Autores:  (1) Ruohan Zhang, Departamento de Ciencias de la Computación, Universidad de Stanford, Instituto de IA centrada en el ser humano (HAI), Universidad de Stanford y Equally contribuyeron; zharu@stanford.edu;  (2) Sharon Lee, Departamento de Ciencias de la Computación, Universidad de Stanford y Equally contribuyeron; zharu@stanford.edu;  (3) Minjune Hwang, Departamento de Ciencias de la Computación, Universidad de Stanford y Equally contribuyeron; zharu@stanford.edu;  (4) Ayano Hiranaka, Departamento de Ingeniería Mecánica, Universidad de Stanford y Equally contribuido; zharu@stanford.edu;  (5) Chen Wang, Departamento de Ciencias de la Computación, Universidad de Stanford;  (6) Wensi Ai, Departamento de Ciencias de la Computación, Universidad de Stanford;  (7) Jin Jie Ryan Tan, Departamento de Ciencias de la Computación, Universidad de Stanford;  (8) Shreya Gupta, Departamento de Ciencias de la Computación, Universidad de Stanford;  (9) Yilun Hao, Departamento de Ciencias de la Computación, Universidad de Stanford;  (10) Ruohan Gao, Departamento de Ciencias de la Computación, Universidad de Stanford;  (11) Anthony Norcia, Departamento de Psicología, Universidad de Stanford  (12) Li Fei-Fei, 1Departamento de Ciencias de la Computación, Universidad de Stanford e Instituto de IA centrada en el ser humano (HAI), Universidad de Stanford;  (13) Jiajun Wu, Departamento de Ciencias de la Computación, Universidad de Stanford e Instituto de IA centrada en el ser humano (HAI), Universidad de Stanford.  Tabla de enlaces   Resumen e introducción   Interfaz cerebro-robot (BRI): antecedentes   El sistema NOIR   experimentos   Resultados   Conclusión, limitaciones y preocupaciones éticas   Agradecimientos y referencias   Apéndice 1: Preguntas y respuestas sobre NOIR   Apéndice 2: Comparación entre diferentes dispositivos de registro cerebral   Apéndice 3: Configuración del sistema   Apéndice 4: Definiciones de tareas   Apéndice 5: Procedimiento experimental   Apéndice 6: Detalles de los algoritmos de decodificación   Apéndice 7: Detalles del algoritmo de aprendizaje de robots  Abstracto  Presentamos los robots inteligentes operados por señales neuronales (NOIR), un sistema inteligente de interfaz cerebro-robot de uso general que permite a los humanos ordenar a los robots que realicen actividades cotidianas a través de señales cerebrales. A través de esta interfaz, los humanos comunican sus objetos de interés y acciones a los robots mediante electroencefalografía (EEG). Nuestro novedoso sistema demuestra su éxito en una amplia gama de 20 desafiantes actividades domésticas cotidianas, que incluyen cocinar, limpiar, cuidado personal y entretenimiento. La eficacia del sistema mejora gracias a la integración sinérgica de algoritmos de aprendizaje de robots, lo que permite a NOIR adaptarse a usuarios individuales y predecir sus intenciones. Nuestro trabajo mejora la forma en que los humanos interactúan con los robots, reemplazando los canales tradicionales de interacción con comunicación neuronal directa. Sitio web del proyecto: https://noir-corl.github.io/    Interfaz Cerebro-Robot; Interacción humano-robot  Palabras clave:  1. Introducción  Las interfaces cerebro-robot (BRI) son un logro supremo en el ámbito del arte, la ciencia y la ingeniería. Esta aspiración, que ocupa un lugar destacado en la ficción especulativa, las obras de arte innovadoras y los estudios científicos innovadores, implica la creación de sistemas robóticos que operen en perfecta sinergia con los humanos. Un componente crítico de tales sistemas es su capacidad para comunicarse con los humanos. En la colaboración entre humanos y robots y en el aprendizaje de robots, los humanos comunican sus intenciones a través de acciones [1], pulsaciones de botones [2, 3], miradas [4–7], expresiones faciales [8], lenguaje [9, 10], etc. [11 , 12]. Sin embargo, la perspectiva de la comunicación directa a través de señales neuronales destaca como el medio más emocionante pero desafiante.  Presentamos robots inteligentes operados por señales neuronales (NOIR), un sistema BRI inteligente de uso general con electroencefalografía (EEG) no invasiva. El principio principal de este sistema es la autonomía jerárquica compartida, donde los humanos definen objetivos de alto nivel mientras el robot actualiza los objetivos mediante la ejecución de comandos motores de bajo nivel. Aprovechando los avances en neurociencia, robótica y aprendizaje automático, nuestro sistema se distingue por ir más allá de los intentos anteriores y realizar las siguientes contribuciones.  En primer lugar, NOIR es de uso general en su diversidad de tareas y accesibilidad. Mostramos que los humanos pueden realizar una amplia gama de 20 actividades diarias, en contraste con los sistemas BRI existentes que generalmente se especializan en una o unas pocas tareas o existen únicamente en simulación [13-22]. Además, el sistema puede ser utilizado por la población en general, con un mínimo de formación.  En segundo lugar, la "I" en NOIR significa que nuestros robots son inteligentes y adaptables. Los robots están equipados con una biblioteca de diversas habilidades, lo que les permite realizar acciones de bajo nivel sin una densa supervisión humana. Los objetivos de comportamiento humano pueden ser comunicados, interpretados y ejecutados de forma natural por los robots con habilidades primitivas parametrizadas, como Pick(obj-A) o MoveTo(x,y). Además, nuestros robots son capaces de aprender los objetivos previstos por los humanos durante su colaboración. Mostramos que al aprovechar el progreso reciente en los modelos básicos, podemos hacer que dicho sistema sea más adaptable con datos limitados. Mostramos que esto puede aumentar significativamente la eficiencia del sistema.  Las contribuciones técnicas clave de NOIR incluyen un canal modular de decodificación de señales neuronales para intenciones humanas. Decodificar los objetivos humanos (por ejemplo, “coger la taza del asa”) a partir de señales neuronales es un gran desafío. Descomponemos la intención humana en tres componentes: qué objeto manipular, cómo interactuar con el objeto y dónde interactuar, y mostramos que dichas señales pueden decodificarse a partir de diferentes tipos de datos neuronales. Estas señales descompuestas corresponden naturalmente a habilidades robóticas parametrizadas y pueden comunicarse de manera efectiva a los robots.  En 20 actividades domésticas que implicaban manipulaciones móviles o de mesa, tres sujetos humanos utilizaron con éxito nuestro sistema para realizar estas tareas con sus señales cerebrales. Demostramos que el aprendizaje de robots con pocos disparos de los humanos puede mejorar significativamente la eficiencia de nuestro sistema. Este enfoque para construir sistemas robóticos inteligentes, que utilizan señales del cerebro humano para la colaboración, tiene un inmenso potencial para el desarrollo de tecnologías de asistencia críticas para personas con o sin discapacidades y para mejorar su calidad de vida.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

EScholar Technologies

EScholar

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

NOIR: Robots inteligentes operados por señales neuronales para actividades cotidianas

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps