Summary
Se presenta una prueba de Turing apretón de manos-como administrados a través de un sistema de tele-robótico en el que el interrogador es la celebración de un lápiz robótica y la interacción con otra persona (humano o artificial). Utilizamos un método de elección forzada, y el extracto de una medida de la similitud del modelo artificial de un apretón de manos humanas.
Abstract
En la prueba de Turing, un modelo de ordenador se considera que "pensar de manera inteligente" si se puede generar respuestas que no se distinguen de las de un humano. Sin embargo, esta prueba se limita a los aspectos lingüísticos de la inteligencia artificial. Una función destacada del cerebro es el control del movimiento y el movimiento de la mano humana es una manifestación sofisticada de esta función. Por lo tanto, proponemos un test de Turing-apretón de manos, como por la inteligencia artificial del motor. Nosotros administramos la prueba a través de un sistema de tele-robótico en el que opere el interrogador en una tarea de sostener un lápiz robótica y la interacción con otra persona (humano o artificial). En lugar de pedir el interrogador si la otra parte es una persona o un programa de ordenador, que emplean un método de dos alternativas de elección forzada y preguntar cuál de los dos sistemas es más parecida a la humana. Extraemos una calificación cuantitativa de cada modelo de acuerdo a su parecido con el apretón de manos el movimiento humano y el nombre de "modelo de la semejanza a humanos de grado" (MHLG). Se presentan tres métodos para estimar el MHLG. (I) Mediante el cálculo de la proporción de respuestas de los sujetos que el modelo es más parecido al humano que el ser humano, (ii) Mediante la comparación de dos sumas ponderadas de los apretones de manos humanas y modelo que ajuste una curva psicométricas y extraer el punto de igualdad subjetiva (PSE ), (iii) Mediante la comparación de un modelo determinado, con una suma ponderada de la señal de humanos y al azar, nos ajustamos a una curva psicométricas a las respuestas del interrogatorio y extraer el PSE para el peso de lo humano en la suma ponderada. En conjunto, ofrecemos un protocolo para poner a prueba los modelos computacionales del apretón de manos humanas. Creemos que la construcción de un modelo es un paso necesario en la comprensión de cualquier fenómeno y, en este caso, en la comprensión de los mecanismos neuronales responsables de la generación del apretón de manos humanas.
Protocol
1. Preparación del sistema
- Los requisitos de hardware:
- Dos robots de escritorio PHANTOM por SensAble Technologies, Inc.
- Dos tarjetas en paralelo.
- Requisitos mínimos del sistema: Intel o AMD basados en PCs, Windows 2000/XP y 250 MB de espacio en disco.
- Requisitos de software:
- El conductor
Descargar drivers del sitio web de tecnologías SensAble http://www.sensable.com de acuerdo con el sistema operativo del ordenador. - H3DAPI-
Descargar el código fuente H3DAPI e instalar de acuerdo a las instrucciones que aparecen en la sección de tutorial de instalación en http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Hemos actualizado el código para ajustarse a nuestras necesidades que no se cumplían en el código existente. Los archivos actualizados se puede descargar desde la web del torneo apretón de manos http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / / index.html
Cada archivo debe ser colocado en la carpeta correspondiente según se describe en el citado sitio web.
Después de realizar los cambios, descargar CMake y compilar el código. Las instrucciones de compilación se pueden encontrar en http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation - X3D y python
- Descargar python 2.5 de http://www.python.org/download/releases/2.5.5/
- Descargar los códigos de Python y x3d desde el sitio web apretón de manos y colocar los archivos de código en un directorio dedicado, por ejemplo: "C: \ codeDirectory"
- Cada modelo de la fuerza apretón de manos debe ser escrito en un archivo separado de python. Ver Figura 1 para un ejemplo de un modelo de fuerza del muelle.
- Caja de herramientas de la versión 2.5.6 psignifit de Matlab, disponible en http://www.bootstrap-software.org/psignifit/
- El conductor
Figura 1. Función de la fuerza en python. Un ejemplo de un modelo de fuerza de resorte para un apretón de manos
2. Protocolo experimental
- Abra la ventana de comandos y cambie al directorio de código python y x3d escribiendo: cd C: \ codeDirectory.
- Crear una carpeta con los nombres de los sujetos en C: \ codesDirectory.
- Con el fin de ejecutar el tipo de experimento: h3dload code_name.x3d.
- Crear un archivo aleatorio nueva escribiendo: random_file_name.txt. El archivo aleatorio se define el orden en que aparecen los apretones de manos diferentes.
- Escriba los nombres de los sujetos exactamente igual que en la carpeta creada previamente.
- Siguiendo el concepto original de la clásica prueba de Turing, cada experimento consta de tres entidades: un ser humano, una computadora, y un interrogador. Dos sujetos (humanos y el interrogador) cada uno mantenga el lápiz de un dispositivo háptico Phantom y generar movimientos apretón de manos. Se les pide que siga las instrucciones que aparecen en la pantalla (por ejemplo, "pulse la tecla RePág para el primer apretón de manos"), para las fuerzas de apretón de manos a aplicar. En todos los métodos siguientes, cada ensayo se compone de dos apretones de manos, y los temas son necesarios para comparar entre ellos. La computadora es un modelo de simulación de apretón de manos que genera una señal de fuerza en función del tiempo y la posición de una mano tridimensional y sus derivados.
(1) modelo F (t) = Φ [x (t), t] 0 ≤ t ≤ T
F [x, t] representa cualquier operador causal, por ejemplo, no lineal variante en el tiempo un modelo mecánico del movimiento unidimensional lápiz, y T es la duración del apretón de manos. En el estudio actual T = 5 segundos.
- La realización de los "puros" de prueba y se calcula la calificación modelo semejante a los hombres MHLG p
El experimento comienza con 12 ensayos de práctica en la que todos los apretones de manos (n = 24) son seres humanos, de tal manera que los sujetos simplemente se dan la mano unos con otros a través del sistema de tele-robótico. El propósito de estos ensayos es la práctica de permitir a los participantes de familiarizarse con un apretón de manos humanas en el sistema.
En el experimento, comparar cuatro modelos de computadora. Cada bloque experimental se compone de cuatro ensayos en los que se comparan los cuatro modelos de prueba para un apretón de manos humanas. Uno de los apretones de manos en cada ensayo es una interacción con una fuerza que se genera a partir de uno de los cuatro modelos (un ordenador), y la otra es con un ser humano (el segundo tema). Por lo tanto, los temas funcionan como los humanos y los interrogadores. El orden de las pruebas dentro de cada bloque es aleatoria y predeterminada. Cada experimento consta de 10 bloques, de manera que cada apretón de manos computadora se repite 10 veces. Un blo sin analizar inicialck se agrega para el conocimiento general con el sistema y la tarea.
Para cada modelo, la proporción de los apretones de manos en las que el sujeto elige el apretón de manos en el apretón de manos modelo humano más humano-como se calcula, para proporcionar un valor que es de 0,5, cuando el modelo es indistinguible de un ser humano. Se multiplica este valor por dos para obtener el p MHLG, de tal manera que MHLG = 0 es claramente no-humanos y como MHLG = 1 significa que el apretón de manos a prueba se confunde con el apretón de manos humanas. - La realización de la "ponderación humana modelo" prueba y calcular el modelo humano semejanza grado MHLG w
En este protocolo, sólo hay un sujeto interrogador. Las funciones de otro tema como la entidad humana en los apretones de manos.
El experimento comienza con 30 ensayos de práctica en la que el interrogador un apretón de manos las experiencias humanas y un apretón de manos de un ordenador en cada ensayo. En el final de la prueba se les pidió que eligieran cuál de los dos apretones de manos fue el apretón de manos humanas. Si tienen éxito, la pantalla muestra "Correcto", y si no se elige bien el apretón de manos, un "mal!" aparece el mensaje.
Después de que el bloque de la práctica el experimento se lleva a cabo de la siguiente manera: Un ensayo consta de dos apretones de manos. En uno de los apretones de manos, el estímulo - el interrogador interactúa con una combinación de fuerzas que viene de lo humano y un modelo de computadora apretón de manos.
(2) F = α estímulo • F humanos + (1-α estímulo) • F stimulusModel
estímulo α se distribuye por igual 0 a 1, por ejemplo:
α estímulo = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
El apretón de manos a otras personas - la referencia - es una combinación fija de las fuerzas generadas por el ser humano y un modelo de referencia:
(3) F = α referencia • F humanos + (1-α de referencia) • F referenceModel; referencia α = 0.5
Al final de cada ensayo, el interrogador se le pide que elija el apretón de manos que se sentía más parecidos a los humanos.
En cada experimento se comparan dos modelos de prueba y un modelo de base.
Cada bloque experimental consta de 24 ensayos con cada una de las combinaciones lineales de los estímulos y la humana (Ec. 2) para cada una de las tres combinaciones de modelo:
El orden de las pruebas dentro de cada bloque es aleatoria y predeterminada. Cada experimento consta de 10 bloques, de tal manera que cada combinación se repite 10 veces. Un bloque sin analizar inicial se agrega para el conocimiento general con el sistema y la tarea.
Nos adaptamos una función logística psicométricas 1 a las respuestas del interrogador utilizando la versión 2.5.6 de psignifit caja de herramientas Matlab, disponible en http://www.bootstrap-software.org/psignifit/ , con un método de máxima verosimilitud restringida para la estimación de los parámetros, y encontrar los intervalos de confianza por el sesgo corregido por el método de arranque y aceleración (BCA). La curva muestra la probabilidad de que el interrogador de respuesta que un apretón de manos de estímulo es más parecido al humano, en función del estímulo α - α referencia. El punto de igualdad subjetiva (PSE) se extrae de el nivel del umbral de la curva de 0,5 psicométricas, lo que indica la diferencia entre el estímulo y referencia α α para el que los apretones de manos son percibidos como igualmente humanos como. El PSE se utiliza para el cálculo de la w MHLG de acuerdo a:
(4) MHLG w = 0.5-PSE
Un modelo que se percibe como similar a la humana, como el modelo de referencia se obtiene el valor MHLG w 0.5. Los modelos que se perciben como menos o lo más posible parecidos a los humanos, los valores de rendimiento MHLG w de 0 o 1, respectivamente. - Llevar a cabo el "ruido añadido" de prueba y calcular el modelo humano semejanza grado MHLG n
Al igual que en el modelo humano ponderado de prueba, sólo hay un sujeto interrogador. Las funciones de otro tema como la entidad humana en los apretones de manos. El bloque de la práctica es lo mismo que en el método anterior.
Después de la práctica, en una de las dos apretones de manos - el estímulo - el interrogador interactúa con un apretón de manos modelo de ordenador.
El apretón de manos a otras personas - la referencia - es una fuerza que se genera a partir de una combinación de humanos y el ruido blanco, con un rango de frecuencia filtrada de acuerdo con las frecuencias que aparecen en el apretón de manos humanas.
(5) F = α • F humanos + (1-α) • F ruido;
α se distribuye por igual 0 a 1, por ejemplo:
α = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
Al final de cada ensayo, el interrogador se le pide que elija el apretón de manos que se sentía más parecidos a los humanos.
El experimento se basa en la misma forma que el promedio ponderado de model humano de prueba mencionados anteriormente se construye. Sin embargo, mientras que la calibración en el promedio ponderado de los humanos modelo de prueba se lleva a cabo mediante la comparación de diferentes combinaciones de un modelo de base a una combinación fija de sí mismo, en este experimento, el modelo base se sustituye por el ruido.
El PSE se extrae de la curva psicométricas y define el n MHLG
(6) MHLG n = 1-PSE
Los modelos que se perciben como menos o lo más posible parecidos a los humanos, el rendimiento MHLG n valores de 0 o 1, respectivamente.
3. Los resultados representativos:
La figura 2 muestra los resultados de un tema para cada uno de los tres métodos. Los modelos probados en los tres experimentos son dos modelos-KB1 viscoelástico: primavera K = 50 N / m, el amortiguador B = 2 Ns / m; KB2: primavera K = 20 N / m, el amortiguador B = 1,3 Ns / m. En la prueba de peso en modelos humanos, la w MHLG se evalúa mediante la comparación de cada uno de los modelos probados en el modelo base elástica K = 50 N / m.
Figura 2. Los valores MHLG de dos modelos viscoelásticos de acuerdo con el protocolo de "puro" de prueba (a), el "modelo humano ponderadas protocolo" (b) y el "ruido añadido" protocolo (c). Las barras de error en (b) y (c) representan los intervalos de las curvas psicométricas la confianza. Las barras de color negro representan los grados MHLG de los modelos, y las barras grises representan las del modelo base en (b) y el ruido en (c).
Los resultados demuestran que el modelo viscoelástico KB2 se percibe como más humanos, como que el viscoelástico KB1 otro modelo con los tres métodos de evaluación.
Discussion
Hemos presentado un nuevo protocolo para una prueba de apretón de manos de elección forzada, como Turing-administrada a través de un sistema de tele-robótico simple. Este protocolo es una plataforma para la comparación de modelos artificiales apretón de manos, en lugar de una plataforma para la determinación de la semejanza humana absoluta. Este protocolo se presentó en algunas conferencias 2-5
Hemos demostrado aquí que esta prueba es útil para encontrar los parámetros de las características de movimiento pasivo que proporcionan la mayoría de los humanos-como la sensación. Puede ser utilizado en otros estudios con el fin de desarrollar un modelo para un apretón de manos que será lo más parecido al humano como sea posible. Vamos a utilizar esta plataforma en el torneo de primer apretón de manos como Turing-que tendrá lugar en el verano de 2011 [[ http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / index.html ]], donde modelos de la competencia se evaluados en función de su apariencia humana. El último modelo probablemente debería considerar las no linealidades y variables en el tiempo de la naturaleza humana impedancia de 21, la adaptación mutua con el interrogador y muchos otros aspectos de un apretón de manos natural del ser humano que debe ser probado y clasificación mediante esta elección forzada-como la prueba de Turing apretón de manos.
La prueba propuesta es de una sola dimensión y la realiza a través de una interfaz de tele-robótico, y por lo tanto es limitado: se esconde en muchos aspectos del apretón de manos, tales como la información táctil, la temperatura, la humedad y las fuerzas de agarre. Sin embargo, en varios estudios una interfaz telerobótica fue utilizado para explorar los apretones de manos 6.11 y otras formas de interacción humana-12 humana. Además, en esta versión de la prueba, no tuvo en cuenta la duración del apretón de manos, el inicio y los tiempos de liberación, su naturaleza multi-dimensional y las trayectorias de las manos antes y después del contacto físico. También hay muchos tipos de apretones de manos en función del sexo y la cultura de la persona 13-14 y por lo tanto, no se puede esperar para generar un solo óptimo humano-como modelo de apretón de manos. Sin embargo, creemos que la simplicidad de la prueba propuesta es una ventaja, al menos en esta etapa preliminar del estudio. Una vez que las principales características de un apretón de manos tales dimensiones están bien caracterizados, podemos pasar a considerar estas limitaciones y ampliar la prueba en consecuencia.
Cabe señalar que la prueba de Turing apretón de manos-como podría ser revertido, con el equipo en lugar de la persona que le preguntó sobre la identidad de la otra parte. En este contexto, consideramos la siguiente hipótesis apretón de manos inverso: el propósito de un apretón de manos es para investigar la mano sacudida, de acuerdo a la hipótesis inversa apretón de manos, el algoritmo óptimo apretón de manos - en el sentido de que resulta difícil distinguir entre un apretón de manos humanas - se mejor facilitar la discriminación entre personas y máquinas. En otras palabras, el modelo permitirá el mejor apretón de manos de tal manera que un clasificador adecuadamente sintonizado puede distinguir entre humanos y apretones de manos de la máquina.
Si la hipótesis inversa apretón de manos es realmente correcto que los rendimientos de una aplicación clínica de nuestra prueba: la identificación de las deficiencias motoras en las personas que sufren de motor relacionados con diversos trastornos neurológicos, como parálisis cerebral (PC). Estudios previos han mostrado diferencias en los parámetros cinemáticos entre pacientes y sujetos sanos CP cuando se realizan movimientos alcanzando 15-16. Recientemente hemos mostrado que las características de los movimientos difieren entre individuos sanos y en individuos con parálisis cerebral, cuando dar la mano a través de un sistema de 4 telerobótica. Estos resultados refuerzan nuestra afirmación de que las personas con discapacidades motrices se pueden distinguir de las personas sanas mediante el examen y la exploración del movimiento apretón de manos de cada individuo. También hay que destacar que la prueba discutidos en este documento es una prueba de percepción y los estudios recientes distinguir entre percepción y acción 17-20. Los estudios futuros deben explorar tres versiones de la prueba con el fin de evaluar con precisión la naturaleza del apretón de manos humanas, como: (1) una prueba psicométrica de la similitud percibida, (2) una prueba de la conducta motora (prueba motormetric) que explorará el motor reacción del interrogador que pueden diferir de su / su similitud cognitiva percibida, (3) un discriminador final óptimo, que trata de distinguir entre apretones de manos humano y la máquina sobre la base de la fuerza y las trayectorias de posición.
En términos generales, podemos afirmar que la comprensión del sistema de control del motor es una condición necesaria para la comprensión de la función cerebral, y que ese conocimiento podría ser demostrado mediante la construcción de un robot humanoide indistinguible de un ser humano. El estudio actual se centra en los apretones de manos a través de un sistema de tele-robótico. Nosotros afirmamos que el rango obtenido por las hipótesis científicas imperantes acerca de la naturaleza del control de movimiento de la mano humana con la propuesta de Turing-como prueba de apretón de manos, quedebe ser capaz de extraer las propiedades relevantes del control motor humano, o al menos las propiedades relevantes necesarios para construir un apéndice artificial que es indistinguible de un brazo humano.
Disclosures
No hay conflictos de interés declarado.
Acknowledgments
AK desea agradecer a Gerry Loeb útil para los debates sobre la prueba de Turing propuso apretón de manos-como. AK y en el deseo agradecer a Nathaniel Leibowitz y Botzer Lior que han contribuido al diseño de la primera versión de este nuevo protocolo en 2007. Esta investigación fue financiada por la Fundación Ciencias de Israel (subvención N º 1018-08). SL con el apoyo de una beca postdoctoral Kreitman Fundación. EN el apoyo de la fundación Kreitman y el Programa de Becas 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).
