Forskare vid NTT Corporation i Japan har nyligen utvecklat en användarcentrerad förstärkningsinlärningsmetod som kan användas för att lära ut sociala robotar "maner". Deras metod, beskrivs i ett papper som för publicerats på arXiv, låter en robot hälsa på eller locka förbipasserandes uppmärksamhet utan att orsaka dem obehag.

"Min idé var inspirerad av skällande på en marknadsplats, " Yasunori Ozaki, en av forskarna som genomförde studien, berättade TechXplore. "De flesta skällande ringer förbipasserande som är intresserade av restaurangen, ändå ringer de knappt de andra. Som ett resultat av denna observation, Jag kom fram till följande hypotes:skällande bestämmer vad förbipasserande ska ringa genom att sluta sig till deras intresse för tjänsten de annonserar från deras beteende. Jag ville utveckla en metod som gör att en robot kan imitera en barkers handlingar, genom att träna den att förstå människors intressen."

Sociala robotar kommer gradvis in på en mängd olika områden, inklusive sjukvård och detaljhandel. I detaljhandeln, till exempel, sociala robotar kan hjälpa till att förklara produkter för förbipasserande och potentiella kunder.

Nyligen, ett växande antal företag har börjat testa effektiviteten hos robotar som kundtjänstagenter, som receptionister, guider eller utställare. För att vara mest effektiv i kundnära roller, dock, robotar skulle behöva hälsa på förbipasserande utan att skrämma dem eller få dem att känna sig obekväma.

Med detta i åtanke, Ozaki och hans kollegor satsar på att utveckla en metod som gör att robotar kan anpassa sina manér efter den situation de befinner sig i och den person som de interagerar med. Deras tillvägagångssätt använder användarcentrerad förstärkningsinlärning för att analysera data som samlas in av en robots sensorer, så att den kan anpassa sina åtgärder därefter.

"Min metod tillåter en robot att lära sig handlingar genom att observera reaktionerna från förbipasserande, " förklarade Ozaki. "När en robot agerar mot en förbipasserande, den förbipasserande reagerar vanligtvis på sådana åtgärder. Till exempel, om en robot ringer en förbipasserande, samtalet kan orsaka obehag för den förbipasserande, eller kan leda till att den förbipasserande blir intresserad av roboten. Roboten uppskattar en förbipasserandes känslor utifrån hans/hennes reaktioner, genom att analysera bilder som samlats in av en sensor placerad på dess baksida."

Tillvägagångssättet som utarbetats av Ozaki och hans kollegor är baserat på ett belönings- och straffsystem. Om roboten antyder obehag hos några förbipasserande som den kommunicerar med, den får straff. Å andra sidan, om en förbipasserande stannar, interagerar med roboten och blir intresserad av den, roboten får en belöning. Över tid, roboten lär sig att anpassa sina interaktionsstrategier för att få människors uppmärksamhet utan att få potentiella kunder att känna sig obekväma.

"Min metod tillåter en robot att hitta kombinationer av handlingar som inte orsakar obehag för förbipasserande, " Ozaki sa. "Många forskare har undersökt användarupplevelse (UX), inklusive obehag, i interaktioner mellan människa och robot. Dock, de tränade inte robotar baserade på denna UX. Jag tror att vi måste lära robotar några sätt relaterade till UX och den mänskliga världen. Detta skulle sedan tillåta roboten att skräddarsy sina handlingar till olika situationer och användare, baserat på de sätt den har förvärvat."

För att utvärdera deras metod, forskarna genomförde ett experiment vid en kontorsingång, där en liten social robot ropade på förbipasserande och försökte fånga deras uppmärksamhet. Deras resultat var mycket lovande, som i de flesta fall, roboten kunde fånga människors uppmärksamhet utan att orsaka dem obehag.

Tillvägagångssättet från Ozaki och hans kollegor är utformat för att förbättra robotinteraktioner med enskilda förbipasserande, snarare än med en större grupp människor. Ytterligare studier skulle kunna utöka modellen för att förbättra robotens interaktioner med grupper av människor också. Dessutom, forskarna planerar att utvärdera sin metod i scenarier där den sociala roboten täcker andra roller, till exempel en säljare.

© 2019 Science X Network