Multidimensionellt tolkbar inlärning för erfarenhetsdrivna samarbetsrobotar

Forskningsprojekt, 2026 – 2029

Nästa generations robotar kommer inte vara begränsade till fabriker – de kommer arbeta sida vid sida med människor i hem, på arbetsplatser och i offentliga miljöer. Tack vare framsteg inom artificiell intelligens (AI) kan robotar nu inte bara utföra fysiska uppgifter, utan även förstå och anpassa sig till sina mänskliga samarbetspartners. Detta kallas människo-robotsamarbete (HRC).Men vad krävs för att en robot ska vara en bra lagkamrat?Tänk dig att en robot hjälper dig att duka bordet. Du placerar två tallrikar, och roboten drar slutsatsen att ni blir två personer. Den hämtar då två glas – utan instruktioner. Denna typ av hjälp kräver att roboten förstår din avsikt, förutser vad som behövs, och väljer bästa sättet att hjälpa till utan att störa.Detta projekt utvecklar en ny inlärningsmetod för samarbetsrobotar (Cobots), som gör att de kan tolka mänskliga mål, anpassa sig till föränderliga miljöer och förklara sina handlingar när något går fel.Metoden lär robotar att känna igen mönster i mänskligt beteende och koppla dem till symboliska beskrivningar (t.ex. ”hämta glas”). Robotarna sparar och lär sig av tidigare erfarenheter – både lyckade och misslyckade – för att förbättra sig och återhämta sig vid fel.Om roboten inte hittar glas i skåpet ska den inte bara sluta, utan säga: ”Jag kan inte slutföra uppgiften eftersom glas saknas.”Vi kommer att utveckla ett flerskiktat resonemangssystem som gör det möjligt för roboten att tolka mål, bryta ner dem i handlingar och utföra rätt uppgift med rätt strategi.Till skillnad från traditionella robotar kommer våra Cobots att vara flexibla, medvetna om sin omgivning och fatta beslut i realtid. Systemet testas i simuleringar och verkliga robotar i hushålls- och industrimiljöer.Resultatet kan leda till hjälpsamma, pålitliga robotassistenter i hem, vård och arbetsliv – och skapa verkligt samarbete mellan människor och robotar.