一种能够学习所有权关系和规范的新机器人

耶鲁大学的一组研究人员最近开发出一种能够代表，学习和推断所有权关系和规范的机器人系统。他们的研究预先发布在arXiv上，解决了与教授机器人社会规范以及如何与之相符的一些复杂挑战。

随着机器人变得越来越普遍，重要的是他们能够有效和适当地与人类进行交流。人类互动的一个关键方面是根据社会和道德规范来理解和行为，因为这促进了与他人的积极共存。

所有权规范是一套社会规范，有助于以更加体贴他人的方式驾驭共享环境。将这些规范教授给机器人可以增强他们与人类的互动，使他们能够区分非拥有工具和暂时与他们共享的拥有工具。

“我的研究实验室专注于构建易于人们进行交互的机器人，”开展这项研究的研究人员之一Brian Scassellati告诉TechXplore。“这项工作的一部分是研究我们如何教授机器关于常见的社会概念，这对我们作为人类必不可少的事情，但并不总是吸引最多关注的主题。了解对象所有权，权限和习俗是一个这些主题并没有真正受到太多关注，但对于机器在我们的家庭，学校和办公室的运作方式至关重要。“

在Scassellati，Xuan Tan和Jake Brawer设计的方法中，所有权被表示为物体与其所有者之间概率关系的图表。这与基于谓词的规范数据库相结合，该规范约束允许机器人使用拥有对象完成的操作。

“这项工作的挑战之一是，我们了解所有权的一些方式是通过被告知明确的规则(例如，'不要拿我的工具')而其他人通过经验学习，”Scassellati说。“将这两种类型的学习结合起来对于人们来说可能很容易，但对机器人来说则更具挑战性。”

研究人员设计的系统结合了一种新的增量规范学习算法，该算法能够同时实现一次性学习和归纳，以及贝叶斯推断所有权关系以响应明显违反规则和基于感知的对象可能所有者的预测。这些组件共同使系统能够学习适用于各种情况的所有权规范和关系。

“Xuan和Jake所做的工作的关键是结合两种不同的机器学习表示，一种从这些明确的符号规则中学习，另一种是从一小部分经验中学习，”Scassellati解释说。“让这两个系统协同工作正是使这一挑战变得更具挑战性的因素，也是最终成功的原因。”

研究人员在一系列模拟和真实世界的实验中评估了他们的机器人系统的性能。他们发现，它可以有效地完成需要遵循各种所有权规范的对象操作任务，具有卓越的能力和灵活性。

Scassellati及其同事进行的这项研究提供了一个值得注意的例子，说明如何训练机器人来推断和尊重社会规范。进一步的研究可以将类似的结构应用于其他与规范相关的能力，并解决不同规范或目标相互冲突的复杂情况。

“我们将继续研究如何建造与人们更自然地互动的机器人，而这项研究只关注这项工作的一个方面，”Scassellati说。