Eendimensionale Turing-Like Handshake test voor Motor Intelligence
15 december 2010
We presenteren een Turing-achtige Handshake-test toegediend via een telerobotic systeem waarin de ondervrager is met een gerobotiseerde stylus en de interactie met een andere partij (menselijke of kunstmatig). We maken gebruik van een gedwongen keuze methode en extract een maat voor de gelijkenis van de kunstmatige model om een menselijke handdruk.
Het algemene doel van deze procedure is om te bepalen hoe nauw een computermodel van een handdruk overeenkomt met de menselijke handdruk. Dit wordt bereikt door de proefpersonen eerst paarsgewijs handdrukken voor te stellen, hetzij door de computer gegenereerd, hetzij een combinatie van de twee, met behulp van een telerobotische interface. De tweede stap van de procedure is om elke proefpersoon te vragen binnen elk paar te kiezen welke van de twee handdrukken menselijker is.
De laatste stap van de procedure is om uit de antwoorden van het onderwerp de menselijkheidsgraad te berekenen, voor het handdrukmodel, de modelmenselijkheidsgraad of MHLG. Uiteindelijk kunnen resultaten worden verkregen die een significant verschil tussen verschillende modellen laten zien, MH G's met behulp van de Turing-achtige handdruktest. De Turing-test is eigenlijk beperkt tot verbale intelligentie, waar wetenschappers en ingenieurs een grote kloof waarnamen tussen kunstmatige en natuurlijke intelligentie in het aspect van motorische controle van motoriek.
Veel wetenschappers dachten na over deze motorische versie van de tour-test, maar pas recentelijk zijn bestuurde, aandrijfbare robotapparaten verlaten in onderzoekslaboratoria die de implementatie van een eenvoudig reproduceerbaar protocol voor een tour-achtige handdruktest vergemakkelijken. Deze methode kan helpen om belangrijke vragen in het veld van mens-robot interactie te beantwoorden, zoals wat de belangrijkste kenmerken zijn van menselijke armbewegingen die een natuurlijke menselijke aanrakingservaring bieden. De implicaties van deze techniek strekken zich uit tot onze diagnose van motorische beperkingen zoals cerebrale parese.
De volgende stap is het bouwen van een robotisch diagnostisch apparaat dat een gezonde menselijke handdruk kan onderscheiden van een gehandicapte.Een. Visuele demonstratie van deze methode is cruciaal omdat de handdrukbeweging door het telerobotische systeem niet natuurlijk is en het tijd en oefening kost om te leren hoe om te gaan met en te communiceren met de robot. Volgens het oorspronkelijke concept van de klassieke tourtest bestaan de handdrukexperimenten uit drie entiteiten, een mens, een computer, een ondervrager.
De ondervrager en de mens zitten in dezelfde kamer maar zijn gescheiden door een scherm, en dus kan de ondervrager niet zien welke van de computer of mens de handdruk genereert. De handdrukken zijn geen directe handdrukken, maar worden volbracht via een mechanische telerobotische interface bestaande uit twee fantoombureaurobots in het geval van een menselijke handdruk en een fantoomrobot en software. In het geval van een computerhanddruk, wanneer het woord handdruk op het computerscherm verschijnt, maken de ondervrager en de mens onmiddellijk handdrukbewegingen door de stylus van de telerobotische interface in de verticale richting te bewegen.
De taak van de ondervrager is om twee handdrukken te vergelijken en te selecteren welke meer menselijk is door op de home of F1 toets te drukken om de eerste handdruk te kiezen of op end of F twee om de tweede handdruk te kiezen. De drie experimentele protocollen die in deze video worden gedemonstreerd, verschillen van elkaar door de samenstelling van de handdrukken die worden vergeleken. Het eerste protocol is het pure Turing-testprotocol, maar de keuzes tussen een menselijke handdruk en een door de computer gegenereerde handdruk.
Het tweede protocol omvat handdrukken die variërende composities van door mensen gegenereerde en door de computer gegenereerde krachten zijn. Het derde protocol omvat handdrukken die variërende combinaties zijn van een door de mens gegenereerde handdruk en ruis, of puur door de computer gegenereerde krachten. Tijdens het experiment wordt automatisch een willekeurig bestand gemaakt bij de prompt een naam invoeren voor het willekeurige bestand.
Als het bestand al bestaat, gebruikt het systeem het bestaande bestand. Anders genereert het systeem automatisch een nieuw willekeurig bestand met de opgegeven naam. Het willekeurige bestand definieert de volgorde waarin de verschillende handdrukken plaatsvinden.
Het pure protocol begint met 12 oefenrondes van twee handdrukken waarbij de mens en de ondervrager 24 keer de hand schudden via het telerobotische systeem. De ondervrager weet dat hij in dit stadium met een mens de hand schudt. Het doel van deze oefenrondes is om de deelnemers vertrouwd te maken met de telerobotische interface.
Na de oefenronde wordt een blok van vier proeven gedaan in elke proef. Een menselijke handdruk wordt vergeleken met een van de vier computermodelhanddrukken in willekeurige volgorde zoals in dit voorbeeld wordt getoond. Bijvoorbeeld in proef een van blok een, schudt de ondervrager twee keer de hand.
De eerste handdruk wordt gegenereerd door de mens en de tweede handdruk wordt gegenereerd door de computer met behulp van de krachten die worden bepaald door model drie. De ondervrager selecteert vervolgens tussen handdruk nummer een en handdruk nummer twee om te beslissen welke handdruk menselijker is. Bijvoorbeeld, als de ondervrager handdruk nummer een selecteert als menselijker, heeft de ondervrager de menselijke handdruk gekozen.
De ondervrager wordt echter niet verteld of hij of zij in de volgende proef de menselijke handdruk correct heeft geïdentificeerd. De eerste handdruk van de ondervrager is met het door de computer gegenereerde model twee, en de tweede handdruk is met de mens. De ondervrager selecteert opnieuw de meest menselijke handdruk.
Twee meer proeven worden op een vergelijkbare manier gedaan. Om de resterende twee modellen, model een en model vier tegen de menselijke handdruk te testen. Dit voltooit één blok proeven.
Het experiment bestaat uit 11 blokken van vier proeven met de vier modelhanddrukken die in willekeurige volgorde in elk blok worden gepresenteerd. Het eerste blok is een oefenblok en de analyse wordt gedaan op de resterende 10 blokken. Na het voltooien van de 10 blokken van het experiment, is elk van de vier handdrukmodellen 10 keer getest tegen een menselijke handdruk.
Na voltooiing van de 11 experimentele blokken, wordt een model menselijkheidsgraad berekend voor elk van de vier geteste modellen. De analyse wordt gedaan door de verhouding te berekenen van handdrukken waarin het onderwerp zegt dat de modelhanddruk menselijker is dan de menselijke handdruk. Bijvoorbeeld, als de ondervrager de model een handdruk kiest boven
Overzicht
Deze studie presenteert een Turing-achtige Handshake-test met behulp van een telerobotisch systeem om de gelijkenis van kunstmatige handdrukmodellen met menselijke handdrukken te evalueren. De methode omvat een paradigma met gedwongen keuze waarbij proefpersonen handdrukken vergelijken en hun menselijke gelijkenis beoordelen.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Mens-robot interactie
- Robotica
- Motorische controle
Achtergrond
- De Turing-test beoordeelt traditioneel verbale intelligentie en wijst op een tekortkoming in de evaluatie van motoriek.
- Recente vorderingen in telerobotica hebben de implementatie van een handdrukprotocol mogelijk gemaakt.
- Dit onderzoek wil sleutelkenmerken van menselijke armbewegingen onderzoeken die bijdragen aan een natuurlijke handdrukervaring.
- Het begrijpen van deze kenmerken kan helpen bij het diagnosticeren van motorische stoornissen.
Doel van het onderzoek
- Om te bepalen hoe nauw een computermodel van een handdruk lijkt op een menselijke handdruk.
- Om een protocol te ontwikkelen dat kan onderscheiden tussen gezonde en gestoorde handdrukken.
- Om de implicaties van robotische handdrukken in mens-robot interactie te onderzoeken.
Gebruikte methoden
- Proefpersonen vergelijken paren van handdrukken via een tele robotische interface.
- Deelnemers selecteren welke handdruk er menselijker uitziet.
- Gegevens worden verzameld om de Model Human Likeness Grade (MHLG) te berekenen.
- Drie experimentele protocollen worden gebruikt om verschillende handdruksamenstellingen te beoordelen.
Belangrijkste resultaten
- Er werden significante verschillen waargenomen tussen verschillende handdrukmodellen.
- Resultaten geven de effectiviteit van de Turing-achtige handdruktest aan bij het evalueren van menselijke gelijkenis.
- Analyse onthult het aandeel van handdrukken dat door proefpersonen als menselijker werd geïdentificeerd.
- De prestaties van elk model werden beoordeeld tegen een menselijke handdruk in meerdere proeven.
Conclusies
- De studie toont succesvol een methode aan voor het evalueren van robotische handdrukken.
- Bevindingen dragen bij aan het begrijpen van de dynamica van mens-robot interactie.
- Dit onderzoek heeft potentiële toepassingen in het diagnosticeren van motorische stoornissen.
Veelgestelde vragen
Executive Industry Relevance
Assessing motor intelligence in computational models addresses a critical gap in human-robot interaction, particularly for applications requiring naturalistic motor behavior such as rehabilitation robotics and assistive devices. The Turing-like handshake test provides a quantitative framework to evaluate model fidelity to human motor patterns, supporting mechanistic de-risking in preclinical model development. This enables predictive confidence in target validation for neuromotor pathways and informs go/no-go decisions in early discovery stages focused on motor function restoration.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses related to motor control pathways by quantifying how computational models replicate human handshake kinematics.
- Operational Value: Supports biological de-risking of targets involved in motor execution through standardized, reproducible motor output comparison.
Screening & Assay Development
- Scientific Value: Prepares validated biological or robotic systems for downstream screening by establishing motor phenotype benchmarks.
- Operational Value: Enhances assay standardization and reproducibility through quantitative dependent variable measurements (Model Human Likeness Grade) that enable cross-functional collaboration.
Translational & Preclinical Research
- Scientific Value: Aligns with disease-relevant systems by modeling motor impairments (e.g., cerebral palsy) through deviation from human likeness benchmarks.
- Operational Value: Facilitates translational continuity from discovery to preclinical validation via consistent motor output assessment across model systems.
Pipeline & Workflow Integration
The method integrates into the discovery continuum by informing hypothesis testing in motor control pathways, enabling assay readiness through standardized motor output, and supporting analytics-driven comparisons of model performance against human benchmarks.
- Discovery Biology: Supports hypothesis testing and pathway clarification in motor intelligence by providing a quantitative grade (MHLG) for model comparison.
- Screening: Delivers assay readiness and reproducibility through forced-choice comparisons that generate scalable, quantitative outputs.
- Analytics: Provides statistical outputs (proportion-based MHLG, PSE from psychometric curves) that enable teams to rank model performance and assess statistical significance.
- Translational Research: Connects to preclinical continuity by modeling motor impairment phenotypes through deviations from human likeness, supporting risk-adjusted advancement decisions.
- Enterprise Reuse: Establishes a reusable motor phenotyping platform applicable across neuromotor target validation campaigns.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity in motor control models.
- Operational Value: Ensures standardization and scalability of motor assessments across sites and model systems.
- Strategic Value: Improves go/no-go decisions by enabling early detection of non-human-like motor phenotypes, reducing late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization of compounds or models based on motor fidelity to human benchmarks.
Implementation Considerations
- Requires expertise in motor control, human-robot interaction, and psychophysical testing.
- Depends on telerobotic instrumentation (e.g., phantom desktop robots) and force-feedback infrastructure.
- Necessitates cross-team standardization of handshake protocols and data interpretation.
- Involves adaptation considerations when applying the test to disease models or altered motor systems.
- Limited by the need for training to achieve natural interaction with the robotic interface, as noted in the protocol.
Biopharma FAQs
Chapters in this video
0:05
Title
2:03
Overview of the Experimental Protocol
4:00
The "Pure" Test and the "Pure" Model Human Likeness Grade, MHLGp
10:25
The "Added Noise" Test and the "Noise" Model Human Likeness Grade, MHLGn
7:03
The "Weighted Human-Model" test and the "Weighted" Model Human Likeness Grade, MHLGw
11:26
Results: The Human-Likeness of Model Handshakes
12:46
Conclusion
