Výzkumníci vytvořili algoritmického plánuječe pro delegování úkolů lidem a robotům

Tým výzkumníků z Robotics Institute (RI) na Carnegie Mellon University vyvinul algoritmického plánuječe, který může pomoci delegovat úkoly lidem a robotům. Plánovač se jmenuje „Act, Delegate or Learn“ (ADL) a zvažuje seznam úkolů, než rozhodne o nejlepším způsobu jejich přiřazování.

Práce s názvem „Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams“ byla prezentována na Mezinárodní konferenci o robotice a automatizaci v Philadelphii.

Tři zaměřené otázky

Při vývoji ADL se tým zaměřil na tři otázky:

1. Kdy by měl robot dokončit úkol?
2. Kdy by měl být úkol delegován na člověka?
3. Kdy by měl robot naučit nový úkol?

Shivam Vats je vedoucí výzkumník a doktorand v RI.

“Existují náklady spojené s rozhodnutími, jako je čas, který člověk potřebuje k dokončení úkolu, nebo náklady na to, aby robot naučil nový úkol a náklady na to, aby robot selhal při úkolu,” řekl Vats. “Vzhledem k těmto nákladům náš systém poskytne optimální rozdělení práce.”

Potenciální použití ADL

Tento nový systém by mohl být použit ve výrobních a montážních závodech pro třídění balíků nebo v jakémkoli prostředí, které zahrnuje spolupráci lidí a robotů při provádění úkolů. Plánovač byl testován v scénářích, které zahrnovaly lidi a roboty vkládající bloky do desky s otvory a skládající různé tvary z Lego kostek.

Přístup k delegování a rozdělování práce pomocí algoritmů a softwaru existuje již nějakou dobu, ale tento nový systém je první, který zahrnuje učení robotů do svého rozhodování.

“Roboti již nejsou statické,” řekl Vats. “Mohou být vylepšeni a mohou se učit.”

Ve výrobních prostředích, které zahrnují roboty, pracovníci obvykle ručně manipulují robotickým ramenem, aby robotovi ukázali, jak dokončit úkol. To však může trvat hodně času a vyžadovat velké počáteční náklady. Z tohoto důvodu je důležité určit nejlepší čas, kdy naučit robota, a kdy delegovat stejný úkol na člověka. Toto rozhodnutí vyžaduje, aby robot předpovídal další úkoly, které může dokončit po naučení původního.

Plánovač převádí toto na optimalizační program, který se obvykle používá při plánování, navrhování komunikačních sítí nebo výrobním plánování. Ve srovnání s tradičními modely nový plánovač překonal všechny instance a snížil náklady spojené s dokončením úkolů o 10% až 15%.

Výzkumný tým také zahrnoval Olivera Kroemera, který je asistentem profesora v RI, a Maxim Likhacheva, který je asociovaným profesorem v RI.