Naarmate robots steeds meer hun krachten bundelen om met mensen te werken - van verpleeghuizen tot magazijnen tot fabrieken - moeten ze proactief ondersteuning kunnen bieden. Maar eerst moeten robots iets leren dat we instinctief weten:hoe te anticiperen op de behoeften van mensen.

Met dat doel voor ogen hebben onderzoekers van de USC Viterbi School of Engineering een nieuw robotsysteem ontwikkeld dat nauwkeurig voorspelt hoe een mens een IKEA-boekenkast zal bouwen en vervolgens een handje helpt - door de plank, bout of schroef te leveren die nodig is om de taak te voltooien . Het onderzoek werd gepresenteerd op de International Conference on Robotics and Automation op 30 mei 2021.

"We willen dat mens en robot samenwerken - een robot kan je helpen dingen sneller en beter te doen door ondersteunende taken uit te voeren, zoals dingen ophalen", zegt hoofdauteur Heramb Nemlekar van het onderzoek. "Mensen zullen nog steeds de primaire acties uitvoeren, maar kunnen eenvoudigere secundaire acties overdragen aan de robot."

Nemlekar, een Ph.D. student in computerwetenschappen, wordt begeleid door Stefanos Nikolaidis, een assistent-professor in de computerwetenschappen, en co-auteur van het artikel met Nikolaidis en SK Gupta, een professor in lucht- en ruimtevaart, werktuigbouwkunde en informatica die het Smith International Professorship in Mechanical Engineering bekleedt.

Aanpassen aan variaties

In 2018 leerde een door onderzoekers in Singapore gemaakte robot om zelf een IKEA-stoel in elkaar te zetten. In deze nieuwe studie wil het USC-onderzoeksteam zich in plaats daarvan concentreren op de samenwerking tussen mens en robot.

Het combineren van menselijke intelligentie en robotkracht heeft voordelen. In een fabriek kan een menselijke operator bijvoorbeeld de productie aansturen en bewaken, terwijl de robot het fysiek zware werk doet. Mensen zijn ook meer bedreven in die lastige, delicate taken, zoals een schroef ronddraaien om het passend te maken.

The key challenge to overcome:humans tend to perform actions in different orders. For instance, imagine you're building a bookcase—do you tackle the easy tasks first, or go straight for the difficult ones? How does the robot helper quickly adapt to variations in its human partners?

"Humans can verbally tell the robot what they need, but that's not efficient," said Nikolaidis. "We want the robot to be able to infer what the human wants, based on some prior knowledge."

It turns out, robots can gather knowledge much like we do as humans:by "watching" people, and seeing how they behave. While we all tackle tasks in different ways, people tend to cluster around a handful of dominant preferences. If the robot can learn these preferences, it has a head start on predicting what you might do next.

A good collaborator

Based on this knowledge, the team developed an algorithm that uses artificial intelligence to classify people into dominant "preference groups," or types, based on their actions. The robot was fed a kind of "manual" on humans:data gathered from an annotated video of 20 people assembling the bookcase. The researchers found people fell into four dominant preference groups.

For instance, do you connect all the shelves to the frame on just one side first; or do you connect each shelf to the frame on both sides, before moving onto the next shelf? Depending on your preference category, the robot should bring you a new shelf, or a new set of screws. In a real-life IKEA furniture assembly task, a human stayed in a "work area" and assembled the bookcase, while the robot—a Kinova Gen 2 robot arm—learned the human's preferences, and brought the required materials from a storage area.

"The system very quickly associates a new user with a preference, with only a few actions," said Nemlekar.

"That's what we do as humans. If I want to work to work with you, I'm not going to start from zero. I'll watch what you do, and then infer from that what you might do next."

In this initial version, the researchers entered each action into the robotic system manually, but future iterations could learn by "watching" the human partner using computer vision. The team is also working on a new test-case:humans and robots working together to build—and then fly—a model airplane, a task requiring close attention to detail.

Refining the system is a step towards having "intuitive" helper robots in our daily lives, said Nikolaidis. Although the focus is currently on collaborative manufacturing, the same insights could be used to help people with disabilities, with applications including robot-assisted eating or meal prep.

"If we will soon have robots in our homes, in our work, in care facilities, it's important for robots to infer and adapt to people's preferences," said Nikolaidis. "The robot needs to be a teammate and a good collaborator. I think having some notion of user preference and being able to learn variability is what will make robots more accepted."