Et dialogsystem til at forbedre målorienterede menneske-robot-interaktioner

Forskere ved SUNY Binghamton, Cleveland State University og University of Washington har for nylig udviklet et nyt dialogsystem, der kan forbedre menneske-robot-interaktioner. Dette system, præsenteret i et papir, der er forududgivet på arXiv, er designet til løbende at lære af sine dialogerfaringer, udvide sin videnbase og sproglige muligheder over tid.

"I de seneste år, en masse virksomheder og forskningsinstitutter er begyndt at tænke på at designe og bruge robotter i indendørs miljøer til forskellige applikationer, "Saeid Amiri, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "For en robot i et menneske-beboet miljø, evnen til at bruge naturligt sprog til at kommunikere med mennesker er af afgørende betydning. Imidlertid, der er et par udfordringer i at opnå dette. Den ene er, at sproget kan være tvetydigt, selv i en menneske-menneske-samtale. For det andet i modsætning til mennesker, en robots viden om sine omgivelser (f.eks. genstande og mennesker omkring det) er ret begrænset."

I deres undersøgelse, Amiri og hans kolleger satte sig for at adressere begrænsningerne ved mange eksisterende dialogsystemer ved at udvikle et system, der kan lære af sit miljø og dermed perfektionere dets muligheder over tid. Deres overordnede mål var at tillade robotter at udføre en opgave med succes, som at levere en pakke, samtidig med at de tilegner sig nye begreber om sine omgivelser.

"I menneske-robot kommunikation, hvis et menneske henviser til et ukendt objekt, robotten vil ofte have svært ved at forstå det, " sagde Amiri. "For at tackle dette problem, vi kom på ideen om et dialogsystem, der stiller opklarende spørgsmål (skal jeg f.eks. levere en pakke? Er denne levering til Bob?), når mennesket tildeler den en opgave. Sådanne spørgsmål hjælper robotten med at indse, at den skal lære nye ord."

Dialogsystemet udviklet af Amiri og hans kolleger har fire hovedkomponenter:en sprogforståelseskomponent, en dialogleder, en vidensmanager og et sproggenereringsværktøj. Sprogforståelseskomponenten analyserer sætninger, der er talt af mennesker, til formelle repræsentationer og sender dem derefter til robotten. Når dialogsystemet anvendes på en leveringsopgave, for eksempel, som den, forskerne fokuserede på i deres eksperimenter, sprogforståelseskomponenten gør det muligt for systemet at identificere varer nævnt af menneskelige brugere eller information relateret til modtageren af ​​en pakke.

Den dialogansvarlige komponent, på den anden side, bestemmer, hvilke spørgsmål robotten skal stille menneskelige brugere, hvis den ikke helt fattede instruktioner eller sætninger. Baseret på en brugers svar på disse spørgsmål, robotten opdaterer sin grad af sikkerhed om betydningen af ​​begreber, som brugeren henviser til.

Efterfølgende dialogsystemets vidensmanagerkomponent afgør, om robotten skal lære et nyt koncept eller ej. Hvis en robot allerede kender alle nøglebegreberne beskrevet af en bruger, for eksempel, der er ingen mening for det at lære yderligere eller unødvendige ord.

Endelig, sproggenereringskomponenten giver robotten mulighed for at producere svar og besvare brugere direkte. I deres undersøgelse, Amiri og hans kolleger besluttede at holde denne komponent så enkel som muligt, og dermed brugt en række ligetil, foruddefinerede tekster.

Forskerne evaluerede deres system i både simuleringer og eksperimenter, der involverede menneskelige deltagere, som blev rekrutteret via Amazon Mechanical Turk og andre platforme. Deres resultater var meget lovende, med deres system, der overgår andre dialogagenter i menneske-robot-interaktioner, både hvad angår effektivitet og nøjagtighed. I deres tests, systemet opnåede en god forståelse af brugerforespørgsler, samtidig med at det løbende opdaterede dets viden og sproglige muligheder over tid.

"Under vores undersøgelse, vi bad et par menneskelige deltagere om at bruge vores robot, og robotten var i stand til at øge sin viden gennem dialogen med brugerne, " sagde Amiri. "En robot, der har evnen til at vide, hvornår den skal lære ny viden i sig selv, var en stor præstation. Det ville betyde, at du dybest set kan eje en robot, der gradvist lærer nye begreber gennem interaktion og dialog med mennesker."

I fremtiden, dialogsystemet udviklet af Amiri og hans kolleger kunne bruges til at forbedre interaktionsevnerne for både eksisterende og nye robotter. I mellemtiden forskerne planlægger at blive ved med at arbejde på deres system for yderligere at forbedre dets ydeevne, effektivitet, og anvendelighed.

"Selvom vi nåede vores mål i denne forskning, der er stadig lang vej til at få robotten til at handle så naturligt som et menneske, " sagde Amiri. "Jeg vil nu gerne forbedre vores dialogsystem, så en robot vil tale et lavere antal gange, ellers kunne mennesker føle sig frustrerede og miste tilliden til robotten. Også, hvis et menneske bruger tilfældigt sprog i kommunikationen, robotten kan i øjeblikket have svært ved at forstå hans/hendes anmodning, som er noget andet, jeg gerne vil arbejde med."

© 2019 Science X Network