211service.com
La chiave per collaboratori robot più intelligenti potrebbe essere una maggiore semplicità
Signora Tech | Getty, Pixabay
Pensa a tutti i processi subconsci che esegui mentre guidi. Mentre acquisisci informazioni sui veicoli circostanti, stai anticipando come potrebbero muoversi e pensando al volo a come risponderesti a quelle manovre. Potresti anche pensare a come potresti influenzare gli altri conducenti in base a ciò che pensano che potresti fare.
Se i robot vogliono integrarsi perfettamente nel nostro mondo, dovranno fare lo stesso. Ora hanno proposto i ricercatori della Stanford University e della Virginia Tech una nuova tecnica per aiutare i robot a eseguire questo tipo di modellazione comportamentale, che presenteranno alla conferenza internazionale annuale sull'apprendimento dei robot la prossima settimana. Implica il robot che riassume solo i tratti ampi dei movimenti di altri agenti piuttosto che catturarli in dettagli precisi. Ciò gli consente di prevedere agilmente le loro azioni future e le proprie risposte senza impantanarsi in calcoli pesanti.
Una diversa teoria della mente
I metodi tradizionali per aiutare i robot a lavorare insieme agli umani prendono ispirazione da un'idea in psicologia chiamata teoria della mente. Suggerisce che le persone si impegnino ed empatizzino l'una con l'altra sviluppando una comprensione delle reciproche convinzioni, un'abilità che sviluppiamo da bambini. I ricercatori che si basano su questa teoria si concentrano sul convincere i robot a costruire un modello dell'intento sottostante dei loro collaboratori come base per prevedere le loro azioni.
Dorsa Sadigh, assistente professore a Stanford, pensa che questo sia inefficiente. Se pensi alle interazioni uomo-uomo, non lo facciamo davvero, dice. Se stiamo cercando di spostare un tavolo insieme, non eseguiamo modelli di credenze. Invece, dice, due persone che spostano un tavolo si basano su semplici segnali come le forze che sentono dal loro collaboratore che spinge o tira il tavolo: quindi penso che ciò che sta realmente accadendo è che quando gli esseri umani svolgono un compito insieme, tengono traccia di qualcosa è molto di dimensioni inferiori.
Utilizzando questa idea, un robot potrebbe memorizzare descrizioni molto semplici delle azioni degli agenti circostanti. In una partita di air hockey, ad esempio, potrebbe memorizzare i movimenti dei suoi avversari con una sola parola: destra, sinistra o centro. Può quindi utilizzare questi dati per addestrare due algoritmi separati: un algoritmo di apprendimento automatico che prevede la prossima mossa dell'avversario e un algoritmo di apprendimento per rinforzo per determinare come dovrebbe rispondere. Quest'ultimo algoritmo tiene anche traccia di come l'avversario cambia virata sulla base della propria risposta, in modo che possa imparare a influenzare le azioni dell'avversario.
L'idea chiave qui è la natura leggera dei dati di addestramento, che è ciò che consente al robot di eseguire tutto questo addestramento parallelo al volo. Un approccio più tradizionale potrebbe memorizzare le coordinate per l'intero percorso dei movimenti dell'avversario, non solo la loro direzione generale. Anche se può sembrare controintuitivo che meno è di più, vale la pena ricordare di nuovo la teoria di Sadigh sull'interazione umana. Anche noi modelliamo le persone intorno a noi solo a grandi linee.
I ricercatori hanno testato questa idea nella simulazione per applicazioni tra cui un'auto a guida autonoma e nel mondo reale con una partita di air hockey robotico. In ciascuna delle prove, la nuova tecnica ha superato i metodi precedenti per insegnare ai robot ad adattarsi agli agenti circostanti. Il robot ha anche imparato efficacemente a influenzare coloro che lo circondano.
Lavoro futuro
Ci sono ancora alcuni problemi che la ricerca futura dovrà risolvere. Il lavoro attualmente presuppone, ad esempio, che ogni interazione in cui si impegna il robot sia finita, afferma Jakob Foerster, un assistente professore all'Università di Toronto, che non è stato coinvolto nel lavoro.
Nella simulazione di guida autonoma, i ricercatori hanno ipotizzato che l'auto robotica stesse sperimentando solo un'interazione chiaramente delimitata con un'altra auto durante ogni round di addestramento. Ma guidare, ovviamente, non funziona in questo modo. Le interazioni sono spesso continue e richiederebbero un'auto a guida autonoma per imparare e adattare il proprio comportamento all'interno di ogni interazione, non solo tra di loro.
Un'altra sfida, dice Sadigh, è che l'approccio presuppone la conoscenza del modo migliore per descrivere il comportamento di un collaboratore. Gli stessi ricercatori hanno dovuto inventare le etichette destra, sinistra e centro nella partita di air hockey affinché il robot descrivesse le azioni del suo avversario. Quelle etichette non saranno sempre così evidenti nelle interazioni più complicate.
Tuttavia, Foerster vede la promessa nel contributo del giornale. Colmare il divario tra l'apprendimento multi-agente e l'interazione uomo-IA è una strada estremamente importante per la ricerca futura, dice. Sono davvero entusiasta di quando queste cose verranno messe insieme.