Summary
Vi presentiamo un simile test di Turing Handshake amministrato attraverso un sistema telerobotica in cui l'interrogante è in possesso di uno stilo robotica e l'interazione con un altro soggetto (umano o artificiale). Noi utilizziamo un metodo di scelta forzata, ed estrarre una misura per la somiglianza del modello artificiale di una stretta di mano umana.
Abstract
Nel test di Turing, un modello al computer si ritiene che "pensare in modo intelligente", se può generare risposte che non sono distinguibili da quelli di un essere umano. Tuttavia, questo test è limitata agli aspetti linguistici della macchina intelligente. Una funzione salienti del cervello è il controllo del movimento, e il movimento della mano umana è una dimostrazione sofisticata di questa funzione. Pertanto, proponiamo un test di Turing, come stretta di mano, per l'intelligenza della macchina motore. Gestiamo il test attraverso un sistema telerobotica in cui è impegnata l'interrogante in un compito di tenere uno stilo robotica e l'interazione con un altro soggetto (umano o artificiale). Invece di chiedere l'interrogatorio se l'altra parte è una persona o un programma per computer, impieghiamo due metodo alternativo scelta obbligata e chiedere quale dei due sistemi è più simili all'uomo. Abbiamo estratto un voto quantitativo per ogni modello in base alla sua somiglianza con il movimento stretta di mano umana e il nome "modello umano somiglianza Grade" (MHLG). Vi presentiamo tre metodi per stimare il MHLG. (I) Calcolando la percentuale di risposte soggetti 'che il modello è più umano-come quella umana, (ii) Mettendo a confronto due somme ponderata delle strette di mano umana e modello che forma una curva psicometrica ed estrarre il punto di eguaglianza soggettiva (PSE ), (iii) Mettendo a confronto un dato modello con una somma ponderata dei segnali umana e casuale, si forma una curva psicometrici per le risposte del interrogante ed estrarre il PSE per il peso della persona umana nella somma ponderata. Complessivamente, forniamo un protocollo per testare modelli computazionali della stretta di mano umana. Siamo convinti che la costruzione di un modello è un passo necessario per comprendere qualsiasi fenomeno e, in questo caso, nella comprensione dei meccanismi neurali responsabili della generazione della stretta di mano umana.
Protocol
1. Preparazione del sistema
- Requisiti hardware:
- Due robot desktop PHANTOM da SensAble Technologies, Inc.
- 2 schede in parallelo.
- Requisiti minimi di sistema: Intel o AMD basati su PC, Windows 2000/XP, 250 MB di spazio su disco.
- Requisiti software:
- Driver-
Scarica i driver dal sito SensAble tecnologie http://www.sensable.com in base al sistema operativo del computer. - H3DAPI-
Scaricare il codice sorgente H3DAPI ed installare seguendo le istruzioni visualizzate nella sezione installazione walkthrough in http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Abbiamo aggiornato il codice per soddisfare le nostre esigenze che non sono state soddisfatte nel codice esistente. I file aggiornati possono essere scaricati dal sito web del torneo stretta di mano http://www.bgu.ac.il/ ~ akarniel / STRETTA DI MANO / / index.html
Ogni file deve essere posizionato nella cartella appropriata, come descritto nel sito di cui sopra.
Dopo aver eseguito le modifiche, CMake scaricare e compilare il codice. Le istruzioni di compilazione si possono trovare in http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation - X3D e pitone
- Scarica python 2.5 dal http://www.python.org/download/releases/2.5.5/
- Scarica il codice python e x3d dal sito stretta di mano e posizionare il file di codice in una directory dedicata, ad esempio: "C: \ codeDirectory"
- Ogni modello forza stretta di mano deve essere scritta in un file separato pitone. Vedere la Figura 1 per un esempio di un modello di forza della molla.
- psignifit toolbox per Matlab versione 2.5.6, disponibile sul sito http://www.bootstrap-software.org/psignifit/
- Driver-
Figura 1. Funzione della forza in python. Un esempio di un modello di forza della molla per una stretta di mano
2. Protocollo sperimentale
- Aprire la finestra di comando e passare alla directory codice python e x3d digitando: cd c: \ codeDirectory.
- Creare una cartella con i nomi dei soggetti 'in C: \ codesDirectory.
- Al fine di eseguire il tipo di esperimento: h3dload code_name.x3d.
- Creare un nuovo file casuale digitando: random_file_name.txt. Il file casuale definisce l'ordine in cui appaiono le strette di mano diverse.
- Inserire i nomi dei soggetti 'esattamente come nella cartella creata in precedenza.
- Seguendo il concetto originale del test di Turing classica, ogni esperimento è costituito da 3 soggetti: un essere umano, un computer e un inquisitore. Due soggetti (umane e interrogatore) ogni tenere premuto lo stilo di un dispositivo aptico Phantom e generare movimenti stretta di mano. Essi sono invitati a seguire le istruzioni che appaiono sullo schermo (ad esempio,: "premere Page Up per la prima stretta di mano"), per le forze stretta di mano da applicare. In tutti i metodi seguenti, ogni prova è costituito da 2 strette di mano, ei soggetti sono tenuti a confrontare tra di loro. Il computer è un modello simulato stretta di mano che genera un segnale di forza in funzione del tempo e la posizione della mano dimensionale e dei suoi derivati.
(1) modello F (t) = Φ [x (t), t] 0 ≤ t ≤ T
F [x, t] sta per qualsiasi operatore causale, per esempio, non lineari tempo-varianti modello meccanico del movimento unidimensionale stilo, e T è la durata della stretta di mano. Nel T studio = 5 secondi.
- Effettuato la verifica "puro" e calcolando il grado umano somiglianza modello MHLG p
L'esperimento inizia con 12 prove pratiche in cui tutte le strette di mano (n = 24) sono esseri umani, in modo che i soggetti semplicemente stringere la mano uno con l'altro attraverso il sistema telerobotica. Lo scopo di queste prove pratiche è quello di consentire ai partecipanti di conoscere con una stretta di mano umana nel sistema.
Nell'esperimento, mettiamo a confronto quattro modelli del computer. Ogni blocco sperimentale è costituito da 4 studi in cui mettiamo a confronto i 4 modelli testati per una stretta di mano umana. Una delle strette di mano in ogni prova è una interazione con una forza generata da uno dei quattro modelli (un computer), e l'altro è con un essere umano (il secondo soggetto). Pertanto, i soggetti funzione sia come esseri umani e gli interrogatori. L'ordine delle prove all'interno di ogni blocco è casuale e predeterminato. Ogni esperimento è composto da 10 blocchi, in modo che ogni stretta di mano computer è ripetuto 10 volte. Un BLO iniziale non analizzatick è aggiunto per la conoscenza generale del sistema e il compito.
Per ogni modello, la percentuale di strette di mano in cui il soggetto sceglie il modello di stretta di mano oltre la stretta di mano umana più umana-come si calcola, per fornire un valore pari a 0,5 quando il modello è indistinguibile da un essere umano. Moltiplichiamo questo valore per due al fine di ottenere il p MHLG, tale che MHLG = 0 è chiaramente non umani, come e MHLG = 1 significa che la stretta di mano testato è indistinguibile dalla stretta di mano umana. - Effettuazione della "ponderato uomo-modello" di prova e il calcolo del modello umano somiglianza grado MHLG w
In questo protocollo, vi è un solo soggetto interrogatori. Le funzioni di altro soggetto come entità umana in strette di mano.
L'esperimento inizia con 30 prove pratiche in cui l'interrogante proprie esperienze umane stretta di mano e una stretta di mano del computer in ogni prova. Alla fine del processo viene chiesto di scegliere quale dei 2 strette di mano è stata la stretta di mano umana. Se ci riusciranno, lo schermo visualizza "Esatto!", E se non ha scelto la stretta di mano destra, un "Sbagliato!" messaggio.
Dopo il blocco pratica l'esperimento è condotto come segue: Una prova è costituito da due strette di mano. In una delle strette di mano, lo stimolo - l'interrogante interagisce con una combinazione di forze che viene dal umane e un modello di stretta di mano computer.
(2) F = α stimolo • F umano + (1-α stimolo) • F stimulusModel
stimolo α è ugualmente distribuito da 0 a 1, ad esempio:
stimolo α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
La stretta di mano di altri - il riferimento - è una combinazione fissa di forze generate dalla umano e un modello di riferimento:
(3) F = α riferimento • F umano + (1-α di riferimento) • F referenceModel; riferimento α = 0,5
Alla fine di ogni prova l'interrogante è richiesto di scegliere la stretta di mano che si sentiva più simili all'uomo.
In ogni esperimento si confrontano due modelli di prova e un modello di base.
Ogni blocco sperimentale è costituito da 24 studi clinici comprendenti ciascuna delle combinazioni lineari dello stimolo e l'umano (eq. 2) per ciascuno dei 3 le combinazioni:
L'ordine delle prove all'interno di ogni blocco è casuale e predeterminato. Ogni esperimento è composto da 10 blocchi, in modo tale che ogni combinazione si ripete 10 volte. Un blocco iniziale non analizzati è aggiunto per conoscenza generale con il sistema e il compito.
Noi adattare una funzione logistica psicometrico 1 alle risposte del interrogatore utilizzando la versione 2.5.6 psignifit toolbox per Matlab, disponibile all'indirizzo http://www.bootstrap-software.org/psignifit/ , con un metodo vincolato massima verosimiglianza per la stima della i parametri, e trovare gli intervalli di confidenza con il bias-corretto e accelerata (BCA) metodo bootstrap. La curva indica la probabilità di interrogatorio per rispondere a una stretta di mano che lo stimolo è più simili all'uomo, come una funzione di stimolo α - α di riferimento. Il punto di eguaglianza soggettiva (PSE) viene estratto dal 0,5 al livello di soglia della curva psicometrica, che indica la differenza tra lo stimolo e riferimento α α per i quali vengono percepite le strette di mano per essere altrettanto umana come. Il PSE è utilizzato per il calcolo del w MHLG in base a:
(4) MHLG w = 0.5-PSE
Un modello che viene percepito di essere il più simile a quella umana, come il modello di riferimento produce il valore MHLG w 0,5. I modelli che vengono percepiti come meno o più di tipo umano possibile, resa MHLG w valori di 0 o 1, rispettivamente. - Effettuazione della "aggiunge rumore" di prova e il calcolo del modello umano somiglianza grado MHLG n
Analogamente alla ponderata modello umano di prova, vi è un solo soggetto interrogatori. Le funzioni di altro soggetto come entità umana in strette di mano. Il blocco pratica è anche la stessa come nel metodo precedente.
Dopo la pratica, in una delle due strette di mano - lo stimolo - l'interrogante interagisce con una stretta di mano modello di computer.
La stretta di mano di altri - il riferimento - è una forza generata da una combinazione di rumore umano e nero con una gamma di frequenza filtrati in base alle frequenze che compaiono nella stretta di mano umana.
(5) F = α • F umano + (1-α) • F rumore;
α è ugualmente distribuito da 0 a 1, ad esempio:
α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
Alla fine di ogni prova l'interrogante è richiesto di scegliere la stretta di mano che si sentiva più simili all'uomo.
L'esperimento è stato costruito nello stesso modo la media ponderata del model-umano prova di cui sopra è costruito. Tuttavia, mentre la calibrazione nel ponderato uomo-modello di test viene eseguita confrontando diverse combinazioni di un modello base di una combinazione fissa di se stessa, in questo esperimento il modello base è sostituto dal rumore.
Il PSE è estratta dalla curva psicometrica e definisce il n MHLG
(6) MHLG n = 1-PSE
I modelli che vengono percepiti come meno o più di tipo umano possibile, resa MHLG n valori di 0 o 1, rispettivamente.
3. Rappresentante dei risultati:
La Figura 2 mostra i risultati di un soggetto per ciascuno dei 3 metodi. I modelli testati in tutti e tre gli esperimenti sono 2 modelli-KB1 viscoelastico: molla K = 50 N / m, ammortizzatore B = 2 Ns / m; KB2: molla K = 20 N / m, ammortizzatore B = 1,3 Ns / m. Nel ponderata modello umano di prova, la w MHLG viene valutata confrontando ciascuno dei modelli testati per il modello base elastica K = 50 N / m.
Figura 2. MHLG I valori di due modelli viscoelastici secondo il protocollo "puro" di prova (a), il "ponderato modello umano protocollo" (b) e il "rumore aggiunto" protocollo (c). Le barre di errore a (b) e (c) rappresentano gli intervalli di confidenza delle curve psicometrici '. Le barre nere rappresentano i gradi MHLG per i modelli, e le barre grigie rappresentano quelle del modello base a (b) e il rumore (c).
I risultati dimostrano che il modello viscoelastico KB2 è percepito come più umano come quello KB1 altro modello viscoelastico con tutti e tre i metodi di valutazione.
Discussion
Abbiamo presentato un nuovo protocollo per una scelta forzata, come test di Turing-stretta di mano somministrato tramite un semplice sistema di telerobotica. Questo protocollo è una piattaforma per confrontare i modelli stretta di mano artificiale, piuttosto che una piattaforma per la determinazione assoluta somiglianza umana. Questo protocollo è stato presentato in un paio di conferenze 2-5
Abbiamo mostrato che questo test è utile per trovare i parametri delle caratteristiche di movimento passivo che forniscono la maggior parte di tipo umano sentimento. Può essere utilizzato in ulteriori studi per sviluppare un modello per una stretta di mano, che sarà tanto simile a quella umana possibile. Ci si avvarrà di questa piattaforma nel primo Turing-stretta di mano come il torneo che si svolgerà nell'estate 2011 [[ http://www.bgu.ac.il/ ~ akarniel / STRETTA DI MANO / index.html ]], dove i modelli in gara saranno classificati per la loro somiglianza umana. Il modello finale dovrebbe probabilmente prendere in considerazione la non linearità e variabile nel tempo la natura umana di impedenza 21, adattamento reciproco con l'interrogante e molti altri aspetti di una stretta di mano umana naturale che dovrebbe essere testato e classificato utilizzando questa scelta forzata, come test di Turing-stretta di mano.
Il test proposto è unidimensionale ed eseguito tramite un'interfaccia telerobotica, ed è quindi limitata: si nasconde molti aspetti della stretta di mano, come le informazioni tattili, temperatura, umidità, e le forze di afferrare. Tuttavia, in diversi studi di un'interfaccia telerobotica è stato utilizzato per esplorare le strette di mano 6-11 e altre forme di uomo-uomo 12 interazione. Inoltre, in questa versione del test, non abbiamo considerato la durata della stretta di mano, l'avvio e tempi di rilascio, la sua natura multi-dimensionale e le traiettorie mano prima e dopo il contatto fisico. Ci sono anche molti tipi di strette di mano a seconda del sesso e la cultura della persona 13-14 e, pertanto, non si può aspettare di generare una singola ottimale umano-come modello stretta di mano. Tuttavia, crediamo che la semplicità del test proposto è un vantaggio, almeno in questa fase preliminare dello studio. Una volta che le caratteristiche chiave di tale stretta di mano uno dimensionali sono adeguatamente caratterizzati possiamo passare a considerare queste limitazioni ed estendere il test di conseguenza.
Va notato che un simile test di Turing stretta di mano potrebbe essere invertita, con il computer al posto della persona che ha chiesto circa l'identità della controparte. In questo contesto, consideriamo la seguente ipotesi inversa stretta di mano: lo scopo di una stretta di mano è quello di sondare la mano scossa, secondo l'ipotesi inversa stretta di mano, l'algoritmo ottimale stretta di mano - nel senso che sarà indistinguibile da una stretta di mano umana - si meglio facilitare la discriminazione tra persone e macchine. In altre parole, il modello darà la migliore stretta di mano in modo tale che un classificatore opportunamente regolato può distinguere tra l'uomo e strette di mano macchina.
Se l'ipotesi inversa stretta di mano è infatti corretto che produce una applicazione clinica per il nostro test: identificare deficit motori nelle persone affette da varie neurologico motore disturbi correlati, come la paralisi cerebrale (CP). Studi precedenti hanno mostrato differenze nei parametri cinematica tra pazienti in CP e soggetti sani durante l'esecuzione di movimenti di raggiungere 15-16. Abbiamo recentemente dimostrato che le caratteristiche dei movimenti differiscono tra individui sani e soggetti con PCI, quando stringe la mano attraverso un sistema a 4 telerobotica. Questi risultati rafforzare la nostra pretesa che le persone con disabilità motore può essere distinto da persone sane, esaminando ed esplorare il movimento stretta di mano di ogni individuo. Si dovrebbe anche notare che il test viene fatto riferimento è un test percettivo e recenti studi distinguere tra percezione e azione 17-20. Studi futuri dovrebbero esaminare le tre versioni del test al fine di valutare con precisione la natura dell'essere umano di tipo stretta di mano: (1) un test psicometrici della somiglianza percepita, (2) un test di comportamento motorio (test motormetric) che esplorerà il motore reazione del interrogatore che possono differire dal suo / sua somiglianza cognitivamente percepito; (3) un discriminatore finale ottimale che tenta di distinguere tra strette di mano uomo e macchina basata sulla forza e le traiettorie di posizione.
In termini generali, possiamo affermare che la comprensione del sistema di controllo motore è una condizione necessaria per la comprensione della funzione del cervello, e che tale comprensione può essere dimostrata con la costruzione di un robot umanoide indistinguibile da un essere umano. Il presente studio si concentra sulle strette di mano tramite un sistema di telerobotica. Noi affermiamo che dalla classifica le ipotesi prevalente scientifiche circa la natura del controllo umano con il movimento della mano proposto come test di Turing-stretta di mano, abbiamodovrebbe essere in grado di estrarre le proprietà salienti del controllo motorio umano, o almeno le proprietà salienti richiesti per costruire un'appendice artificiale è indistinguibile da un braccio umano.
Disclosures
Nessun conflitto di interessi dichiarati.
Acknowledgments
AK ringrazia Gerry Loeb per utili discussioni sulla proposta come test di Turing-stretta di mano. AK e IN desidero ringraziare Nathaniel Leibowitz e Lior Botzer che hanno contribuito alla progettazione della primissima versione di questo nuovo protocollo nel 2007. Questa ricerca è stata sostenuta dalla Israel Science Foundation (concessione n ° 1018-1008). SL è supportato da una borsa di studio post-dottorato Kreitman Fondazione. IN è sostenuto dalla Fondazione Kreitman e il programma di borse di studio Clore.
Materials
| Name | Company | Catalog Number | Comments |
| Two PHANTOM desktop robots | SensAble, Geomagic | 2 Parallel cards Minimum system requirements: Intel or AMD-based PCs; Windows 2000/XP, 250 MB of disc space |
|
| SensAble technologies Drivers | SensAble, Geomagic | http://www.sensable.com | |
| H3DAPI source code | H3DAPI | http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation | |
| Python 2.5 | Python Products | http://www.python.org/download/releases/2.5.5/ | |
| x3d codes | |||
| psignifit toolbox version 2.5.6 | Matlab | http://www.bootstrap-software.org/psignifit/ |
References
- Wichmann, F., Hill, N. The psychometric function: I. Fitting, sampling, and goodness of fit. Perception & Psychophysics. 63, 1293-1293 (2001).
- Avraham, G., Levy-Tzedek, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2009).
- Avraham, G., Levy-Tzedek, S., Karniel, A. Neural Control of Movement, Florida, USA, , (2010).
- Avraham, G., Levy-Tzedek, S., Peles, B. C., Bar-Haim, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2010).
- Karniel, A., Nisky, I., Avraham, G., Peles, B. C., Levy-Tzedek, S. EuroHaptics, Amsterdam, Netherlands, , (2010).
- Jindai, M., Watanabe, T., Shibata, S., Yamamoto, T. The 15th IEEE International Symposium on Robot and Human Interactive Communication, Hatfield, UK, , (2006).
- Kasuga, T., Hashimoto, M. Internatioanl Conference on Robotics and Automation, Barcelona, Spain, , IEEE. (2005).
- Ouchi, K., Hashimoto, M. Handshake Telephone System to Communicate with Voice and Force. Proceedings of the 6th IEEE International Workshop on Robot and Human Communication, 1997 Sept 29-Oct 1, Sendai, Japan, , IEEE. 466-471 (1998).
- Bailenson, J., Yee, N. Virtual interpersonal touch and digital chameleons. Journal of Nonverbal Behavior. 31, 225-242 (2007).
- Miyashita, T., Ishiguro, H. Human-like natural behavior generation based on involuntary motions for humanoid robots. Robotics and Autonomous Systems. 48, 203-212 (2004).
- Wang, Z., Lu, J., Peer, A., Buss, M. EuroHaptics, Amsterdam, The Netherlands, , (2010).
- IiZuka, H., Ando, H., Maeda, T. proceedings of AsiaGraph, , (2010).
- Chaplin, W., Phillips, J., Brown, J., Clanton, N., Stein, J. Handshaking, gender, personality, and first impressions. Journal of Personality and Social Psychology. 79, 110-117 (2000).
- Stewart, G., Dustin, S., Barrick, M., Darnold, T. Exploring the handshake in employment interviews. Journal of Applied Psychology. 93, 1139-1146 (2008).
- Van Der Heide, J., Fock, J., Otten, B., Stremmelaar, E., Hadders-Algra, M. Kinematic characteristics of reaching movements in preterm children with cerebral palsy. Pediatric research. 57, 883 (2005).
- Ronnqvist, L., Rosblad, B. Kinematic analysis of unimanual reaching and grasping movements in children with hemiplegic cerebral palsy. Clinical Biomechanics-Kidlington. 22, 165-175 (2007).
- Goodale, M., Milner, A. Separate visual pathways for perception and action. Trends in neurosciences. 15, 20-25 (1992).
- Ganel, T., Goodale, M. Visual control of action but not perception requires analytical processing of object shape. Nature. 426, 664-667 (2003).
- Pressman, A., Nisky, I., Karniel, A., Mussa-Ivaldi, F. Probing Virtual Boundaries and the Perception of Delayed Stiffness. Advanced Robotics. 22, 119-140 (2008).
- Nisky, I., Pressman, A., Pugh, C. M., Mussa-Ivaldi, F. A., Karniel, A. EuroHaptics, Amsterdam, Netherlands, , 213-218 (2010).
- Karniel, A. Computational Motor Control. Encyclopedia of Neuroscience. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).
