اختصاصی شبکه علمی ثریا- انسان‌ها راهی برای درک اهداف، خواسته‌ها و باورهای دیگران دارند، مهارتی حیاتی که به ما امکان می‌دهد اعمال افراد را پیش‌بینی کنیم. مثلا وقتی نان را از توستر بیرون می آورید به یک بشقاب نیاز دارید. یا برای جارو کردن برگ ها نیاز به سطل زباله دارید. این مهارت که اغلب از آن به عنوان «نظریه ذهن» یاد می شود، به راحتی به ما انسان ها می رسد، اما همچنان برای روبات‌ها چالش برانگیز است. اما، اگر ربات‌ها می‌خواهند در تولید و زندگی روزمره به کمک‌کنندگان واقعی تبدیل شوند، باید همان توانایی‌ها را بیاموزند.

در مقاله‌ای جدید، در مورد تعامل انسان و ربات (HRI)، محققان علوم کامپیوتر USC Viterbi قصد دارند به ربات‌ها بیاموزند که چگونه اولویت‌های انسان را در کارهای مونتاژ پیش‌بینی کنند، تا روزی بتوانند در همه چیز از ساخت ماهواره تا چیدن میز کمک کنند. هنگامی که یک روبات با مردم کار می‌کند، باید دائماً حدس بزند که فرد در مرحله بعدی چه خواهد کرد. به عنوان مثال، اگر ربات فکر می‌کند که شخص برای مونتاژ قطعه بعدی به پیچ گوشتی نیاز دارد، می‌تواند پیچ گوشتی را زودتر از موعد به فرد بدهد تا فرد مجبور نباشد منتظر بماند. به این ترتیب ربات می‌تواند به افراد کمک کند مونتاژ را خیلی سریع‌تر به پایان برسانند. " پیش‌بینی اینکه یک فرد در مرحله بعدی چه کاری انجام خواهد داد دشوار است: افراد مختلف ترجیح می‌دهند یک محصول مشابه را به روش‌های مختلف بسازند. در حالی که برخی از مردم می‌خواهند با سخت‌ترین قسمت‌ها شروع کنند، برخی دیگر ممکن است بخواهند با ساده‌ترین بخش‌ها برای صرفه‌جویی در مصرف انرژی شروع کنند.

پیشگویی

اکثر تکنیک‌های فعلی نیاز دارند که افراد به ربات نشان دهند که چگونه می خواهند مونتاژ را انجام دهند، اما این کار زمان و تلاش می برد و می تواند هدف را شکست دهد. با این حال، در این مطالعه جدید، محققان شباهت هایی را در نحوه مونتاژ محصولات مختلف توسط یک فرد پیدا کردند. به عنوان مثال، اگر هنگام ساختن مبل ایکیا از سخت ترین قسمت شروع کنید، احتمالاً هنگام چیدن تخت نوزاد از همان روش استفاده می کنید. بنابراین، محققان به جای «نشان دادن» ترجیحات خود به ربات در یک کار پیچیده، یک کار مونتاژ کوچک، به نام کار «متعارف» ایجاد کردند که افراد می‌توانند به راحتی و به سرعت آن را انجام دهند. در این حالت، کنار هم قرار دادن قطعات یک هواپیمای مدل ساده، مانند بال، دم و پروانه بسیار راحت است.

این ربات با استفاده از دوربینی که مستقیماً بالای محل مونتاژ قرار گرفته بود و به پایین نگاه می‌کرد، انسان را تماشا کرد که این کار را انجام می‌داد. برای شناسایی قطعاتی که توسط انسان کار می‌کنند، سیستم از AprilTags، مشابه کدهای QR، متصل به قطعات استفاده کرد. سپس، سیستم از یادگیری ماشینی برای یادگیری ترجیحات افراد بر اساس توالی اقدامات آنها در کار متعارف استفاده شد. بر اساس نحوه اجرای یک مونتاژ کوچک، ربات پیش‌بینی می‌کند که آن شخص در مجموعه بزرگ‌تر چه خواهد کرد. به عنوان مثال، اگر ربات ببیند که شخصی دوست دارد مونتاژ کوچک را با آسان‌ترین قسمت شروع کند، پیش‌بینی می‌کند که در مجموعه بزرگ نیز با آسان‌ترین قسمت شروع می‌کند.

اعتماد سازی

در مطالعه کاربران محققان، سیستم آنها قادر به پیش بینی اقداماتی بود که انسان‌ها با دقت ۸۲ درصد انجام می دهند. ربات‌ها با کمک به هر فرد به روش دلخواه خود، می توانند کار آنها را کاهش دهند، در زمان صرفه جویی کنند و حتی با آنها اعتماد ایجاد کنند.
به عنوان مثال، تصور کنید که در حال مونتاژ یک تکه مبلمان در خانه هستید، اما چندان وارد نیستید و با این کار راحت نیستید. رباتی که برای پیش‌بینی اولویت‌های شما آموزش دیده است، می‌تواند ابزارها و قطعات لازم را از قبل در اختیار شما قرار دهد و روند مونتاژ را آسان‌تر کند. این فناوری همچنین می تواند در محیط های صنعتی که کارگران موظف به مونتاژ محصولات در مقیاس انبوه، صرفه جویی در زمان و کاهش خطر آسیب یا تصادف هستند، مفید باشد. علاوه بر این، می‌تواند به افراد دارای معلولیت یا تحرک محدود کمک کند تا راحت‌تر محصولات را جمع‌آوری کنند و استقلال خود را حفظ کنند.

یادگیری سریع ترجیحات

به گفته محققان، هدف جایگزینی انسان در کارخانه نیست. در عوض، آنها امیدوارند که این تحقیق منجر به پیشرفت های قابل توجهی در ایمنی و بهره وری کارگران مونتاژ در کارخانه های هیبریدی انسان-ربات شود. ربات ها می توانند کارهای بدون ارزش افزوده یا چالش برانگیز ارگونومیکی را که در حال حاضر توسط کارگران انجام می شود، انجام دهند. در مورد مراحل بعدی، محققان قصد دارند روشی را برای طراحی خودکار وظایف متعارف برای انواع مختلف کار مونتاژ توسعه دهند. همچنین هدف آنها ارزیابی سود یادگیری ترجیحات انسان از کارهای کوتاه و پیش بینی اقدامات آنها در یک کار پیچیده در زمینه های مختلف، به عنوان مثال، کمک شخصی در خانه ها است.

در حالی که مشاهده کردیم که ترجیحات انسانی از کارهای متعارف به کارهای واقعی در تولید مونتاژ منتقل می‌شود، انتظار داریم یافته‌های مشابهی در سایر کاربردها نیز داشته باشیم.رباتی که می تواند به سرعت ترجیحات ما را بیاموزد، می تواند به ما در تهیه یک وعده غذایی، چیدمان مجدد مبلمان یا انجام تعمیرات خانه کمک کند و تاثیر قابل توجهی در زندگی روزمره ما داشته باشد.