Rädda liv med hjälp av A.I.

Transkript

1 Artificiell intelligens, fördjupningsuppgift HKGBB0, HT 2004 Linköpings Universitet Sara Schill Saran Rädda liv med hjälp av A.I. - går det? Sara Schill Saran sarsc237@student.liu.se

2 Sammanfattning Rapporten handlar om räddningsrobotar i Urban Search and Rescue (USAR), vad de kan tillföra och hjälpa människan med. Arbetet beskriver USAR-miljön och tittar på vad robotarna utförde vid Ground Zero efter attacken mot World Trade Center. Dessutom behandlar rapporten artificiell intelligens i räddningsrobotarna och kikar lite extra på ett expertsystem man håller på att ta fram. Några utmaningar och problem presenteras också innan arbetet avslutas med en avdelning om vartåt utvecklingen lutar idag samt en diskussion.

3 Innehållsförteckning 1 Inledning Bakgrund Syfte Avgränsningar Metod Metodkritik Målgrupp Räddningsrobotar Förklaring av några förkortningar Övergripande om räddningsrobotar Arbetsmiljön Att arbeta i den heta zonen Fysiskt påfrestande Kognitivt tröttande Vad kan robotar hjälpa till med? Hur användes robotar vid World Trade Center 2001? Räddningsrobotar och artificiell intelligens Människa-robotinteraktion (HRI) Expertsystemet KNOBSAR Artificiell intelligens i KNOBSAR Perception och navigering Hur bli bättre? Robottävlingar inspiration och övning Åt vilket håll går utvecklingen idag? Diskussion Litteraturförteckning Figurförteckning Figur 1: En polymorfisk robots tre lägen [4]... 3 Figur 2: Marsupiala robotar [4]... 3 Figur 3: Kvarleva av mänsklig hand vid WTC [7]... 5 Figur 4: Delvis begravd klocka vid WTC [7]... 5 Figur 5: Robotarna som användes vid Ground Zero [8]... 6 Figur 6: General reasoning development diagram [2]... 8 Figur 7: Diagram over konflikten mellan navigering och perception [6]... 9

4 1 Inledning 1.1 Bakgrund När det blev dags för oss att välja ämne till fördjupningsuppgiften i AI-kursen satte jag mig ner och funderade. AI är ett mycket omfattande och spännande fält vilket gjorde det lite svårt att välja, men till slut var jag ändå inne på att skriva någonting om robotar. För att specificera mig lite har jag valt att titta närmare på räddningsrobotar. Anledningen till mitt val är att räddningsrobotar för mig representerar en konkret användning av just artificiell intelligens tillsammans med andra vetenskaper, såsom datavetenskap och robotik, i den verkliga världen. 1.2 Syfte Vare sig man vill eller inte sker det dagligen katastrofer av olika slag i världen och jag tror att räddningsrobotar kan tillföra värdefull hjälp i katastrofsituationer, och har till viss del redan gjort det. Jag kommer i min rapport redogöra för hur robotarna fungerar ur ett AI-perspektiv och hur de kan användas i räddningssituationer. Jag tittar även på vilka problem och utvecklingsmöjligheter som finns innan rapporten avslutas med en diskussion och egna reflektioner. 1.3 Avgränsningar I ett arbete med begränsad omfattning måste man sätta upp vissa avgränsningar, vilket jag också gjort. För att kunna skriva en rapport som kan läsas och förstås av personer utan erfarenheter inom robotik och AI försöker jag att inte gå in på alltför tekniska detaljer av robotarnas hård- respektive mjukvara och algoritmer som används, utan fokuserar mera på användningsområden för robotarna, hur de arbetar och hur AI kan bidra till att göra dem bättre. 1.4 Metod Mitt arbete bygger enbart på artiklar (eng. papers) som jag hittat på Internet. Jag hade gärna använt mig av böcker också, men kunde inte hitta någon som berörde just räddningsrobotar. 1.5 Metodkritik I och med att det är USA och Japan som är ledande i robotutveckling är i princip allt mitt material amerikanskt och japanskt. Det hade varit av intresse att se hur långt andra länder kommit i utvecklingen av dessa robotar, men det var svårt att få fram information om det. När jag sökte efter användbara artiklar letade jag enbart efter fulltextversioner som fanns att tillgå gratis på Internet, jag har valt att inte betala för att få tillgång till några fulltextversioner. Jag tycker att artiklarna jag hittade har varit bra och ingående och hoppas att min sökmetod inte gjort att jag missat några revolutionerande upptäckter. Det bör också nämnas att jag inte alltid lyckats hitta en bra översättning till svenska för en engelsk term och då har uttryckt den på engelska istället. 1.6 Målgrupp Trots att rapporten i första hand är avsedd för studenter och lärare på det kognitionsvetenskapliga programmet är det viktigt för mig att den är skriven på ett sådant sätt att den kan läsas och förstås av vem som helst. Därför är min avsikt att hålla en relativt basal nivå på arbetet och att försöka förklara saker som kanske inte är så självklara för någon utanför AI:ns värld. 1

5 2 Räddningsrobotar 2.1 Förklaring av några förkortningar AAAI American Association for Artificial Intelligence CRASAR DARPA FEMA HRI Center for Robot-Assisted Search and Rescue at USF Defense Advanced Research Projects Agency (U.S) Federal Emergency Management Agency Human-Robot Interaction KNOBSAR an expert system prototype for robot-assisted urban search and rescue NIST NSF SAR USAR WTC National Institute of Standards and Technology National Science Foundation Search And Rescue Urban Search And Rescue World Trade Center 2.2 Övergripande om räddningsrobotar Först bör nämnas att rapporten enbart handlar om USAR, som koncentrerar sig på att hitta och rädda offer ur byggnader skapade av människan, t.ex. ruiner efter en jordbävning eller ett terrorattentat. Den andra typen av räddningsuppdrag är när en människa gått vilse i t.ex. en skog eller en öken och kallas på engelska wilderness rescue [3]. Jag kommer inte att beröra den sistnämnda typen här. Det finns idag inga räddningsrobotar som är byggda speciellt för uppgiften USAR, utan de är kommersiella, autonoma robotplattformar som byggs om och byggs på för att klara de höga krav som ställs på en räddningsrobot [1]. Några av de ledande robottillverkarna som nämns i litteraturen är irobot, Inuktun och Foster-Miller. CRASAR använder sig i nuläget av robotar som utvecklats av den amerikanska armén till minröjning eller militära operationer i stadsterräng. Det är mycket viktigt att robotarna är flexibla och av olika storlekar för att de ska klara av att söka i olika stora hålrum. Det finns således ingen plattform som passar för alla syften [1]. CRASAR arbetar dock ständigt med forskning och utveckling, och på deras hemsida ( kan man ta del av deras målsättning som lyder: Our mission is to research new technologies for SAR, deploy these technologies as part of our international response team, use our expertise as both scientists and field experts to evaluate rescue teams, and to train both emergency responders and other scientists on rescue robotics. Mycket av forskningen på området finansieras av amerikanska arméns center för artificiell intelligens, men teknologin är dyr och finansiärer söks ständigt [3]. Samtliga modeller CRASAR använder sig av är fjärrstyrda, har en mikrofon och en högtalare samt färgkamera. De måste också vara vattentäta för att kunna klara vattenfyllda utrymmen och sanering. Alla robotar som används just nu är dessutom polymorfiska, vilket innebär att de vid behov kan ändra form för klara sig bättre i omgivningen, t.ex. genom att sträcka på sig för att nå upp med kameran [1]. 2

6 A B C Figur 1: En polymorfisk robots tre lägen: sittande och tittande framåt (A), sittande och tittande bakåt (B) och liggande platt (C). CRASAR delar in räddningsrobotar i tre kategorier beroende på storlek, de kan vara manpackable micro, man-packable mini och man-portable. Man-packable innebär att roboten kan bäras i en eller två ryggsäckar. Detta är mycket viktigt för att räddningsarbetarna ska ha händerna fria när de klättrar över ruinhögarna. De här robotarna är i sin tur indelade i micro och mini. Minimodellerna kan oftast ta sig in på ungefär samma ställen som en liten människa, medan microrobotar är mindre, ungefär som en skokartong i storlek. De har därför möjlighet att ta sig in där det är för trångt för människor. Microrobotarna har oftast en navelsträng för att minska storleken, medan minirobotarna vanligtvis är sladdlösa. Robotar som benämns man-portable är tillräckligt lätta att bäras av en eller två personer och kan transporteras i en liten lastbil eller ett terrängfordon. De klarar bara av att arbeta på ytan av en ruinhög och kan inte gå ner och söka i hålrum inuti ruinen [1]. CRASAR tittar också mycket på s.k. marsupialism, dvs. två robotar som arbetar tillsammans i ett slags mor-dotterrelation. Det går ut på att en större robot bär en eller flera små robotar till en bestämd plats, ungefär på samma sätt som en känguru bär sin unge i pungen. Vitsen med den här metoden är att dottern ligger skyddad i modern och kan samtidigt spara energi eller till och med ladda batterierna under transporten. Modern kan också bära med extrabatterier och dela med sig av energin till dottern med hjälp av en kabel. Eftersom man vill hålla nere storleken på dottern är dessa robotar användbara därför att modern kan sköta kommunikation och dataprocesser med utrustning som inte får plats i eller på dottern. Det är dock viktigt att dotterroboten har tillräckligt mycket kraft för att bearbeta sensordata och agera intelligent. Något som dessutom visat sig vara mycket hjälpsamt för operatören som styr roboten under ett räddningsuppdrag är att modern kan ge en yttre bild av var dottern befinner sig i ruinerna. Operatören kan förbättra fjärrstyrningen med 31% om det finns tillgång till både dotterns och moderns kameravyer [4]. Figur 2: Ett exempel på marsupialism då en dotterrobot lämnar moderroboten för att ge sig ut på upptäcktsfärd på USF. 3

7 3 Arbetsmiljön I USA brukar man dela in ett USAR-område i tre zoner: den heta, den varma och den kalla zonen. Hur stora de är beror på vad som har hänt, hur det ser ut på platsen osv. Heta zonen: är själva katastrofområdet. Detta är förbjudet område för allt och alla som inte har med själva räddningsarbetet att göra, och samtliga på plats är väl utbildade för det de gör. Antalet personer som släpps in här är med andra ord starkt begränsat [1], [6], [9]. Varma zonen: är det omedelbart angränsande området runt den heta zonen. Här samlas räddningsarbetarna och förbereder sig och sin utrustning innan arbetet i den heta zonen sätter igång. När ett arbetspass är slut kommer de tillbaka till den varma zonen för att saneras [1], [6], [9]. Kalla zonen: omger den varma zonen och här återfinns offrens familjer, press och en räddningsledare som har befäl över hela händelsen. Det är här räddningsarbetarna har möjligheter att äta, vila och reparera eller byta ut utrustning [1], [6], [9]. 3.1 Att arbeta i den heta zonen Det är den heta zonen som står för utmaningarna och problemen. Vid en kollaps bildas mängder av trånga, svåråtkomliga hålrum (eng. confined spaces) som måste genomsökas i jakten på överlevande. En människa skulle rent teoretiskt kunna ta sig in i en del sådana utrymmen, men riskerna är alldeles för stora. Det finns dessutom hålrum som helt enkelt är för små för att en människa ska kunna ta sig in i det. Det finns strikta regler om var en räddningsarbetare får gå in, med vilken utrustning det ska ske osv. [1]. Det är naturligtvis mycket farligt att arbeta där. Arbetet i den heta zonen beskrivs som oerhört tröttande, påfrestande och stressande för räddningspersonalen, både fysiskt och psykiskt. En kort redogörelse om varför följer nedan [1], [9] Fysiskt påfrestande Otymplig och tung utrustning. Räddningsarbetarna får ofta bära en gasmask som skydd för damm och rök som bildats i kollapsen. Skyfall, gassande sol eller andra extrema väderförhållanden i och med att de ju faktiskt arbetar utomhus. Regn kan göra ruinerna mycket hala, medan solen höjer temperaturen inuti ruinhögarna. Vassa, uppstickande metallföremål som kan leda till svåra skador eller dödsfall. Gasläckor och annat giftigt material som t.ex. koldioxid eller asbest. Hängande elkablar och risk för eldsvådor. Sömnbrist. Det är vanligt att räddningsarbetarna får arbeta de första timmarna utan någon egentlig sömn, bara en och annan tupplur på mindre än tre timmar. Det finns ingenstans att stå eller packa upp utrustning på utan den måste hela tiden bäras och räddningsarbetarna får sakta krypa framåt. Risken för att byggnaden ska råka ut för en sekundär kollaps p.g.a. den oerhörda instabilitet som råder. Stanken av olika saker, t.ex. bränt byggnadsmaterial och ruttnande människokroppar. 4

8 3.1.2 Kognitivt tröttande Oerhört svårt att varsebli någonting överhuvudtaget i spillrorna eftersom det är mörkt och interiören är täckt av ett tjockt lager damm. Man får inga ledtrådar (eng. cues) om djup eller någonting eller eftersom allt är raserat och oorganiserat. Risk för att bli instängd och inte kunna ta sig ut. Stora svårigheter att kommunicera med andra p.g.a. att kollapsen orsakat störningar i radiotrafiken. Man är därför förvisad till sin egen förmåga och måste klara sig utan feedback. Detta bidrar till en känsla av isolering och press. Den ständiga tidspressen de arbetar under. Dödssiffran ökar markant efter 48 timmar vilket innebär att minsta misstag kan leda till ett dödsoffer. Räddningsarbetare vet aldrig när de ska behöva rycka ut utan måste vara på stand-by flera timmar för att sedan bara få arbeta en kort stund. Dessutom måste de vara beredda på att evakuera platsen på några minuter. Om man använder sig av robotar krävs det oerhört mycket av människan som har i uppdrag att tyda de bilder eller vyer som robotens kamera förmedlar. Att stirra på en skärm och försöka upptäcka tecken på överlevande eller tillståndet inuti ruinerna sätter stor press på personalen (se bilderna nedan för att få en bild av hur svårt det kan vara). Figur 3: Kvarleva av en människohand som upptäcktes vid analys av videomaterial först fem månader efter WTC. Figur 4: En delvis begravd klocka upptäcktes vid analys av videomaterial en vecka efter att CRASAR hade avslutat sitt arbete vid WTC. 4 Vad kan robotar hjälpa till med? Det var faktiskt först i samband med attacken mot World Trade Center i New York den 11 september 2001 som man använde räddningsrobotar, men det var händelser som bombningarna i Oklahoma City, USA, 1995 och den kraftiga jordbävningen i Kobe, Japan, samma år som gjorde forskarna uppmärksamma på vad räddningsrobotar skulle kunna uträtta [1], [3]. Det är viktigt att inse att robotar, precis som hundar, ska ses som ett hjälpmedel för räddningsarbetarna, inte en ersättning [2], [6]. I dagsläget är robotteknologin inte tillräckligt avancerad för att skapa helt autonoma räddningsrobotar, vilket innebär att det är nödvändigt med en människa-robotinteraktion (HRI). Ett katastrofområde är inte på något sätt en lätt miljö för vare sig människor, hundar eller robotar, men robotar kan ibland vara mindre känsliga för t.ex. hetta eller giftiga utsläpp. Forskarna menar att mobila robotar verkar vara ett lovande verktyg för USAR och i [6] redogör författarna för uppgifter som kan vara lämpade för robotar. I stort kan man säga att robotens uppgifter främst kan vara utforskande och utvärdering av katastrofområdet (rekognoscering), bortforslande eller rensning av material, övervakande av omgivningen inuti spillrorna, lokalisering av en bomb eller ett offer beroende på vad som har hänt, tra- 5

9 versering och sökning av ett hålrum samt att vara ett verktyg för räddningsarbetarna och minska riskerna de utsätts för. Det som samtliga på plats måste ha som högsta prioritet är offrens välmående, och det är utifrån det som robotarna måste användas på lämpligaste sätt [6], [9]. 4.1 Hur användes robotar vid World Trade Center 2001? Det var CRASAR som ryckte ut för att arbeta vid Ground Zero i New York. De fick sällskap av personal och robotar från olika tillverkare (se tabell 1 eller artikel [7] för mera information). De kom den 11 september och packade inte ihop förrän den 2 oktober. Deras arbete kunde delas in i två faser, räddningsfasen (11-21 september) och inspektionsfasen (22 september till 2 oktober). Det som fokuseras på i artikeln [7] är räddningsfasen. CRASAR:s robotar hade under räddningsfasen två huvuduppgifter, att söka efter överlevande och att undersöka hålrum som människor och hundar inte kunde komma åt. Figur 5: Förteckning över robotarna som användes vid Ground Zero. Man hittade ungefär 10 offer, fem under räddningsfasen och ungefär fem under inspektionsfasen. Kvarlevornas skick gjorde det omöjligt att räkna exakt, därav ungefär framför angivelserna. Antalet är ändå mer än 2% av det totala antalet funna offer [8]. Trots att en sådan sak som attacken mot WTC naturligtvis är mycket tragisk var det ändå ett värdefullt tillfälle för CRASAR och alla andra som sysslar med räddningsrobotar att se hur de klarade sig och hur människa-robotinteraktionen fungerade. Det spelar ingen roll hur mycket de övar på iscensatta katastrofer, ingenting är riktigt jämförbart med verkligheten [7], [8]. Terrängen var utmanande för robotarna. Robotoperatörerna fick bära utrustning över spillrorna och rigga robotarna nära hålrummen som skulle utforskas, för robotarna klarade inte av att själva ta sig över ruinerna. Operatörerna kunde få fira utrustningen 2½ våningar ner utmed en stege, klättra ner själva och sedan gå över botten och klättra upp på den andra sidan för att komma åt tomrummet som skulle sökas igenom [7]. På grund av extrem hetta mjukades en robot upp så pass nedtill att den inte längre kunde röra sig. Varje robot krävde en mänsklig operatör som styrde den. Några av de uppgifter som robotarna utförde var sökning och inspektion i tomrum, över- 6

10 vakning och transport av medicinsk last. Sökning och inspektion i tomrum innebär att roboten söker i ett isolerat utrymme efter överlevande, samtidigt som den studerar områdets struktur. Transport av medicinsk last innebär att roboten bär saker till osäkra områden, exempelvis genom att ta medicin, vatten eller syre till ett instängt offer. Övervakning innebär att roboten kontrollerar luftkvaliteten i ett givet område [7]. Robin Murphy, chef för CRASAR och professor vid USF, säger följande om erfarenheterna från WTC: The experience at Ground Zero showed we were pretty much on track. The real success is that the robots were there and that they were accepted. Success is that robots will soon become like search dogs in the minds of the rescue community: essential. [8]. 5 Räddningsrobotar och artificiell intelligens 5.1 Människa-robotinteraktion (HRI) USAR-domänen bjuder på många än så länge olösta utmaningar när det gäller rörlighet, förnimmelse och artificiell intelligens, men ett av de svåraste hindren att överkomma är en bristande förståelse för människa-robotinteraktion. Det är bara under de senaste fem åren man har insett att HRI är ett viktigt forskningsområde, vilket innebär att tillgången på litteratur och modeller är begränsad. Forskningen på området har hittills fokuserat på sex olika användningsområden: underhållning, museiundervisning (museum docents), personliga assistenter, omvårdnad, rymdutforskning, polisens insatsstyrka (SWAT), militärrobotar och räddningsrobotar. Av dessa är det bara rymdutforskning, SWAT, militär- och räddningsrobotiken som är s.k. field applications. Dessa domäner har två huvudsakliga särdrag. För det första utsätts robotarna för en mycket oförutsägbar omgivning som kan försämra dess plattform eller perception. Det finns alltid en risk att roboten kan hamna i ett hål eller få kameran utslagen vid ett kraftigt åskoväder. Som ett resultat av dessa risker är mer eller mindre alla dessa robotar fjärrstyrda för att kunna hantera de nuvarande begränsningarna på artificiell intelligens. För det andra ses robotarna främst som en förlängning av människan. Deras primära uppgift är att flytta människor i säkerhet [1]. 5.2 Expertsystemet KNOBSAR Vid räddningsarbetet efter bombningarna av Oklahoma City 1995 användes inte räddningsrobotar, men en av Robin Murphys studenter vid namn John Blitch deltog och förde anteckningar över hur robotar hade kunnat användas. När man efteråt analyserade händelsen och Blitchs anteckningar drog man upp två huvudsakliga riktlinjer för arbetets fortsättning: utveckling av ett expertsystem för att besluta vilken robot som ska användas i vilken situation, samt utforskning av marsupiala robotar (se ovan) [1]. Blitch arbetade vidare med utvecklingen av ovan nämnda expertsystem och skrev en avhandling på ämnet (J.G. Blitch, KNOBSAR: An Expert System Prototype for Robot Assisted Urban Search and Rescue, master s thesis, Dept. Mathematical and Computer Sciences, Colorado School of Mines, Golden, Colo., 1996.). I [2] ger han en detaljerad genomgång av systemet som kallas KNOBSAR och som ska assistera i ett effektivt handhavande av robotar i en katastrofsituation [2] Artificiell intelligens i KNOBSAR Området operations research (OR) har länge sysslat med svårigheterna kring resursfördelning, som idag får en alltmer matematisk prägel. Genom att minimera eller maximera olika kostnader eller nyttofunktioner har OR-organisationer och konsulter assisterat ett antal ledare att väsentligt öka på sina vinstmarginaler. Militärorganisationer är bara några av dem som har haft nytta av OR, men modellen är inte alltid optimal. Denna problemlösningsmetod, som i stort sett bara är matematisk programmering, har allvarliga begränsningar vad gäller icke- 7

11 numeriska problem såsom USAR-domänen och visar på ett behov av en modell som klarar en icke-deterministisk omgivning som inte är strikt definierad eller dynamiskt orienterad. USARmiljön innebär många subjektiva beslut som grundar sig på fluktuerande kriterier och visar på ett behov av ett system som är symboliskt snarare än matematiskt [2]. Blitch nämner i [2] ett par olika AI-tekniker som han kallar grund slutledning (eng. shallow reasoning) som är domänspecifik respektive djup slutledning (eng. deep reasoning) som skulle vara mer generell. Den grunda slutledningen beskrivs vidare som heuristiskt orienterad och erfarenhetsbaserad, medan den djupa tar upp användandet av principer och axiom i nya situationer. Han menar att den matematiska programmeringen föranleder fortsatt arbete med metoder för djup slutledning inom USAR och resonerar sedan kring möjligheten att använda sig av bakåtpropagerande neurala nätverk. Neurala nätverk är ett mekaniskt försök att efterlikna mänskligt tänkande genom inlärning med återkoppling. Det består av ett indatalager, ett utdatalager och ett antal gömda lager. Lagren består av noder som binds samman av länkar. Ett neuralt nätverk bearbetar indata och vikter och resultatet med ett facit. Om något inte stämmer genereras ett fel. Felet propageras sedan tillbaka genom lagren för att justera styrkan hos länkarna och därigenom kan nätverket lära sig ett mera passande svar [12]. Blitch skriver att neurala nät är ett ytterst användbart verktyg för beslutsfattning, särskilt för problem som innefattar mönsterigenkänning, och att nätverken kan förfinas till att utveckla färdigheter för djup slutledning som kan generaliseras till andra ämnesområden utan att tappa i effektivitet. Trots många fördelar med neurala nätverk kommer Blitch fram till att de inte passar att användas enskilt, utan möjligtvis som en komponent i ett hybridsystem [2]. Figur 6: General reasoning development diagram. Blitch går sedan över till att analysera den grunda slutledningsvarianten och menar att den är mer attraktiv än generaliserade algoritmer eftersom USAR i stor omfattning baseras på erfarenheter från tidigare händelser. Han undersöker andra expertsystem med avsikten att finna en 8

12 passande modell för utvecklingen av sitt eget system KNOBSAR [2]. Den grunda slutledningen visar upp vissa övertag jämfört med den djupa slutledningen och Blitch går in på att redogöra för ett hybridsystem. Problemet enligt Blitch är att ett system som tillfredsställande kan kombinera grund och djup slutledning och ha neurala nätverk som komponent inte finns tillgängligt idag. Han menar vidare att USAR behöver omedelbar hjälp med resursfördelning och att man inte har råd att vänta på utvecklingen av innovativa tekniker. Han föreslår därför en utveckling av en prototyp av ett förenklat expertsystem som kan användas direkt, men håller dörrarna öppna för kommande hybridsystem [2]. Vid utvecklingen av prototypen KNOBSAR valdes en kunskapsbaserad inriktning där man försöker ta tillvara på en experts kunskap inom ett visst område för att arbetet ska flyta på mer effektivt och för att undvika flaskhalsar. Man försöker efterapa en experts kunskaper genom ett nät av slutledningar bestående av om-så-regler. Dessa regler binds samman för att representera en någorlunda grund slutledning för ett smalt ämnesområde. Systemet bearbetar indata mot de olika reglerna och försöker generera ett passande svar eller ber om ytterligare indata för att kunna komma fram till något. En av anledningarna till att man valde den här typen av system till KNOBSAR var att det arbetar fort, vilket är avgörande i USAR-miljön. En annan anledning är att ett sådant system steg för steg kan redogöra för sitt resonemang och filtrera bort problem som är för enkla och på så sätt effektivisera arbetet [2]. Blitch skriver att ett regelbaserat system, som är en undertyp till kunskapsbaserade, lämpar sig väl för USAR. Det går ut på att man formulerar regler utifrån intervjuer från verkliga experter på ett visst område, och på så sätt tar del av deras gedigna erfarenhet och den heuristik erfarenheterna har hjälpt dem att skapa. Systemet är måldrivet och använder sig av backward chaining i sitt resonemang. För att inte göra rapporten för teknisk väljer jag att inte gå in mera på hur ett sådant här system fungerar, för den som vill veta mera rekommenderar jag att läsa artikel [2]. Till slut är det värt att påpeka att en av de främsta uppgifterna för ett kunskapsbaserat system är att filtrera problemen och på så sätt minska arbetsbördan för ledaren, i USAR oftast räddningsledaren, och tillåta dem att fokusera på mer komplexa och komplicerade beslut [2]. Det är också värt att notera att systemet (tillsammans med annan mjukvaruutveckling) inte testats på ett tillfredsställande sätt och inte heller användes vid räddningsinsatsen vid World Trade Center [7]. 5.3 Perception och navigering USAR-domänen innebär extremt svåra begränsningar för både robotdesignern och programmeraren, alltså både på hård- och mjukvaran. Två av de huvudsakliga uppgifterna för en robot är navigering och att detektion av offer. Båda är svåra uppgifter och mycket forskning har lagts på var och en för sig. I en räddningsrobot är det av största vikt att dessa beteenden existerar sida vid sida, något som orsakar konflikter och måste lösas med artificiell intelligens [6]. Figur 7: Ett exempel på konflikten som uppstår mellan navigering och detektion. 9

13 Figur 7 på föregående sida visar tre fall då ett intelligent system i en räddningsrobot måste besluta hur roboten ska bete sig i en satisficing or optimal situation. Ett tillstånd av satisficing uppstår då roboten är tillräckligt nära ett offer för att lämna av ett kommunikationsverktyg. Det idealiska vore om roboten tog sig in i den optimala regionen, bananformad i figur 6, som är tillräckligt nära för att kunna lämna en monitor hos offret. I det första fallet kan roboten lätt navigera runt och in i den optimala regionen. I det andra fallet navigerar den in i satisficingområdet. Detta räcker för att kunna leverera kommunikationsverktyget, men bilden visar skulle roboten kunna gå in i det optimala området. I det tredje fallet går roboten ifrån försöken att upptäcka offret i hopp om att kunna nå satisficing-regionen. Om det går så här långt skulle roboten vara tvungen att besluta om det här var tillräckligt eller om den måste försöka nå den optimala delen. Denna tankegång väcker frågor om en robot ska kunna hantera konflikter av det här slaget, hur länge den ska försöka och när det är dags att ge upp. Det är än så länge ett outforskat område som dock är mycket viktigt för en effektiv upptäckt av offer samtidigt som roboten ska navigera runt [6]. 6 Hur bli bättre? Några av de saker jag har stött på när det gäller förbättringar är de nedan. Litteraturen bjuder på många fler men jag har gjort ett urval. I nuläget är förhållandet människa-robot 2:1 vilket innebär att det krävs två personer för att på bästa sätt sköta en robot och analysera den information som roboten förser dem med. Samtidigt är det två personer som utsätts för stora risker, så det är viktigt att försöka effektivisera och hitta en lösning på detta utan att ge avkall på den primära uppgiften som är att söka efter och upptäcka offer [1]. Man måste försöka få räddningspersonal att fullt ut acceptera robotarna som en del av räddningsteamet, precis som hundar, vilket inte alltid är så lätt. Rädsla eller yrkesstolthet kan göra det svårt för räddningsarbetarna att inse vilket värdefullt verktyg robotarna kan vara. Ett sätt att lättare få dem att acceptera den nya utrustningen är genom omfattande träning så att allt flyter på som det ska vid en verklig katastrof. Gör det inte det finns det risk för att robotarna och den personal som sköter dem inte tas på allvar [1], [2]. Det verkar generellt som om sensorerna är en svag länk inom räddningsrobotiken. Det finns mycket information i omgivningen som dagens sensorer inte klarar av att bearbeta på ett bra sätt. Detta beror till stor del på att USAR-omgivningen ställer helt andra krav på sensorerna än vad många andra robotdomäner gör. I ett labb är väggarna vertikala och golvet rakt och skulle roboten stöta på ett hinder går det att manuellt flytta på det. Alla sådana förutsättningar kastas omkull helt när det gäller räddningsrobotarna, så de sensorer som fungerar i en labbmiljö har lite för lite att erbjuda i en katastrofsituation [6]. Genom att arbeta mera på att lösa konflikten mellan perception och navigering som nämndes tidigare. Just nu finns det ett gap mellan dessa två färdigheter och artificiell intelligens behövs för att fylla ut det gapet [6]. 6.1 Robottävlingar inspiration och övning RoboCup (The Robot World Cup Initiative) är ett internationellt initiativ till forskning och utbildning inom artificiell intelligens och robotik. Den första tävlingen hölls 1997 i samband med the International Joint Conference on Artificial Intelligence (IJCAI) i Japan. Man valde fotboll eftersom det är en sport som engagerar många och som bygger broar över gränser. Visionen var denna: By mid-21st century, a team of fully-autonomous humanoid robot soccer players complying with the official rules of the FIFA shall win a soccer game against the winner of the most recent World Cup. [5]. År 2001 fick tävlingen en ny liga, RoboCup Re- 10

14 scue. Målet i fotbollsligorna är att ta fram avancerad mjukvara, men i räddningsligan ligger tyngdpunkten på att få fram och utvärdera teknologi som är användbar för USAR [5], [8]. Det var dock inte RoboCup som var först ut med dessa tävlingar för mobila robotar, utan föregicks av: the American Association of Artificial Intelligence (AAAI) Mobile Robot Competition: USAR Event och the International Robot Games Festival (Robo-Festa): Robot Rescue [3]. USAR-tävlingarna är viktiga inte bara för forskning och utbildning utan också för att få ett ökat intresse för räddningsrobotar. Ett större intresse innebär mera förståelse för deras arbete och mera forskningsstöd [3]. The National Institute of Standards and Technology (NIST) har tagit fram testarenor som nu används i tävlingar, bland annat de ovanstående, för att testa färdigheterna hos robotar och andra intelligenta system. NIST hoppas attrahera tre huvudsakliga klienter till de här testanläggningarna: forskare som behöver testmöjligheter, forskningssponsorer samt slutanvändare. En av anledningarna till att bygga dessa arenor är att det tillåter en direkt jämförelse av olika metoder och inriktningar. Det blir så att säga möjligt att jämföra äpplen med äpplen och inte päron. En annan fördel med arenorna är att de är tänkta att representera ett visst mått av verklighet, även om det är svårt med just USAR-miljön, och att det ska gå att reproducera testen och mätningarna som genomförs. Tävlingarna genomförs på tre separata arenor som representerar olika svårighetsgrad, den gula, den orangea och den röda [11]: Den gula är den enklaste att korsa och består i stort sett av en plan labyrint. Den är främst till för forskare som kanske inte har de mest avancerade robotplattformarna utan vill testa sensning, mappning eller planeringsalgoritmer. Den orangea är medelsvår och erbjuder utmaningar att ta sig igenom. Det finns olika typer av golvmaterial och dessutom en andra våning som kan nås med ramp, trappor eller stege. Hål i golvet ställer krav på perception, mappning och planeringsfärdigheter. Den röda arenan är svårast och är minst strukturerad av de tre. Den är mer eller mindre en skräphög och är mycket svår att korsa, vilket ställer krav på robotarnas rörliga delar. På vissa ställen är golvet så instabilt att en robot som går på det kan orsaka kollaps. För den som är intresserad av att veta mera om tävlingarna eller testarenorna som nämns ovan rekommenderar jag att läsa [3], [5], [10] eller [11]. 7 Åt vilket håll går utvecklingen idag? Det är lätt att förstå att utvecklingen och användningen av räddningsrobotar går framåt med hjälp av träning, forskning och erfarenhet. Robottävlingarna och räddningsinsatsen vid WTC är bara några exempel på tillfällen att se hur allting fungerar utanför labbmiljön. I stort sett alla artiklar jag har läst pekar på några saker som författaren tycker är av högsta vikt att arbeta vidare med. En del påpekanden återkommer, medan andra förekommer på något enstaka ställe. Jag antar att författarna gör vissa rekommendationer utifrån sina egna forskningsområden eller kanske personliga intressen. Här försöker jag ändå ta upp några saker som forskarna verkar vara överens om att man måste utveckla vidare. Marsupiala och formskiftande (polymorfiska) robotar är fortfarande ett nytt fält som man arbetar mycket med. Marsupiala robotar kan vara till stor nytta även utanför USAR, t.ex. för rymdutforskning, militära applikationer och omhändertagande av farligt material. CRASAR tittar också på hur marsupiala robotar skulle kunna samarbeta och vilken gruppsammansättning som skulle fungera bäst. Man intresserar sig också för insekts- eller ormliknande robotar som har stor rörelsefrihet och därmed lättare kan ta sig in i trånga utrymmen [4], [8]. Man försöker ständigt testa och förbättra plattformarna, mjukvaran och sensorerna. Just nu tittar man på bildbearbetning och intelligent assistans som kan hjälpa till med igenkänning och 11

15 identifikation [7]. Något som också måste vidareutvecklas är människa-robotinteraktionen för att underlätta för dem som arbetar vid en räddningsinsats [1]. Det är också av stort intresse att försöka förbättra människa-robotförhållandet som i nuläget är 2:1. Ju färre människor som är involverade i att transportera och styra roboten, desto färre människor som utsätts för fara [1]. 8 Diskussion Jag tycker för det första att hela idén med att använda robotar vid exempelvis minröjning eller naturkatastrofer är fullständigt briljant. Varför riskera människors liv om det inte behövs? För många är robotar fortfarande en stor portion science fiction, men om man kan se en faktisk nytta med dem kanske det blir lättare att acceptera tekniken de för med sig som positiv. Detta är just en av utmaningarna som t.ex. CRASAR står inför, att få räddningsarbetarna och samhället att acceptera robotarna som ett verktyg och börja använda det. Trots att robotarna egentligen är ganska komplicerade skapelser är det viktigt att de är lättanvända och att operatören klarar sig utan en examen i robotik eller datavetenskap. Där tror jag att AI har mycket att tillföra genom att arbeta vidare på robotarnas självständighet och intelligens. Jag skrev tidigare om att det uppstår konflikter mellan navigering och perception i robotarna, något som man också måste sikta på att lösa inom en snar framtid för att kunna rädda flera människor än vad man gör idag. Några områden som jag själv skulle kunna tänka mig att följa upp är vad statusen är på Blitchs expertsystemsprototyp KNOBSAR, om det används idag och hur pass användbart det kan bli.. Jag skulle också tycka att det vore intressant att titta på hur räddningsrobotar fungerar i en samarbetande grupp, om den skulle vara mest effektiv i en homogen eller heterogen sammansättning, om en operatör skulle kunna styra flera robotar, eller hur man löser det. Som många artikelförfattare påpekat är det framför allt sensorerna och perceptionen som är de svaga länkarna hos räddningsrobotarna, och jag tycker att dessa områden bör få högsta prioritet för att undvika missar i detektionen av överlevande. Det är också viktigt att se över sökalgoritmerna i mjukvaran för att se till att en robot verkligen söker igenom ett hålrum och inte slutar förrän den har undersökt allt. En annan aspekt på räddningsrobotar är pengarna. Forskningen behöver bidrag för att komma framåt och efter WTC har intresset vuxit och det går lite lättare för dem att få pengar. Men samtidigt vill många av USA:s brandkårer köpa in robotar att träna på och använda i sitt arbete, men det prioriteras ofta bort p.g.a. att de än så länge är för dyra. Skulle de ändå köpa in en robot kanske de inte skulle använda den av rädsla för att något så dyrbart skulle gå sönder [8]. Jag tror därför det är viktigt för robottillverkarna att på sitt håll arbeta vidare med utveckling, rensa bort komponenter som USAR kanske inte behöver och på så sätt försöka få ner priserna. Jag tror också att det är viktigt med samarbete över gränser, vare sig det gäller gränser mellan olika discipliner, olika länder eller olika myndigheter. Det har ju t.ex. visat sig att en robot för minröjning som amerikanska armén använder har många likheter med en av CRASAR:s robotar för räddningsuppdrag vilket kan leda till samarbete. Ett annat tillfälle till samarbete och utbyte av erfarenheter är vid robottävlingarna som jag skrev om i rapporten, så jag hoppas att de kommer att anordnas även i framtiden. I en drömvärld skulle vi inte behöva vare sig räddningsrobotar eller räddningsarbetare, men så lyxig är inte världen idag. Just därför förstår och uppskattar jag dessa robotar och människorna som ägnar sina liv åt att få dem att fungera allt bättre. Titeln på mitt arbete är Rädda liv med hjälp av A.I. går det? och jag svarar utan tvekan ja. Än så länge är AI:n bara en bricka i ett större spel och kan inte ersätta mänsklig intelligens, men man bör inte döma ut den utan ge den en chans att visa vad den går för. 12

16 Litteraturförteckning Samtliga artiklar utskrivna från Internet [1] Murphy, R R.; "Human-Robot Interaction in Rescue Robotics", also part of IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, special issue on Human-Robot Interaction, Vol. 34, No. 2, May [2] Blitch, J G.; Artificial Intelligence Technologies for Robot Assisted Urban Search and Rescue, Expert Systems with Applications, Volume 11, Issue 2, 1996, Pages [3] Osuka, K; Murphy, R R.; Schultz, A C.; USAR Competitions for Physically Situated Robots, IEEE Robotics & Automation Magazine, v 9, n 3, Sept. 2002, p [4] Murphy, R R.; Marsupial and shape-shifting robots for urban search and rescue, Intelligent Systems, IEEE [see also IEEE Expert], Volume: 15, Issue: 2, March-April 2000, Pages: [5] Takahashi, T; Tadokoro, S; Working with Robots in Disasters, Robotics & Automation Magazine, IEEE, Volume: 9, Issue: 3, Sept. 2002, Pages: [6] Casper, J; Micire, M; Murphy, R R.; Issues in Intelligent Robots for Search and Rescue. URL: [7] Casper, J; Murphy, R R.; Human-Robot Interactions During the Robot-Assisted Urban Search and Rescue Response at the World Trade Center, also appears as IEEE Transactions on Systems, Man and Cybernetics Part B, Vol. 33, No. 3, pp , June [8] Davids, A; Urban Search and Rescue Robots: From Tragedy to Technology, Intelligent Systems, IEEE [see also IEEE Expert], Volume: 17, Issue: 2, March-April 2002, Pages: [9] Murphy, R R.; Casper, J; Hyams, J; Micire, M; Minten, B; Mobility and Sensing Demands in USAR, Industrial Electronics Society, IECON th Annual Confjerence of the IEEE, Volume: 1, Oct. 2000, Pages: vol.1 [10] Murphy, R R.; Casper J; Micire, M; Hyams, J; Assessment of the NIST Standard Test Bed for Urban Search and Rescue, also appears as NIST Workshop on Performance Metrics for Intelligent Systems. [11] Jacoff, A; Messina, E; Evans, J; Experiences in Deploying Test Arenas for Autonomous Mobile Robots, Measuring the Performance and Intelligence of Systems: Proceedings of the 2001 PerMIS Workshop (NIST SP 982), 2002, p [12] Föreläsnings-OH från kursen i artificiell intelligens (HKGBB0) höstterminen 2004 med Annika Flycht-Eriksson. 13