Motor İstihbarat Bir Boyutlu Turing Gibi El Sıkışma Testi

Özet

Biz, sorgulayıcı bir robot kalemi tutan ve başka bir parti (insan ya da yapay) ile etkileşim olduğu bir tele-robot sistemi ile yönetilen bir Turing gibi Handshake testi sunuyoruz. Biz zorunlu bir seçim yöntemi kullanın ve yapay model bir insan el sıkışma benzerlik için bir ölçü ayıklamak.

Özet

Turing testi, bir bilgisayar modeli bir insan ayırt cevaplar üretebilir "akıllıca düşünüyorum" sayılır. Ancak, bu test makine istihbarat dil yönlerine sınırlıdır. Beynin dikkat çeken bir işlevi hareket kontrolü ve insan eli hareketinin bu fonksiyonu sofistike bir gösterisidir. Bu nedenle, makine motor istihbarat Turing gibi, bir el sıkışma testi öneriyoruz. Biz sorgulayıcı bir robot kalemi tutarak ve başka bir parti ile etkileşim (insan ya da yapay) bir görev meşgul olduğu bir tele-robot sistemi aracılığıyla test yönetmek. Sorgulayıcı, diğer tarafın bir kişi veya bir bilgisayar programı olmadığını sormak yerine, biz, iki alternatif zorunlu seçim yöntemi istihdam ve daha fazla insan gibi iki sistem hangi sormak. Biz insan el sıkışma hareketi ile benzerlik göre her model için niceliksel bir not özü ve "Model İnsan Likeness Grade" (MHLG) adı. MHLG tahmin etmek için üç yöntem mevcut. (I) modeli gibi insan daha fazla insan olduğunu, deneklerin cevapları oranı hesaplanırken, (ii) bir psikometrik eğrisi uyum ve subjektif eşitlik noktası ayıklamak iki insan ve model el sıkışma ağırlıklı toplamları (PSE karşılaştırarak ), (iii) belirli bir model insan ve rasgele sinyal ağırlıklı toplamı ile karşılaştırarak, sorgulayıcı cevapları bir psikometrik eğrisi uyum ve ağırlıklı toplam insan ağırlığının PSE ayıklamak. Özet olarak, biz insan el sıkışma hesaplama modelleri test etmek için bir protokol sağlar. Biz insan el sıkışma nesil sorumlu sinir mekanizmalarının anlaşılması, bu durumda herhangi bir fenomenin anlaşılması gerekli adım ve, bir model inşa olduğuna inanıyoruz.

Protokol

1. Sistem Hazırlama

1. Donanım gereksinimleri:
   • İki PHANTOM masaüstü robotlar SensAble Technologies, Inc.
   • 2 Paralel kart.
   • Minimum Sistem Gereksinimleri: Intel veya AMD tabanlı PC'ler, Windows 2000/XP, 250 MB disk alanı.
2. Yazılım gereksinimleri:
   • Driver-
     SensAble teknolojileri web sitesinden sürücüleri http://www.sensable.com bilgisayar işletim sistemine göre.
   • H3DAPI-
     Adım adım yükleme bölümünde görüntülenen talimatlara göre H3DAPI kaynak kodunu indirin ve kurun http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
     Biz varolan kodu karşılanmadığını gereksinimlerine uymak için kod güncellendi. Güncelleştirilmiş dosyaları el sıkışma turnuva web sitesinden indirebilirsiniz http://www.bgu.ac.il/ ~ akarniel / ELSIKIŞMA / / index.html
     Her dosya, yukarıdaki web sitesinde açıklandığı gibi uygun klasörde yer almalıdır.
     Değişiklikleri yaptıktan sonra, CMake indirmek ve kodu derlemek. Derleme talimatları bulunabilir http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
   • X3D ve python
     • Download Python 2.5 http://www.python.org/download/releases/2.5.5/
     • El sıkışma web sitesinden indirin ve python ve X3D kodları, örneğin özel bir dizin kod dosyaları, yeri: "C: \ codeDirectory"
     • Her el sıkışma gücü modeli ayrı bir python dosyası yazılmalıdır. Bir bahar kuvvet modelinin bir örnek için Bkz: Şekil 1.
   • mevcut Matlab psignifit araç sürüm 2.5.6, http://www.bootstrap-software.org/psignifit/

Şekil 1 python Kuvvet fonksiyonu. Bir el sıkışma bir yay kuvveti modeli bir örnek

2. Deneysel Protokolü

• Yazarak komut penceresi açın ve python ve X3D kod dizini değiştirin: cd C: \ codeDirectory.
• C deneklerin isimleri ile bir klasör oluşturun: \ codesDirectory.
• H3dload code_name.x3d: Deneme türünü çalıştırmak için.
• Yazarak rasgele yeni bir dosya oluşturun: random_file_name.txt. Rasgele bir dosya farklı el sıkışma göründükleri sırasını tanımlar.
• Konular tam olarak önceden oluşturulmuş bir klasör adlarını girin.
• Bir insan, bir bilgisayar ve sorgulayıcı bir klasik Turing testi orijinal kavramı takiben, her bir deney 3 varlıklar oluşur. İki kişi (insan ve sorgulayıcı) her bir Phantom haptik cihaz kalemi tutun ve el sıkışma hareketleri oluşturur. Ekranda beliren yönergeleri takip etmek istenir (örneğin, "ilk el sıkışma için basın"), el sıkışma güçleri uygulanacak. Aşağıdaki yöntemlerden her deneme 2 el sıkışma oluşur ve konular aralarında karşılaştırmak için gerekli olan. Bilgisayar, zamanın bir fonksiyonu ve tek boyutlu bir el pozisyonu ve türevleri olarak bir güç sinyali üretir simüle el sıkışma modeli.
  (1) F _modeli (t) = Φ [x (t), t] 0 ≤ t ≤ T
  F herhangi bir nedensel operatörü, tek boyutlu kalemi hareket örneğin, non-lineer zamanla değişen mekanik modeli, ve T el sıkışma süresi [x, t] duruyor. Bu çalışmada T = 5 saniye.

1. "Saf" testi yapılması ve _p MHLG model insan benzerlik notu hesaplanırken
   12 el sıkışma (n = 24) olduğu konuların sadece tele-robot sistemi aracılığıyla birbirleriyle tokalaşıp insan, bu tür pratik çalışmalarda deney ile başlar. Bu pratik çalışmaların amacı, katılımcıların, sisteme bir insan el sıkışma ile tanışmış olmasını sağlamak için.
   Deneyde, dört bilgisayar modelleri karşılaştırın. Her deneysel blok, bir insan el sıkışma 4 test modelleri karşılaştırmak olan 4 çalışmaların oluşur. Her çalışmada el sıkışma biri dört model (bilgisayar) birinde üretilen bir kuvvet ile bir etkileşim ve diğer insan (ikinci bir konu). Bu nedenle, hem insan ve sorgulama gibi konularda çalışır. Her blok içinde çalışmaların sırası rastgele ve önceden belirlenmiş. Her deney, 10 blok, her bilgisayara el sıkışma 10 kez tekrarlanır oluşur. Bir ilk unanalyzed block sistemi ve görev ile genel tanıdığı için eklenir.
   Her model için, model bir insan ayırt edilemeyen 0.5 bir değer sağlamak için, bu konuda daha fazla insan gibi insan el sıkışma üzerinde model el sıkışma seçer el sıkışma oranı hesaplanır. Biz MHLG _p, bu tür MHLG = 0 gibi insan dışı ve MHLG = 1 anlamına gelir test edilen el sıkışma insan el sıkışma ayırt edilemez olduğunu açıkça elde etmek için bu iki değeri çarpın
2. "Ağırlıklı insan modeli" test yapılması ve model insan benzerlik notu MHLG _w hesaplanırken
   Bu protokol, yalnızca tek bir sorgulayıcı konu var. Diğer bir konu, insan bir varlık olarak el sıkışma fonksiyonları.
   Sorgulayıcı, her deneme bir insan el sıkışma ve bir bilgisayar el sıkışma deneyimleri olan 30 pratik çalışmalarda deney ile başlar. Yargılama sonunda insan el sıkışma 2 el sıkışma seçmeleri istenmiştir. Eğer başarırlarsa, ekranda "Doğru" görüntüler ve sağ el sıkışma, bir seçim olmasaydı "Yanlış!" mesajı görünür.
   Uygulama blok sonra deney şu şekilde yapılır: Bir deneme iki el sıkışma oluşur. Birinde el sıkışma uyaran sorgulayıcı insan ve bir bilgisayar el sıkışma modeli geliyor güçlerin bir kombinasyonu ile etkileşime girer.
   (2) F = α _uyaran • F _insan + (1-α _uyaran) • F _{stimulusModel}
   0 ile 1, örneğin α _uyaran eşit dağıtılır:
   α _uyaran = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
   Diğer el sıkışma - referans - insan ve bir referans modeli oluşturulur kuvvetlerin sabit bir kombinasyonu:
   (3) F = α _referans • F _insan + (1-α _referans) • F _{referenceModel} α _referans = 0.5
   Her denemenin sonunda sorgulayıcı, daha fazla insan gibi hissettim "Handshake" seçmek için talep edilir.
   Her deneyde iki test modelleri ve bir baz modeli karşılaştırın.
   Her 3 model kombinasyonlarının her biri için uyaran ve insan (Eşitlik 2) lineer kombinasyonları her kapsayan 24 çalışmanın deneysel blok oluşur:
   
   Her blok içinde çalışmaların sırası rastgele ve önceden belirlenmiş. Her deney, 10 blok, her kombinasyon, 10 kez tekrarlanır oluşur. Sistemi ve görev ile genel tanıdığı için bir başlangıç ​​unanalyzed blok eklenir.
   Matlab, mevcut psignifit araç sürümü 2.5.6 kullanarak sorgulayıcı cevaplar lojistik psikometrik fonksiyonu ¹ uygun http://www.bootstrap-software.org/psignifit/ , tahmini için kısıtlı bir maksimum olabilirlik yöntemi ile , parametreler ve önyargı düzeltilmiş ve hızlandırılmış (BCa) bootstrap yöntemi ile güven aralıkları bulmak. Α _referans eğrisi, sorgulayıcı bir uyarıcı el sıkışma _α uyaran bir fonksiyonu olarak, daha insan gibi cevap olasılık gösterir . Α _uyarıcı ve el sıkışma gibi eşit insan olarak algıladıkları için α _referans arasındaki farkı gösteren subjektif eşitlik (PSE), psikometrik eğrisinin 0.5 eşik seviyesi elde edilir. PSE MHLG _w göre hesaplamak için kullanılır:
   (4) MHLG _w = 0.5-PSE
   Referans modeli olarak insan gibi algılanan bir model MHLG _w değeri 0.5 verir. En az ve en çok insan gibi olası olarak algılanan modelleri, 0 veya 1, _w değerleri sırasıyla MHLG verim.
3. Ekledi: "gürültü" testi yapılması ve model insan benzerlik notu MHLG _n hesaplanması
   Benzer ağırlıklı model-insan testi, sadece tek bir sorgulayıcı konu vardır. Diğer bir konu, insan bir varlık olarak el sıkışma fonksiyonları. Uygulama bloğu da önceki yöntem aynı.
   Pratikten sonra, 2 el sıkışma uyaran sorgulayıcı, bir bilgisayar el sıkışma modeli ile etkileşim.
   Diğer el sıkışma - referans - insan el sıkışma görünen frekanslara göre filtrelenmiş bir frekans aralığı ile insan ve beyaz gürültü bir kombinasyonu elde edilen bir güçtür.
   (5) F = α • F _insan + (1-α) • F _gürültü;
   α eşit örneğin, 0 ile 1 arasında dağıtılır:
   a = {0, 0,142, 0,284, 0,426, 0,568, 0,710, 0,852, 1}
   Her denemenin sonunda sorgulayıcı, daha fazla insan gibi hissettim "Handshake" seçmek için talep edilir.
   Deney ağırlıklı ay aynı şekilde inşa edilmiştirYukarıda belirtilen del insan test inşa edilmiştir. Ancak, ağırlıklı insan modeli test kalibrasyon Bu deneyde, kendisi bir düzeltme kombinasyonu bir baz modeli farklı kombinasyonları karşılaştırarak baz model gürültü yerini tutamaz.
   PSE psikometrik eğrisi çıkarılır ve MHLG _n tanımlar
   (6) MHLG _n = 1-PSE
   En az ve en çok insan gibi olası olarak algılanan modelleri, sırasıyla, 0 veya 1 MHLG _n değerleri verir.

3. Temsilcisi Sonuçlar:

Şekil 2, 3 yöntemlerinin her biri için bir konu sonuçları göstermektedir. Üç deneylerde test modelleri 2 viskoelastik modelleri-KB1: bahar K = 50 N / m, amortisör B = 2 Ns / m; KB2: bahar K = 20 N / m, amortisör B = 1.3 Ns / m MHLG _w ağırlıklı model insan testi, test edilen modellerin her elastik baz modeli K = 50 N / m karşılaştırılarak değerlendirilir.

Şekil 2 "saf" bir test protokolü (a) göre iki viskoelastik modeller MHLG değerler "ağırlıklı modeli insan protokolü" (b) ve ekledi: "gürültü" protokolü (c). Bu hata çubukları (b) ve (c) psikometrik eğrileri 'güven aralıkları temsil eder. Modeller için siyah çubuklar MHLG notları temsil ve gri çubukları, (b) ve (c) gürültü baz modelin bu temsil eder.

Sonuçları viskoelastik modeli KB2 gibi her üç değerlendirme yöntemleri kullanarak diğer viskoelastik modeli KB1 daha fazla insan olarak algılanan olduğunu göstermektedir.

Tartışma

Biz basit bir tele-robot sistemi ile yönetilen bir zorunlu seçmeli Turing gibi bir el sıkışma testi için yeni bir protokol var. Bu protokol yerine mutlak insan benzerlik belirlemek için bir platform değil, yapay el sıkışma modelleri karşılaştırmak için bir platform. Bu protokol, birkaç ^konferans 2-5 sunuldu

Bu test, çoğu insan gibi hissediyorum sağlayan pasif hareket özellikleri parametreleri bulma konusunda yardımcı olduğunu göstermiştir. Bu, mümkün olduğunca insan gibi bir el sıkışma için bir model geliştirmek için daha fazla çalışmalarda kullanılabilir. Biz [2011 yazında gerçekleşecek ilk Turing gibi bir el sıkışma turnuva bu platformda çalışan http://www.bgu.ac.il/ ~ akarniel / ELSIKIŞMA / index.html], rakip modellerde olacak nerede kendi insan benzerlik derecelendirildi. Muhtemelen son modeli, doğrusal olmayan ve zamanla değişen yapısı, ^{insan empedansı} 21, sorgulayıcı ve bu zorunlu seçmeli Turing gibi bir el sıkışma testi kullanılarak test edilmiş ve sırada olmalıdır doğal bir insan el sıkışma birçok diğer yönleri ile karşılıklı uyum düşünmelisiniz.

Önerilen test tek boyutlu ve tele-robot bir arayüz üzerinden yapılan ve bu nedenle sınırlı: dokunsal bilgi, sıcaklık, nem, ve kavrama güçleri gibi el sıkışma birçok yönlerini gizler. Bununla birlikte, bir tele-robot arayüzü, el ^sıkışma 6-11 ve diğer insan-insan ^etkileşimi 12 biçimlerini keşfetmek için çeşitli çalışmalarda kullanılmıştır . Buna ek olarak, bu test sürümü, fiziksel temas öncesi ve sonrası el sıkışma, başlangıç ​​ve bırakın saatleri, çok boyutlu doğası ve el yörüngeleri süresi dikkate vermedi. ^13-14 kişi ve bu nedenle cinsiyet ve kültür bağlı olarak el sıkışma birçok türleri de vardır, bir tek bir optimal insan gibi bir el sıkışma modeli oluşturmak için beklemeyin. Bununla birlikte, önerilen test sadelik ön çalışmanın bu aşamada, en azından bir avantaj olduğunu inanıyoruz. Tek boyutlu bir el sıkışma gibi temel özellikleri düzgün karakterize sonra bu sınırlamalar göz önünde bulundurun ve buna göre test uzatmak için taşıyabilirsiniz.

Turing gibi el sıkışma testi, diğer tarafın kimliği hakkında sorulan kişinin yerine bilgisayar ile tersine olabileceği unutulmamalıdır. Bu çerçevede, şu ters el sıkışma hipotezi göz önünde bulundurun: bir el sıkışma amacı sarsılmış el probu; ters el sıkışma hipotez, optimal el sıkışma algoritması göre bir insan el sıkışma farksız olacağını anlamda en iyi insanlar ve makineler arasında ayrımcılık kolaylaştırmak. Diğer bir deyişle, model, uygun bir şekilde ayarlanmış sınıflandırıcı, insan ve makine handshake'ler arasındaki ayrım, en iyi el sıkışma verecektir.

Ters el sıkışma hipotezi gerçekten doğru olup olmadığını test için bir klinik uygulama verir: çeşitli nörolojik motor ile ilgili bozukluklar, Serebral Palsy (CP) muzdarip insanlar motor bozukluk belirlenmesi. Önceki çalışmalar ulaşan hareketleri ^15-16 yaparken kinematik parametreleri CP hastalar ve sağlıklı bireyler arasında farklılıklar göstermiştir. Biz son zamanlarda bir tele-robot ^sistemi 4 ile tokalaşırken hareketlerin özellikleri CP ile sağlıklı bireyler ve bireyler arasında farklılık gösterdi . Bu bulgular, motor bozukluğu olan insanlar, her bireyin el sıkışma hareketi incelemekte ve sağlıklı kişilerden ayırt edilebilir iddiamızı güçlendirmektedir. Bir de burada tartışılan test algısal test ve son çalışmalar, algı ve eylem arasındaki farkı ^ayırt 17-20 olduğuna dikkat etmelidir . Gelecekteki çalışmalar, insan gibi el sıkışma doğasına doğru değerlendirmek üzere üç versiyonu test keşfetmek gerekir: (1) Bir algılanan benzerlik psikometrik test, motor keşfetmek (2) bir motor davranış testi (motormetric testi) onun bilişsel algılanan benzerlik / farklılık gösterebilir sorgulayıcı reaksiyon; (3), insan ve makine gücü ve konumu yörüngeleri dayalı el sıkışma arasında ayırt etmek için çalışır nihai bir optimal discriminator.

Genel anlamda, motor kontrol sistemi anlamak beyin fonksiyonu anlamak için gerekli bir koşul olduğunu iddia ve böyle bir anlayış, bir insan ayırt edilemeyen bir insansı robot bina gösterdiği olabilir. Bu çalışma, tele-robot sistemi üzerinden el sıkışma odaklanır. Biz iddia, önerilen Turing gibi bir el sıkışma testi kullanılarak insan eli hareketlerini kontrol doğası hakkında geçerli bilimsel hipotezler sıralamainsan motor kontrol veya bir insan kolu ayırt edilemeyen bir yapay apendiks oluşturmak için gerekli en az belirgin özellikleri göze çarpan özellikleri elde etmek gerekir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
İki PHANTOM masaüstü robotu	SensAble, Geomagic		2 Paralel kartlar Minimum sistem gereksinimleri: Intel veya AMD tabanlı PC'ler; Windows 2000/XP, 250 MB disk alanı
SensAble teknolojileri Sürücüler	SensAble, Geomagic		http://www.sensable.com
H3DAPI kaynak kodu	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 kodları
psignifit toolbox sürüm 2.5.6	Matlab		http://www.bootstrap-software.org/psignifit/