Ρομποτική και φυσική AI
Ερευνητές Δημιουργούν Αλγοριθμικό Προγραμματιστή για την Ανάθεση Εργασιών σε Ανθρώπους και Ρομπότ
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Μια ομάδα ερευνητών στο Ινστιτούτο Ρομποτικής του Πανεπιστημίου Carnegie Mellon έχει αναπτύξει έναν αλγοριθμικό προγραμματιστή που μπορεί να βοηθήσει στην ανάθεση εργασιών σε ανθρώπους και ρομπότ. Ο προγραμματιστής ονομάζεται “Ενέργησε, Ανάθεση ή Μάθηση” (ADL) και λαμβάνει υπόψη μια λίστα εργασιών πριν αποφασίσει τον καλύτερο τρόπο για την ανάθεσή τους.
Το έργο με τίτλο “Συnergιστική Προγραμματισμός της Μάθησης και Ανάθεσης Εργασιών σε Ομάδες Ανθρώπων και Ρομπότ” παρουσιάστηκε στη Διεθνή Διάσκεψη Ρομποτικής και Αυτομάτου Ελέγχου στη Φιλαδέλφεια.
Τρεις Εστιασμένες Ερωτήσεις
Κατά την ανάπτυξη του ADL, η ομάδα εστίασε σε τρεις ερωτήσεις:
- Πότε πρέπει ένα ρομπότ να ολοκληρώσει μια εργασία;
- Πότε πρέπει μια εργασία να ανατεθεί σε έναν άνθρωπο;
- Πότε πρέπει ένα ρομπότ να μάθει μια νέα εργασία;
Ο Shivam Vats είναι ο επικεφαλής ερευνητής και διδάκτωρ στο RI.
“Υπάρχουν κόστη που συνδέονται με τις αποφάσεις που λαμβάνονται, όπως ο χρόνος που χρειάζεται ένας άνθρωπος για την ολοκλήρωση μιας εργασίας ή για να διδάξει ένα ρομπότ να ολοκληρώσει μια εργασία και το κόστος ενός ρομπότ που αποτυγχάνει σε μια εργασία,” είπε ο Vats. “Δεδομένα όλα αυτά τα κόστη, το σύστημά μας θα σας δώσει την βέλτιστη διαίρεση της εργασίας.”
Πιθανές Χρήσεις για το ADL
Το νέο σύστημα αυτό θα μπορούσε να χρησιμοποιηθεί σε εργοστάσια και μονάδες συναρμολόγησης για την ταξινόμηση πακέτων ή σε οποιοδήποτε περιβάλλον που εμπλέκει συνεργασία ανθρώπων και ρομπότ για την εκτέλεση εργασιών. Ο προγραμματιστής δοκιμάστηκε σε σενάρια που εμπλέκουν ανθρώπους και ρομπότ που τοποθετούν μπλοκ σε μια πινακίδα και στοίβαζουν διαφορετικά σχήματα από Lego κομμάτια.
Η προσέγγιση της ανάθεσης και διαίρεσης της εργασίας μέσω αλγορίθμων και λογισμικού υπάρχει για κάποιο χρόνο, αλλά το νέο σύστημα είναι το πρώτο που περιλαμβάνει την μάθηση του ρομπότ στη λογική του.
“Τα ρομπότ δεν είναι πλέον στατικά,” είπε ο Vats. “Μπορούν να βελτιωθούν και να διδαχθούν.”
Σε περιβάλλοντα κατασκευής που εμπλέκουν ρομπότ, οι εργάτες συνήθως χειρίζονται χειροκίνητα einen ρομποτικό βραχίονα για να διδάξουν ένα ρομπότ να ολοκληρώσει μια εργασία. Ωστόσο, αυτό μπορεί να πάρει πολύ χρόνο και να απαιτήσει einen μεγάλο προκαταβολικό κόστος. Λόγω αυτού, είναι κρίσιμο να καθορίσετε τον καλύτερο χρόνο για να διδάξετε ένα ρομπότ έναντι της ανάθεσης της ίδιας εργασίας σε έναν άνθρωπο. Αυτή η απόφαση απαιτεί από το ρομπότ να προβλέψει άλλες εργασίες που μπορεί να ολοκληρώσει μετά την μάθηση της αρχικής.
Ο προγραμματιστής μετατρέπει αυτό σε ένα πρόγραμμα βελτιστοποίησης που χρησιμοποιείται συνήθως στη διαδικασία, τον σχεδιασμό δικτύων επικοινωνίας ή την παραγωγή. Σε σύγκριση με τα παραδοσιακά μοντέλα, ο νέος προγραμματιστής υπερέβη αυτά σε όλες τις περιπτώσεις και μειώθηκε το κόστος που σχετίζεται με την ολοκλήρωση των εργασιών κατά 10% έως 15%.
Η ερευνητική ομάδα περιελάμβανε επίσης τον Oliver Kroemer, ο οποίος είναι βοηθός καθηγητής στο RI, και τον Maxim Likhachev, ο οποίος είναι αναπληρωτής καθηγητής στο RI.
