Article de méthode

Un test de Turing-dimensionnelle Poignée de main comme pour le moteur de renseignement

DOI :

10.3791/2492

⸱

15 décembre 2010

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

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nous présentons un test de Turing Poignée de main-like administré par un système de télérobotique dans lequel l'interrogateur est la tenue d'un stylet robotique et l'interaction avec une autre partie (humain ou artificiel). Nous utilisons une méthode de choix forcé, et d'extraire une mesure de la similitude du modèle artificiel pour une poignée de main humaine.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dans le test de Turing, un modèle informatique est réputé «penser intelligemment» si elle peut générer des réponses qui ne sont pas distinguables de celles d'un humain. Cependant, ce test est limité aux aspects linguistiques de l'intelligence artificielle. Une fonction saillants du cerveau est le contrôle du mouvement, et le mouvement de la main humaine est une démonstration de cette fonction sophistiquée. Par conséquent, nous proposons un test de Turing handshake-like, pour l'intelligence du moteur de la machine. Nous administrer le test à travers un système de télérobotique dans lequel l'interrogateur est engagé dans une tâche de détenir un stylet robotique et l'interaction avec une autre partie (humain ou artificiel). Au lieu de demander à l'interrogateur si l'autre partie est une personne ou un programme informatique, nous utilisons une méthode en deux alternatives de choix forcé et de demander lequel des deux systèmes est plus comme un humain. Nous extrayons une note quantitative pour chaque modèle en fonction de sa ressemblance avec le mouvement handshake humain et nommez-le «modèle de l'homme-ressemblance Grade» (MHLG). Nous présentons trois méthodes pour estimer le MHLG. (I) En calculant la proportion des réponses des sujets que le modèle est plus humain que les humains, (ii) En comparant les deux sommes pondérées des poignées de main humaine et le modèle que nous ajuster une courbe psychométrique et extraire le point d'égalité subjective (PES ), (iii) En comparant un modèle donné par une somme pondérée des signaux humains et aléatoire, nous avons ajusté une courbe psychométriques pour les réponses de l'interrogateur et l'extrait de l'ESP pour le poids de l'homme dans la somme pondérée. Au total, nous fournissons un protocole pour tester des modèles de calcul de la poignée de main humaine. Nous croyons que la construction d'un modèle est une étape nécessaire dans la compréhension de tout phénomène et, dans ce cas, dans la compréhension des mécanismes neuronaux responsables de la génération de la poignée de main humaine.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Préparation du système

  1. Matériel requis:
    • Deux robots bureau Phantom par SensAble Technologies, Inc
    • 2 cartes en parallèle.
    • Configuration minimale requise: Processeur Intel ou AMD à base PC, Windows 2000/XP, 250 Mo d'espace disque.
  2. Logiciel requis:

figure-protocol-1
Figure 1. Fonction de force en python. Un exemple d'un modèle de force de printemps pour une poignée de main

2. Protocole expérimental

  • Ouvrez la fenêtre de commande et passez dans le répertoire du code python et X3D en tapant: cd C: \ codeDirectory.
  • Créez un dossier avec les noms des sujets dans C: \ codesDirectory.
  • Afin d'exécuter le type expérience: h3dload code_name.x3d.
  • Créez un nouveau fichier en tapant au hasard: random_file_name.txt. Le fichier aléatoire définit l'ordre dans lequel apparaissent les poignées de main différente.
  • Entrez les noms des sujets exactement comme dans le dossier précédemment créé.
  • Après le concept original de l'épreuve classique de Turing, chaque expérience se compose de trois entités: un homme, un ordinateur, et un interrogateur. Deux sujets (humains et interrogateur) détiennent chacun le stylet d'un dispositif haptique Phantom et de générer des mouvements poignée de main. Ils sont invités à suivre les instructions qui s'affichent à l'écran (par exemple,: "appuyez sur Page Up pour la première poignée de main»), pour les forces de poignée de main à être appliqué. Dans toutes les méthodes suivantes, chaque essai se compose de deux poignées de main, et les sujets sont tenus de comparer entre eux. L'ordinateur est un modèle de poignée de mains simulées qui génère un signal de force en fonction du temps et de la position d'une part dimensionnelle et ses dérivés.
    (1) modèle F (t) = Φ [x (t), t] 0 ≤ t ≤ T
    F [x, t] est synonyme de tout opérateur de causalité, par exemple, non-linéaires variant dans le temps modèle mécanique de celui stylet mouvement dimensionnel, et T est la durée de la poignée de main. Dans la présente étude T = 5 secondes.
  1. Mener des «purs» de test et calcul de la note la ressemblance modèle humain MHLG p
    L'expérience commence avec 12 essais pratique dans laquelle toutes les poignées de main (n = 24) sont des humains, telles que les sujets simplement serrer la main les uns aux autres à travers le système télérobotique. Le but de ces essais pratique est de permettre aux participants de se familiariser avec une poignée de main humaine dans le système.
    Dans l'expérience, nous comparons quatre modèles d'ordinateur. Chaque bloc expérimental se compose de 4 essais dans lesquels on compare les quatre modèles testés pour une poignée de main humaine. L'une des poignées de main dans chaque procès est une interaction avec une force générée par l'un des quatre modèles (un ordinateur), et l'autre est avec un homme (le deuxième sujet). Par conséquent, les sujets fonctionner comme les humains et les interrogateurs. L'ordre des essais au sein de chaque bloc est aléatoire et prédéterminée. Chaque expérience se compose de 10 blocs, de sorte que chaque poignée de main ordinateur est répété 10 fois. Un blo initiales non analyséesck est ajouté pour la connaissance générale du système et de la tâche.
    Pour chaque modèle, la proportion des poignées de main dans laquelle le sujet choisit la poignée de main modèle sur la poignée de main humaine comme plus humain est calculé, pour fournir une valeur qui est de 0,5 lorsque le modèle est indiscernable d'un humain. Nous multiplions cette valeur par deux afin d'obtenir le p MHLG, telle que MHLG = 0 est clairement non-humains aiment et MHLG = 1 signifie que la poignée de main testé est indiscernable de la poignée de main humaine.
  2. Mener la "pondération homme-modèle" test et le calcul du modèle humain à la ressemblance de grade MHLG w
    Dans ce protocole, il ya un seul sujet d'interrogation. Les fonctions autre sujet que l'entité humaine dans les poignées de main.
    L'expérience commence avec 30 essais de pratique où l'interrogateur d'expériences une poignée de mains humaines et une poignée de mains ordinateur dans chaque essai. À la fin du procès, ils sont invités à choisir lequel des deux poignées de main était la poignée de main humaine. S'ils réussissent, l'écran affiche "Correct!", Et si elles ne choisissent pas la poignée de main droite, un "Faux!" message apparaît.
    Après le bloc de la pratique de l'expérience se déroule comme suit: Un essai est constitué de deux poignées de main. Dans l'une des poignées de main-stimulus - l'interrogateur interagit avec une combinaison de forces qui vient de l'être humain et un modèle de poignée de mains ordinateur.
    (2) F = α relance • F humaines + (1-α de relance) • F stimulusModel
    relance α est également distribué à partir 0 à 1, par exemple:
    relance α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
    La poignée de main d'autres - la référence - est une association fixe de forces générées par l'homme et un modèle de référence:
    (3) F = α référence • F humaines + (1-α de référence) • F referenceModel; de référence α = 0,5
    A la fin de chaque essai de l'interrogateur est demandé de choisir la poignée de main qui se sentaient plus comme un humain.
    Dans chaque expérience on compare deux modèles de test et un modèle de base.
    Chaque bloc expérimental se compose de 24 épreuves comprenant chacune des combinaisons linéaires de la stimulation et l'humain (eq. 2) pour chacune des trois combinaisons de modèle:
    figure-protocol-2
    L'ordre des essais au sein de chaque bloc est aléatoire et prédéterminée. Chaque expérience se compose de 10 blocs, de telle sorte que chaque combinaison est répétée 10 fois. Un bloc initial non analysée est ajouté pour la connaissance générale du système et de la tâche.
    Nous équipons une fonction logistique psychométriques une des réponses de l'interrogateur utilisant la version 2.5.6 psignifit boîte à outils pour Matlab, disponible à http://www.bootstrap-software.org/psignifit/ , avec une méthode du maximum de vraisemblance pour l'estimation des contraintes les paramètres, et de trouver des intervalles de confiance par le biais corrigé méthode bootstrap et accéléré (BCA). La courbe affiche la probabilité de l'interrogateur de répondre à cette poignée de main de relance est plus humain-comme, en fonction de la relance α - α de référence. Le point d'égalité subjective (PES) est extraite à partir du niveau seuil de 0,5 de la courbe psychométrique, indiquant la différence entre le stimulus et la référence α α pour laquelle les poignées de main sont perçus comme étant tout aussi humains comme. L'ESP est utilisé pour calculer le w MHLG selon:
    (4) MHLG w = 0,5-PSE
    Un modèle qui est perçu pour être aussi humain-comme le modèle de référence de la valeur des rendements MHLG w 0.5. Les modèles qui sont perçus comme moins ou le plus humain-comme possible, le rendement MHLG valeurs w de 0 ou 1, respectivement.
  3. Mener le «bruit ajouté" test et en calculant le modèle humain à la ressemblance de grade MHLG n
    Comme pour le modèle humain de test pondérée, il ya un seul sujet d'interrogation. Les fonctions autre sujet que l'entité humaine dans les poignées de main. Le bloc de pratique est également le même que dans la méthode précédente.
    Après la pratique, dans l'une des deux poignées de main - le stimulus - l'interrogateur interagit avec un modèle de poignée de mains ordinateur.
    La poignée de main d'autres - la référence - est une force générée par une combinaison du bruit humain et blanc avec une gamme de fréquences filtrées selon les fréquences qui apparaissent dans la poignée de main humaine.
    (5) F = α • F humaines + (1-α) • F bruit;
    α est également distribué à partir 0 à 1, par exemple:
    α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
    A la fin de chaque essai de l'interrogateur est demandé de choisir la poignée de main qui se sentaient plus comme un humain.
    L'expérience est construite de la même manière la moyenne pondérée des model-humain essai mentionné ci-dessus est construite. Cependant, alors que l'étalonnage de la moyenne pondérée par l'homme modèle de test est effectué en comparant différentes combinaisons d'un modèle de base d'une combinaison fixe de lui-même, dans cette expérience le modèle de base est remplacer par le bruit.
    L'ESP est extraite de la courbe psychométrique et définit le n MHLG
    (6) MHLG n = 1-PSE
    Les modèles qui sont perçus comme moins ou le plus humain-comme possible, le rendement MHLG n valeurs de 0 ou 1, respectivement.

3. Les résultats représentatifs:

La figure 2 montre les résultats d'un sujet pour chacune des trois méthodes. Les modèles testés dans les trois expériences sont deux modèles viscoélastiques-KB1: printemps K = 50 N / m, amortisseur B = 2 Ns / m; KB2: printemps K = 20 N / m, amortisseur B = 1,3 Ns / m. Dans le test pondérée modèle humain, le w MHLG est évaluée en comparant chacun des modèles testés pour le modèle de base élastiques K = 50 N / m.

figure-protocol-3
Figure 2. Les valeurs MHLG de deux modèles viscoélastiques selon le protocole de test "pur" (a), le «modèle humain pondérée protocole" (b) et le «bruit ajouté" protocole (c). Les barres d'erreur dans (b) et (c) représentent les intervalles de confiance des courbes psychométriques. Les barres noires représentent les qualités MHLG pour les modèles, et les barres grises représentent ceux du modèle de base en (b) et le bruit en (c).

Les résultats démontrent que le modèle viscoélastique KB2 est perçu comme plus humain, comme que le modèle viscoélastique KB1 autre en utilisant les trois méthodes d'évaluation.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nous avons présenté un nouveau protocole pour un test à choix forcé handshake Turing-like administré via un système simple télérobotique. Ce protocole est une plate-forme pour comparer les modèles handshake artificielle, plutôt que d'une plate-forme pour la détermination absolue à la ressemblance humaine. Ce protocole a été présenté à quelques conférences 2-5

Nous avons montré ici que ce test est utile pour trouver les paramètres des caractéristiques passives de mouvement qui fournissent le plus humain-comme sentiment. Il peut être utilisé dans d'autres études afin d'élaborer un modèle pour une poignée de main qui sera aussi humain-comme possible. Nous utiliserons cette plate-forme dans le tournoi handshake Turing-comme première qui aura lieu à l'été 2011 [[ ~ http://www.bgu.ac.il/ akarniel / HANDSHAKE / index.html ]], où les modèles concurrents seront classés par leur ressemblance humaine. Le modèle final devrait probablement considérer les non-linéarités et variable dans le temps la nature humaine d'impédance de 21, l'adaptation mutuelle avec l'interrogateur et de nombreux autres aspects de la poignée de main humaine naturelle, qui doivent être testés et classés en utilisant ce test à choix forcé handshake Turing-like.

Le test proposé est unidimensionnel et effectué via une interface télérobotique, et est donc limité: il cache de nombreux aspects de la poignée de main telles que les informations tactiles, la température, l'humidité, et les forces de préhension. Néanmoins, dans plusieurs études une interface télérobotique a été utilisé pour explorer les poignées de main 6-11 et d'autres formes d'interaction homme-12 humaine. En outre, dans cette version de l'épreuve, nous ne considérons pas la durée de la poignée de main, l'initiation et le temps de relâchement, de son caractère multidimensionnel et les trajectoires des mains avant et après le contact physique. Il ya aussi de nombreux types de poignées de main selon le sexe et la culture de la personne 13-14 et par conséquent, on ne peut s'attendre à générer un seul modèle optimal handshake humain-comme. Néanmoins, nous pensons que la simplicité du test proposé est un avantage, au moins à ce stade préliminaire de l'étude. Une fois les principales caractéristiques de cette catégorie un handshake dimensions sont correctement caractérisés, nous pouvons passer à l'examen de ces limites et d'étendre le test en conséquence.

Il est à noter qu'un test de Turing handshake-like pourrait être inversée, avec l'ordinateur au lieu de la personne étant interrogé sur l'identité de l'autre partie. Dans ce cadre, nous considérons l'hypothèse suivante handshake inverse: le but d'une poignée de main est de sonder la main ébranlée; selon l'hypothèse de handshake inverse, l'algorithme handshake optimale - dans le sens où il sera impossible de distinguer une poignée de main humaine - sera mieux faciliter la discrimination entre hommes et machines. En d'autres termes, le modèle donnera le meilleur handshake telle qu'un classificateur convenablement réglée peut distinguer entre l'homme et des poignées de main de la machine.

Si l'hypothèse inverse handshake est effectivement correct, il donne une application clinique pour notre test: identifier une déficience motrice chez les personnes souffrant de moteurs liés à divers troubles neurologiques, comme la paralysie cérébrale (PC). Des études antérieures ont montré des différences dans les paramètres cinématiques entre les patients en PC et les sujets sains lors de l'exécution des mouvements atteignant 15-16. Nous avons récemment montré que les caractéristiques des mouvements diffèrent entre les individus sains et des individus avec le CP où se serrant la main à travers un système de télérobotique 4. Ces conclusions de renforcer notre revendication que les personnes ayant des déficiences motrices peuvent être distinguées des personnes en bonne santé en examinant et en explorant le mouvement poignée de main de chaque individu. Il faut également noter que le test décrit ici est un test de perception et de récentes études de distinguer entre la perception et l'action 17-20. Les études futures devraient explorer les trois versions du test afin d'évaluer avec précision la nature de la poignée de main humaine, comme: (1) un test psychométrique de la similitude perçue; (2) un test de comportement moteur (test motormetric) qui explorera le moteur réaction de l'interrogateur qui peuvent différer de son / sa similitude cognitivement perçu; (3) un discriminateur ultime optimale qui tente de faire la distinction entre les poignées de main homme et la machine repose sur la force et les trajectoires de position.

En termes généraux, nous affirmons que la compréhension du système de commande du moteur est une condition nécessaire pour la compréhension des fonctions cérébrales, et que cette connaissance pourrait être démontrée par la construction d'un robot humanoïde indiscernable d'un humain. L'étude actuelle se concentre sur les poignées de main via un système de télérobotique. Nous affirmons que par le classement des hypothèses scientifiques qui prévaut sur la nature du contrôle de la main le mouvement humain en utilisant le test de Turing a proposé handshake-like, nousdevrait être capable d'extraire les propriétés saillantes de contrôle moteur humain ou tout au moins les propriétés saillantes nécessaires pour construire un appendice artificiel qui est indiscernable d'un bras humain.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
Aucun conflit d'intérêt déclaré.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

AK tient à remercier Gerry Loeb pour des discussions utiles sur le test de Turing handshake-comme proposé. AK et EN tiens à remercier Nathaniel Leibowitz et Lior Botzer qui ont contribué à la conception de la toute première version de ce protocole de retour en 2007. Cette recherche a été soutenue par la Fondation des sciences d'Israël (subvention n ° 1018-1008). SL est soutenu par une bourse de la Fondation Kreitman postdoctoraux. IN est soutenu par la fondation Kreitman et le Programme de bourses Clore.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Deux robots de bureau PHANTOMSensAble, Geomagic2 Cartes parallèles
Configuration minimale requise : PC Intel ou AMD ; Windows 2000/XP, 250 Mo d’espace disque
Technologies SensAble PilotesSensAble, Geomagichttp://www.sensable.com
H3DAPI code sourceH3DAPIa href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Python 2.5Produits Pythonhttp://www.python.org/download/releases/2.5.5/
x3d codes
psignifit toolbox version 2.5.6Matlabhttp://www.bootstrap-software.org/psignifit/
<

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. The psychometric function: I. Fitting, sampling, and goodness of fit. Perception & Psychophysics. 63, 1293-1293 (2001).">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. Virtual interpersonal touch and digital chameleons. Journal of Nonverbal Behavior. 31, 225-242 (2007).">Bailenson, J., Yee, N. Virtual interpersonal touch and digital chameleons. Journal of Nonverbal Behavior. 31, 225-242 (2007).
  10. Human-like natural behavior generation based on involuntary motions for humanoid robots. Robotics and Autonomous Systems. 48, 203-212 (2004).">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. Handshaking, gender, personality, and first impressions. Journal of Personality and Social Psychology. 79, 110-117 (2000).">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. Exploring the handshake in employment interviews. Journal of Applied Psychology. 93, 1139-1146 (2008).">Stewart, G., Dustin, S., Barrick, M., Darnold, T. Exploring the handshake in employment interviews. Journal of Applied Psychology. 93, 1139-1146 (2008).
  15. Kinematic characteristics of reaching movements in preterm children with cerebral palsy. Pediatric research. 57, 883(2005).">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. Kinematic analysis of unimanual reaching and grasping movements in children with hemiplegic cerebral palsy. Clinical Biomechanics-Kidlington. 22, 165-175 (2007).">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. Separate visual pathways for perception and action. Trends in neurosciences. 15, 20-25 (1992).">Goodale, M., Milner, A. Separate visual pathways for perception and action. Trends in neurosciences. 15, 20-25 (1992).
  18. Visual control of action but not perception requires analytical processing of object shape. Nature. 426, 664-667 (2003).">Ganel, T., Goodale, M. Visual control of action but not perception requires analytical processing of object shape. Nature. 426, 664-667 (2003).
  19. Probing Virtual Boundaries and the Perception of Delayed Stiffness. Advanced Robotics. 22, 119-140 (2008).">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. Encyclopedia of Neuroscience. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).">Karniel, A. Computational Motor Control. Encyclopedia of Neuroscience. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Turing TestHandshake TestMotor IntelligenceRobotic StylusTelerobotic SystemModel Human Likeness GradePsychometric CurvePoint of Subjective EqualityWeighted Human ModelAdded Noise Protocol

Articles connexes