一種能夠學習所有權關系和規范的新型機器人

耶魯大學的一組研究人員最近開發了一種能夠代表，學習和推斷所有權關系和規范的機器人系統。他們的研究預先發表在arXiv上，解決了與教學機器人社會規范以及如何遵循這些規范相關的一些復雜挑戰。

隨著機器人的普及，重要的是它們必須能夠與人類進行有效且適當的通信。人類互動的一個關鍵方面是根據社會和道德規范進行理解和行為，因為這促進了與他人的積極共處。

所有權規范是一組社會規范，有助于以更加體貼他人的方式在共享環境中導航。向機器人教授這些規范可以增強他們與人類的互動，從而使他們能夠區分非擁有工具和與他們暫時共享的擁有工具。

進行這項研究的研究人員之一Brian Scassellati告訴TechXplore：“我的研究實驗室專注于使人們易于交互的機器人。” “這項工作的一部分是研究如何教授關于共同的社會概念的機器，這些概念對于我們人類來說是必不可少的，但并非總是吸引最多注意力的主題。了解對象所有權，權限和習俗是其中之一。這些主題并沒有真正引起人們的關注，但是對于機器在我們的家庭，學校和辦公室中的運行方式至關重要。”

在Scassellati，Xuan Tan和Jake Brawer設計的方法中，所有權表示為對象與其所有者之間的概率關系圖。這與基于謂詞的規范的數據庫結合在一起，該數據庫限制了允許機器人使用擁有的對象完成的動作。

“這項工作的挑戰之一是，我們了解所有權的某些方式是通過明確的規則(例如，'別拿我的工具')來進行的，而其他方式則是通過經驗來學習的，” Scassellati說。“將這兩種類型的學習結合起來對人們來說可能很容易，但是對機器人來說則更具挑戰性。”

研究人員設計的系統結合了一種新的增量式范式學習算法，該算法能夠一次性進行示例學習和歸納，并具有貝葉斯對所有權關系的推斷，以應對明顯的規則沖突和對對象的可能所有者的基于感知的預測。這些組件一起使系統可以學習適用于各種情況的所有權規范和關系。

“ Xuan和Jake所做工作的關鍵是將兩種不同類型的機器學習表示形式相結合，一種是從這些明確的象征性規則中學習，而另一種是從少量的經驗中學習，” Scassellati解釋說。“使這兩個系統協同工作既使這一挑戰成為挑戰，也最終使這一成功得以實現。”

研究人員通過一系列模擬和現實實驗評估了其機器人系統的性能。他們發現，它可以有效地完成需要遵循各種所有權規范的對象操作任務，并且具有顯著的能力和靈活性。

Scassellati和他的同事進行的這項研究提供了一個著名的例子，說明如何訓練機器人來推斷和尊重社會規范。進一步的研究可以將類似的構造應用于其他與規范相關的功能，并解決其中不同的規范或目標相互沖突的復雜情況。

Scassellati說：“我們正在繼續研究如何構建與人更自然互動的機器人，而這項研究僅關注這項工作的一個方面。”