Momento de la interacción con el robot en el que, a través de mensajes, el robot aprende lo que es suyo y lo que es de otro. Fuente: Zhi-Xuan Tan, Jake Brawer y Brian Scassellati.
Investigadores estadounidenses han desarrollado un software que permite a los robots reconocer los objetos que les pertenecen y los que pertenecen a otros robots o personas. Se trata de un software cuyo propósito es permitir que los robots reconozcan, pero también respeten, el concepto de propiedad.
"Comprender la propiedad de los objetos, los permisos y las costumbres es uno de esos temas que realmente no ha recibido mucha atención, pero que será fundamental para la forma en que funcionan las máquinas en nuestros hogares, escuelas, escuelas y oficinas", explican sus desarrolladores en un artículo publicado en arXiv.
En este artículo, los investigadores dicen que han combinado dos algoritmos de aprendizaje automático. El primero usa reglas explícitas, mientras que el segundo usa inferencia bayesiana, un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta.
Estos dos enfoques combinados permitieron a estos científicos de la Universidad de Yale desarrollar un robot que procede de la misma forma en la que los humanos reconocen y respetan la propiedad de los demás, mediante el uso de reglas explícitas y el aprendizaje empírico.
Los investigadores informaron que lograron resultados interesantes con un robot colaborativo Baxter de la empresa Rethink Robotics. Pero creen que otros modelos podrían estar equipados con la plataforma de aprendizaje.
Resultados prometedores
Los resultados conseguidos en este primer prototipo son prometedores: en una serie de simulaciones, el robot pudo inferir qué objetos pertenecían a él y cuáles no, incluso con una "cantidad limitada de datos de entrenamiento", según el citado artículo.
"Con la creciente prevalencia de la inteligencia artificial y la robótica en nuestras vidas sociales, la competencia social se está convirtiendo en un componente crucial para los sistemas inteligentes que interactúan con los humanos", dice el documento. "Sin embargo, explicar e implementar estas normas en un robot es un desafío".
"Mi laboratorio de investigación se centra en construir robots con los que sea fácil interactuar con las personas", explica Brian Scassellati, uno de los investigadores que llevaron a cabo el estudio, citado por Tech Xplore. "Parte de ese trabajo es ver cómo podemos enseñar a las máquinas conceptos sociales comunes, cosas que son esenciales para nosotros como seres humanos, pero que no siempre son los temas que atraen la mayor atención. Comprender las propiedades de los objetos, los permisos y las costumbres es uno de estos temas que realmente no han recibido mucha atención, pero serán críticos para la forma en que las máquinas operan en nuestros hogares, escuelas y oficinas", añade.
"Comprender la propiedad de los objetos, los permisos y las costumbres es uno de esos temas que realmente no ha recibido mucha atención, pero que será fundamental para la forma en que funcionan las máquinas en nuestros hogares, escuelas, escuelas y oficinas", explican sus desarrolladores en un artículo publicado en arXiv.
En este artículo, los investigadores dicen que han combinado dos algoritmos de aprendizaje automático. El primero usa reglas explícitas, mientras que el segundo usa inferencia bayesiana, un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta.
Estos dos enfoques combinados permitieron a estos científicos de la Universidad de Yale desarrollar un robot que procede de la misma forma en la que los humanos reconocen y respetan la propiedad de los demás, mediante el uso de reglas explícitas y el aprendizaje empírico.
Los investigadores informaron que lograron resultados interesantes con un robot colaborativo Baxter de la empresa Rethink Robotics. Pero creen que otros modelos podrían estar equipados con la plataforma de aprendizaje.
Resultados prometedores
Los resultados conseguidos en este primer prototipo son prometedores: en una serie de simulaciones, el robot pudo inferir qué objetos pertenecían a él y cuáles no, incluso con una "cantidad limitada de datos de entrenamiento", según el citado artículo.
"Con la creciente prevalencia de la inteligencia artificial y la robótica en nuestras vidas sociales, la competencia social se está convirtiendo en un componente crucial para los sistemas inteligentes que interactúan con los humanos", dice el documento. "Sin embargo, explicar e implementar estas normas en un robot es un desafío".
"Mi laboratorio de investigación se centra en construir robots con los que sea fácil interactuar con las personas", explica Brian Scassellati, uno de los investigadores que llevaron a cabo el estudio, citado por Tech Xplore. "Parte de ese trabajo es ver cómo podemos enseñar a las máquinas conceptos sociales comunes, cosas que son esenciales para nosotros como seres humanos, pero que no siempre son los temas que atraen la mayor atención. Comprender las propiedades de los objetos, los permisos y las costumbres es uno de estos temas que realmente no han recibido mucha atención, pero serán críticos para la forma en que las máquinas operan en nuestros hogares, escuelas y oficinas", añade.
Propiedad gráfica
En el enfoque ideado por Scassellati, Xuan Tan y Jake Brawer, la propiedad se representa como un gráfico de relaciones probabilísticas entre los objetos y sus propietarios. Esto se combina con una base de datos de normas basadas en predicados, que restringen las acciones que el robot puede completar usando objetos propios.
"Uno de los desafíos en este trabajo es que algunas de las formas en que aprendemos sobre la propiedad son a través de reglas explícitas (por ejemplo, 'no uses mis herramientas') y otras se aprenden a través de la experiencia", dijo Scassellati. "Combinar estos dos tipos de aprendizaje puede ser fácil para las personas, pero es mucho más difícil para los robots".
El sistema ideado por los investigadores se vale de un nuevo algoritmo que combina esas dos formas de aprendizaje: "la clave del trabajo que hicieron Xuan y Jake fue combinar dos tipos diferentes de representación de aprendizaje automático, uno que aprende de estas reglas simbólicas explícitas y otro que aprende de pequeñas experiencias", explicó Scassellati. "Hacer que estos dos sistemas funcionen juntos es lo que hace que esto sea un desafío, y al final, lo que lo hizo exitoso".
Los investigadores evaluaron el rendimiento de su sistema robótico en una serie de experimentos simulados y del mundo real. Descubrieron que podía completar efectivamente las tareas de manipulación de objetos que requerían una variedad de normas de propiedad a seguir, con una competencia y flexibilidad notables.
El estudio realizado por Scassellati y sus colegas ofrece un ejemplo notable de cómo los robots pueden ser entrenados para inferir y respetar las normas sociales. Investigaciones adicionales podrían aplicar construcciones similares a otras capacidades relacionadas con las normas y abordar situaciones complejas en las que diferentes normas u objetivos están en conflicto entre sí.
"Continuamos estudiando cómo construir robots que interactúen de manera más natural con las personas, y este estudio simplemente se centra en un aspecto de este trabajo", concluye Scassellati.
En el enfoque ideado por Scassellati, Xuan Tan y Jake Brawer, la propiedad se representa como un gráfico de relaciones probabilísticas entre los objetos y sus propietarios. Esto se combina con una base de datos de normas basadas en predicados, que restringen las acciones que el robot puede completar usando objetos propios.
"Uno de los desafíos en este trabajo es que algunas de las formas en que aprendemos sobre la propiedad son a través de reglas explícitas (por ejemplo, 'no uses mis herramientas') y otras se aprenden a través de la experiencia", dijo Scassellati. "Combinar estos dos tipos de aprendizaje puede ser fácil para las personas, pero es mucho más difícil para los robots".
El sistema ideado por los investigadores se vale de un nuevo algoritmo que combina esas dos formas de aprendizaje: "la clave del trabajo que hicieron Xuan y Jake fue combinar dos tipos diferentes de representación de aprendizaje automático, uno que aprende de estas reglas simbólicas explícitas y otro que aprende de pequeñas experiencias", explicó Scassellati. "Hacer que estos dos sistemas funcionen juntos es lo que hace que esto sea un desafío, y al final, lo que lo hizo exitoso".
Los investigadores evaluaron el rendimiento de su sistema robótico en una serie de experimentos simulados y del mundo real. Descubrieron que podía completar efectivamente las tareas de manipulación de objetos que requerían una variedad de normas de propiedad a seguir, con una competencia y flexibilidad notables.
El estudio realizado por Scassellati y sus colegas ofrece un ejemplo notable de cómo los robots pueden ser entrenados para inferir y respetar las normas sociales. Investigaciones adicionales podrían aplicar construcciones similares a otras capacidades relacionadas con las normas y abordar situaciones complejas en las que diferentes normas u objetivos están en conflicto entre sí.
"Continuamos estudiando cómo construir robots que interactúen de manera más natural con las personas, y este estudio simplemente se centra en un aspecto de este trabajo", concluye Scassellati.
Referencia
That’s Mine! Learning Ownership Relations and Norms for Robots. Zhi-Xuan Tan, Jake Brawer, Brian Scassellati. arXiv:1812.02576v2 [cs.AI] 10 Jan 2019
That’s Mine! Learning Ownership Relations and Norms for Robots. Zhi-Xuan Tan, Jake Brawer, Brian Scassellati. arXiv:1812.02576v2 [cs.AI] 10 Jan 2019