耶鲁大学的一组研究人员最近开发了一个能够代表、学习和推断所有权关系和规范的机器人系统。他们的研究在ARXIV预出版，解决了与教学机器人社会规范相关的一些复杂挑战，以及如何与他们保持一致。
随着机器人的普及，能够与人类进行有效而恰当的交流是非常重要的。人类互动的一个关键方面是根据社会和道德规范理解和行为，因为这促进了与他人的积极共存。
所有权规范是一套社会规范，它有助于以更加体谅他人的方式驾驭共享环境。将这些规范传授给机器人可以增强他们与人类的互动，使他们能够区分非拥有的工具和暂时与他们共享的拥有的工具。
“我的研究实验室致力于制造易于与人互动的机器人，”从事这项研究的研究人员之一布赖恩·斯卡塞尔拉蒂(Brian Scassellati)告诉TechXplore。“这项工作的一部分是研究我们如何教机器有关共同的社会概念，这些东西对我们人类来说是必不可少的，但并不总是最吸引人注意的话题。对物体所有权、权限和风俗的理解是这些主题中的一个，虽然没有得到太多的关注，但对于机器在我们的家庭、学校和办公室中的运作方式至关重要。”
在Scassellati、Xuan Tan和JakeBrawer设计的方法中，所有权被表示为对象与其所有者之间的概率关系图。这与基于谓词的规范的数据库相结合，该数据库约束允许机器人使用自己的对象完成的操作。
"这项工作面临的一个挑战是，我们学习所有权的一些方式是通过被告知明确的规则（例如，“不要拿我的工具”），而其他人则是通过经验来学习的，"SCasselati说."将这两种类型的学习结合起来对人们来说是很容易的，但对机器人来说更具挑战性。"
研究者设计的系统结合了一种新的增量范数学习算法，该算法能够从示例中进行一次学习和诱导，并且响应于明显的规则违规和基于感知的对象的可能所有者的预测来推断所有权关系的贝叶斯推断。这些组件一起允许系统学习各种情况下适用的所有权规范和关系。
"玄和杰克所做的工作的关键是把两种不同类型的机器学习表示结合起来，从这些明确的符号规则中学习，从经验的小位中学习出来，"解释了."使这两个系统协同工作，既使这具有挑战性，又是成功的。"
研究人员在一系列模拟和真实世界的实验中评价了机器人系统的性能。他们发现，它可以有效地完成对象操纵任务，这些任务需要遵循各种所有权准则，具有非凡的能力和灵活性。
Scasselati和他的同事进行的研究提供了一个值得注意的例子，说明机器人如何能够被训练来推断和尊重社会规范。进一步的研究可以将类似的结构应用于其他规范相关的能力，并解决不同规范或目标相互冲突的复杂情况。
Scassellati说：“我们正在继续研究如何建造更自然地与人互动的机器人，而这项研究只是集中在这项工作的一个方面。”