211service.com
De sleutel tot slimmere robotmedewerkers kan meer eenvoud zijn
mevrouw Tech | Getty, Pixabay
Denk aan alle onbewuste processen die u uitvoert tijdens het rijden. Terwijl je informatie opneemt over de omringende voertuigen, anticipeer je op hoe ze zouden kunnen bewegen en denk je meteen na over hoe je op die manoeuvres zou reageren. U denkt misschien zelfs na over hoe u de andere bestuurders zou kunnen beïnvloeden op basis van wat zij denken dat u zou kunnen doen.
Als robots naadloos in onze wereld willen integreren, zullen ze hetzelfde moeten doen. Nu hebben onderzoekers van Stanford University en Virginia Tech voorgesteld: een nieuwe techniek om robots te helpen bij het uitvoeren van dit soort gedragsmodellering, die ze volgende week zullen presenteren op de jaarlijkse internationale Conference on Robot Learning. Het houdt in dat de robot alleen de brede lijnen van de bewegingen van andere agenten samenvat in plaats van ze tot in detail vast te leggen. Hierdoor kan het snel hun toekomstige acties en zijn eigen reacties voorspellen zonder te verzanden in zware berekeningen.
Een andere theory of mind
Traditionele methoden om robots te helpen naast mensen te werken, zijn geïnspireerd op een idee in de psychologie dat theory of mind wordt genoemd. Het suggereert dat mensen met elkaar omgaan en zich inleven door begrip voor elkaars overtuigingen te ontwikkelen - een vaardigheid die we als jonge kinderen ontwikkelen. Onderzoekers die op deze theorie putten, richten zich op het verkrijgen van robots om een model te construeren van de onderliggende bedoelingen van hun medewerkers als basis voor het voorspellen van hun acties.
Dorsa Sadigh, een assistent-professor aan Stanford, vindt dit inefficiënt. Als je nadenkt over interacties tussen mens en mens, doen we dat niet echt, zegt ze. Als we proberen een tafel samen te verplaatsen, doen we geen geloofsmodellering. In plaats daarvan, zegt ze, vertrouwen twee mensen die een tafel verplaatsen op eenvoudige signalen, zoals de krachten die ze voelen van hun medewerker die de tafel duwt of trekt: dus ik denk dat wat er echt gebeurt, is dat wanneer mensen samen een taak uitvoeren, ze iets bijhouden dat is veel lager dimensionaal.
Met dit idee zou een robot heel eenvoudige beschrijvingen kunnen opslaan van de acties van zijn omringende agenten. In een potje airhockey kan het bijvoorbeeld de bewegingen van zijn tegenstanders opslaan met slechts één woord: rechts, links of midden. Het kan deze gegevens vervolgens gebruiken om twee afzonderlijke algoritmen te trainen: een machine-learning-algoritme dat voorspelt waar de tegenstander zal bewegen, en een versterking-learning-algoritme om te bepalen hoe het moet reageren. Dit laatste algoritme houdt ook bij hoe de tegenstander van koers verandert op basis van zijn eigen reactie, zodat hij kan leren het handelen van de tegenstander te beïnvloeden.
Het belangrijkste idee hier is het lichtgewicht karakter van de trainingsgegevens, waardoor de robot al deze parallelle trainingen on-the-fly kan uitvoeren. Een meer traditionele benadering kan de coördinaten voor het hele pad van de bewegingen van de tegenstander opslaan, niet alleen hun overkoepelende richting. Hoewel het misschien contra-intuïtief lijkt dat minder meer is, is het de moeite waard om opnieuw Sadighs theorie over menselijke interactie te onthouden. Ook wij modelleren de mensen om ons heen slechts in grote lijnen.
De onderzoekers testten dit idee in simulatie voor onder meer een zelfrijdende auto, en in de echte wereld met een potje robot-airhockey. In elk van de proeven presteerde de nieuwe techniek beter dan eerdere methoden om robots te leren zich aan te passen aan omringende agenten. De robot leerde ook effectief om de mensen om hem heen te beïnvloeden.
Toekomstwerk
Er zijn nog enkele problemen die toekomstig onderzoek zal moeten oplossen. Het werk gaat er momenteel bijvoorbeeld van uit dat elke interactie die de robot aangaat eindig is, zegt Jakob Foerster, een assistent-professor aan de Universiteit van Toronto, die niet bij het werk betrokken was.
In de zelfrijdende simulatie gingen de onderzoekers ervan uit dat de robotauto tijdens elke trainingsronde slechts één duidelijk begrensde interactie met een andere auto ervoer. Maar autorijden werkt natuurlijk niet zo. Interacties zijn vaak continu en zou een zelfrijdende auto vereisen om zijn gedrag binnen elke interactie te leren en aan te passen, niet alleen tussen hen.
Een andere uitdaging, zegt Sadigh, is dat de aanpak kennis veronderstelt van de beste manier om het gedrag van een medewerker te beschrijven. De onderzoekers moesten zelf de labels rechts, links en midden in het airhockeyspel bedenken voor de robot om de acties van zijn tegenstander te beschrijven. Die labels zullen niet altijd zo duidelijk zijn in meer gecompliceerde interacties.
Desalniettemin ziet Foerster belofte in de bijdrage van de krant. Het overbruggen van de kloof tussen leren door meerdere agenten en interactie tussen mens en AI is een superbelangrijke weg voor toekomstig onderzoek, zegt hij. Ik ben echt opgewonden als deze dingen bij elkaar komen.