht op het principe van voorspellingsfoutminimalisatie (PEM). Het belangrijkste idee is dat de hersenen een voorspellingsmachine zijn, consistent voorspellingen doen en voorspellingsfouten minimaliseren wanneer een voorspelling afwijkt van waarnemingen. Deze theorie is op grote schaal toegepast om vele aspecten van cognitief gedrag te verklaren. In dit onderzoek, we hebben geprobeerd te onderzoeken of dit principe kan worden toegepast op een sociale situatie."

In recente jaren, onderzoekers hebben talloze onderzoeken uitgevoerd die gericht zijn op het kunstmatig repliceren van de aangeboren communicatieve vaardigheden van veel dieren, inclusief mensen. Hoewel veel van deze onderzoeken veelbelovende resultaten hebben opgeleverd, de meeste bestaande oplossingen bereiken geen mens-vergelijkbare nauwkeurigheid.

"Een van de uitdagende taken voor een robot met communicatiemogelijkheden is het herkennen van de intentie van een ander achter waargenomen gedrag, Hwang legde uit. "Een veel voorkomende aanpak om dit probleem op te lossen is om het te beschouwen als een classificatietaak. Het doel wordt dan om het juiste label (gebruikersintentie) te verkrijgen met gegeven observatie (gebruikersgedrag) met behulp van de classifier. Tegenwoordig, de populaire keuze voor dergelijke classificaties zijn diepe neurale netwerkmodellen, zoals convolutionele neurale netwerken (CNN's) en lange kortetermijngeheugen (LSTM)."

In hun studie hebben Hwang en zijn collega's stelden een andere benadering voor om dit probleem op te lossen op basis van stochastische neurale dynamiek en PEM. De onderzoekers pasten hun benadering toe op twee kleine humanoïde robots, genaamd ROBOTIS OP2, en testte het in verschillende situaties waarbij interacties tussen mens en robot en robot-robot betrokken waren.

“Met onze aanpak, de robot maakt consequent voorspellingen over het gedrag van de agent waarmee hij interactie heeft, " Hwang zei. "Als een voorspelling anders is dan hun waarneming, de robot werkt zijn overtuiging bij zodat de juiste voorspelling kan worden gedaan (d.w.z. het minimaliseren van voorspellingsfouten). Daarom, in deze benadering is intentieherkenning geen classificatietaak, maar een actief proces waarbij 'overtuigingen' worden bijgewerkt om te begrijpen wat er in het recente verleden is gebeurd. In termen van machine learning, dit kun je zien als een soort online leren."

In voorlopige evaluaties met behulp van humanoïde robots, de onderzoekers ontdekten dat het kunnen voorspellen van het gedrag van anderen en het minimaliseren van voorspellingsfouten een sleutelrol speelden in sociale situaties. Door hun aanpak te gebruiken, de robots waren in staat om de acties te imiteren van de agenten waarmee ze interactie hadden; een menselijke gebruiker in HRI-instellingen (mens-robotinteractie) en een andere robot in RRI-instellingen (robot-robotinteractie). Toen hun aanpak niet werd toegepast op de robots, anderzijds, De interacties van de robots met andere agenten werden gekenmerkt door alledaagse patronen en repetitief gedrag.

"Door middel van het PEM-mechanisme, de robot kan zich niet alleen snel aanpassen aan een veranderende omgeving, maar ook voorspellen wat er in de toekomst gaat gebeuren, Hwang legt uit. "Deze methode kan dus worden toegepast op andere ambient intelligence-diensten waarin AI consequent voorspellingen doet over gebruikers en zich daarop aanpast, of zelfs proactief suggesties doet op basis van waarnemingen uit het verleden."

In de toekomst, de door Hwang en zijn collega's ontwikkelde aanpak zou de ontwikkeling van robots met betere communicatiemogelijkheden kunnen beïnvloeden. interessant, de onderzoekers merkten ook op dat wanneer twee robots met elkaar interageren met hun benadering, enkele nieuwe en ongebruikelijke communicatiepatronen ontstonden, wat suggereert dat hun aanpak een meer geavanceerde vorm van communicatie mogelijk maakt.

"Er zijn nog steeds veel interessante onderzoeksrichtingen die in deze setting kunnen worden verkend, " zei Hwang. "Bijvoorbeeld, Ik ben geïnteresseerd in een Turing-test met gebaren waarin een gebruiker interactie heeft met een robot die kan worden bestuurd door een andere persoon achter de muur of AI. Als men niet kan identificeren wie de robot bedient, kunnen we zeggen dat de robot de intelligentie heeft om met mensen om te gaan? Wat voor soort principes van de hersenen zouden essentieel zijn om menselijke gelijkenis in dergelijke sociale omgevingen te illustreren? Dit zijn enkele vragen die ik in de toekomst zou willen onderzoeken."

© 2019 Wetenschap X Netwerk