الروبوتات والذكاء الاصطناعي الفيزيائي

باحثون يطورون مخططًا خوارزميًا لتفويض المهام إلى البشر والروبوتات

Alex McFarland
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيُقلّص مخطط ADL تكاليف المهام بين الإنسان والروبوت بنسبة تتراوح بين 10 و15 بالمئة…
عرض المزيد
  • يُقلّص مخطط ADL تكاليف المهام بين الإنسان والروبوت بنسبة تتراوح بين 10 و15 بالمئة مقارنة بالنماذج التقليدية.
  • يدمج النظام بشكل فريد تعلم الروبوت في قرارات تفويض المهام للفرق المشتركة بين الإنسان والروبوت.
  • يعمل ADL على تحسين توقيت تعليم الروبوت مقابل تفويض المهمة لعامل بشري.

فريق من الباحثين في معهد الروبوتات (RI) بجامعة كارنيجي ميلون قد طور مخططًا خوارزميًا يمكنه المساعدة في تفويض المهام إلى البشر والروبوتات. ويسمى المخطط “Act, Delegate or Learn” (ADL)، ويتعامل مع قائمة من المهام قبل اتخاذ القرار بشأن أفضل طريقة لتخصيصها.

تم تقديم العمل تحت عنوان “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” في المؤتمر الدولي للروبوتات والأتمتة في فيلادلفيا.

ثلاثة أسئلة محددة

عند تطوير ADL، ركز الفريق على ثلاثة أسئلة:

  1. متى يجب على الروبوت أن يكمل مهمة؟
  2. متى يجب تفويض مهمة إلى إنسان؟
  3. متى يجب على الروبوت أن يتعلم مهمة جديدة؟

Shivam Vats هو الباحث الرئيسي وطالب دكتوراه في RI.

“هناك تكاليف مرتبطة بالقرارات المتخذة، مثل الوقت الذي يستغرقه إنسان لإكمال مهمة أو تعليم روبوت إكمال مهمة وتكلفة فشل الروبوت في المهمة،” قال Vats. “مع جميع هذه التكاليف، سوف يعطيك نظامنا التقسيم الأمثل للعمل.”

استخدامات محتملة ل ADL

يمكن استخدام هذا النظام الجديد في مصانع الإنتاج والتجميع لفرز الحزم، أو في أي بيئة تتضمن تعاونًا بين البشر والروبوتات لإنجاز مهام. تم اختبار المخطط في سيناريوهات تتضمن بشرًا وروبوتات تُدخل كتلًا في لوحة ذات ثقوب وتكدّس أشكالًا مختلفة مصنوعة من قطع ليغو.

منذ فترة، تم تطوير نهج تفويض وتقسيم العمل من خلال الخوارزميات والبرمجيات، ولكن النظام الجديد يعتبر الأول فيما يتعلق بإدراج تعلّم الروبوتات في استدلاله.

“الروبوتات لم تعد ثابتة القدرات،” قال Vats. “يمكن تحسينها ويمكن تعليمها.”

في بيئات التصنيع التي تتضمن روبوتات، يحرك العمال عادة ذراعًا آلية يدويًا لتعليم الروبوت كيفية إكمال مهمة. ومع ذلك، يمكن أن يستغرق هذا الأمر وقتًا طويلاً ويتطلب تكلفة كبيرة مسبقًا. بسبب ذلك، من المهم تحديد أفضل وقت لتعليم روبوت مقابل تفويض المهمة نفسها إلى إنسان. يتطلب هذا القرار من الروبوت توقع المهام الأخرى التي يمكنه إكمالها بعد تعلم المهمة الأصلية.

يحول المخطط هذا إلى برنامج تحسين يُستخدم عادة في الجدولة، تصميم شبكات الاتصال، أو تخطيط الإنتاج. عند مقارنته بالموديلات التقليدية، أدى المخطط الجديد بشكل أفضل في جميع الحالات وقلل من التكلفة المرتبطة بإكمال المهام بنسبة 10٪ إلى 15٪.

كان الفريق البحثي يتضمن أيضًا Oliver Kroemer، الذي هو أستاذ مساعد في RI، وMaxim Likhachev، أستاذ مشارك في RI.

يقود أليكس عمليات الأخبار المدعومة بالذكاء الاصطناعي في Unite.AI، حيث يجمع بين الصحافة والبحث والأتمتة لدعم تغطية سريعة وقابلة للتوسع للذكاء الاصطناعي. يساعد عمله في ضمان ظهور التطورات الناشئة في مجال الذكاء الاصطناعي بشكل فعال مع الحفاظ على معايير التحرير في النشرة.