Learning from demonstrations : human perspective and perception

Abstract

Dank des technologischen Fortschritts wird die Integration sozialer Roboter (SRs) in unseren Alltag zunehmend realistischer. In den letzten Jahren haben sich diese bereits im Gesundheitsbereich als praktikabel erwiesen. Es gibt dennoch viele Herausforderungen die weitere Forschungen erfordern, damit soziale Roboter erfolgreich von kleineren Unternehmen oder Einzelpersonen akzeptiert und eingesetzt werden können. Bisherige Studien haben bereits gezeigt, dass sich die Aufgaben-Personalisierung positiv auf die Wahrnehmung der Benutzer*innen hinsichtlich der Benutzbarkeit der Roboter auswirken kann. Jedoch sind die klassischen Programmiermethoden für Laien eher ungeeignet. Neben anderen Machine Learning (ML) Programmierparadigmen stellt Learning from Demonstration (LfD) eine vielversprechende Methode dar, um maschinelles Lernen mithilfe menschlicher Demonstrationen zu ermöglichen. Wie auch andere Arbeiten zuvor, wurde in dieser die bestehende Lücke in der Human-Robot Interaction (HRI)-Literatur identifiziert, welche das fehlende Wissen über die Wahrnehmung menschlicher Instruktor*innen hinsichtlich lernender Roboter in verschiedenen Kontexten und Konfigurationen verantwortet. Diese Arbeit unternimmt einen Versuch, einen Beitrag zur Schließung dieser Lücke zu erwirken, indem sie zwei Eigenschaften eines Roboters untersucht: Initial Proficiency (initiale Kompetenz), die beschreibt, wie kompetent ein Roboter erscheint, bevor ein Lernvorgang gestartet wurde, und Learning Rate (Lernrate), die beschreibt, wie viele Demonstrationen der Roboter benötigt, um eine neue Aufgabe vollständig zu erlernen. Es wird analysiert, inwiefern diese Eigenschaften die Wahrnehmungen der Instruktor*innen hinsichtlich des Roboters und des eigenen Selbst, sowie deren Bereitschaft, den Lehrprozess fortzuführen, beeinflussen können. Dafür wurde ein kontrollierter Laborversuch entworfen und über Benutzertests (N = 24) evaluiert, in denen Teilnehmer*innen, in einer virtuellen- und LfD-Umgebung versucht haben, einem Roboter beizubringen, eine Pick-and-Place-Aufgabe zu lösen. Während die initiale Kompetenz eher eine indirekte Beeinflussung auf diverse Messungen zeigte, war der Roboter mit hoher Lernrate, im Vergleich zur einer niedrigen Lernrate, in der Lage, die Wahrnehmungen der Teilnehmer*innen im Allgemeinen positiv zu beeinflussen. Es wird daher empfohlen, effiziente Lernalgorithmen für LfD-Systeme zu priorisieren. Weitere Ergebnisse zeigen zusätzlich, dass die von den Teilnehmer*innen wahrgenommene Bereitschaft zu lehren und deren Selbstwirksamkeit vom tatsächlichen Lernerfolg des Roboters abhängen. Das führte zu der Interpretation, dass jeder sichtbare Fortschritt die Teilnehmer*innen motivierte, weitere Demonstrationen abzugeben und stärkte zudem ihr Vertrauen in deren Wirksamkeit.

Technological advances made Social Robots (SRs) to become common in our everyday lives more feasible than ever before. In the last years, they have already shown to be practical in the healthcare domain, like for example, their productive use in the recent pandemic, which brought viable findings to light. Still, many challenges exist that need a better exploration by the scientific community to enable SRs to successfully be accepted and adopted by smaller companies or individuals. Previous work showed that task customization can be beneficial for users’ perceptions of usability towards the robot. However, classic robot programming methods are not accessible to non-experts. Alongside other Machine Learning (ML) programming paradigms, Learning from Demonstration (LfD) poses a promising method for enabling machines to learn from human demonstrations in more natural ways. This study, along with other recent works, identified a currently existing research gap in the field of Human-Robot Interaction (HRI) which is responsible for the lack of knowledge when it comes to our understanding of how human instructors perceive their robotic students in various teaching settings and robotic configurations. This thesis attempts to contribute one part to fill this gap by analyzing how the two robotic traits Initial Proficiency, which defines how proficient the robot shows to be before being taught by a teacher, and Learning Rate, which defines how many demonstrations the robot needs to learn a new task by a teacher, can influence the users’ perceptions of the robot and themselves, as well as their willingness to continue the teaching process. Throughout this work, a controlled lab experiment was designed and was evaluated over user tests (N = 24), in which participants tried to teach a pick-and-place task to a humanoid robot within a Virtual Reality (VR) and LfD environment. While initial proficiency only showed indirect effects over various measures, a fast learning robot was able to positively influence participants’ perceptions’ in general, compared to slow learning ones. Prioritizing efficient learning algorithms is therefore recommended for LfD teaching systems. Additionally, findings show that the participants perceived teaching motivation and self-efficacy are dependent on the actual learning success of the robot, regardless of the learning rate, which supports the suggestion that any kind of learning progress helps motivate participants to continue teaching and make them feel more confident while doing so.