ロボットが自然言語を効果的に実行できるようにするためのシステム

ロボットがさまざまな活動に使用され、私たちが自分たちで行う必要がないような未来を夢見ていますか。

さあ、それについて考えてください！ 清掃、調理、家事のすべてを行うことは、ほんのわずかな可能性です。 なんて素晴らしい可能性でしょう？ 残念ながら、現時点では夢を見続ける必要があります。

そこに存在するいくつかの素晴らしいロボットがありますが、ロボットはまだ効果的にこのような広範な活動を実行するのに十分適応可能ではありません。 さらに、音声認識技術は飛躍的に進歩していますが、それでもロボットでの使用には十分ではありません。

仮想ロボット執事のようなものをあなたの指示に従わせるためのあなたの最善の策は、命令セットをタイプすることでしょう。

音声コマンド

口頭によるコマンドの問題は、さまざまなレベルの複雑さが含まれていることですが、これは必ずしも明確ではないかもしれません。

あなたのロボットに「あそこの箱を拾い上げる」と言って想像してみてください。これは十分に簡単なようですが問題があります。 ロボットはアクションを完了する前にこれをいくつかのステップに分解しなければなりません。 このコマンドを実行するための考えられるシナリオは次のとおりです。

• 追跡システムをオンにする
• ウォーキングモーターをオンにする
• 方向を変えます
• 必要な措置を取る
• 手足を回転させる
• クレンチボックス
• リフトボックス

ご覧のとおり、これは実際には最初のように見えるよりも複雑です。 「追跡システムをオンにする」のようなものと比較して、そのコマンドを想像してみてください。

どうすればこれを解決できますか？ 現状では、ロボットはさまざまなレベルの複雑さを話すコマンドを理解するのに苦労するでしょう。

ブラウン大学のチームは、ロボットが話しかけるコマンドを処理する方法を改善するシステムを開発しました。

あなたのロボットがあなたの命令に従うようにする方法：ロボットが音声コマンドを効果的に実行することを可能にするためのシステム

Brownの研究者たちは、彼らが得たデータを使って、さまざまなレベルの複雑さを理解するようにシステムをトレーニングしました。 その後、システムはどのようなアクションを実行する必要があるかを収集し、さまざまな文の構造に関連する複雑さのレベルを理解することができました。

ブラウン大学のチームは、独創的なシステムを使用してロボットに音声コマンドを実行させるという問題に取り組むことにしました。 彼らは、AmazonのMechanical TurkとVirtual Cleanup Worldというツールの両方を使用してモデルを開発しました。

Mechanical Turkは人間の知性を必要とする仕事の市場です。 人工知能はいくつかの素晴らしい偉業を成し遂げていますが、人間がより効果的にできることのような多くのタスクがあります。 それは色分けされた部屋、仮想ロボット、そしてロボットがタスクを実行するためのオブジェクトで構成されています。

Mechanical Turkのボランティアは、クリーンアップの世界でどの命令セットが特定のアクションにつながるかを把握しました。 まず、彼らはロボットがさまざまなタスクを実行しているのを観察しました。

それから彼らは彼らがどんなインストラクションセットがよりうまくいくだろうと思ったか尋ねられました。 ボランティアは、高レベル、中レベル、低レベルのコマンドを作成するよう依頼されました。

高度なコマンドは、椅子を特定の色の部屋に運ぶようにロボットに指示するなどのコマンドです。 低レベルのコマンドは、いくつかのステップに分けられたコマンドです。 中レベルのコマンドは、高レベルのコマンドと低レベルのコマンドの機能を組み合わせたものです。

Brownの研究者たちは、彼らが得たデータを使って、さまざまなレベルの複雑さを理解するようにシステムをトレーニングしました。 その後、システムはどのようなアクションを実行する必要があるかを収集し、さまざまな文の構造に関連する複雑さのレベルを理解することができました。

システムをテストする

ロボットが目的の最終結果を把握し、タスクの複雑さのレベルを理解することができたとき、ロボットはわずか1秒で90％の時間でタスクを完了しました。

これに基づいて、それは与えられた音声コマンドに基づいて適切な計画を考案することができました。 彼らのシステムを訓練した後、それは彼らの労働の成果をテストする時でした。 研究では、クリーンアップワールドと、仮想クリーンアップワールドと同じように設置された物理的なスペースで動作する実際のロボットが再び利用されました。

ロボットが目的の最終結果を把握し、タスクの複雑さのレベルを理解することができたとき、ロボットはわずか1秒で90％の時間でタスクを完了しました。

ただし、複雑さのレベルを理解するのに内訳があると、タスクの完了に時間がかかりました。 この場合、ロボットはタスクを完了するために20秒以上の計画を必要としました。

研究者は、これらの故障を最小限に抑えてより効率的なシステムを作成する方法を見つける必要があります。

最終的な考え

ロボットが主流になる前に、ロボットにはまだかなりの道のりがあります。 しかしながら、この仕事は私たちが彼らに外に与える命令を容易に理解することができるロボットを持つことに私たちをより近づけます。 それまでは、自分の皿を洗ってください。