Robotiikka ja fyysinen AI
Tutkijat kehittivät algoritmiplannerin tehtävien delegoimiseen ihmisille ja roboteille

Keskeiset kohdatADL-suunnittelija vähentää ihmisen ja robotin välisten tehtävien kustannuksia 10–15…
Näytä lisää
- ADL-suunnittelija vähentää ihmisen ja robotin välisten tehtävien kustannuksia 10–15 prosenttia perinteisiin malleihin verrattuna.
- Järjestelmä yhdistää ainutlaatuisella tavalla robotin oppimisen tehtävien delegointipäätöksiin ihmisen ja robotin yhteistyöryhmissä.
- ADL optimoi, milloin opettaa robottia verrattuna tehtävän delegointiin ihmistyöntekijälle.
Carnegie Mellonin yliopiston Robotics Instituten tutkijaryhmä on kehittänyt algoritmiplannerin, joka voi auttaa tehtävien delegoimisessa ihmisille ja roboteille. Planneri on nimeltään “Act, Delegate or Learn” (ADL), ja se ottaa huomioon tehtävien luettelon ennen kuin päättää parhaan tavan tehtävien jakamiseen.
Työ, joka on nimeltään ”Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams”, esiteltiin Philadelphian kansainvälisessä robotti- ja automaatiokonferenssissa.
Kolme keskeistä kysymystä
ADL:n kehittämisessä tiimi keskittyi kolmeen kysymykseen:
- Milloin robotin tulisi suorittaa tehtävä?
- Milloin tehtävä tulisi delegoida ihmiselle?
- Milloin robotin tulisi oppia uusi tehtävä?
Shivam Vats on johtava tutkija ja Ph.D.-opiskelija RI:ssä.
“On kustannuksia, jotka liittyvät päätöksiin, kuten aika, joka kuluu ihmiselle tehtävän suorittamiseen tai robotin opettamiseen suorittamaan tehtävä, ja kustannukset, jotka liittyvät robottiin, joka epäonnistuu tehtävässä”, Vats sanoi. “Kaikki nämä kustannukset huomioon ottaen, järjestelmämme antaa sinulle optimaalisen työnjaon.”
ADL:n mahdolliset käytöt
Tämä uusi järjestelmä voisi olla käytössä valmistus- ja kokoonpanotehtaissa pakkausten lajitteluun tai missä tahansa ympäristössä, jossa ihmiset ja robotit tekevät yhteistyötä tehtävien suorittamiseksi. Planneri testattiin skenaarioissa, joissa ihmiset ja robotit asettivat palikoita tappitaulun reikiin ja pinosivat Lego-palikoista tehtyjä erimuotoisia kappaleita.
Työnjaon ja tehtävien delegoinnin lähestymistapa algoritmien ja ohjelmistojen avulla on ollut olemassa jo jonkin aikaa, mutta uusi järjestelmä on ensimmäinen, joka sisällyttää robotin oppimisen päättelyynsä.
“Robotit eivät ole enää staattisia”, Vats sanoi. “Niitä voidaan parantaa ja opettaa.”
Valmistusympäristöissä, joissa on mukana robotteja, työntekijät yleensä ohjaavat manuaalisesti robottikäsivartta opettaakseen robotille, miten suorittaa tehtävä. Tämä voi kuitenkin viedä paljon aikaa ja vaatia suuren alkukustannuksen. Tämän vuoksi on tärkeää määrittää, milloin on paras aika opettaa robotti ja milloin delegoida sama tehtävä ihmiselle. Tämä päätös edellyttää, että robotti pystyy ennustamaan muita tehtäviä, joita se voi suorittaa alkuperäisen tehtävän oppimisen jälkeen.
Planneri muuttaa tämän optimointiohjelmaksi, jota yleensä käytetään aikataulutuksessa, viestintäverkkojen suunnittelussa tai tuotannon suunnittelussa. Vertaillessa perinteisiin malleihin uusi planneri suoriutui kaikissa tapauksissa paremmin ja vähensi tehtävien suorittamiseen liittyviä kustannuksia 10-15 prosentilla.
Tutkimusryhmään kuului myös Oliver Kroemer, joka on apulaisprofessori RI:ssä, ja Maxim Likhachev, joka on associate professor -tasoinen professori RI:ssä.












