Hoewel onderzoek op het gebied van robotica de afgelopen jaren tot aanzienlijke vooruitgang heeft geleid, er zijn nog steeds grote verschillen in de manier waarop mensen en robots met objecten omgaan. In feite, zelfs de meest geavanceerde robots die tot nu toe zijn ontwikkeld, hebben moeite om de objectmanipulatievaardigheden van de gemiddelde peuter te evenaren. Een specifiek aspect van objectmanipulatie dat de meeste robots nog niet onder de knie hebben, is het bereiken en grijpen naar specifieke objecten in een rommelige omgeving.

Om deze beperking te overwinnen, als onderdeel van een door EPSRC gefinancierd project, onderzoekers van de Universiteit van Leeds hebben onlangs een mensachtige robotplanner ontwikkeld die virtual reality (VR) en machine learning (ML) technieken combineert. Deze nieuwe planner, geïntroduceerd in een paper dat vooraf is gepubliceerd op arXiv en zal worden gepresenteerd op de International Conference on Robotics and Automation (ICRA), zou de prestaties van een verscheidenheid aan robots bij taken voor objectmanipulatie kunnen verbeteren.

"Ons onderzoeksdoel is om betere robotsystemen te ontwikkelen; systemen die mensen kunnen helpen bij een reeks taken, variërend van het verkennen van gevaarlijke omgevingen tot het helpen van een kind om te leren schrijven, "Prof. Anthony G. Cohn, hoofdonderzoeker van het onderzoek, vertelde TechXplore. "Dus vormden we een multidisciplinaire groep van psychologen en computerwetenschappers om te onderzoeken of we het gedrag van mensen konden vastleggen en de regels die mensen gebruiken bij het reiken naar objecten kunnen reverse-engineeren."

In tegenstelling tot andere onderzoekers die machine learning classifiers trainden op afbeeldingen van rommelige omgevingen, Cohn en zijn collega's wilden trainingsgegevens genereren met behulp van nieuwe immersieve technologieën. In hun studie hebben ze gebruikten dus VR-apparatuur om gegevens te verzamelen over mensen die manipulatietaken uitvoeren.

Vervolgens, ze gebruikten ML-classificaties om de VR-gegevens die ze verzamelden te analyseren en algemene regels te extraheren die aan menselijke besluitvorming ten grondslag kunnen liggen. De planner gebruikt deze regels om efficiënte strategieën te plannen voor robots die taken voor objectmanipulatie uitvoeren.

"We wilden dat de resulterende plannen die door de robot werden uitgevoerd ook 'menselijk leesbaar, " in de zin dat zij degenen zouden zijn die een mens zou verwachten dat een ander mens zou uitvoeren, wat bij veel huidige robotplannen niet het geval is, ’ legde Cohn uit.

De beslissingen van mensen die manipulatietaken uitvoeren, lijken meestal te worden geleid door kwalitatieve representaties (d.w.z. niet de exacte afstand en richting van alle objecten in hun omgeving, maar eerder relatieve afstanden en richtingen). In hun studie hebben de onderzoekers probeerden deze besluitvormingsprocessen beter te begrijpen om ze deels te reproduceren in ML-classificaties.

"We hebben onderzocht hoe mensen reiken in scenario's waarin de objecten die ze grijpen bepaalde ruimtelijke relaties hebben en gebruikten methoden die zijn ontwikkeld door AI-onderzoekers van de Universiteit van Leeds om kwalitatief te beschrijven waar de objecten zich bevonden, "Dr. Mohamed Hasan, een research fellow die aan het project werkt, uitgelegd. "Dit betekende dat de planner de kwalitatieve ruimtelijke relaties tussen objecten kon classificeren en vervolgens de acties kon selecteren die mensen in dat scenario zouden gebruiken."

De door Cohn en zijn collega's voorgestelde aanpak stelt robots in staat om veel sneller effectieve acties te identificeren om naar een object in een rommelige ruimte te reiken dan wanneer ze alle mogelijke acties zouden moeten overwegen. Het doet dit door een plan op hoog niveau op te stellen, die wordt weergegeven als een opeenvolging van belangrijke waypoints en bewegingen. Dit plan wordt doorgegeven aan een standaard low-level planner, die het gebruikt om gedetailleerde trajecten voor de arm van de robot te plannen.

"Onze planner werkt op een manier die lijkt op het proces van het plannen van een reis door te kiezen door welke steden we gaan en pas later precies te beslissen welke wegen en rijstroken we moeten nemen, "Zei Cohn. "We ontdekten dat deze aanpak onze mensachtige planner veel efficiënter maakt dan bestaande planners."

De onderzoekers evalueerden hun planner in een reeks experimenten, het testen in VR-scenario's waarbij mensen manipulatietaken voltooiden in op fysica gebaseerde robotsimulaties en met behulp van een echte robotgrijper. Alle drie de evaluaties leverden veelbelovende resultaten op, waarbij de mensachtige planner beter presteert dan een state-of-the-art, standaard trajectoptimalisatie-algoritme.

De planner van Cohn en zijn collega's was in staat om effectieve strategieën te genereren waarmee robots sneller en efficiënter naar objecten in onoverzichtelijke omgevingen konden reiken dan wanneer ze de standaard technieken voor trajectoptimalisatie zouden gebruiken. Naast de introductie van een veelbelovende mensachtige planner voor robotmanipulatietaken, het onderzoek laat zien dat VR-technologie kan worden gebruikt om menselijk gedrag te bestuderen en besluitvormingsprocessen beter te begrijpen.

"Ons VR-platform, die in-house is ontwikkeld aan de Universiteit van Leeds, stelde ons in staat om in korte tijd honderden bereiken vast te leggen, maar we zouden ook de lay-out van de omgeving tussen elke proef kunnen veranderen en gemakkelijk precies dezelfde omgeving kunnen presenteren aan verschillende menselijke deelnemers, " zei prof. Mark Mon-Williams, co-onderzoeker en een cognitief psycholoog, uitgelegd. "Onze bevindingen ondersteunen onze recente suggesties dat VR een van de meest alomtegenwoordige hulpmiddelen in psychologisch onderzoek zal worden. Maar we hebben ook ontdekt dat regels die ten grondslag liggen aan de selectie van menselijke acties kunnen worden vastgelegd door ML-methoden."

In de toekomst, de door Cohn en zijn collega's ontwikkelde planner zou kunnen helpen om de manipulatievaardigheden van zowel bestaande als nieuwe robots te verbeteren, waardoor machines acties efficiënter kunnen selecteren en mogelijk zelfs de "redenering" achter hun beslissingen kunnen uitleggen. Deze recente studie zou ook andere onderzoekers kunnen aanmoedigen om VR-gegevens te gebruiken bij het onderzoeken van menselijke besluitvormingsprocessen, die dan beter in machines zou kunnen worden gereproduceerd.

Het uiteindelijke doel van het onderzoek is om intelligente robots te bouwen die menselijke bedoelingen begrijpen en anticiperen in scenario's voor samenwerking tussen mens en robot. Ideaal, dergelijke robots zouden ook in staat zijn om op mensachtige manieren te reageren, communiceren met menselijke gebruikers op dezelfde manier als een ander mens zou doen.

"Het huidige werk is een proof of concept, dus we zijn nu van plan om de methode die we hebben ontwikkeld te gebruiken en het enorme potentieel ervan te benutten, Mon-Williams zei. "Het is duidelijk geworden dat deze combinatie van computerwetenschap en psychologie een zeer nuttige benadering is die het potentieel heeft om licht te werpen op de selectie van menselijke acties, wat om een ​​aantal redenen belangrijk is, inclusief inzicht in de behandeling van medische aandoeningen zoals beroertes, en ons helpen efficiëntere robots te ontwerpen. We werken momenteel aan onze volgende reeks experimenten en projecten."

© 2020 Wetenschap X Netwerk