Et revolutionerende gennembrud inden for sociale robotter er ved at ændre måden, maskiner lærer at interagere med mennesker på. Forskere har udviklet et simuleringssystem, der gør det muligt at træne sociale robotter uden brug af menneskelige deltagere, hvilket potentielt kan transformere udviklingstidslinjen for feltet.
Studiet, som blev præsenteret på 2025 IEEE International Conference on Robotics and Automation (ICRA), er udført af et hold fra University of Surrey og University of Hamburg. Deres tilgang er centreret omkring en dynamisk scanpath-forudsigelsesmodel, der hjælper robotter med at forudse, hvor mennesker naturligt ville kigge under sociale interaktioner.
"Vores metode gør det muligt at teste, om en robot er opmærksom på de rigtige ting – præcis som et menneske ville være – uden behov for menneskelig overvågning i realtid," forklarer Dr. Di Fu, medforfatter på studiet og lektor i kognitiv neurovidenskab ved University of Surrey.
Forskerholdet validerede deres model ved hjælp af to offentligt tilgængelige datasæt og demonstrerede, at humanoide robotter med succes kunne efterligne menneskelignende øjenbevægelser. Ved at projicere menneskelige blikprioritetskort på en skærm sammenlignede de direkte robotternes forudsagte opmærksomhedsfokus med virkelige data, hvilket eliminerede behovet for omfattende studier af menneske-robot-interaktion i de tidlige forskningsfaser.
Denne innovation adresserer en væsentlig flaskehals i udviklingen af sociale robotter. Tidligere har forskere haft brug for adskillige menneskelige deltagere til at træne og teste robotter, der er designet til sociale miljøer som uddannelse, sundhedspleje og kundeservice. Eksempler på sådanne robotter er Pepper, en butiksassistent, og Paro, en terapeutisk robot til demenspatienter.
Ved at gøre det muligt for forskere at teste og forfine sociale interaktionsmodeller i stor skala gennem simulation, inden de implementeres i virkeligheden, kan dette gennembrud markant fremskynde udviklingscyklussen for sociale robotter, samtidig med at omkostningerne reduceres og effektiviteten i menneskelige miljøer forbedres.