Hur skapar vi robotar som kan lära sig?
Datavetaren Erik Billing presenterar i sin avhandling en teknik för hur man skapar en lärande robot som både kan inhämta ny kunskap och känna igen ett beteende som den lärt sig. Avhandlingen läggs fram vid Umeå universitet torsdagen den 26 januari.
Robotar är sedan många år vanliga i industrin, där hittar vi bland annat robotar som svetsar och målar. De senaste åren har vi även kunnat se de första robotarna för vardagligt bruk. För några tusenlappar kan du få dig en robot som dammsuger eller klipper gräset. Under 2011 har vi även sett de första förarlösa bilarna och på några få affärsgallerior i världen finns robotar som kan visa kunderna vägen till önskad butik och hjälpa till med bärkassarna.
För att robotar ska kunna bli användbara i vardagliga miljöer krävs att de kan anpassa sig, roboten måste kunna lära sig av sina erfarenheter. Ett naturligt sätt att lära robotar kan vara att visa hur uppgiften ska utföras och låta roboten härma människan. Denna metod har Erik Billing studerat under sin tid som doktorand. I sin doktorsavhandling presenterar han flera tekniker för att robotar ska kunna lära från demonstrationer och repetera beteendet.
Erik Billing har särskilt studerat hur man kan skapa en robot som kan känna igen ett beteende som den redan lärt sig, vilket är viktigt för att kunna bygga vidare på robotens tidigare erfarenheter. För en robot är förmågan att utföra och förmågan att känna igen två ganska olika saker. Till exempel en robot som kan klippa gräs har ingen som helst förmåga att känna igen en människa eller en annan robot som gör detsamma. Dagens datorprogram som styr gräsklipparroboten är endast byggt för att styra, inte känna igen.
I sin avhandling presenterar Erik Billing en teknik där roboten lär sig båda sakerna. Det första steget är att ge roboten möjlighet att härma sig själv.
– Det låter kanske enkelt men är faktiskt väldigt svårt. Så fort någonting i omgivningen förändras måste roboten anpassa utförda handlingar så att syftet med handlingarna kvarstår. Om en robot till exempel ska lyfta en kaffekopp från ett bord duger det inte att alltid sända samma signaler till motorerna. Signalerna måste anpassas beroende på var på bordet koppen står, hur mycket kaffe som finns i den och om det finns andra föremål på bordet.
Genom att ge roboten förmågan att jämföra kända beteenden med det som nu händer kan den succesivt lära sig hur signalerna till motorerna måste justeras när omgivningen förändras. Liknande mekanismer har hittats i hjärnan, både hos djur och hos människor. Dessa grupper av nervceller, ofta kallade spegelneuron, tros vara en viktig komponent i tolkningen av andras handlingar och kanske även i många andra aspekter av kognition.
– När det handlar om lärande robotar är hjärnan extra intressant. Vi kan naturligtvis försöka lista ut allt på egen hand men jag tror helt enkelt vi har större chans att lyckas om vi tittar på hur naturen löst problemen. Hjärnan är en fantastisk uppfinning och även om det inte är möjligt att bygga datorer som fungerar precis som hjärnan kan vi få idéer från den, vilka vi kan bearbeta och beskriva på ett sätt som går att bygga in i datorer och robotar.
Erik Billing kommer från Hammarön utanför Karlstad och började sina studier i kognitionsvetenskap vid Umeå universitet år 2000. Tack vare att han kuggade tentamen i kursen intelligent robotik 2005 tog hans karriär en oväntad vändning. Istället för omtenta blev han erbjuden att göra ett projektarbete som ledde till en doktorandtjänst.
– Ibland verkar det som att man måste göra lite fel för att det ska gå riktigt bra, säger Erik Billing.
Torsdagen den 26:e januari presenterar Erik Billing sin avhandling med titeln ”Cognition rehearsed – recognition and reproduction of demonstrated behaviour”. Svensk titel: Robotövningar – igenkänning och återgivande av demonstrerat beteende.
Disputationen äger rum kl. 13.15 i sal S1031, Norra Beteendevetarhuset.
Fakultetsopponent är Danica Kragic, professor i datavetenskap vid Kungliga Tekniska Högskolan, Stockholm.
Presentationen sker på engelska och alla intresserade är välkomna!
Läs hela eller delar av avhandlingen på:
[Ref 1]
Hemsida