Forskere udvikler algoritme til opgavedelegation til mennesker og robotter

Et hold af forskere ved Carnegie Mellon Universitys Robotics Institute (RI) har udviklet en algoritme, der kan hjælpe med at dele opgaver ud til mennesker og robotter. Algoritmen kaldes “Act, Delegate or Learn” (ADL), og den overvejer en liste af opgaver, før den beslutter, hvordan de bedst kan tildeles.

Arbejdet med titlen “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” blev præsenteret på den Internationale Konference om Robotik og Automation i Philadelphia.

Tre fokuserede spørgsmål

Da ADL blev udviklet, fokuserede holdet på tre spørgsmål:

1. Når skal en robot udføre en opgave?
2. Når skal en opgave deles ud til et menneske?
3. Når skal en robot lære en ny opgave?

Shivam Vats er den ledende forsker og en ph.d.-studerende på RI.

“Der er omkostninger forbundet med de beslutninger, der træffes, såsom den tid, det tager for et menneske at udføre en opgave eller at lære en robot at udføre en opgave, og omkostningerne ved, at en robot fejler i en opgave,” sagde Vats. “Med alle disse omkostninger vil vores system give dig den optimale arbejdsdeling.”

Potentiale anvendelser af ADL

Dette nye system kan anvendes i produktions- og samlefabrikker til at sortere pakker eller i enhver situation, der indebærer samarbejde mellem mennesker og robotter for at udføre opgaver. Planlægningen blev testet i scenarier, der involverede mennesker og robotter, der indsætter blokke i en pegbræt og stablede forskellige former af Lego-klodser.

Tilgangen til at dele og dele arbejde gennem algoritmer og software har været til stede i nogen tid, men det nye system er en første gang, det indebærer robotlæring i sin begrundelse.

“Robotter er ikke statiske længere,” sagde Vats. “De kan forbedres, og de kan læres.”

I produktionsmiljøer, der indebærer robotter, manipulerer arbejdere normalt manuelt en robotarm for at lære en robot at udføre en opgave. Det kan dog tage lang tid og kræve en stor forhåndsomkostning. Derfor er det afgørende at finde ud af, hvornår det er bedst at lære en robot versus at dele samme opgave til et menneske. Denne beslutning kræver, at robotten kan forudsige andre opgaver, den kan udføre efter at have lært den oprindelige.

Planlægningen omdanner dette til et optimeringsprogram, der normalt bruges til planlægning, design af kommunikationsnetværk eller produktionsplanlægning. Når det sammenlignes med traditionelle modeller, overgik den nye planlægger dem i alle tilfælde og reducerede omkostningerne forbundet med at udføre opgaverne med 10% til 15%.

Forskningsholdet inkluderede også Oliver Kroemer, der er en adjunkt på RI, og Maxim Likhachev, en lektor på RI.