Ρομποτική και φυσική AI
Ερευνητές δημιουργούν αλγοριθμικό εργαλείο σχεδιασμού για την ανάθεση εργασιών σε ανθρώπους και ρομπότ

Βασικά σημείαΟ σχεδιαστής ADL μειώνει το κόστος εργασιών ανθρώπου-ρομπότ κατά 10 έως 15 τοις εκατό…
Δείτε περισσότερα
- Ο σχεδιαστής ADL μειώνει το κόστος εργασιών ανθρώπου-ρομπότ κατά 10 έως 15 τοις εκατό σε σύγκριση με τα παραδοσιακά μοντέλα.
- Το σύστημα ενσωματώνει μοναδικά τη μάθηση ρομπότ στις αποφάσεις ανάθεσης εργασιών για ομάδες ανθρώπου-ρομπότ.
- Το ADL βελτιστοποιεί το πότε να διδάξει ένα ρομπότ σε σχέση με το να αναθέσει μια εργασία σε έναν ανθρώπινο εργαζόμενο.
Μια ομάδα ερευνητών στο Ινστιτούτο Ρομποτικής του Πανεπιστημίου Carnegie Mellon έχει αναπτύξει ένα αλγοριθμικό εργαλείο σχεδιασμού που μπορεί να βοηθήσει στην ανάθεση εργασιών σε ανθρώπους και ρομπότ. Το εργαλείο σχεδιασμού ονομάζεται “Act, Delegate or Learn” (ADL) και λαμβάνει υπόψη μια λίστα εργασιών πριν αποφασίσει τον καλύτερο τρόπο για την ανάθεσή τους.
Το έργο με τίτλο “Συνεργατικός προγραμματισμός της μάθησης και της κατανομής εργασιών σε ομάδες ανθρώπων και ρομπότ” παρουσιάστηκε στη Διεθνή Διάσκεψη Ρομποτικής και Αυτοματισμού 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 υποψήφιος διδάκτορας 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. Το εργαλείο σχεδιασμού δοκιμάστηκε σε σενάρια που εμπλέκουν ανθρώπους και ρομπότ που τοποθετούν μπλοκ σε μια διάτρητη πλάκα και στοιβάζουν διαφορετικά σχήματα κατασκευασμένα από τουβλάκια Lego.
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 έναν ρομποτικό βραχίονα για να διδάξουν ένα ρομπότ να ολοκληρώσει μια εργασία. Ωστόσο, αυτό μπορεί να πάρει πολύ χρόνο και να απαιτήσει ένα μεγάλο αρχικό 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.
Το εργαλείο σχεδιασμού μετατρέπει αυτό σε ένα πρόγραμμα βελτιστοποίησης που χρησιμοποιείται συνήθως στον χρονικό προγραμματισμό, στον σχεδιασμό δικτύων επικοινωνίας ή στον προγραμματισμό παραγωγής. Σε σύγκριση με τα παραδοσιακά μοντέλα, το νέο εργαλείο σχεδιασμού τα ξεπέρασε σε όλες τις περιπτώσεις και μείωσε 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.












