MIT geeft robots sociale vaardigheden

In een gesimuleerde omgeving kijkt een robot naar zijn metgezel, raadt welke taak hij wil volbrengen en helpt of hindert deze andere robot vervolgens op basis van zijn eigen doelen. Toen de onderzoekers video’s van de interacties toonden aan een menselijk publiek, waren de kijkers het grotendeels eens over wat voor soort sociaal gedrag er plaatsvond.

Robots met sociale vaardigheden kunnen wellicht soepeler en positiever samenwerken met mensen, bijvoorbeeld door een ​​meer zorgzame omgeving te creëre voor ouderen. Het nieuwe model maakt sociale interacties ook kwantitatief meetbaar, wat psychologen kan helpen bij het bestuderen van autisme of het analyseren van de effecten van antidepressiva.

"Robots moeten echt leren hoe ze op menselijke voorwaarden met ons kunnen communiceren. Ze moeten begrijpen wanneer het tijd is om te helpen en om te zien hoe ze kunnen voorkomen dat er iets gebeurt. Ik heb het gevoel dat dit de eerste zeer serieuze poging is om te begrijpen wat het betekent voor mens en machine om sociaal met elkaar om te gaan", zegt hoofdonderzoeker Boris Katz van MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL).

Een sociale simulatie

Om sociale interacties te bestuderen, creëerden de onderzoekers een gesimuleerde omgeving waarin robots fysieke en sociale doelen nastreven terwijl ze zich door een tweedimensionaal raster bewegen.

Een fysiek doel heeft betrekking op de omgeving, bijvoorbeeld om naar een boom op een bepaald punt op het raster te navigeren. Een sociaal doel is raden wat een andere robot probeert te doen en vervolgens handelen op basis van die schatting, zoals een andere robot helpen de boom water te geven.

De onderzoekers gebruiken hun model om te specificeren wat de fysieke doelen van een robot zijn, wat zijn sociale doelen zijn en hoeveel nadruk hij op de ene boven de andere moet leggen. De robot wordt beloond voor acties die hij onderneemt die hem dichter bij het bereiken van zijn doelen brengen. Als een robot zijn metgezel probeert te helpen, past hij zijn beloning aan die van de andere robot aan; als het probeert te hinderen, past het zijn beloning aan om het tegenovergestelde te zijn. De planner, een algoritme dat bepaalt welke acties de robot moet ondernemen, gebruikt deze voortdurend bijgewerkte beloning om de robot te begeleiden bij het uitvoeren van een mix van fysieke en sociale doelen.

"We hebben een nieuw wiskundig raamwerk geopend voor hoe je sociale interactie tussen twee agenten modelleert. Als je een robot bent en je wilt naar locatie X, en ik ben een andere robot en ik zie dat je probeert naar locatie X te gaan, dan kan ik samenwerken door je te helpen sneller naar locatie X te gaan. Dat kan betekenen dat u X dichter bij moet plaatsen, een andere betere X moet zoeken of welke actie dan ook moet ondernemen rondom X. Onze formulering stelt het plan in staat om het ‘hoe’ te ontdekken; we specificeren het ‘wat’ in termen van wat sociale interacties wiskundig betekenen", zegt Tejwani.

Het combineren van de fysieke en sociale doelen van een robot is belangrijk om realistische interacties te creëren, aangezien mensen die elkaar helpen grenzen hebben aan hoe ver ze zullen gaan. Een rationeel persoon zou bijvoorbeeld niet zomaar een vreemde zijn portemonnee geven.

De onderzoekers gebruikten dit wiskundige raamwerk om drie soorten robots te definiëren. Een robot van niveau 0 heeft alleen fysieke doelen en kan niet sociaal redeneren. Een robot van niveau 1 heeft fysieke en sociale doelen, maar gaat ervan uit dat alle andere robots alleen fysieke doelen hebben. Robots van niveau 1 kunnen acties ondernemen op basis van de fysieke doelen van andere robots, zoals helpen en hinderen. Een robot van niveau 2 gaat ervan uit dat andere robots sociale en fysieke doelen hebben; deze robots kunnen het aameer geavanceerde acties zoals meedoen om samen te helpen.

Het model evalueren

Om te zien hoe hun model zich verhoudt tot menselijke perspectieven over sociale interacties, creëerden ze 98 scenario’s met robots op de niveaus 0, 1 en 2. Twaalf mensen bekeken 196 videoclips van de robots die met elkaar omgingen, en werden vervolgens gevraagd om de fysieke en sociale doelen van die robots.

In de meeste gevallen kwam hun model overeen met wat de mensen dachten over de sociale interacties die in elk frame plaatsvonden."We hebben dit langetermijnbelang, zowel om rekenmodellen voor robots te bouwen, maar ook om dieper in te gaan op de menselijke aspecten hiervan. We willen weten welke functies in deze video’s mensen gebruiken om sociale interacties te begrijpen. Kunnen we een objectieve test maken voor het vermogen om sociale interacties te herkennen? Misschien is er een manier om mensen te leren deze sociale interacties te herkennen en hun vaardigheden te verbeteren. We zijn hier nog ver van verwijderd, maar alleen al het effectief kunnen meten van sociale interacties is een grote stap voorwaarts", zegt Barbu.

Naar meer verfijning

De onderzoekers werken aan de ontwikkeling van een systeem met 3D-agenten in een omgeving die veel meer soorten interacties mogelijk maakt, zoals het manipuleren van huishoudelijke voorwerpen. Ze zijn ook van plan om hun model aan te passen om omgevingen op te nemen waar acties kunnen mislukken.

De onderzoekers willen ook een op neurale netwerken gebaseerde robotplanner in het model opnemen, die leert van ervaring en sneller presteert. Ten slotte hopen ze een experiment uit te voeren om gegevens te verzamelen over de functies die mensen gebruiken om te bepalen of twee robots een sociale interactie aangaan.

Barbu: "Hopelijk zullen we een benchmark creëren waarmee alle onderzoekers aan deze sociale interacties kunnen werken en de soorten wetenschappelijke en technische vooruitgang kunnen inspireren die we op andere gebieden hebben gezien, zoals object- en actieherkenning."