Flexibla robotar som lär sig att uppnå mål – en tillgång i framtidens sjukvård

Kristina Bate Holmberg, Journalist
@uxconnections

Artificiell intelligens (AI) som kan iaktta människor och deras beteende för att sedan anpassa sig till en föränderlig miljö – är det möjligt? Just det har forskare på Chalmers tekniska högskola vid institutionen för elektroteknik utvecklat. Målet är att skapa flexibla robotar som kan arbeta med människor, både inom industrin och sjukvården.

Fascinationen för robotar har funnit otroligt länge. Trots det har det varit svårt att ta fram robotar som fungerar på ett bra sätt tillsamman med människor. Människan skapar och anpassar sig till föränderliga miljöer på ett sätt som robotar haft svårt att efterhärma, vilket snart kan komma att ändras. Forskare vid Chalmers i Göteborg har utgått från människan och hennes varierande beteenden och sätt att lösa problem när de har skapat sitt nya AI-system. För att en robot ska passa in i en mänsklig miljö måste den kunna lösa komplexa uppgifter på liknande individuella sätt som just människor. På den vägen är det. Forskarna har med detta som grund tagit fram AI som iakttar människor och deras variationsrika beteende för att därefter kunna verka i föränderliga miljöer. 

Robotar är inte spontana

För att illustrera problematiken – en robot måste ha hela rörelsen och ”beteendet” inprogrammerat redan från start. När en människa flyttar glaset åt höger för att det stod lite för långt åt vänster, kommer en robot inte att göra det om det inte programmerades in från början. När människan dukar ett bord finns en flexibilitet och en överblick på vilket agerandet bygger. Pauser och avväganden. Förmågor som robotar inte har kunnat göra spontant. Robotar är därför ypperliga att ha i industrimiljöer där exakt samma uppgift ska utföras repetetivt. Om det kommer till situationer med människor där interaktion är en viktig del blir det inte lika lyckat. Exempel på forum där sådana situationer uppstår är bland annat inom service och sjukvård. 

Just denna nöt är det forskarna har fokuserat på och nu skapat en metod för att lösa. Genom att skapa förklarande AI som, i stället för att utvinna specifik information, utvinner en mer övergripande information, ändras robotens förmåga till variabelt beteende. Informationen som roboten tar till sig används för att kunna planera ett mer komplext tillvägagångssätt i strävan efter ett mer långsiktigt mål. Denna typ av AI kallas Explainable AI eller XAI. 

Robotarna observerade människor

Robotarna i aktuellt forskningsprojekt observerade 12 olika personer som staplade kuber på varandra i en VR-miljö. Varje individ utförde staplandet på sitt unika sätt utan instruktioner, och varje mänsklig rörelse registrerades av robotarna med hjälp av lasersensorer. Hos en människa bygger tillvägagångssättet på att dela upp uppgiften i delmål. För att få ett färdigt torn av kuber, måste man då se till att den första kuben inte faller. Varje handling har ett mål. Just detta, att skapa strävan efter målet och inte imitera den specifika handlingen, är vad forskarna har lyckats åstadkomma.

Först observerar forskarnas framtagna system mänskliga rörelsemönster. Sedan extraherar systemet varje avsikt och betydelse med hjälp av delmålen. Av dessa skapar systemet ett bibliotek, en slags katalog bestående av olika handlingar för att nå delmålen. Till sist formar systemet ett planläggningsinstrument. AI:n kan kopplas till olika typer av robotar, och i detta fall har man använt sig av en så kallad TIAGo-robot. TIAGo-roboten i detta projekt var utformad med en extensibel griparm och torso för att kunna arbeta i inomhusmiljöer. 

Vad blev resultatet?

Hur gick det då för roboten efter att alla systemets delar var på plats? Jo, den fick till uppgift att stapla kuber på varandra, och kunde, trots att förutsättningen ständigt förändrades, skapa sig ett torn. I dagsläget har metoden kunnat påvisa att robotarna, efter bara en enda mänsklig demonstration, kan utföra målinriktade planer med 92 procents korrekthet. Om robotarna fick demonstrationer av alla 12 personer var korrektheten uppe i imponerande 100 procent. 

Långsiktiga mål

Långsiktigt är tanken att robotarna ska kunna ersätta personal i sjukvården eller industrin. Då handlar det om viktiga, men enklare arbetsuppgifter, såsom att hämta och dela ut medicin eller mat. Detta ska ge utrymme för exempelvis vårdpersonal att ägna mer tid åt mer komplexa och humana uppgifter. Även att robotarna ska kunna agera i något mer omväxlande miljöer i industrisammanhang är ett aktuellt målområde. Primärt handlar det om att hjälpa tekniker med arbetsuppgifter som kan orsaka kroniska hälsoproblem. Exempel på sådana uppgifter är att dra åt bultar och muttrar på lastbilsshjul. Nästa steg för forskarlaget är att få robotarna att kommunicera med människor när de inte lyckats utföra en uppgift de ställts inför.

Metoden påskyndar framtida robotars lärandeprocess

Att robotarna kommer att ta över världen i någon slag Terminatoranda är dock inte något att oroa sig över. Robotarna gör bara det människan säger åt dem att göra. Forskarnas metod kommer dock att kunna bidra till snabbare lärandeprocesser för robotar. Detta kommer att göra att de kan hjälpa människan även när situationen är ny, variationsrik och lite mer oförutsägbar. 

UX Connections, the UX design agency with UX/UI consultants to help your digital product succeed.