Summary
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.
Abstract
In de Turing-test, is een computer model beschouwd als "intelligent denken" als het kan genereren antwoorden die niet zijn te onderscheiden van die van een mens. Echter, is deze test beperkt tot de taalkundige aspecten van machine intelligentie. Een opvallende functie van de hersenen is de controle van de beweging, en de beweging van de menselijke hand is een verfijnde demonstratie van deze functie. Daarom stellen we een Turing-achtige handdruk test, voor machine motor intelligentie. Wij beheren de test door middel van een telerobotic systeem waarin de ondervrager is bezig met een taak van het houden van een robot stylus en de interactie met een andere partij (menselijke of kunstmatig). In plaats van het stellen van de ondervrager of de andere partij is een persoon of een computer programma, we gebruiken een twee-alternatief gedwongen keuze methode en vraag welke van de twee systemen is meer mens-achtig. We halen een kwantitatieve cijfer voor elk model op basis van haar gelijkenis met de menselijke handshake beweging en noem het "Model Human-Likeness Grade" (MHLG). We presenteren drie methoden om de MHLG schatten. (I) Door de berekening van het deel van de proefpersonen antwoordt dat het model is meer mens-achtig dan de mens, (ii) Door het vergelijken van twee gewogen sommen van humane en modelsystemen handdrukken we passen een psychometrische curve en extract het punt van subjectieve gelijkheid (PSE ), (iii) Door het vergelijken van een bepaald model met een gewogen som van mens en random signaal, we passen een psychometrische curve voor de antwoorden van de ondervrager en extract van de PSE voor het gewicht van de mens in de gewogen som. In totaal bieden we een protocol om computationele modellen van het menselijk handdruk test. Wij zijn van mening dat het bouwen van een model is een noodzakelijke stap in het begrijpen van een fenomeen, en in dit geval, in het begrijpen van de neurale mechanismen die verantwoordelijk zijn voor het opwekken van het menselijk handdruk.
Protocol
1. De voorbereiding van het systeem
- Hardware vereisten:
- Twee PHANTOM desktop robots door SensAble Technologies, Inc
- 2 Parallelle kaarten.
- Minimale systeemeisen: Intel-of AMD-gebaseerde pc's, Windows 2000/XP, 250 MB schijfruimte.
- Software vereisten:
- Driver-
Drivers downloaden van het SensAble technologieën website http://www.sensable.com volgens het computer besturingssysteem. - H3DAPI-
Download de H3DAPI broncode en te installeren volgens de instructies die worden weergegeven in de installatie walkthrough sectie in http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
We hebben de code aan onze eisen, die niet was voldaan aan de bestaande code te passen. De bijgewerkte bestanden kunnen worden gedownload van de handshake toernooi website http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / / index.html
Elk bestand moet worden geplaatst in de juiste map zoals beschreven in de bovenstaande website.
Na het uitvoeren van de veranderingen, download CMake en compileren van de code. De opmaak instructies zijn te vinden in http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation - X3D en python
- Download python 2.5 vanaf http://www.python.org/download/releases/2.5.5/
- Download de python en X3D codes van de handdruk website en plaats de code-bestanden in een speciale map, bijvoorbeeld: "C: \ codeDirectory"
- Elke handdruk kracht model moet worden geschreven in een apart python bestand. Zie figuur 1 voor een voorbeeld van een veerkracht model.
- psignifit toolbox-versie 2.5.6 voor Matlab, beschikbaar op http://www.bootstrap-software.org/psignifit/
- Driver-
Figuur 1. Force functie in python. Een voorbeeld van een veerkracht model voor een handdruk
2. Experimentele Protocol
- Open het command window en de python en X3D code directory door het intikken van verandering: cd C: \ codeDirectory.
- Maak een map met de onderwerpen 'namen in C: \ codesDirectory.
- H3dload code_name.x3d: om het experiment het type uit te voeren.
- Maak een nieuwe willekeurige file door te typen: random_file_name.txt. De willekeurige bestand bepaalt de volgorde waarin de verschillende handdrukken verschijnen.
- Geef de proefpersonen namen precies zoals in de eerder gemaakte map.
- Naar aanleiding van het originele concept van de klassieke Turing-test, die elk experiment bestaat uit drie entiteiten: een mens, een computer, en een ondervrager. Twee onderwerpen (mens en ondervrager) elk houdt u de stylus van een Phantom haptische apparaat en het genereren van handdruk bewegingen. Zij zijn gevraagd om de instructies die worden weergegeven op het scherm te volgen (bijvoorbeeld: "Druk op Page Up voor de eerste handdruk"), voor handshake krachten worden toegepast. In alle van de volgende methoden, elk experiment bestaat uit twee handdrukken, en de onderwerpen zijn verplicht om te vergelijken tussen hen. De computer is een gesimuleerde handdruk model dat een kracht signaal als functie van de tijd en de eendimensionale hand positie en zijn derivaten genereert.
(1) F model (t) = Φ [x (t), t] 0 ≤ t ≤ T
F [x, t] staat voor een causale operator, bijvoorbeeld, niet-lineaire tijdsafhankelijke mechanisch model van de eendimensionale beweging stylus, en T is de duur van de handdruk. In de huidige studie T = 5 seconden.
- Het uitvoeren van de "zuivere" test en de berekening van de model menselijke gelijkenis kwaliteit MHLG p
Het experiment begint met 12 proeven in de praktijk waarin alle handdrukken (n = 24) zijn menselijke, zodanig dat de onderwerpen gewoon handen schudden met elkaar via het telerobotic systeem. Het doel van deze proeven is de praktijk in staat te stellen de deelnemers bekend te zijn met een menselijk handdruk in het systeem.
In het experiment vergelijken we vier computermodellen. Elke experimentele blok bestaat uit vier proeven waarin we de vier geteste modellen te vergelijken met een menselijke handdruk. Een van de handdrukken in elke trial is een interactie met een kracht gegenereerd uit een van de vier modellen (een computer), en de andere is met een menselijk (de tweede onderwerp). Daarom is de proefpersonen fungeren als zowel mensen als ondervragers. De volgorde van de proeven in ieder blok is willekeurig en vooraf bepaald. Elk experiment bestaat uit 10 blokken, zodat elke computer handdruk is 10 keer herhaald. Een eerste niet-geanalyseerde block is toegevoegd voor algemene kennismaking met het systeem en de taak.
Voor elk model, is het aandeel van handdrukken waarin het onderwerp van het model handdruk kiest over het menselijk handdruk als meer mensachtige berekend, tot een waarde die is 0,5 wanneer het model is niet te onderscheiden van een mens te bieden. We vermenigvuldigen deze waarde met twee om de MHLG p, zodanig dat MHLG = 0 is duidelijk niet-menselijk uit en MHLG = 1 betekent dat de geteste handdruk is niet te onderscheiden van de menselijke handdruk. Verkrijgen - Het uitvoeren van de 'gewogen mens-model "te testen en de berekening van de model menselijke gelijkenis kwaliteit MHLG w
In dit protocol, is er slechts een ondervrager onderwerp. De ander onderwerp fungeert als de menselijke entiteit in de handdrukken.
Het experiment begint met 30 proeven in de praktijk waarin de ondervrager ervaart een mens handdruk en een computer handdruk in elke proef. Aan het eind van het proces zijn ze gevraagd om te kiezen welke van de twee handdrukken was de menselijke handdruk. Als ze daarin slagen, geeft het scherm "Correct!", En als ze niet het recht handdruk, een kies "Wrong!" weergegeven.
Na de praktijk blok het experiment wordt uitgevoerd als volgt: Een trial bestaat uit twee handdrukken. In een van de handdrukken-de stimulus - de ondervrager interageert met een combinatie van krachten die afkomstig is van de mens en een computer handdruk model.
(2) F = α stimulans • F mens + (1-α stimulus) • F stimulusModel
α stimulus is net zo verdeeld van 0 tot 1, bijvoorbeeld:
α stimulus = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
De andere handshake - de referentie - is een vaste combinatie van krachten die ontstaan uit de menselijke en een referentiemodel:
(3) F = α referentie • F mens + (1-α referentie) • F referenceModel; α referentie = 0,5
Aan het einde van elke proef de ondervrager wordt verzocht om de handdruk die voelde meer mensachtige kiezen.
In elk experiment vergelijken we twee test-modellen en een basismodel.
Elke experimentele blok bestaat uit 24 proeven, bestaande uit elk van de lineaire combinaties van de stimulus en de menselijke (Vgl. 2) voor elk van de drie model-combinaties:
De volgorde van de proeven in ieder blok is willekeurig en vooraf bepaald. Elk experiment bestaat uit 10 blokken, zodanig dat elke combinatie is 10 keer herhaald. Een eerste niet-geanalyseerde blok is toegevoegd voor algemene kennismaking met het systeem en de taak.
We passen een logistieke functie psychometrische 1 tot en met de antwoorden van de ondervrager het gebruik van de psignifit toolbox-versie 2.5.6 voor Matlab, verkrijgbaar bij http://www.bootstrap-software.org/psignifit/ , met een beperkte maximum likelihood methode voor de schatting van de parameters en vind betrouwbaarheidsintervallen van de bias-gecorrigeerde en versnelde (BCA) bootstrap methode. De curve toont de kans dat de ondervrager om te antwoorden dat een stimulus handdruk is meer mens-achtig, als functie van α stimulus - α referentie. Het punt van subjectieve gelijkheid (PSE) wordt gewonnen uit de 0,5 drempelwaarde van de psychometrische curve, met vermelding van het verschil tussen de stimulus en α α referentie voor de handdrukken worden gezien als net zo menselijk als. De PSE wordt gebruikt voor de berekening van de MHLG w op basis van:
(4) MHLG w = 0,5-PSE
Een model dat wordt gezien als als mens-achtig als het referentiemodel levert de MHLG w-waarde 0,5. De modellen die worden beschouwd als het minst of het meest mensachtige mogelijk rendement MHLG w waarden van 0 of 1, respectievelijk. - Het uitvoeren van de "toegevoegde ruis" te testen en de berekening van de model menselijke gelijkenis kwaliteit MHLG n
Net als de gewogen model-mens-test, is er slechts een ondervrager onderwerp. De ander onderwerp fungeert als de menselijke entiteit in de handdrukken. De praktijk blok is ook hetzelfde als in de vorige methode.
Na de praktijk, in een van de twee handdrukken - de stimulus - de ondervrager communiceert met een computer handdruk model.
De andere handshake - de referentie - is een kracht die uit een combinatie van de menselijke en witte ruis met een frequentiebereik gefilterd op basis van de frequenties die in de menselijke handdruk.
(5) F = α • F mens + (1-α) • F lawaai;
α is gelijk verdeeld van 0 tot 1, bijvoorbeeld:
α = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
Aan het einde van elke proef de ondervrager wordt verzocht om de handdruk die voelde meer mensachtige kiezen.
Het experiment is gebouwd op dezelfde manier de gewogen model-menselijke-test hierboven vermeld is gebouwd. Echter, terwijl de kalibratie van de gewogen mens-model test wordt uitgevoerd door het vergelijken van verschillende combinaties van een basismodel voor een vast combinatie van zelf, in dit experiment het basismodel is te vervangen door het lawaai.
De PSE wordt gewonnen uit de psychometrische curve en definieert de MHLG n
(6) MHLG n = 1-PSE
De modellen die worden beschouwd als het minst of het meest mensachtige mogelijk rendement MHLG n waarden van 0 of 1, respectievelijk.
3. Representatieve resultaten:
Figuur 2 toont de resultaten van een onderwerp voor elk van de drie methoden. De geteste modellen in alle drie de experimenten worden twee visco-elastische modellen-KB1: lente K = 50 N / m, demper B = 2 Ns / m; KB2: lente K = 20 N / m, demper B = 1.3 Ns / m. In de gewogen model-mens-test, is de MHLG w beoordeeld door vergelijking van elk van de geteste modellen om de elastische basismodel K = 50 N / m.
Figuur 2. De MHLG waarden van twee visco-elastische modellen op basis van de "zuivere" test protocol (een), de "gewogen model-mens-protocol" (b) en de "toegevoegde ruis"-protocol (c). De fout bars in (b) en (c) vertegenwoordigen de psychometrische curven 'betrouwbaarheidsintervallen. De zwarte balken geven de MHLG cijfers voor de modellen, en de grijze balken geven die van het basismodel in (b) en het geluid in (c).
De resultaten tonen aan dat de visco-elastische model KB2 wordt ervaren als meer mensen net als dan de andere visco-elastische model KB1 met behulp van alle drie evaluatiemethoden.
Discussion
We hebben met een nieuw protocol voor een gedwongen-keuze Turing-achtige handdruk testen toegediend via een eenvoudige telerobotic systeem. Dit protocol is een platform voor het vergelijken van kunstmatige handshake-modellen, in plaats van een platform voor het bepalen van absolute menselijke gelijkenis. Dit protocol werd in een aantal conferenties 2-5
We hebben hier aangetoond dat deze test is nuttig bij het vinden van de parameters van de passieve eigenschappen van beweging die de meest mens-achtige gevoel te geven. Het kan gebruikt worden in verdere studies, om een model voor een handdruk die zal worden als mens-achtig als mogelijk te ontwikkelen. We zullen gebruiken dit platform in de eerste Turing-achtige handdruk toernooi dat plaats zal vinden in de zomer van 2011 [[ http://www.bgu.ac.il/ ~ akarniel / HANDSHAKE / index.html ]], waar concurrerende modellen zullen worden cijfer voor hun menselijke gelijkenis. De ultieme model moet waarschijnlijk overwegen de niet-lineariteiten en tijdsafhankelijke karakter van de menselijke impedantie 21, wederzijdse aanpassing met de ondervrager en vele andere aspecten van een natuurlijke menselijke handdruk die moet worden getest en klassering op basis van deze gedwongen-keuze Turing-achtige handdruk test.
De voorgestelde test is een-dimensionaal en uitgevoerd via een telerobotic-interface, en daarom is beperkt: het verbergt vele aspecten van de handdruk, zoals tactiele informatie, temperatuur, vocht, en grijpen krachten. Niettemin, in verschillende studies een telerobotic-interface werd gebruikt voor het verkennen van handdruk 6-11 en andere vormen van mens-mens interactie tussen 12. Daarnaast is in deze versie van de test hebben we geen rekening houden met de duur van de handdruk, de initiatie en release tijden, zijn multi-dimensionale karakter en de hand trajecten voor en na het fysieke contact. Er zijn ook vele soorten handdrukken afhankelijk van geslacht en de cultuur van de persoon 13-14 en daarom kan men niet verwachten dat een enkele optimale mens-achtige handdruk model te genereren. Toch geloven wij dat de eenvoud van de voorgestelde test is een voordeel, althans in deze eerste fase van het onderzoek. Zodra de belangrijkste kenmerken van een dergelijke eendimensionale handshake goed zijn gekenmerkt kunnen we overgaan tot deze beperkingen te overwegen en dienovereenkomstig uit te breiden van de test.
Opgemerkt moet worden dat een Turing-achtige handdruk test kan worden omgekeerd, met de computer in plaats van de persoon die wordt gevraagd naar de identiteit van de andere partij. In dit kader beschouwen we de volgende omgekeerde handshake hypothese: het doel van een handdruk is om de sonde geschud de hand, volgens de omgekeerde handshake hypothese, de optimale handdruk algoritme - in de zin dat het zal worden niet te onderscheiden van een mens handdruk - zal beste vergemakkelijken de discriminatie tussen mensen en machines. Met andere woorden, het model geven de beste handdruk zodanig dat een voldoende afgestemd classifier onderscheid kan maken tussen mens en machine handdrukken.
Als de omgekeerde handshake hypothese is inderdaad juist dat levert een klinische toepassing voor onze test: het identificeren van motorische stoornissen bij mensen die lijden aan verschillende neurologische motor-gerelateerde aandoeningen, zoals Cerebral Palsy (CP). Eerdere studies hebben aangetoond verschillen in de kinematische parameters tussen CP patiënten en gezonde proefpersonen bij het uitvoeren van het bereiken van bewegingen 15-16. We hebben onlangs aangetoond dat de eigenschappen van bewegingen verschillen tussen gezonde mensen en mensen met CP bij het handen schudden door middel van een telerobotic systeem 4. Deze bevindingen versterken onze bewering dat mensen met motorische stoornissen kunnen worden onderscheiden van gezonde mensen door het onderzoeken en verkennen van de handdruk beweging van elk individu. Men moet ook rekening mee dat de test hierin besproken is een perceptuele test en recente studies onderscheid te maken tussen waarneming en handeling 17-20. Toekomstige studies moeten onderzoeken drie versies van de test om nauwkeurig te kunnen beoordelen van de aard van de mens-achtige handdruk: (1) een psychometrische test van de vermeende overeenkomst, (2) een motorisch gedrag test (motormetric test) dat de motor te verkennen reactie van de ondervrager, die kan afwijken van zijn / haar cognitief waargenomen gelijkenis, (3) een ultieme optimale discriminator die probeert om onderscheid te maken tussen mens en machine handdrukken op basis van de kracht en positie trajecten.
In het algemeen, we beweren dat het begrijpen van de motor controle-systeem is een noodzakelijke voorwaarde voor het begrijpen van de hersenfunctie, en dat een dergelijk inzicht kan worden aangetoond door de bouw van een humanoïde robot niet te onderscheiden van een mens. Het huidige onderzoek richt zich op handdrukken via een telerobotic systeem. We beweren dat door de rangschikking van de heersende wetenschappelijke hypothesen over de aard van de menselijke hand bewegingen te controleren met behulp van de voorgestelde Turing-achtige handdruk test, wemoet in staat zijn saillante eigenschappen van de menselijke motor control of in ieder geval de meest opvallende eigenschappen nodig is om een kunstmatige aanhangsel dat is niet te onderscheiden van een menselijke arm te bouwen extract.
Disclosures
Geen belangenconflicten verklaard.
Acknowledgments
AK wil Gerry Loeb bedanken voor de nuttige discussies over de voorgestelde Turing-achtige handdruk test. AK en IN wilt Nathaniel Leibowitz en Lior Botzer die hebben bijgedragen aan het ontwerp van de allereerste versie van dit protocol terug in 2007 bedanken. Dit onderzoek werd ondersteund door de Israel Science Foundation (subsidie No 1018-1008). SL wordt ondersteund door een Kreitman Stichting postdoctoraal fellowship. IN wordt ondersteund door de Kreitman stichting en de Clore Scholarship Program.
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).
