szabályokkal lehet megadni. A szabályokat az
etológusok fogalmazzák meg, de azok matematikai formába öntése már a
mérnökök dolga (például Numakunai et al., 2012). Egy nagyon fontos
mérnöki kérdés, hogy a szabályokat determinisztikusan (direkt
állításokkal) fogalmazzuk meg, például a kutya stressz-szintje a
gazda közelében mindig csökken, vagy valamilyen statisztikai leírás
alapján, például a kutya stressz-szintje a gazda közelében az esetek
90%-ában csökken. Az esetek 10%-ában lehet, hogy azért nem csökken,
mert van egy vagy akár több további körülmény, amely befolyásolja. A
determinisztikus leírásnál minden körülményt pontosan meg kell adni,
és így a szabályrendszerünk kezelhetetlenül naggyá válhat. A
szabályok minden részletre kiterjedő leírása helyett használhatjuk a
statisztikai leírást, ekkor a sok külső tényező hatását
statisztikába rejtjük. De létezik egy harmadik út, és mi a konkrét
alkalmazásnál ezt az utat, nevezetesen a fuzzy interpolációt
választottuk. Ennek lényege, hogy működés közben egy nagyon
részletes, de csak virtuálisan létező fuzzy szabályrendszert
használunk (Zadeh, 1973), ahol csak a legfontosabb szabályok vannak
ténylegesen megadva, a meg nem adott szabályokat a környező ismert
szabályokból lehet kikövetkeztetni (Kóczy – Hirota, 1991; Kovács,
1996). Az aktuális ingerektől és érzelmi állapotoktól függően
ugyancsak szabályok határozzák meg a robot aktuális viselkedését
(1. ábra). A szabályok megfogalmazása ismét
etológiai kérdés, de a cselekvés végrehajtása már mérnöki munka.
Az alábbi szabályok az IHT-viselkedésprogram egy
részét példázzák. Az etológusok állításokat fogalmaznak meg,
például: Ha a kutya a gazdájától távol és az idegenhez közel van,
akkor a kutya egyre izgatottabb lesz. Ennek az etológiai állításnak
a matematikai leírásához először be kell vezetni két bemeneti
változót („kutya–gazda távolság” és „kutya–idegen távolság”)
valamint egy állapotváltozót („izgatottság”). Minden változóhoz
értéket kell rendelni. A mérnöki gyakorlatban a távolságot méterben
szoktuk mérni, de itt a kutya fejével kell gondolkodni, és ezért a
példaként felhozott etológiai állítás is olyan értékekre vonatkozik,
mint a közel és távol. Az „izgatottság” pedig alacsony vagy magas
lehet. Ez így túlzott egyszerűsítésnek tűnhet. A pontosítás
érdekében az etológiai állítást megtartjuk, de matematikailag úgy
ábrázoljuk, hogy mindegyik értékhez hozzárendelünk egy fuzzy
halmazt, ahol valamely alaphalmazon [0,1] tartományba eső mértékkel
(tagsági függvény) jelölhető, hogy az illető fizikai érték milyen
mértékben felel meg a leírni kívánt fogalomnak (nyelvi értéknek). A
fuzzy leírás érdekessége, hogy más-más mértékben, de például a
„kutya–gazda távolság” egyszerre lehet távol és közel. Azaz, ha a
gazda nagyon-nagyon távol van a kutyától, akkor a „kutya-gazda
távolság” 1 mértékben távol és 0 mértékben közel. Ha a kutya
közelebb megy a gazdához, akkor lehet, hogy 0,9 mértékben van távol
és 0,1 mértékben lesz közel, vagy még közelebb lépve egyformán
vehetjük közelinek és távolinak is, közel 0,5, távol 0,5. (Az
idézőjelek között a változók állnak, melyekből az aláhúzottak
állapotváltozók, míg a dőlt betűk a fuzzy halmazokat (nyelvi
értékeket) jelölik). Az eredeti etológiai állításunk matematikai
fuzzy megfelelője lehet ezért például:
Ha a „kutya–gazda távolság” = távol és a
„kutya–idegen távolság” = közel, akkor az „izgatottság” = magas.
Ha a „kutya–gazda távolság” = közel és a
„kutya–idegen távolság” = távol, akkor az „izgatottság” = alacsony.
A példa további részében négy újabb állapotváltozó
jelenik meg: a „gazda hiánya”, a „hely-ismeretlenség”, a
„felderítésigény” és az „ajtóhoz megy-igény”. Az utolsó két
állapotváltozóhoz viselkedéskomponensek is tartoznak, úgy mint a
„felderít” tevékenység és az „ajtóhoz megy” tevékenység. Ezekhez az
állapotváltozókhoz is két-két nyelvi érték rendelhető (alacsony és
magas). A további bemeneti változók („gazda a szobában van” és
„gazda játékot kezdeményez”) nem igazi fuzzy változók, mert csak két
egymást kizáró értéket vehetnek fel, igazak vagy hamisak lehetnek. A
további szabályok fuzzy formában lehetnek például:
Ha a „gazda a szobában van” = hamis és a „gazda
hiánya” = magas, akkor az „ajtóhoz megy-igény” = magas.
Ha az „izgatottság” = alacsony, a „gazda játékot
kezdeményez” = hamis és a „hely-ismeretlenség” = magas, akkor a
„felderítésigény” = magas.
Ha az „izgatottság” = magas, akkor a
„felderítésigény” = alacsony.
A szabályok kiértékelése is fuzzy módon történik,
azaz a fuzzy feltételrendszer teljesülésének mértékében lesz csak
igaz a következmény. Például ha az utolsó szabálynál az
„izgatottság” csak kis mértékben magas, akkor a „felderítésigény” is
csak kis mértékben lesz alacsony.
A szabályrendszer valódi kutyákat érintő mérések
alapján statisztikai módszerekkel hangolható. A szabályok
hangolásánál a nyelvi értékek, illetve az azokat leíró fuzzy
halmazok változnak. Pontosíthatjuk, hogy mit is jelent például a kis
mértékben közel (0,1 vagy esetleg 0,157). A hangolás során a
szabályok pontatlanságaira vagy hiányosságaira is fény derülhet.
A tudásreprezentáció szempontjából a teljes
szabályrendszer azt jelentené, hogy a feltétel oldalon az összes
lehetséges bemeneti és állapotváltozó valamennyi lehetséges
értékéről nyilatkozunk, azaz az utolsó példánál nemcsak az
„izgatottság” néhány értékét adjuk meg, hanem annak valamennyi
lehetséges kombinációját. Egy ilyen teljes szabályrendszert a magas
dimenziószám miatt gyakorlatilag lehetetlen teljes részletességgel
leírni. A fuzzy interpoláció lehetőséget ad arra, hogy csak a
legfontosabb szabályokat fogalmazzuk meg, azokat, amelyekről
tényleges ismeretekkel bírunk. Feltételezhető, hogy részletesebben
is leírható a „felderítésigény” értékének függése az
„izgatottságtól” . De mindaddig, amíg a hiányos leírás a mérések
alapján elfogadhatóan pontosnak bizonyul, a többi hatást
elhanyagolhatjuk. A kutatás egyik fontos és időrabló része volt,
hogy amikor a mérések során azt tapasztaltuk, hogy a robot valamely
helyzetben nem úgy viselkedik, mint egy kutya, akkor meg kellett
keresni azokat a pontosításra szoruló vagy esetleg hiányzó
szabályokat, melyek a hibás viselkedésért felelősek.
A robot tényleges viselkedése viselkedéskomponensek kombinációja.
Egy adott helyzetben az állapotváltozók értéke határozza meg, hogy
az egyes viselkedéskomponensek milyen mértékben jutnak érvényre.
Például ha a „felderítésigény” csökken és az „ajtóhoz megy-igény”
növekszik, akkor a robot felderítő bolyongása fokozatosan alakul át
az ajtó előtti toporgássá.
Egyedi személyiségű társrobotok?
Ez az általános modell egyedekre is hangolható, így az alapjelenség
(kutya–gazda kötődés) megvalósítása mellett, illetve azon belül
különböző „személyiségeket” is ki lehet alakítani. Például
jellemzően igaz, hogy ha a gazda távozik a szobából, akkor
„hiányzik” a kutyának, és csökken a játékkedv, de nem mindegy, hogy
az adott esetben milyen mértékben. Ezért fordulhat elő, hogy az
egyik kutya bizonyos esetekben hajlandó játszani az idegennel, a
másik szinte soha. Továbbá, a cselekvés kiválasztásánál is
változtathatjuk a küszöbszinteket, például nem mindegy, hogy a gazda
közelségére való igénynél hol húzzuk meg azt a határt, amikor a
kutya minden más tevékenységet abbahagyva odamegy a gazdához. Ha ez
a küszöbszint alacsony, akkor szinte el sem tud szakadni a
gazdájától, ha magas, akkor szinte sohasem megy oda hozzá.
Összegezve, amennyiben a kutyák egyedi jellemzőit is be akarjuk
építeni a robot programjába, olyan szabályrendszert kell alkotnunk,
melyben a változók közé a jellemző személyiségtípusokat leíró
fogalmak is kerülnek. Esetünkben ilyen volt a tesztbeli viselkedést
befolyásoló három fő faktor; az idegen helyzet okozta stressz, a
gazda iránti kötődés és az idegen személlyel való interakciós
készség egyedre jellemző mértéke (2. ábra).
Összegzés
A kutyák gazda iránti kötődési viselkedésének etológiai elemzése egy
jelenség elemző leírását adja, nem célja annak reprodukálása, így
önmagában nem lehet egy társrobotot működtető program. Az ellenben
megoldható, hogy megjelenjen a működtető program részeként, és
szabályokkal és külön elkészített viselkedéskomponensekkel, valamint
mérhető, számítható megfigyelésekkel kiegészítve
„viselkedésprogrammá” alakuljon, így már alkalmassá válva egy
konkrét, az etológiailag leírt viselkedést mutató robot
irányítására. Az ilyen társrobotok már ugyanúgy vizsgálhatók, mint a
forrásként szolgáló biológiai rendszerek. Esetünkben tehát a
robotrendszer kognitív képességeinek megtestesülése egy működtető
viselkedésmodell, illetve annak egy lehetséges megvalósítási
formája, a fuzzy interpolációs állapotgép (Kovács et al. 2009, 2011;
Vincze et al. 2012). Ez a modell azért különleges, mivel komplex
társas interakciókat képes nagy pontossággal, mégis természetes
rugalmassággal reprodukálni, emellett olyan izgalmas, újszerű
kutatások elvégzésére is lehetőséget teremt, mint a viselkedési
leírások helyességének ellenőrzése a robot megfigyelésével, ill. a
teszthelyzet variálásával.
Kulcsszavak: etorobotika, kötődés, ember–kutya interakció,
fuzzy-interpoláció, társrobot
IRODALOM
Gácsi Márta – Szakadát S. – Miklósi Á.
(2013): Assistance Dogs Provide a Useful Behavioural Model to Enrich
Communicative Skills of Assistance Robots. Frontiers in Psychology.
DOI: 10.3389/fpsyg.2013.00971 •
WEBCÍM
Koay, Kheng Lee – Lakatos G. – Syrdal, D.
S. – Gácsi M. – Bereczky B. – Dautenhahn, K. – Miklósi A. – Walters,
M. L. (2013): Hey! There is Someone at Your Door. A Hearing Robot
Using Visual Communication Signals of Hearing Dogs to Communicate
Intent. In: Proceeding of the 2013 IEEE Symposium on Artificial
Life. 16–19 April 2013. Singapore, 90–97. DOI:
10.1109/ALIFE.2013.6602436
Kóczy T. László – Hirota, Kaoru (1991):
Rule Interpolation by α-level Sets in Fuzzy Approximate Reasoning.
BUSEFAL, Automne, URA-CNRS. Vol. 46. Toulouse, France, 115–23.
Kovács Szilveszter (1996): New Aspects of
Interpolative Reasoning. 6th International Conference on Information
Processing and Management of Uncertainty in Knowledge-Based Systems,
Granada, Spain, 477–482. •
WEBCÍM
Kovács Szilveszter – Vincze D. – Gácsi M.
– Miklósi Á. – Korondi P. (2009): Interpolation Based Fuzzy
Automaton for Human-Robot Interaction. 9th International Symposium
on Robot Control (SYROCO’09). The International Federation of
Automatic Control (IFAC), Gifu, Japan, 451–456. •
WEBCÍM
Kovács Szilveszter – Vincze D. – Gácsi M.
– Miklósi Á. – Korondi P. (2011): Ethologically Inspired Robot
Behavior Implementation. 4th International Conference on Human
System Interactions. Yokohama, Japan, 64–69. (ISSN 2158-2246, ISBN
978-1-4244-9638-9) DOI: 10.1109/HSI.2011.5937344
Miklósi Ádám – Gácsi Márta (2012): On the
Utilisation of Social Animals as a Model for Social Robotics.
Frontiers in Psychology. 3, 75. DOI: 10.3389/fpsyg.2012.00075 •
WEBCÍM
Numakunai, Ryuichi – Ichikawa, T. – Gácsi
M. – Korondi P. – Hashimoto, H. – Niitsuma, M. (2012): Exploratory
Behavior in Ethologically Inspired Robot Behavioral Model. RO-MAN
2012, Paris, France. 577–582. DOI: 10.1109/ROMAN.2012. 6343813 •
WEBCÍM
Syrdal, Dag Sverre – Koay, K. L. – Gácsi
M. – Walters, M. L. – Dautenhahn K. (2010): Video Prototyping of
Dog-inspired Non-verbal Affective Communication for an Appearance
Constrained Robot. 19th IEEE International Symposium on Robot and
Human Interactive Communication, (RO-MAN 10), Viareggio, Italy,
632–637. DOI: 10.1109/ROMAN.2010.5598693
Topál József – Miklósi Á. – Csányi V. –
Dóka A. (1998): Attachment Behavior in Dogs (Canis familiaris): A
New application of Ainsworth’s (1969) Strange Situation Test.
Journal of Comparative Psychology. 112, 219–229. •
WEBCÍM
Vincze Dávid – Kovács Sz. – Niitsuma M. –
Hashimoto H. – Korondi P. – Gácsi M. – Miklósi Á. (2012):
Ethologically Inspired Human-Robot Interaction Interfaces. In:
Proceedings of the 2012 Joint International Conference on
Human-Centered Computer Environments (HCCE2012) Hamamatsu, Japan,
51–57. DOI: 10.1145/2160749.2160761 •
WEBCÍM
Zadeh, Lotfi Asker (1973): Outline of a
New Approach to the Analysis of Complex Systems and Decision
Processes. In: IEEE Transactions on Systems, Man, and Cybernetics.
73, 28-44. •
WEBCÍM
|