Hlavní navigace

Za portálem Kdynakoupit.cz se skrývá experiment. Vědci z ČVUT chtějí naučit roboty předvídat děje v přirozeném prostředí

9. 6. 2021
Doba čtení: 10 minut

Sdílet

 Autor: Depositphotos
Data z portálu Kdynakoupit.cz pomůžou nejen lidem vyhnout se přeplněným obchodům. Experiment vědců z FEL ČVUT učí roboty orientaci v měnícím se lidském prostředí.

Tým vědců kolem kybernetika Tomáše Krajníka z Fakulty elektrotechnické ČVUT představil loni aplikaci Nebojsa, která dokázala odhadnout, kdy je v atmosféře zvýšeného rizika nákazy koronavirem vhodné jít do obchodu. Aplikace se následně přejmenovala na Kdynakoupit.cz a podle autorů poskytuje lepší výsledky než podobná služba od Googlu

Spolu s rozvolňováním protipandemických opatření by se mohlo zdát, že je aplikace zbytečná. Autoři ale v rozhovoru s Lupou vysvětlují, že portál Kdynakoupit.cz je jen vedlejším produktem mnohem sofistikovanějšího výzkumu. Nasbíraná data o návštěvnosti obchodů totiž slouží jako podklad pro prediktivní modely, pomocí kterých se roboti naučí předvídat, co se bude dít v jejich okolí.

„Před zhruba 15 lety jsem začal zkoumat navigaci mobilních robotů. Navigační algoritmy fungují tak, že dáte robota do neznámého prostředí a aby se tam zorientoval, provedete jej po prostoru a on si vytvoří mapu s významnými orientačními body. A když ho tam posadíte znovu, dokáže podle svých senzorů poznat, kde se nachází, a dokáže si plánovat cesty. Problém je, že autoři mapovacích metod, označovaných jako SLAM (Současná Lokalizace a Mapování) se zaměřovali především na vytváření co nejpřesnějších map prostředí. Jenže když se setmí, tak navigace prostřednictvím kamer podle map pořízených ve dne najednou nefunguje,“ vysvětluje jeden z autorů projektu Tomáš Krajník.

Robotům v takové chvíli nepomůže ani umělé osvětlení, protože charakter obrazu se změní, což většinu algoritmů zmate. Komplikace přináší i změna ročních období. Data nasbíraná v zimě jsou v létě často irelevantní. „My jsme si v roce 2015 uvědomili, že reprezentace pravděpodobnosti, kterou používají robotické mapy, vycházejí ze špatného předpokladu. Robotům při sledování okolí totiž v pravděpodobnostním modelu chybí funkce času. Začali jsme řešit, jak budeme tuto pravděpodobnost reprezentovat. Přišli jsme na to, že čas nemá smysl reprezentovat lineárně jako ve fyzice. Reprezentace času by měla reflektovat strukturu přirozených procesů, které na daném místě probíhají,“ dodává.

Představit si to můžeme na příkladu robota-uklízeče na vysoké škole. Čas pro takového pomocníka plyne spíše v rytmu přednášek a přestávek. „Třeba když bude robot plánovat, že chce projet chodbou, ví, že kdyby se mu tam srotili lidé, neuvidí přes ně na svoji mapu a ztratí se. Může si naplánovat, že tam bude jezdit v době, kdy bude 15 minut po začátku přednášky, kdy i ti poslední studenti doběhli. To se roboti dnes mohou naučit na základě principu, který se nazývá frekvenční rozšíření map, anglicky Frequency Map Enhancement, tedy FreMEn.“

Původní záměr byla optimalizace robotaxíků

Vědci se původně, inspirování dobovými robotickými konferencemi, chtěli zaměřit na predikci vytíženosti taxíků a plánování rozmístění flotil vozidel. „Ve městě se potřebujete k zákazníkovi dostat dřív než konkurence. Ideálně na místě musíte čekat ještě před tím, než zákazník vůbec v aplikaci zavolá taxislužbu. Chtěli jsme vytvořit mapy, které dokáží na úrovni města říct: ‚Tady si lidé v určitou denní dobu budou pravděpodobně objednávat taxíky‘, a na základě toho predikovat, kam taxíky s předstihem poslat,“ vysvětluje Krajník vědecký záměr, jehož cílem byla tvorba matematických modelů na predikci změn v přirozeném prostředí.

„Když autonomní systémy dokáží předpovídat, co se kdy stane, zvládnou i lépe plánovat svoji činnost. Robot, který jezdí po vysoké škole, časem přijde na to, že nemá smysl vytírat chodby v době, kdy jsou přestávky, a začne to dělat na konci dne. Cílem naší aktivity tedy bylo umožnit autonomním systémům dělat lepší předpovědi a dělat je lepší na základě dat, které má robot k dispozici. Dat je typicky málo a jsou sbíraná nepravidelně. Proto vytváříme matematický aparát, který by na základě takto řídkých dat dokázal vnést do stávajících map dlouhodobou dynamiku.“

Predikce s minimem dat

Na začátku epidemie vědci z FEL ČVUT dostali nápad, jak tyto modely využít v boji proti pandemii. Vytvořili portál Nebojsa, který z uživatelských důvodů následně rozdělili na webovou aplikaci Kdynakoupit.cz a aplikaci pro dobrovolníky FreMEn Explorer.

„Kdynakoupit.cz funguje na mapových podkladech OpenStreetMap, takže pro všechny vyznačené kategorie míst bychom měli být schopní poskytovat predikce. Jsou to desetitisíce míst v ČR, a přitom data máme jen k necelým 10 % z nich, a často jde o jedno až dvě měření. I tak ale dokážeme rámcově předpovědět, nakolik budou obchody v danou denní dobu na daném místě vytížené,“ vysvětluje Krajník. Přesný počet uživatelů autoři aplikací neznají, dodávaná data jsou čistě anonymní. Sledují jen počty jednotlivě vygenerovaných dotazů. Ty se pohybují v řádu stovek až tisíců denně.

Test Kdynakoupit.cz a Google popular times ve Svatováclavské cukrárně.
Autor: Martin Rektoris

Srovnání předpovědí Kdynakoupit.cz a měření Google Popular Times ve Svatováclavské cukrárně.

O sběr dat se starají dobrovolníci. Jde zejména o nadšence nebo studenty, kteří například během čekání ve frontě v obchodě zadají do aplikace, na jakém místě se nacházejí a kolik je tam lidí. „Sběr dat je práce. A uživatelé, kteří sbírají data, vědí, že svou činností přispívají k chodu aplikace, která je veřejně přístupná pro kohokoliv. Na druhé straně, uživatelé webové aplikace Kdynakoupit.cz mohou službu využívat zcela anonymně, aniž by museli řešit otázku, jak s jejich osobními daty nakládáme,“ vysvětluje fundamentální rozdílnost oproti podobným službám Tomáš Vintr z FEL ČVUT s tím, že právě maximální anonymita dat tvůrcům brání zjistit, kolik službu vůbec využívá lidí.

„Oslovujeme gymnázia a střední průmyslové školy se zaměřením na elektrotechniku a IT, aby s námi na projektu spolupracovaly a aby studenti, kterým to přijde zajímavé nebo mají zájem o vědu, nám posílali informace o zaplněnosti svých oblíbených míst a přispěli tak k řešení stávajícího problému a rozvoji nového vědního oboru, chronorobotiky,“ dodává Vintr.

Odlišný způsob sběru dat se podle autorů promítá i do přesnosti údajů o vytíženosti jednotlivých míst, byť autoři uznávají, že výsledky jsou ověřené jen na omezeném počtu míst. 

„Pasivní sběr dat sledovacími systémy má dvě nevýhody. Zaprvé má data pouze o uživatelích smartphonů, jejichž užívání se různí napříč profesemi a věkovými skupinami. Například ráno a dopoledne nakupují spíše lidé, kteří už nepracují, nebo pracují na směny. U těch se závislost na smartphonech nerozvinula natolik, aby je museli mít neustále u sebe. Díky tomu trackovací systémy chybně doporučují nakupování v době, kdy jsou obchody ve skutečnosti vytížené. Zadruhé, když máte někde více obchodů vedle sebe, přesnost GPS je nedostatečná k určení, ve kterém obchodě skutečně jste. Naopak, když je vedle tramvajová zastávka, obchod bude vypadat plněji, protože na ulici stojí lidé a GPS ukazuje, že nakupují v obchodě. Jinými slovy, trackovací systémy používají velké množství statisticky vychýlených dat. Když přijde náš dobrovolník a podá informaci o zaplněnosti, je jedno, kolik z lidí v obchodě užívá smartphone a jak kvalitní je lokalizace z GPS. Data jsou malá, ale kvalitnější,“ vysvětluje Krajník.

„Trackování funguje jen, když na místě jsou relativně velké počty lidí. Zaplněnost spousty malých obchodů tak není vidět.. Náš systém nepreferuje žádné obchody, je postavený na tom, jaké objekty jsou v mapě. To je výhodné pro oblíbené obchody se stálou klientelou. Nedávno jsme měřili obsazenost kavárny v blízkosti tramvajové zastávky, a ta na Google popular times působí neustále plným dojmem. Naopak vedle byla velmi vytížená cukrárna, kde Google popular times předpovídal, že tam po celý den nikdo není,“ dodává Vintr.

Původní aplikace Nebojsa modely všech obchodů v OpenStreetMap ještě neobsahovala. Ten autoři zakomponovali až s „rozdvojením“ platformy na část pro zobrazování dat a část pro jejich sběr. „Teď bychom byli rádi, kdyby nám dobrovolníci, hlavně studenti, nasbírali dostatek dat, abychom mohli ověřit přesnost predikcí. Do této chvíle jsme to ověřovali pouze tak, že jsme požádali nějakého studenta, aby jel do náhodného města a tam zkusil během několika dní přeměřit náhodný obchod,“ vysvětluje Vintr. „Tím, že predikce vycházely poměrně přesně, rozhodli jsme se, že predikce nad celým Českem spustíme hned.“

Autoři projektu získali loni v červnu zvláštní cenu hackatonu Hack the crysis a cenou AIT za nejlepší softwarový projekt pro boj s covid-19. Předcházející výzkum technologií, na na nichž stojí systém Kdynakoupit.cz, byl podpořen grantem EU FP7 STRANDS, Grantovou agenturou České republiky, Ministerstvem školství, mládeže a tělovýchovy a Technologickou agenturou České republiky.

Jak naučit stroj zapomínat

Faktor času může dát prediktivnímu modelu nebývalé možnosti, ale přináší také řadu problémů. Algoritmus se zejména musí naučit rozlišit, která data jsou pro něj ještě významná a která jsou už bezcenná. „V roce 2016 jsme narazili na problémy, kdy se samotná dynamika daného procesu měnila v čase. Je tam parametr, který vám říká, jak rychle máte zapomínat naučené věci. Kolem toho se zkusila spousta modelů, jak pracovat s časem, včetně frekvenčních nebo hyperčasových reprezentací. U nich se čas modeluje ve vícerozměrném prostoru a model je analogií starověkých kalendářů,“ říká Krajník. Zvyky lidí se ale v průběhu času mění a model to musí adekvátně reprezentovat.

„Když před rokem došlo k prvnímu lockdownu, mohli jsme všechna dosud nasbíraná data v podstatě zahodit, protože nákupní zvyky lidí se změnily ze dne na den. Třeba opatření, že důchodci měli chodit ráno v určených hodinách, tím rozložením hodně zamíchalo. V takovou chvíli náš model má spíš zapomínat a spoléhat se na nová data,“ dodává.

„Data se zobrazují do vícerozměrného vektorového prostoru, kde lze odhadnout míra zaplněnosti. Ta se pak zpětně zobrazuje do lineárního času. Pokud se změní návštěvnost, tak se to nejprve začne projevovat jako vícemodální rozdělení a postupně nová data přehluší ta stará. Nicméně toto je čistá teorie, nemáme ještě tolik dat, abychom byli schopní to tvrdit ve vší obecnosti,“ popisuje Vintr. „Podle dosavadních pokusů se zdá, že algoritmus si v případě, že zapomene všechna data, dokáže novou mapu chování vytvořit za jeden až dva týdny. FreMEn tedy dokáže v relativně krátké době reagovat na drastické změny, ale rychlost zapomínání u autonomních systémů je obecně ještě hodně neprozkoumaná záležitost.“

Budou vysavače chytřejší?

Data sesbíraná během pandemie i po ní vědcům z FEL ČVUT pomůžou vytvořit matematické modely pro predikci změn prostředí. Ačkoliv praktickým produktem je aplikace, která vám napoví, kdy je pravděpodobně nižší riziko, že bude v obchodě hlava na hlavě, vědeckým cílem je zdokonalit autonomní roboty tak, aby dokázali na změny způsobenými lidmi nejen reagovat, ale umět je předpovídat a přizpůsobit jim svou činnost.

„Nezávisle na tom, kolik uživatelů systém bude mít, jde o rozsáhlý experiment, který bude použit pro algoritmy umělé inteligence pro autonomní robotiku. Pro roboty, kteří mají v různých zařízeních pomáhat lidem a nepřekážet jim. Stroje toto doposud neumí. Roboti jsou na začátku roztomilí, lidé si s nimi hrají, ale po čase jsou vnímáni jako asociálové, kteří se neumí přizpůsobit zvykům lidí, kterým mají být užiteční. To ve výsledku vede k odmítnutí robotů v roli pomocníků,“ říká Vintr.

Tip Lupa_temata

Kromě zmíněných autonomních taxíků má aplikace v blízké budoucnosti šanci pomoci také i u méně hi-tech zařízení. Prediktivní model by mohl třeba výrazně vylepšit chování robotických vysavačů (a tím i snížit frustraci jejich majitelů). „Vypozorovali jsme, že lidem nevadí, když je robot na začátku hloupý. Ale když ty hloupé věci pořád dokola opakuje, tak lidé jsou mrzutí, že platí robotiky, kteří nedokážou vymyslet nic lepšího. Když se ale robot po týdnu naučí, že má ráno stát u vchodu do instituce a říkat instrukce a informace, místo aby tam umýval podlahu, lidé to považují za chytré chování, a přitom je to jen trochu vylepšená matematika, která reprezentuje pravděpodobnost,“ odhaluje Krajník, v čem by algoritmus mohl potenciálně pomoct.

„To postupné přizpůsobování se rytmu prostředí, kde robot pracuje, lidé kvitují s povděkem. Považují to za chytré. Autonomní roboty to zatím moc nedělaly, protože mimo jiné nedokáží fungovat dlouho. V našich domácnostech je jen málo robotů, kteří se chovají chytře. Například robotické vysavače umí fungovat dlouho, ale jejich schopnost orientace je nízká a časem se nezlepšuje. Vytvoření přesné mapy botům trvá dlouho, a navíc se pak posune židle nebo vymaluje místnost, mapa se tím zneplatní a robot je ztracený. Roboti, kteří se přizpůsobí změnám prostředí a lidskému chování, budou o krok blíže k tomu aby byli platnými pomocníky v běžných lidských životech.“

Autor článku

Novinář a moderátor, redaktor Lupa.cz a spolupracovník Českého rozhlasu Plus. Dříve působil také v marketingu a pracoval ve státní správě.