Ett revolutionerande genombrott inom social robotik förändrar hur maskiner lär sig att interagera med människor. Forskare har utvecklat ett simuleringssystem som gör det möjligt att träna sociala robotar utan att behöva mänskliga deltagare, vilket potentiellt kan förändra utvecklingstakten inom området.
Studien, som presenterades vid 2025 års IEEE International Conference on Robotics and Automation (ICRA), genomfördes av ett team från University of Surrey och University of Hamburg. Deras metod bygger på en dynamisk modell för förutsägelse av blickbanor, som hjälper robotar att förutse var människor naturligt skulle titta under sociala interaktioner.
"Vår metod gör det möjligt för oss att testa om en robot uppmärksammar rätt saker – precis som en människa skulle göra – utan att behöva mänsklig övervakning i realtid," förklarar Dr. Di Fu, medförfattare till studien och lektor i kognitiv neurovetenskap vid University of Surrey.
Forskarteamet validerade sin modell med hjälp av två publikt tillgängliga datamängder och visade att humanoida robotar framgångsrikt kunde efterlikna mänskliga ögonrörelser. Genom att projicera kartor över mänskliga blickprioriteringar på en skärm kunde de direkt jämföra robotens förutsagda uppmärksamhetsfokus med verkliga data, vilket eliminerade behovet av omfattande studier med människa-robot-interaktion i de tidiga forskningsfaserna.
Denna innovation löser en betydande flaskhals inom utvecklingen av sociala robotar. Tidigare krävdes ett stort antal mänskliga deltagare för att träna och testa robotar avsedda för sociala miljöer som utbildning, sjukvård och kundservice. Exempel på sådana robotar är Pepper, en butiksassistent, och Paro, en terapeutisk robot för demenspatienter.
Genom att möjliggöra för forskare att testa och förfina modeller för social interaktion i stor skala via simulering innan de används i verkliga miljöer, kan detta genombrott dramatiskt påskynda utvecklingscykeln för sociala robotar, samtidigt som kostnaderna minskar och effektiviteten i mänskliga miljöer förbättras.