您现在的位置是:首页 >市场 > 2020-12-15 09:28:02 来源:

一种能够学习所有权关系和规范的新型机器人

导读 耶鲁大学的一组研究人员最近开发了一种能够代表,学习和推断所有权关系和规范的机器人系统。他们的研究预先发表在arXiv上,解决了与教学机

耶鲁大学的一组研究人员最近开发了一种能够代表,学习和推断所有权关系和规范的机器人系统。他们的研究预先发表在arXiv上,解决了与教学机器人社会规范以及如何遵循这些规范相关的一些复杂挑战。

随着机器人的普及,重要的是它们必须能够与人类进行有效且适当的通信。人类互动的一个关键方面是根据社会和道德规范进行理解和行为,因为这促进了与他人的积极共处。

所有权规范是一组社会规范,有助于以更加体贴他人的方式在共享环境中导航。向机器人教授这些规范可以增强他们与人类的互动,从而使他们能够区分非拥有工具和与他们暂时共享的拥有工具。

进行这项研究的研究人员之一Brian Scassellati告诉TechXplore:“我的研究实验室专注于使人们易于交互的机器人。” “这项工作的一部分是研究如何教授关于共同的社会概念的机器,这些概念对于我们人类来说是必不可少的,但并非总是吸引最多注意力的主题。了解对象所有权,权限和习俗是其中之一。这些主题并没有真正引起人们的关注,但是对于机器在我们的家庭,学校和办公室中的运行方式至关重要。”

在Scassellati,Xuan Tan和Jake Brawer设计的方法中,所有权表示为对象与其所有者之间的概率关系图。这与基于谓词的规范的数据库结合在一起,该数据库限制了允许机器人使用拥有的对象完成的动作。

“这项工作的挑战之一是,我们了解所有权的某些方式是通过明确的规则(例如,'别拿我的工具')来进行的,而其他方式则是通过经验来学习的,” Scassellati说。“将这两种类型的学习结合起来对人们来说可能很容易,但是对机器人来说则更具挑战性。”

研究人员设计的系统结合了一种新的增量式范式学习算法,该算法能够一次性进行示例学习和归纳,并具有贝叶斯对所有权关系的推断,以应对明显的规则冲突和对对象的可能所有者的基于感知的预测。这些组件一起使系统可以学习适用于各种情况的所有权规范和关系。

“ Xuan和Jake所做工作的关键是将两种不同类型的机器学习表示形式相结合,一种是从这些明确的象征性规则中学习,而另一种是从少量的经验中学习,” Scassellati解释说。“使这两个系统协同工作既使这一挑战成为挑战,也最终使这一成功得以实现。”

研究人员通过一系列模拟和现实实验评估了其机器人系统的性能。他们发现,它可以有效地完成需要遵循各种所有权规范的对象操作任务,并且具有显着的能力和灵活性。

Scassellati和他的同事进行的这项研究提供了一个著名的例子,说明如何训练机器人来推断和尊重社会规范。进一步的研究可以将类似的构造应用于其他与规范相关的功能,并解决其中不同的规范或目标相互冲突的复杂情况。

Scassellati说:“我们正在继续研究如何构建与人更自然互动的机器人,而这项研究仅关注这项工作的一个方面。”