Os seres humanos têm uma maneira de entender os objetivos, desejos e crenças dos outros, uma habilidade crucial que nos permite antecipar as ações das pessoas. Tirar o pão da torradeira? Você vai precisar de um prato. Varrer folhas? Vou pegar a lata de lixo verde.
Essa habilidade, muitas vezes chamada de “teoria da mente”, vem facilmente para nós como humanos, mas ainda é um desafio para os robôs. Mas, para que os robôs se tornem ajudantes verdadeiramente colaborativos na fabricação e na vida cotidiana, eles precisam aprender as mesmas habilidades.
Em um novo artigo, finalista do prêmio de melhor artigo na Conferência Internacional ACM/IEEE sobre Interação Humano-Robô (HRI), pesquisadores de ciência da computação da USC Viterbi pretendem ensinar robôs a prever preferências humanas em tarefas de montagem, para que possam um dia ajudar em tudo, desde a construção de um satélite até a colocação de uma mesa.
“Ao trabalhar com pessoas, um robô precisa constantemente adivinhar o que a pessoa fará a seguir”, disse o principal autor Heramb Nemlekar, Ph.D em ciência da computação da USC. aluno trabalhando sob a supervisão de Stefanos Nikolaidis, professor assistente de ciência da computação. “Por exemplo, se o robô achar que a pessoa vai precisar de uma chave de fenda para montar a próxima peça, ele pode pegar a chave de fenda com antecedência para que a pessoa não precise esperar. Dessa forma, o robô pode ajudar as pessoas a terminar a montagem muito mais rápido .”
Mas, como qualquer pessoa que co-construiu móveis com um parceiro pode atestar, é difícil prever o que uma pessoa fará a seguir: pessoas diferentes preferem construir o mesmo produto de maneiras diferentes. Enquanto algumas pessoas querem começar com as partes mais difíceis de resolver, outras podem querer começar com as partes mais fáceis para economizar energia.
Fazendo previsões
A maioria das técnicas atuais exige que as pessoas mostrem ao robô como gostariam de realizar a montagem, mas isso leva tempo e esforço e pode anular o objetivo, disse Nemlekar. “Imagine ter que montar um avião inteiro apenas para ensinar ao robô suas preferências”, disse ele.
Neste novo estudo, no entanto, os pesquisadores encontraram semelhanças em como um indivíduo monta diferentes produtos. Por exemplo, se você começar com a parte mais difícil ao construir um sofá Ikea, provavelmente usará o mesmo tato ao montar um berço de bebê.
Assim, em vez de “mostrar” ao robô suas preferências em uma tarefa complexa, eles criaram uma pequena tarefa de montagem (chamada de tarefa “canônica”) que as pessoas podem executar com facilidade e rapidez. Neste caso, juntando partes de um aeromodelo simples, como as asas, cauda e hélice.
O robô “observou” o humano completar a tarefa usando uma câmera colocada diretamente acima da área de montagem, olhando para baixo. Para detectar as peças operadas pelo humano, o sistema utilizou AprilTags, semelhantes a códigos QR, anexados às peças.
Em seguida, o sistema usou o aprendizado de máquina para aprender a preferência de uma pessoa com base em sua sequência de ações na tarefa canônica.
“Baseado em como uma pessoa realiza a pequena montagem, o robô prevê o que essa pessoa fará na montagem maior”, disse Nemlekar. “Por exemplo, se o robô perceber que uma pessoa gosta de começar a montagem pequena com a peça mais fácil, ele irá prever que ela também começará com a peça mais fácil na montagem grande.”
Construindo confiança
No estudo de usuários dos pesquisadores, seu sistema foi capaz de prever as ações que os humanos realizarão com cerca de 82% de precisão.
“Esperamos que nossa pesquisa possa tornar mais fácil para as pessoas mostrarem aos robôs o que elas preferem”, disse Nemlekar. “Ao ajudar cada pessoa da maneira que preferir, os robôs podem reduzir seu trabalho, economizar tempo e até ganhar confiança com eles.”
Por exemplo, imagine que você está montando uma peça de mobília em casa, mas não é particularmente habilidoso e luta com a tarefa. Um robô treinado para prever suas preferências pode fornecer as ferramentas e peças necessárias com antecedência, facilitando o processo de montagem.
Essa tecnologia também pode ser útil em ambientes industriais onde os trabalhadores são encarregados de montar produtos em grande escala, economizando tempo e reduzindo o risco de ferimentos ou acidentes. Além disso, pode ajudar pessoas com deficiência ou mobilidade limitada a montar produtos com mais facilidade e manter a independência.
Preferências de aprendizado rápido
O objetivo não é substituir os humanos no chão de fábrica, dizem os pesquisadores. Em vez disso, eles esperam que esta pesquisa leve a melhorias significativas na segurança e produtividade dos trabalhadores de montagem em fábricas híbridas humano-robô. “Os robôs podem executar as tarefas sem valor agregado ou ergonomicamente desafiadoras que atualmente estão sendo executadas pelos trabalhadores.
Quanto aos próximos passos, os pesquisadores planejam desenvolver um método para projetar automaticamente tarefas canônicas para diferentes tipos de tarefa de montagem. Eles também visam avaliar o benefício de aprender as preferências humanas a partir de tarefas curtas e prever suas ações em uma tarefa complexa em diferentes contextos, por exemplo, assistência pessoal em residências.
“Embora tenhamos observado que as preferências humanas se transferem de tarefas canônicas para tarefas reais na fabricação de montagens, espero descobertas semelhantes em outras aplicações também”, disse Nikolaidis. “Um robô que aprende rapidamente as nossas preferências pode ajudar-nos a preparar uma refeição, a reorganizar os móveis ou a fazer reparações na casa, tendo um impacto significativo no nosso dia-a-dia.”
Mais Informações:
Transfer Learning of Human Preferences for Proactive Robot Assistance in Assembly Tasks, www.researchgate.net/publicati … ce_in_Assembly_Tasks , humanrobotinteraction.org/2023/
Fornecido pela Universidade do Sul da Califórnia
Citação: Os robôs prevêem a intenção humana para construções mais rápidas (2023, 5 de abril) recuperado em 5 de abril de 2023 em https://techxplore.com/news/2023-04-robots-human-intention-faster.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins informativos.