Robotika a fyzická AI

Výzkumníci vytvořili algoritmický plánovač pro delegování úkolů lidem a robotům

Alex McFarland
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyPlánovač ADL snižuje náklady na úkoly člověka a robota o 10 až 15 procent oproti…
Zobrazit více
  • Plánovač ADL snižuje náklady na úkoly člověka a robota o 10 až 15 procent oproti tradičním modelům.
  • Systém jedinečně integruje učení robota do rozhodování o delegování úkolů v týmech člověka a robota.
  • ADL optimalizuje, kdy učit robota versus delegovat úkol na lidského pracovníka.

Tým výzkumníků z Robotics Institute (RI) na Carnegie Mellon University vyvinul algoritmický plánovač, 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 se 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 k naučení robota vykonávat úkol, a náklady spojené se selháním robota při plnění 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 statičtí,” 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 je překonal ve všech případech 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.

Alex vede AI‑poháněné zpravodajské operace společnosti Unite.AI, spojuje žurnalistiku, výzkum a automatizaci, aby podpořil včasné a škálovatelné pokrytí umělé inteligence. Jeho práce pomáhá zajistit, aby byly nové události v oblasti AI efektivně prezentovány a zároveň byly zachovány redakční standardy publikace.