او گفت: «ما از یک روش خاص بازخورد به نام نقد استفاده می‌کنیم، که اساساً یک شکل دوتایی از بازخورد است که در آن به انسان برچسب‌هایی روی قطعات مسیر داده می‌شود.
بر اساس این مطالعه، الگوریتمی که عمدتاً توسط Quintero-Peña و Chamzas، هر دو دانشجوی فارغ التحصیل کار با Kavraki، توسعه یافته است، یک انسان را برای “تقویت ادراک ربات و مهمتر از آن جلوگیری از اجرای حرکت ناایمن” در جریان نگه می دارد.
Quintero-Peña گفت: «یکی از مهمترین چیزها در اینجا این است که ترجیحات انسان با یک فرمول ریاضی به سختی قابل توصیف است. “کار ما روابط انسان و ربات را با ترکیب ترجیحات انسانی ساده می کند. اینگونه است که فکر می کنم برنامه ها بیشترین سود را از این کار خواهند برد.”
این برچسب ها به صورت نقاط سبز متصل به هم ظاهر می شوند که نشان دهنده مسیرهای ممکن است. هنگامی که BLIND از نقطه به نقطه گام برمی دارد، انسان هر حرکت را تأیید یا رد می کند تا مسیر را اصلاح کند و تا حد امکان از موانع اجتناب کند.
این نشان می‌دهد که چگونه روش‌های تعامل انسان و ربات، موضوع تحقیق همکارم، پروفسور Unhelkar، و برنامه‌ریزی خودکار که سال‌ها در آزمایشگاه من پیشگام بود، می‌تواند برای ارائه راه‌حل‌های قابل اعتماد که به ترجیحات انسان نیز احترام می‌گذارد، ترکیب شوند.»
مطالعه بررسی شده توسط دانشمندان کامپیوتر لیدیا کاوراکی و وایبهاو اونهلکار و نویسندگان همکار کارلوس کوینترو-پنا و کنستانتینوس چامزاس از دانشکده مهندسی رایس جورج آر. براون در کنفرانس بین المللی رباتیک موسسه مهندسین برق و الکترونیک ارائه شد. و اتوماسیون در اواخر اردیبهشت.
مهندسان دانشگاه رایس روشی ابداع کرده‌اند که به انسان اجازه می‌دهد به ربات‌ها کمک کند تا محیط خود را ببینند و وظایف خود را انجام دهند.
استراتژی موسوم به بیزی یادگیری در تاریکی – به طور خلاصه BLIND – یک راه حل جدید برای مشکل طولانی مدت برنامه ریزی حرکت برای روبات هایی است که در محیط هایی کار می کنند که همه چیز همیشه به وضوح قابل مشاهده نیست.
Quintero-Peña گفت: «اگر مفاصل بیشتری دارید، دستورالعمل‌های ربات پیچیده است. “اگر در حال هدایت یک انسان هستید، فقط می توانید بگویید “دستت را بلند کن.”
بنیاد ملی علوم (2008720، 1718487) و کمک مالی برنامه کمک هزینه تحصیلی پژوهشی فارغ التحصیل NSF (1842494) از این تحقیق حمایت کردند.
درست مانند ما، ربات ها نمی توانند از طریق دیوارها ببینند. گاهی اوقات برای رسیدن به جایی که می خواهند به کمک کمی نیاز دارند.
برای آزمایش BLIND، آزمایشگاه رایس به یک ربات Fetch، بازوی مفصلی با هفت مفصل، دستور داد تا یک استوانه کوچک را از یک میز بگیرد و به دیگری منتقل کند، اما برای انجام این کار باید از یک مانع عبور می کرد.
کاوراکی، یکی از پیشگامان روباتیک گفت: “این کار به طرز شگفت انگیزی نشان می دهد که چگونه مداخله کمی، اما هدفمند انسانی می تواند به طور قابل توجهی توانایی ربات ها را برای اجرای وظایف پیچیده در محیط هایی که برخی از قطعات آن برای ربات کاملا ناشناخته اما برای انسان شناخته شده است، افزایش دهد.” رزومه شامل برنامه نویسی پیشرفته برای روبنورد انسان نمای ناسا در ایستگاه فضایی بین المللی است.
ژانی سان، فارغ التحصیل مقطع کارشناسی رایس و آنهلکار، استادیار علوم کامپیوتر، از نویسندگان مشترک این مقاله هستند. کاوراکی پروفسور نوح هاردینگ در علوم کامپیوتر و استاد مهندسی زیستی، مهندسی برق و کامپیوتر و مهندسی مکانیک و مدیر موسسه کن کندی است.
برای انجام این کار، آنها یادگیری تقویت معکوس بیزی (که به وسیله آن یک سیستم از اطلاعات و تجربیات به‌روز می‌آموزد) را با تکنیک‌های برنامه‌ریزی حرکتی تلفیق کردند تا به ربات‌هایی که «درجات آزادی بالایی» دارند – یعنی قطعات متحرک زیاد، کمک کنند.
اما برنامه نویسان یک ربات باید در مورد حرکت هر مفصل در هر نقطه از مسیر حرکت آن مشخص باشند، به خصوص زمانی که موانع، دید ماشین را نسبت به هدف خود مسدود می کنند.
چمزاس گفت: “این یک رابط کاربری آسان برای مردم است، زیرا می توانیم بگوییم “من این را دوست دارم” یا “من آن را دوست ندارم” و ربات از این اطلاعات برای برنامه ریزی استفاده می کند. او گفت که پس از دریافت یک مجموعه حرکات تایید شده، ربات می تواند وظیفه خود را انجام دهد.
BLIND به‌جای برنامه‌ریزی یک مسیر از جلو، یک انسان در میانه‌ی فرآیند را وارد می‌کند تا گزینه‌های طراحی شده – یا بهترین حدس‌ها – پیشنهاد شده توسط الگوریتم ربات را اصلاح کند. Quintero-Peña گفت: “BLIND به ما اجازه می دهد تا اطلاعاتی را در سر انسان بگیریم و مسیرهای خود را در این فضای با درجه آزادی محاسبه کنیم.”
