照片：Nick Dentamaro /布朗大学
上周，我们提到了麻省理工学院的一些研究，即通过链接人的大脑来帮助智能机器人在他们将要犯错误的时候纠正自己。这是非常酷、非常未来主义的东西，但你必须戴上一个非常非常愚蠢的、能够分辨出精确到10毫秒单位的脑电波的帽子，这样它才能有效。
在布朗大学，Stefanie Tellex实验室的研究人员们正在尝试用一个更加社会化的方法让机器人更准确地与人类连接交互。通过使机器人在交互式任务中对其自我困惑进行建模，机器人可以在必要时询问一些相关澄清类的问题以帮助自己准确理解人类具体想要什么，这不需要帽子。
无论对人还是对机器人，你让其帮你去取一件物体，如果这个物体在某种程度上是独特的，那么这将是一个简单的任务；而如果这个任务涉及到一些与目标物体类似的其他物体，那么这就变得复杂了。比方说你是技工，你想找个助手帮你递工具。你可以指着一个架子上的工具，说：“把那个工具给我。”你的助手，如果他们是人，会看你指向哪里，如果货架上只有少数的工具，他们也许能够推断出你要什么工具。但是，如果货架大多是填满的，尤其是如果它充满了相似的工具，你的助手则可能无法确定你到底在要什么工具，所以他们会通过某种方式要求你澄清一下，比如也许指着一个工具，并问，“你要的是这个么？”
要在这种情况下起作用，你的助手会有一个模糊性和不确定性的理解：他们必须要清楚什么时候自己所掌握的信息足以或者不足以完成这个任务，并在必要时采取正确的行动来获取更多的信息，这种不确定性到底是来自助手自己没理解到位，还是你没有表达清楚什么是你具体想要的。对于机器人助手来说，这是一个比人类助手更难的问题，因为涉及到社交化因素。指向、手势、凝视和语言提示都是人类用来交流信息的技巧，而机器人在这方面的表现却通常很糟糕。
布朗大学的研究人员创建了一个名为“FEedback To Collaborative Handoff Partially Observable Markov Decision Process”的决策系统，简称FETCH-POMDP，这种系统能够了解常用手势的含义，这些含义与做手势的人所说的内容相结合来提高机器人对人类想要什么的理解。如果有人正在寻求合作（假设人都是诚实的，不存在欺骗），该系统就能够根据自己困惑来建模，并只在绝对必要的时候提出问题，以免过分烦人。
为了测试fetch-pomdp系统，布朗大学研究人员调查了那些没有明确表达让Baxter机器人为他们取什么东西的人。结果是：三分之一的时候，机器人没有问问题；三分之一的时候，机器人总是问问题；最后的第三分之一时间，机器人只在它认为某个问题是必要的时候才问。研究人员本来预期的是，机器人在不问任何问题的时候是最快的，在总问问题的时候是最准确的，但事实证明，智能化提问的方式是最快也是最准确的。这是因为人类与机器人的互动是混乱的：人们问问题导致转录错误（例如混淆“yes”与“hand”），所以更多的问题意味着更多的误解。
有趣的是，试验中的参与者也把所有的能力归因于机器人，实际上它并没有这种能力：
在试验过程中，许多用户使用介词短语来描述物品，如“给我在碗的左边的勺子。“虽然语言模型在这项任务中没有解释指称语言，但机器人能够使用智能社交化反馈来找出人的期望。这也许可以解释为什么许多用户报告说，他们认为机器人理解介词短语。存在解释指称语言的方法，但仍会出现理解问题。我们的模型将有助于纠正这些错误，而不管具体状态判断和语言理解的方法。
研究人员计划升级更新他们的模型，包括类似的参考措辞，他们还想增加眼睛跟踪这样的东西，以提高精度，甚至更多。添加能力的地方（随着挑选）有可能使这个系统应用在更多的工作场所，尤其是当你有一个宇宙飞船需要修理的时候。
“通过社交化反馈的相互作用减少取物的错误，”内容出自布朗大学的David Whitney，Eric Rosen，James MacGlashan，Lawson L.S. Wong，和Stefanie Tellex，他们将出席在ICRA 2017新加坡。
（本文由爱吧机器人网原创编译 转载请注明原文链接 违者必究）
（本文由爱吧机器人网原创编译 转载请注明原文链接 违者必究）
