選自MIT
作者：Adam Conner-Simons
機器之心編譯
參與：張倩、路
去年 MIT 的一項研究開發出腦控機器人，利用腦信號來實時糾正機器人做出的選擇。但這種方法的缺陷在於，訓練過程和對人思維活動的建模非常耗時耗力。近日，MIT 結合腦信號和肌肉信號，對之前的方法進行改進，新的系統將二元選擇擴展到多項選擇任務，使機器人選擇目標的準確率上升到 97% 以上。此外，該系統會針對用戶進行調整和適應，而無需用戶進行訓練，來遷就機器的各種限制。
讓機器人做事並不容易：通常，科學家要麼對機器人進行明確編程，要麼使機器人理解人類如何通過語言進行溝通。
但是如果我們能夠更加直觀地通過手勢和腦電波控制機器人呢？
來自 MIT 計算機科學和人工智能實驗室（CSAIL）的研究人員開發出一套新系統，旨在完成上述目標，使用戶僅僅使用腦信號或手勢動作就能即刻糾正機器人的錯誤。
該團隊之前的研究主要關注簡單的二元選擇活動，而這項新研究將範圍擴展至多項選擇任務中，開啟了人類工作者管理機器人隊伍的可能性。
通過控制大腦活動，該系統能夠實時檢測人是否注意到機器人執行任務過程中所犯的錯誤。之後，人可以通過一個衡量肌肉活動的接口，滾動查看手勢，並選擇適合機器人執行的正確選項。
該團隊在機器人使用電鑽選擇三個可能目標的任務中展示了該系統。重要的是，他們展示出該系統對於系統從未見過的人身上同樣奏效，這意味著組織可以在現實環境中部署該系統，而無需針對用戶訓練它。
「這項研究結合了 EEG 和 EMG 反饋，使得人機互動可在更多應用上發生，這比僅使用 EEG 反饋所適合的應用要多。」CSAIL 主任 Daniela Rus 稱，同時他也是這樣研究的管理者。「加入肌肉反饋後，我們可以使用手勢命令機器人完成更加精細、明確的空間移動。」
博士候選人 Joseph DelPreto 是該項目論文的一作，作者還有 Rus、CSAIL 前博士後 Andres F. Salazar-Gomez、CSAIL 前研究科學家 Stephanie Gil、研究學者 Ramin M. Hasani 和波士頓大學教授 Frank H. Guenther。該論文將在下週於匹茲堡舉行的 RSS 大會上出現。
在之前的大部分研究中，當人們訓練自己用非常具體而抽象的方式「思考」且系統基於大腦信號訓練時，系統通常能夠識別腦信號。例如，人類操作者在訓練過程中，可能必須查看對應不同機器人任務的不同亮光。
毫不奇怪，此類方法對人類來說很難掌握，尤其是在需要高度集中注意力的建築或導航領域。
同時，Rus 的團隊可以利用腦信號，即誤差相關電位（error-related potential，ErrP），研究者發現 ErrP 會在人類注意到錯誤時自然出現。如果 ErrP 出現，則該系統停止，讓用戶進行修正；沒有出現 ErrP，則系統繼續運行。
「該方法最偉大的地方在於無需用指定方式訓練用戶，」DelPreto 說道，「該系統可以根據用戶進行調整，而不是反過來讓用戶適應機器。」
在這個項目中，研究團隊使用了來自 Rethink Robotics 的人形機器人——「Baxter」。在人類的監督下，該機器人選擇目標的正確率從 70% 上升到約 97%。
為了構建該系統，研究團隊在使用者的頭皮和前臂上放置了一系列電極，分別利用腦電圖（EEG）和肌電圖（EMG）監控大腦和肌肉的活動。
這兩個指標各有缺點：EEG 信號有時無法檢測到，而肌電圖信號有時可能無法轉化為比「向左或向右」更具體的動作。然而，將二者合一就能實現更強大的生物傳感，使得系統可以作用於未經訓練的使用者。
DelPreto 表示，「通過觀察肌肉和大腦信號，我們可以開始理解人的自然手勢以及他們對是否出現問題所做出的瞬間判斷，這會使得人類與機器人的交流更近似於與人交流的體驗。」
該團隊表示，他們可以想象未來該系統將對老年人及存在語言、行動障礙的工人有所幫助。
Rus 表示，「我們希望遠離人類受機器限制的世界，而這種方法表明，開發機器系統來自然、直觀地擴展人的能力是有可能實現的。」
閱讀更多 機器之心Pro 的文章
