方法文章

一维图灵类握手测试用于运动智能评估

24.9K 次观看

⸱

DOI：

10.3791/2492

⸱

2010年12月15日

 ,  ,  ,  , 
1Biomedical Engineering, Ben-Gurion University

本文内容

摘要

我们通过远程机器人系统实施了一种类似于图灵测试的握手测试，其中测试者手持机器人触控笔并与另一方（人类或人工实体）进行互动。我们采用强制选择方法，并提取用于衡量人工模型与人类握手相似程度的指标。

摘要

在图灵测试中，如果一个计算机模型能够生成与人类回答无法区分的答案，则被认为具有“智能思维”能力。然而，该测试仅限于机器智能的语言层面。大脑的一个显著功能是运动控制，而人手的运动正是这一功能的复杂体现。因此，我们提出一种类似于图灵测试的握手测试，用于评估机器的运动智能。我们通过一个远程机器人系统实施该测试，其中询问者需握住一个机器人触控笔，并与另一方（人类或人工系统）进行互动。我们不直接询问该互动对象是人类还是计算机程序，而是采用双选强制选择法，要求询问者判断两个系统中哪一个更像人类。我们根据模型与人类握手动作的相似程度，提取一个定量评分，并将其命名为“模型类人度评分”（Model Human-Likeness Grade, MHLG）。我们提出了三种估计MHLG的方法：（i）通过计算认为该模型比真实人类更像人类的受试者所占比例；（ii）通过比较人类与模型握手动作的两个加权和，拟合心理物理学曲线，并提取主观相等点（PSE）；（iii）通过将给定模型与人类信号和随机信号的加权和进行比较，拟合询问者的回答数据，得到心理物理学曲线，并提取加权和中人类成分权重的主观相等点。总体而言，我们提供了一套用于测试人类握手动作计算模型的协议。我们认为，构建模型是理解任何现象的必要步骤，而在本例中，这有助于理解产生人类握手动作的神经机制。

方案

1. 系统准备

  1. 硬件要求：
    • 两台 SensAble Technologies, Inc. 公司生产的 PHANTOM 桌面机器人
    • 2 个并行端口卡
    • 最低系统要求：基于 Intel 或 AMD 的个人计算机；Windows 2000/XP 操作系统，250 MB 磁盘空间
  2. 软件要求：

线性弹簧的力函数；Python 代码；位置和时间输入；计算力输出。
图 1. Python 中的力函数。用于握手的弹簧力模型示例

2. 实验方案

  • 打开命令窗口，输入以下命令切换到 Python 和 x3d 代码目录：cd C:\codeDirectory。
  • 在 C:\codesDirectory 中创建一个以受试者姓名命名的文件夹。
  • 运行实验时输入：h3dload code_name.x3d。
  • 输入 random_file_name.txt 创建一个新的随机文件。该随机文件定义了不同握手模式出现的顺序。
  • 输入受试者姓名，必须与之前创建的文件夹中的名称完全一致。
  • 根据经典图灵测试的原始概念，每次实验包含三个实体：一个人类、一台计算机和一名询问者。两名受试者（人类与询问者）各自持有一个 Phantom 触觉设备的触控笔，并生成握手动作。他们需根据屏幕上显示的指令（例如：“按 Page Up 键开始第一次握手”）执行操作，以施加握手力。在以下所有方法中，每次试验包含两次握手，受试者需对二者进行比较。计算机为一个模拟的握手模型，其生成的力信号是时间以及一维手部位置及其导数的函数。
    (1)Fmodel(t) = Φ[x(t),t] 0 ≤ t ≤ T
    F[x,t] 表示任意因果算子，例如描述一维触控笔运动的非线性时变力学模型，T 为握手持续时间。在本研究中，T=5 秒。
  1. 进行“纯”测试并计算模型人类相似度等级 MHLGp
    实验开始时包含12次练习试验，其中所有握手（n=24）均为人类之间的交互，即受试者通过远程机器人系统相互握手。这些练习试验的目的是使参与者熟悉该系统中的人类握手感觉。
    在正式实验中，我们比较四种计算机模型。每个实验区块包含4次试验，在每次试验中将四种待测模型与人类握手进行对比。在每次试验的两个握手中，其中一个是由四种模型之一（计算机）生成力反馈的交互，另一个则是与真人（第二位受试者）的交互。因此，受试者同时承担了“人类”和“询问者”的角色。每个区块内试验的顺序是随机且预先确定的。整个实验包含10个区块，使得每种计算机生成的握手重复10次。此外增加一个不用于分析的初始区块，以帮助受试者总体熟悉系统和任务。
    对于每种模型，计算受试者选择该模型握手而非人类握手作为“更像人类”的比例，当模型与人类无法区分时，该比例为0.5。我们将此值乘以2，得到MHLGp，使得MHLG=0表示明显非人类特征，MHLG=1表示被测握手与人类握手无法区分。
  2. 进行“加权人类-模型”测试并计算模型人类相似度等级 MHLGw
    在此实验方案中，仅有一位受试者作为询问者，另一位受试者则在握手中充当人类实体。
    实验开始时包含30次练习试验，每次试验中询问者体验一次人类握手和一次计算机生成的握手，并在试验结束后判断哪一次是人类握手。若判断正确，屏幕显示“正确！”，若判断错误，则显示“错误！”提示。
    练习区块结束后，正式实验按以下方式进行：每次试验包含两次握手。其中一次握手——即刺激——询问者与来自人类和计算机握手模型组合的力进行交互：
    (2) F = αstimulus• Fhuman + (1-αstimulus)•FstimulusModel
    αstimulus 在0到1之间等间距分布，例如：
    αstimulus= {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
    另一次握手——即参考——是由人类与一个参考模型组合生成的固定力组合：
    (3) F = αreference• Fhuman + (1-αreference)•FreferenceModel ; αreference=0.5
    每次试验结束后，询问者需选择感觉更像人类的那一次握手。
    在每次实验中，我们比较两种测试模型和一种基础模型。
    每个实验区块包含24次试验，涵盖每种模型组合下刺激与人类力组合（公式2）的所有线性组合：
    显示基础模型、模型I和模型II及其连接箭头的流程图。
    每个区块内试验的顺序是随机且预先确定的。整个实验包含10个区块，使得每种组合重复10次。此外增加一个不用于分析的初始区块，以帮助受试者总体熟悉系统和任务。
    我们使用Matlab平台的psignifit工具箱（版本2.5.6），网址为 http://www.bootstrap-software.org/psignifit/，采用约束最大似然法拟合询问者的回答数据，建立逻辑心理测量函数1，并通过偏差校正加速（BCa）自助法计算置信区间。该曲线表示询问者判断刺激握手比参考握手更像人类的概率，作为αstimulus - αreference的函数。主观相等点（PSE）从心理测量曲线的0.5阈值水平提取，表示当两种握手被感知为同样像人类时，αstimulus与αreference之间的差值。PSE用于根据以下公式计算MHLGw：
    (4) MHLGw =0.5-PSE
    若模型被感知为与参考模型同样像人类，则MHLGw值为0.5。被感知为最不像或最像人类的模型，其MHLGw值分别为0或1。
  3. 进行“添加噪声”测试并计算模型人类相似度等级 MHLGn
    与加权人类-模型测试类似，本测试中仅有一位询问者受试者，另一位受试者在握手中充当人类实体。练习区块的设置也与前述方法相同。
    练习结束后，在两次握手中的其中一次——即刺激——询问者与计算机握手模型进行交互。
    另一次握手——即参考——是由人类与白噪声组合生成的力，其中白噪声的频率范围经过滤波，使其频率分布与人类握手中的频率一致：
    (5) F = α • Fhuman + (1-α)•Fnoise;
    α在0到1之间等间距分布，例如：
    α = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
    每次试验结束后，询问者需选择感觉更像人类的那一次握手。
    本实验的结构与上述加权人类-模型测试相同。然而，加权人类-模型测试中的校准是通过比较基础模型的不同组合与该模型固定组合之间的差异实现的，而本实验中基础模型被噪声替代。
    PSE从心理测量曲线中提取，并用于定义MHLGn：
    (6) MHLGn = 1-PSE
    被感知为最不像或最像人类的模型，其MHLGn值分别为0或1。

3. 典型结果：

图2展示了每种方法中一个受试者的实验结果。三项实验中测试的模型均为两种黏弹性模型：KB1：弹簧K=50 N/m，阻尼器B=2 Ns/m；KB2：弹簧K=20 N/m，阻尼器B=1.3 Ns/m。在加权模型-人体测试中，通过将各测试模型与弹性基础模型（K=50 N/m）进行比较，评估MHLGw。

类人度评分比较；模型 KB1、KB2 的图表；纯测试、加权测试、噪声测试。
图 2. 两种黏弹性模型在“纯测试”协议（a）、“加权模型-人类协议”（b）和“添加噪声”协议（c）下的 MHLG 值。图（b）和（c）中的误差棒表示心理测量曲线的置信区间。黑色柱表示模型的 MHLG 评分，灰色柱表示（b）中的基线模型和（c）中的噪声的 MHLG 评分。

结果表明，使用三种评估方法中的每一种，粘弹性模型 KB2 均被认为比另一种粘弹性模型 KB1 更接近人类。

讨论

我们提出了一种通过简易远程机器人系统实施的强制选择类图灵握手测试的新方案。该方案旨在比较不同的人工握手模型，而非用于确定绝对的人类相似度。该方案已在若干学术会议上报告2-5

本文表明，该测试有助于确定运动被动特性的参数，从而获得最接近人类感受的效果。该测试可用于后续研究，以建立尽可能接近人类握手的模型。我们将在2011年夏季举办首届类图灵握手竞赛[[http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html]中使用该平台，参赛模型将根据其类人程度进行评分。理想的模型可能需要考虑人类阻抗的非线性及时变特性21、与测试者的相互适应，以及自然人类握手的许多其他方面，这些都应通过这种强制选择类图灵握手测试进行检验和排序。

所提出的测试是一维的，并通过远程机器人界面进行，因此存在局限性：它隐藏了握手的许多方面，例如触觉信息、温度、湿度以及抓握力。然而，在多项研究中，远程机器人界面已被用于探索握手6-11以及其他形式的人际互动12。此外，在本测试版本中，我们未考虑握手的持续时间、起始与释放时间、其多维特性，以及肢体接触前后手部的运动轨迹。根据个体的性别和文化背景，握手方式也存在多种类型13-14，因此，无法期望建立一个单一的、最优的类人握手模型。尽管如此，我们认为，至少在本研究的初步阶段，所提出测试的简洁性是一种优势。一旦这种一维握手的关键特征被准确表征，我们便可进一步考虑上述局限性，并相应地扩展测试内容。

需要注意的是，图灵式的握手测试可以被反转，即由计算机而非人类来判断对方的身份。在此框架下，我们提出以下反向握手假说：握手的目的是探测被握的手；根据反向握手假说，最优的握手算法——即在表现上与人类握手无法区分的算法——将最有利于区分人类与机器。换句话说，该模型将生成最佳的握手方式，使得一个经过适当调优的分类器能够有效区分人类与机器的握手特征。

如果反向握手假说确实成立，那么我们的测试将具有临床应用价值：识别患有各种神经系统运动障碍（如脑性瘫痪（CP））患者的运动功能障碍。先前的研究表明，脑性瘫痪患者与健康受试者在执行伸手动作时，其运动学参数存在差异15-16。我们最近的研究显示，通过远程机器人系统握手时，健康个体与脑性瘫痪患者在运动特征上有所不同4。这些发现进一步支持了我们的观点：通过分析和研究每个人的握手动作，可以区分运动功能受损个体与健康个体。还应注意的是，本文讨论的测试属于感知测试，而近期研究已明确区分了感知与动作17-20。未来的研究应探索该测试的三种版本，以准确评估类人握手的本质：（1）感知相似性的心理测量测试；（2）运动行为测试（运动测量测试），用于探究询问者的运动反应，该反应可能与其认知上感知到的相似性不同；（3）最终的最优判别方法，基于力和位置轨迹来区分人类与机器的握手。

一般来说，我们认为理解运动控制系统是理解大脑功能的必要条件，而这种理解可以通过构建一个与人类无法区分的人形机器人来加以证明。本研究聚焦于通过远程机器人系统进行握手。我们提出，通过使用类似图灵测试的握手测试对当前关于人类手部运动控制机制的科学假说进行排序，我们应当能够提取出人类运动控制的显著特性，或至少提取出构建一个与人类手臂无法区分的人工肢体所必需的显著特性。

披露

未声明任何利益冲突。

致谢

AK 感谢 Gerry Loeb 就提出的图灵式握手测试进行了有益的讨论。AK 和 IN 感谢 Nathaniel Leibowitz 和 Lior Botzer，他们在 2007 年参与了本实验方案最初版本的设计。本研究由以色列科学基金会（资助编号：1018/08）提供支持。SL 获克雷特曼基金会博士后奖学金资助。IN 获克雷特曼基金会和克洛尔奖学金项目资助。

材料

本文使用的材料清单
姓名公司目录编号评论
两台 PHANTOM 桌面机器人SensAble, Geomagic2 个并行端口卡
最低系统要求：基于 Intel 或 AMD 的个人计算机；Windows 2000/XP，250 MB 硬盘空间
SensAble 技术驱动程序SensAble, Geomagichttp://www.sensable.com
H3DAPI 源代码H3DAPIhttp://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Python 2.5Python 产品http://www.python.org/download/releases/2.5.5/
x3d 代码
psignifit 工具箱版本 2.5.6Matlabhttp://www.bootstrap-software.org/psignifit/

参考文献

  1. Wichmann, F., Hill, N. The psychometric function: I. Fitting, sampling, and goodness of fit. Perception & Psychophysics. 63, 1293-1293 (2001).
  2. Avraham, G., Levy-Tzedek, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2009).
  3. Avraham, G., Levy-Tzedek, S., Karniel, A. Neural Control of Movement, Florida, USA, , (2010).
  4. Avraham, G., Levy-Tzedek, S., Peles, B. C., Bar-Haim, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2010).
  5. Karniel, A., Nisky, I., Avraham, G., Peles, B. C., Levy-Tzedek, S. EuroHaptics, Amsterdam, Netherlands, , (2010).
  6. Jindai, M., Watanabe, T., Shibata, S., Yamamoto, T. The 15th IEEE International Symposium on Robot and Human Interactive Communication, Hatfield, UK, , (2006).
  7. Kasuga, T., Hashimoto, M. Internatioanl Conference on Robotics and Automation, Barcelona, Spain, , IEEE. (2005).
  8. 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).
  9. Bailenson, J., Yee, N. Virtual interpersonal touch and digital chameleons. Journal of Nonverbal Behavior. 31, 225-242 (2007).
  10. Miyashita, T., Ishiguro, H. Human-like natural behavior generation based on involuntary motions for humanoid robots. Robotics and Autonomous Systems. 48, 203-212 (2004).
  11. Wang, Z., Lu, J., Peer, A., Buss, M. EuroHaptics, Amsterdam, The Netherlands, , (2010).
  12. IiZuka, H., Ando, H., Maeda, T. proceedings of AsiaGraph, , (2010).
  13. 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).
  14. Stewart, G., Dustin, S., Barrick, M., Darnold, T. Exploring the handshake in employment interviews. Journal of Applied Psychology. 93, 1139-1146 (2008).
  15. 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).
  16. 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).
  17. Goodale, M., Milner, A. Separate visual pathways for perception and action. Trends in neurosciences. 15, 20-25 (1992).
  18. Ganel, T., Goodale, M. Visual control of action but not perception requires analytical processing of object shape. Nature. 426, 664-667 (2003).
  19. Pressman, A., Nisky, I., Karniel, A., Mussa-Ivaldi, F. Probing Virtual Boundaries and the Perception of Delayed Stiffness. Advanced Robotics. 22, 119-140 (2008).
  20. Nisky, I., Pressman, A., Pugh, C. M., Mussa-Ivaldi, F. A., Karniel, A. EuroHaptics, Amsterdam, Netherlands, , 213-218 (2010).
  21. Karniel, A. Computational Motor Control. Encyclopedia of Neuroscience. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).

重印与许可

标签

一维图灵类握手测试用于运动智能评估
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。