Bild: Adobe Stock
Forskningsprojekt Vi utvecklar robotar som kan lära sig orsakssamband genom att observera omvärlden, och därefter ställa frågor till människor som den interagerar med.
Ett unikt projekt som kombinerar statistiska metoder med människa-robot-interaktion i syfte att utveckla intelligenta robotar.
Förmågan att identifiera och använda sig av orsakssamband är grundläggande för en rad aktiviteter som vi förknippar med mänsklig intelligens, tex. problemlösning, beslutsfattande, prediktion, och kreativitet. Vi människor är helt överlägsna dagens robotar och andra AI-system i detta, bl.a. därför att maskinerna saknar förmågan att kunna skilja på korrelationer och verkliga orsakssamband. Ett enkelt exempel är data som visar daglig försäljning och elförbrukning i en mataffär. Under varma dagar ökar både försäljning och elförbrukning, och är alltså korrelerade. Det finns dock, givetvis, inget orsakssamband som gör att glassförsäljningen skulle öka om man ökar elförbrukningen, eller omvänt. Vi människor inser lätt detta, men det är betydligt svårare för en maskin.
ROCC-projektet syftar till att utveckla tekniker så att robotar kan lära sig orsakssamband. Det som gör forskningen unik är att statistiska metoder kombineras med människa-robot-interaktion. Roboten observerar först vad som sker i världen, och ställer därefter frågor till de människor den interagerar med. Frågorna är utformade för att klargöra vad som är korrelationer och vad som är orsakssamband, och problem som i exemplet ovan kan därigenom undvikas.
Resultatet blir en robot som kan förstå orsak och verkan på ett bättre sätt. Roboten kan använda den förmågan för att planerera sekvenser av handlingar som leder till ett uppsatt mål, eftersom den förstår konsekvenserna av att utföra olika handlingar. Roboten kan också bättre förstå vad människor tänker och gör, eftersom den inser syftet och målet med människornas handlingar.
Forskningen i projektet består av utveckling av statistiska metoder för kausal inferens, och metoder för att formulera frågor som på bästa sätt kan stödja denna inferens. Resultaten implementeras på fysiska robotar, och användarstudier utförs för att avgöra hur vi människor bäst uppfattar och interagerar med robotar som förstår orsakssamband.
