Robotika dan AI fisik

Peneliti Membuat Algoritma Perencana untuk Mendelegasikan Tugas kepada Manusia dan Robot

Alex McFarland
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaPerencana ADL memangkas biaya tugas manusia-robot sebesar 10 hingga 15 persen…
Lihat selengkapnya
  • Perencana ADL memangkas biaya tugas manusia-robot sebesar 10 hingga 15 persen dibandingkan model tradisional.
  • Sistem ini secara unik mengintegrasikan pembelajaran robot ke dalam keputusan pendelegasian tugas untuk tim manusia-robot.
  • ADL mengoptimalkan kapan harus mengajari robot versus mendelegasikan tugas kepada pekerja manusia.

Tim peneliti di Institut Robotika Universitas Carnegie Mellon (RI) telah mengembangkan perencana algoritmik yang dapat membantu mendelegasikan tugas kepada manusia dan robot. Perencana ini disebut “Act, Delegate or Learn” (ADL), dan mempertimbangkan daftar tugas sebelum memutuskan cara terbaik untuk mengalokasikannya.

Karya yang berjudul “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” dipresentasikan pada Konferensi Internasional tentang Robotika dan Otomasi di Philadelphia.

Tiga Pertanyaan Terfokus

Ketika mengembangkan ADL, tim tersebut fokus pada tiga pertanyaan:

  1. Kapan robot harus menyelesaikan tugas?
  2. Kapan suatu tugas harus didelegasikan kepada manusia?
  3. Kapan robot harus belajar tugas baru?

Shivam Vats adalah peneliti utama dan mahasiswa Ph.D. di RI.

“Ada biaya yang terkait dengan keputusan yang dibuat, seperti waktu yang dibutuhkan manusia untuk menyelesaikan tugas atau mengajar robot untuk menyelesaikan tugas dan biaya kegagalan robot dalam menyelesaikan tugas,” kata Vats. “Dengan mempertimbangkan semua biaya tersebut, sistem kami akan memberikan pembagian tugas yang optimal.”

Potensi Penggunaan ADL

Sistem baru ini dapat digunakan di pabrik manufaktur dan perakitan untuk menyortir paket, atau di lingkungan mana pun yang melibatkan kerja sama antara manusia dan robot untuk menyelesaikan tugas. Perencana ini diuji dalam skenario yang melibatkan manusia dan robot memasukkan balok ke dalam papan berlubang dan menumpuk bentuk yang berbeda yang terbuat dari balok Lego.

Pendekatan mendelegasikan dan membagi tugas melalui algoritma dan perangkat lunak telah ada selama beberapa waktu, tetapi sistem baru ini merupakan yang pertama dalam hal memasukkan pembelajaran robot dalam penalarannya.

“Robot tidak lagi statis,” kata Vats. “Mereka dapat ditingkatkan dan dapat diajarkan.”

Di lingkungan manufaktur yang melibatkan robot, pekerja biasanya secara manual memanipulasi lengan robot untuk mengajar robot cara menyelesaikan tugas. Namun, ini dapat memakan waktu lama dan memerlukan biaya awal yang besar. Karena itu, sangat penting untuk menentukan waktu terbaik untuk mengajar robot versus mendelegasikan tugas yang sama kepada manusia. Keputusan ini memerlukan robot untuk memprediksi tugas lain yang dapat diselesaikan setelah mempelajari tugas asli.

Perencana ini mengubahnya menjadi program optimasi yang biasanya digunakan dalam penjadwalan, merancang jaringan komunikasi, atau perencanaan produksi. Ketika dibandingkan dengan model tradisional, perencana baru ini mengungguli model-model tersebut dalam semua kasus dan mengurangi biaya yang terkait dengan menyelesaikan tugas sebesar 10% hingga 15%.

Tim peneliti juga termasuk Oliver Kroemer, yang merupakan asisten profesor di RI, dan Maxim Likhachev, yang merupakan profesor asosiasi di RI.

Alex memimpin operasi berita berbasis AI di Unite.AI, menggabungkan jurnalisme, riset, dan otomasi untuk mendukung liputan kecerdasan buatan yang tepat waktu dan skalabel. Pekerjaannya membantu memastikan perkembangan AI yang muncul ditampilkan secara efisien sambil mempertahankan standar editorial publikasi.