困惑时会向你寻求帮助的机器人

编辑 | TGS 发布 | ATYUN订阅号

人工智能模型总是会遇到模棱两可的情况，这种情况下它们很难只用指令做出反应。这对自主代理来说是一个不小的问题，比如说它们要在一间公寓里穿行，就会面临着被多条路径困住的风险，类比一下，套用在人类身上，就是典型的“选择困难症”。

为了解决这个问题，亚马逊Alexa AI部门的研究人员开发了一个框架，赋予代理机器人在特定情况下请求帮助的能力。框架使用了基于模型混淆的方法，能根据预定义的信心阈值确定的他们的混淆程度来提问，研究人员称：这个阈值将自主代理的成功率至少提高了15%。

在一份预印本论文中，研究人员写道：“设想这样一种情况，你想让一个机器人助手把你的钱包放在床上……场景中有两扇门，但预设指令只告诉它穿过门口。在这种情况下，机器人显然很难知道该从哪扇门进入。经过长时间的探索，我们找到了一种思路：如果机器人能够与用户讨论、求助，那么现实情况的模糊性就可以得到解决。”

该团队的框架采用了两种代理模型：模型混淆(Model Confusion)和动作空间扩展(Action Space augation)，前者能够模仿人类用户在混淆情况下的行为，后者则是一种更复杂的算法，可以自动学会在导航过程中，在正确的时间只问必要的问题。最后再用人工交互数据进一步微调第二个模型，以达到让机器人熟悉环境的目的。

在本研究中，当机器人在模拟房屋中导航时，如果迷路了，它就会发出“我迷路了，请帮帮我!”的讯号，并寻求帮助。当用户为机器人的后续问题提供答案时，动作空间的扩展，会修正原本错误的轨迹，并利用反馈系统来防止未来发生同样的错误。

研究人员编制了一个包含21,567条导航指令的数据集，一个指令词汇大约由3100个单词组成。然后，他们进行实验，评估了机器人的成功率和步数，这个“成功”的标准是：导航误差小于3米。

如果这条新提出的策略能够成功，那么，可能会对亚马逊传闻已久的家用机器人有所启发，加快其面世的进度。此外，亚马逊的这个新策略显然对不断学习的场景很有用——因为，应用了这个亚马逊策略的家务机器人，可以在客户家中不断改进其性能。