麻省理工学院的研究人员已将社交互动纳入机器人学框架，使机器人能够理解什么会帮助或阻碍彼此。
这些机器人已具备了自主学习社交行为的基础。
在医疗和社会护理等特定领域，机器人工作时，这有助于营造更有关怀的环境。
科学家目前正致力于使机器人与人类的社交互动更加精细复杂。
机器人可以在大学校园里送餐，也能在高尔夫球场上打出一杆进洞，但即使是最先进的机器人，也无法完成对人类日常生活至关重要的基本社交互动。
麻省理工学院的研究人员现已将某些社交互动纳入机器人学框架，使机器人能够理解相互帮助或相互阻碍的含义，并自主学习执行这些社交行为。在模拟环境中，一个机器人观察其同伴，推测其想要完成的任务，然后根据自身目标帮助或阻碍该机器人。
研究人员还表明，他们的模型能够产生逼真且可预测的社交互动。当他们向人类展示这些模拟机器人相互互动的视频时，人类观看者大多认同该模型对所发生的社交行为类型的判断。
使机器人展现社交技能，可能带来更顺畅、更积极的人机互动。例如，辅助生活机构中的机器人可以利用这些能力，为老年人营造更有关怀的环境。这一新模型还可能使科学家能够对社交互动进行定量测量，从而帮助心理学家研究自闭症或分析抗抑郁药物的效果。
“机器人很快就会生活在我们的世界中，它们确实需要学会以人类的方式与我们沟通。它们需要理解何时应当提供帮助，以及何时应当设法预防某种情况的发生。这项工作尚处于非常早期的阶段，我们才刚刚触及表面，但我认为这是首次非常认真地尝试理解人类与机器如何进行社交互动的含义。”麻省理工学院计算机科学与人工智能实验室（CSAIL）首席研究科学家、信息实验室（InfoLab）小组负责人，同时也是脑、心智与机器中心（CBMM）成员的鲍里斯·卡茨（Boris Katz）如是说。
与卡茨共同参与该论文的还有：共同第一作者拉维·特杰瓦尼（Ravi Tejwani），CSAIL研究助理；共同第一作者郭彦伶（Yen-Ling Kuo），CSAIL博士生；舒天民（Tianmin Shu），脑与认知科学系博士后研究员；以及资深作者安德烈·巴布（Andrei Barbu），CSAIL及CBMM研究科学家。该研究将于十一月在机器人学习会议上发表。
社交模拟
为研究社交互动，研究人员创建了一个模拟环境，在该环境中，机器人在二维网格中移动时追求物理目标和社交目标。
物理目标与环境相关。例如，机器人的物理目标可能是前往网格中某一特定位置的一棵树。社交目标则涉及推测另一机器人正在尝试做什么，然后根据该推测采取行动，例如帮助另一机器人为树浇水。
研究人员利用其模型来设定机器人的物理目标和社交目标，以及它应当对二者各自侧重的程度。机器人每采取一项使其更接近目标实现的行动，便会获得奖励。如果机器人试图帮助其同伴，它会调整自身奖励，使之与另一机器人的奖励一致；如果它试图阻碍，则会将奖励调整为相反的值。规划器是一种决定机器人应采取何种行动的算法，它利用这种持续更新的奖励来引导机器人执行物理目标与社交目标的综合行动。
“我们开创了一个新的数学框架，用于建模两个主体之间的社交互动方式。假如你是一个机器人，你想前往地点X；而我是另一个机器人，我看到你正打算前往地点X，那么我可以通过帮助你更快地到达地点X来进行合作。这可能意味着将X移到离你更近的位置、找到另一个更好的X，或者采取你在X处原本需要采取的任何行动。我们的表述使规划能够找出‘如何做’；而我们则在数学意义上界定社交互动意味着什么，从而明确‘做什么’。”特杰瓦尼如是说。
平衡机器人的物理目标与社交目标对于创造逼真的互动十分重要，因为相互帮助的人类对于自身付出的程度有所限制。例如，巴布表示，一个理性的人大概不会直接把自己的钱包交给陌生人。
研究人员运用这一数学框架定义了三类机器人。0级机器人只有物理目标，无法进行社交推理。1级机器人既有物理目标也有社交目标，但假定所有其他机器人只具有物理目标。1级机器人可以基于其他机器人的物理目标采取行动，例如提供帮助或进行阻挠。2级机器人假定其他机器人同时具有社交目标和物理目标；这类机器人能够采取更为复杂的行动，例如共同加入以提供协助。
模型评估
为了考察其模型与人类对社交互动的看法有多接近，研究人员设计了98种不同场景，其中机器人分别处于0级、1级和2级。十二名人类观察者观看了196段机器人互动的视频片段，随后被要求估计这些机器人的物理目标和社交目标。
在大多数情况下，该模型的判断与人类对每一画面中所发生社交互动的看法一致。
“我们长期关注两个方面：既要为机器人构建计算模型，也要更深入地探究这一问题中的人类因素。我们想要弄清楚人类在理解社交互动时依据这些视频中的哪些特征。我们能否为你识别社交互动的能力设计一项客观测试？或许有一种方法可以教人识别这些社交互动，并提升其能力。我们距离这一目标还有很长的路要走，但即便只是能够有效地测量社交互动，也是向前迈出的一大步。”巴布如是说。
迈向更高的复杂性
研究人员正在开发一个系统，其中包含三维智能体，并置于一个可支持更多互动类型的环境中，例如对家居物品的操作。他们还计划修改其模型，以纳入行动可能失败的环境。
研究人员还希望将基于神经网络的机器人规划器整合进该模型，该规划器能够从经验中学习，且运行速度更快。最后，他们希望开展一项实验，收集人类用来判断两个机器人是否正在进行社交互动的特征数据。
“我们希望能建立一个基准，使所有研究人员都能够开展有关这些社交互动的研究，并推动我们在物体与动作识别等其他领域所见到的那类科学与工程进步。”巴布如是说。
“我认为这是将结构化推理应用于复杂而紧迫的挑战的一个精妙范例，”哈佛大学心理学系助理教授、计算、认知与发展实验室负责人托默·乌尔曼（Tomer Ullman）如是说，他并未参与本研究。“即便是年幼的婴儿似乎也能理解帮助和阻碍等社交互动，但我们目前还没有能够以接近人类水平的灵活性进行此类推理的机器。我认为，本研究中提出的这类模型，即让智能体思考他人的奖励，并通过社交规划来思考如何最有效地阻挠或支持他人，是朝着正确方向迈出的一步。”
本研究得到以下机构的支持：脑、心智与机器中心；美国国家科学基金会；麻省理工学院CSAIL“学习型系统”计划；麻省理工学院-IBM沃森人工智能实验室；美国国防高级研究计划局（DARPA）“团队成功的人工社交智能”项目；美国空军研究实验室；美国空军人工智能加速器；以及美国海军研究办公室。
