Робот теперь может понимать контекстные голосовые команды
Исследователи из лаборатории компьютерных наук и искусственного интеллекта MIT разработали метод, с помощью которого роботы могут понимать и отвечать на голосовые команды, произнесенные на четком, простом языке. Система достаточно продвинута, чтобы понимать и контекстные команды, включая ссылки на ранее упомянутые команды и объекты. Система ComText (сокращение от “команды в контексте”), разработанная исследователями CSAIL, обеспечивает “Alexa-подобный” голосовой контроль над роботами, которые могут демонстрировать контекстное понимание не только предыдущих команд, но и объектов, с которыми они взаимодействуют, и окружающей среды. Все это в сумме дает робота, с которым пользователи могут взаимодействовать так же, как с другим человеком; взаимодействие с роботами – это явно большой вызов, и потенциально огромный барьер для их коммерческого внедрения и использования в приложениях, ориентированных на потребителей в целом. Даже в промышленности было бы намного проще заставить людей и
роботов работать вместе, если бы они понимали голосовые команды на естественном языке. Продемонстрировано, что ComText работает, обучаясь обозначениям для определенных объектов, так что вы можете, например, сказать ему, что “этот инструмент, который я держу, мой инструмент”, и в будущем, когда вы скажете что-то вроде “дай мне мой инструмент”, он найдет правильный и извлечет его. Система ComText была протестирована исследователями с использованием модели Baxter, которая представляет собой двурукого, в основном гуманоидного робота, созданного компанией Rethink Robotics. ComText стал возможен, потому что он имеет разные типы памяти, включая как семантическую память, которая охватывает общую информацию, так и эпизодическую память, которая связана с конкретными событиями. В тесте робот смог правильно реагировать на голосовые команды испытателя примерно в 90 процентах случаев, что замечательно, и команда надеется расширить границы, используя более сложный ввод, включая многошаговые команды и углубление контекстных знаний робота.
