Автор: 
Группа исследователей искусственного интеллекта и робототехники из Иллинойского и Стэнфордского университетов разработала модель обучения роботов, основанную на глубоком машинном обучении с подкреплением, которая направлена на повышение безопасности перемещения роботов среди людей, выступающих в качестве индикаторов потенциальных препятствий. Робот следит за их движением, делает выводы о скрытых препятствиях и строит оптимальный маршрут. Исследование опубликовано на arXiv.org.
Маша Иткина, один из авторов исследования, поделилась выводами, к которым она и её коллеги пришли в результате его проведения. Рассматривая людей как датчиков и наблюдая за интерактивным человеческим поведением, учёные могут получать данные об окружающем пространстве, определять скрытые препятствия (окклюзию). Например, при наблюдении резкого торможения водителя можно сделать вывод, что перед ним внезапно выбежал пешеход.
Впервые идея использования людей в качестве датчиков и анализа их интерактивного поведения для определения наличия или отсутствия закрытых препятствий была предложена профессором Калифорнийского университета Оладапо Афолаби и его коллегами в 2018 году для изучения перемещения беспилотных транспортных средств. Иткина и её коллеги улучшили данный подход и предложили наблюдать за несколькими водителями, тогда как Афолаби исследовал одного.
Поскольку раннее разработанные модели исследований направлены на наблюдения за водителями и пешеходами в городской среде, чьё поведение более предсказуемо, чем людей в толпе, учёные усовершенствовали подход и создали модель изучения перемещения людей в закрытых пространствах для облегчения навигации в помещениях. Ведущий автор исследования учёный Е-Джи Мун отмечает, что особенность нового метода заключается в том, что создаётся карта с отмеченными занятыми клетками, означающими препятствия. Задача робота — построить свою карту, предсказать, где могут быть расположены закрытые объекты, и проложить безопасный маршрут.
Концепция использования людей в качестве датчиков ориентирована на создание более плавной навигации в толпе для снижения риска столкновений. При таком подходе учёные отметили повышение производительности робота. Однако они обнаружили, что робот создаёт несовершенные карты, которые не показывают скрытые опасности, но содержат данные о ближайших критических препятствиях.
Авторы работы заявляют, что проводили исследование с целью изучения интуиции людей и их поведения при перемещениях в окружающей среде и закрытом пространстве для прогнозирования препятствий. Учёные надеются, что полученные результаты могут быть применены в других областях робототехники, например при создании складских роботов или роботов-помощников.
