Tutkijat kehittivät algoritmiplannerin tehtävien delegoimiseen ihmisille ja roboteille

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 tavaran 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 keskittyneitä kysymystä

ADL:n kehittämisessä tiimi keskittyi kolmeen kysymykseen:

1. Milloin robotti tulisi suorittaa tehtävä?
2. Milloin tehtävä tulisi delegoida ihmiselle?
3. Milloin robotti 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 opettamiseen robotti suorittamaan tehtävän, 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 paloja pinoon ja pinottivat eri muotoisia Lego-palikoita.

Työnjaon ja tehtävien delegoinnin lähestymistapa algoritmien ja ohjelmistojen avulla on ollut olemassa jo jonkin aikaa, mutta uusi järjestelmä on ensimmäinen, joka sisällyttää robottiopetuksen syytelyynsä.

“Robotit eivät ole enää statisia”, Vats sanoi. “Ne voidaan parantaa ja opettaa.”

Valmistusympäristöissä, joissa on mukana robotteja, työntekijät yleensä ohjaavat manuaalisesti robottiuraa opettaakseen robotille, miten suorittaa tehtävä. Tämä voi kuitenkin viedä paljon aikaa ja vaatia suuren etukäteen kustannuksen. 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 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 yliopistonlehtori RI:ssä.