Команда исследователей из Йельского университета разработала роботизированную систему, способную представлять, изучать и выводить отношения собственности и нормы. Их работа, опубликованная на сайте arXiv.org, рассматривает некоторые сложные проблемы, связанные с обучением роботов социальным нормам и тому, как их соблюдать.

Нормы обладания — это набор социальных норм, которые помогают ориентироваться в общей среде так, чтобы быть более внимательным к другим. Обучение этому роботов может улучшить их взаимодействие с людьми, позволяя различать не принадлежащие и принадлежащие им инструменты, которые передаются под их контроль лишь на некоторое время.

«Мы с коллегами сосредоточены на создании таких роботов, с которыми людям будет максимально легко взаимодействовать. Часть этой работы посвящена изучению того, как мы можем научить машины общим социальным концепциям — вещам, которые важны для людей: пониманию права собственности или просьбе попользоваться тем или иным объектом. Эти темы не получают должного внимания, а между тем будут иметь принципиальное значение для работы роботов в наших домах, школах и офисах», — рассказывает один из авторов исследования Брайан Скасселлати (Brian Scassellati).

В разработанном инженерами подходе собственность представляется как график отношений между объектами и их владельцами. Эта информация объединяется с базой данных, основанной на предикатах норм, ограничивающих действия, которые робот может выполнять с использованием принадлежащих ему объектов.

По словам ученых, одной из главных проблем в этой работе стало то, что один человек узнает о владельце предмета из четких инструкций, например когда слышит фразу «не бери мои инструменты», а другой узнает это лишь на опыте. Комбинирование двух типов обучения может быть легким для людей, но представляется трудной задачей для роботов.

Система, разработанная инженерами, сочетает в себе новый инкрементный алгоритм обучения нормам, способный как на однократное обучение, так и на индукцию из примеров с байесовским выводом отношений собственности в ответ на очевидные нарушения правил. Вместе эти компоненты позволяют системе изучить нормы собственности и модель поведения, приемлемую в тех или иных ситуациях.

Оценить успешность своей работы исследователям предстояло в серии смоделированных и реальных экспериментов. Они обнаружили, что робот способен эффективно взаимодействовать с объектами, которые требуют соблюдения различных норм собственности, продемонстрировав при этом замечательную компетентность и гибкость в принятии решений.

Исследование, проведенное Скасселлати и его коллегами, представляет собой яркий пример того, как можно научить роботов уважать социальные человеческие нормы. В дальнейших исследованиях аналогичный метод может применяться для изучения машинами других способностей, связанных с нормами, и позволит им решать сложные ситуации, в которых разные традиции или цели находятся в конфликте друг с другом.