侵权投诉

搜索
更多>> 热门搜索:
订阅
纠错
加入自媒体

MIT互动机器人研究:让机器观察人类行为学习团队合作

2016-06-24 00:07
FlappyBird
关注

  以前的工业机器人很大,笨拙又危险。现在流水线上全是新的“人类安全”机器人,它们和人类一起工作。机器人是很尴尬的同事,它们与我们共存但是无法进行有意义的合作。你需要非常明确的告诉机器人怎么帮你做事,什么时候停下来,人类同事都是靠默契来完成这些。一个称职的人类学徒应该像敏锐的观察者一样,揣测心照不宣的规则和习惯,观察别人怎么做事,然后总结出能适用新情况的经验。我们之所以能完成这些,部分是因为人类思维能够有效处理非常复杂的信息。这是机器一直以来都很难做到的事情。

  最近的研究显示,我们正站在一个拐点上,机器人怎么观察和处理数据,就怎么和人类共事。

  机器人学家正开始通过翻译认知模型对人类思维实施反向工程,认知模型是人类靠直觉使用的计算模型,这种模型机器也能使用。用这种方法,机器人和人类已经可以搭档完成复杂的工作,或许比人类之间的合作还要好。

  人机默契合作,影响巨大。想象一下,一个机器人队友跟你一起策划应急响应部署。这个机器人听了人类团队的对话后,主动学习游戏计划。这样的机器人可能不要等到你去告诉他要做什么,就能立即主动完成任务,帮助团队达成目标。在应急响应和其他时间紧急的情况下,人类迫切需要机器人的这种能力,但对机器人来说,拥有这种能力需要一个变革。

  实现这个变革面临的挑战是合作对话十分复杂:它无法在一个周期内展开,共识总是在变,建议也常常不明确或者是被动的交流和接收。这个团队或许会考虑和拒绝许多选择,频繁修改计划。而对于机器人来说,有效推断团队计划很难。对于每一个简单的场景,这个机器人可能都不得不考虑和探索数万亿个计划。这个场景也许只是几个人的团队,完成的目标也就几个。

  相比之下,人类队员在一次会议后,只需要几个小时,就能解决会议所达成的共识。我们能做出清晰的会议计划图。我们通常能在心里想好对话的框架。团队的每一个成员都能在目标的驱动下被激励起来,对团队的能力有着共同的基本认识。团队成员在合作中的每一个建议都能被考虑到。

  我的研究团队,MIT的互动机器人团队(Interactive Robotics Group),调整了一下想法,设计出一个计算模型,能够复制一个团队讨论协商计划过程的内在结构。我们只需要给机器一点点信息,比如团队成员人数,他们的能力,团队目标,和相关任务信息。这个机器利用这些信息,根据问题情景,把每个最有可能的有效计划拼在一起,然后推断出最终的计划。比如这个机器被告知团队有四个成员,完成眼下的八个目标,它就可能推断成员需要同时处理多个任务,或者修改计划,按序完成任务。这个方法在应急响应计划中应用的十分成功。人类团队被要求制定一个复杂的团队应急计划,而机器能推断出最终的计划,平均精确率达到 86%。

  这个方法还能让机器人仅仅通过观察我们怎么在工作中做决定,来学习复杂的计划。事实上,我们最近的研究显示,机器人能够学习现实世界里国防和医疗保健中的复杂决策策略。

  关键在于设计出我们模型的结构,确保机器人对人类专家的每一个观察都能有效的利用。人类专家做出的每个决定都提供了巨大的信息,揭示了一个特定选项是如何被优先于另一个选项的。我们设计出一个模型,通过把在选项中观察到的数据转换成成对的排名,来调试模型的逻辑结构。这个方法基本上改善了机器有效学习人类专家决策策略高质量模型的能力。

  这个技术已被成功应用在两个场景中。

  第一个场景是,专家玩一个严肃游戏,游戏中的轮船防御了一组导弹威胁。本来一个机器或许需要几天活几周的时间来解决好这类问题,但是人类专家能够迅速做出好决定。运用我们的结构化计算模型,这个机器只要看完16个专家展示怎么决策后,就能学会这个策略。事实上,这个机器在很多导弹防御任务上的表现比专家们的平均表现还要好。

  在第二个场景中,一个机器跟着医疗专业人员学会了在一家医院里协调护理病人。详细来说,它学会了需要何时何地把一个病人转移到另一个类型的房间,和根据变化的工作负荷分配护士。该技术通过了实验评估,实验中,在高保真的模拟情景下,一个机器人提供决策帮助护士和医生对病人做出医疗决定。护士和医生遵守了机器人90%的建议,高度说明了这个机器人已经学会了为这个任务制定高质量决策。

  最近的这些研究进展表明在与人类的多种合作中,机器具有巨大的潜力,能够拓展和增强人类在很多经济领域的能力。未来的机器人无需站在一边等待人们告诉它要做什么。机器人将能真正地为我们服务,愿意且能够时刻准备着学习观察我们。它们会肩并肩出现在组装流水线上,医院里,站在应急响应任务的最前线。过去那些笨队友机器人将会被更有价值的团队成员所替代。 

声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号