ロボティクスとフィジカルAI

研究者が人間とロボットにタスクを割り当てるためのアルゴリズミックプランナーを開発

Alex McFarland
Unite.AI を Google の優先ソースに追加
要点ADLプランナーは、従来のモデルと比較して人間とロボットのタスクコストを10~15%削減します。
もっと見る
  • ADLプランナーは、従来のモデルと比較して人間とロボットのタスクコストを10~15%削減します。
  • このシステムは、人間とロボットのチームにおけるタスク委任の決定に、ロボット学習を独自に統合します。
  • ADLは、ロボットに教えるタイミングと、人間の作業者にタスクを委任するタイミングを最適化します。

カーネギーメロン大学のロボティクス研究所(RI)の研究者チームは、人間とロボットにタスクを割り当てるためのアルゴリズミックプランナーを開発しました。このプランナーは「Act, Delegate or Learn」(ADL)と呼ばれ、タスクのリストを考慮してそれらを割り当てるための最適な方法を決定します。

「Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams」というタイトルの研究は、フィラデルフィアで開催されたロボティクスとオートメーションの国際会議で発表されました。

3つの焦点となる質問

ADLを開発する際、チームは3つの質問に焦点を当てました:

  1. ロボットがタスクを完了するべき時はいつか?
  2. タスクを人間に割り当てるべき時はいつか?
  3. ロボットが新しいタスクを学ぶべき時はいつか?

リード研究者であり、RIの博士課程の学生であるShivam Vatsは、「決定にはコストが伴います。たとえば、人間がタスクを完了するのにかかる時間や、人間がロボットにタスクの完了方法を教えるのにかかる時間、ロボットがタスクに失敗するコストなどです。すべてのコストを考慮して、最適な労働の割り当てを提供するシステムを開発しました。」

ADLの潜在的な用途

この新しいシステムは、製造や組み立て工場でパッケージを分類したり、人間とロボットのコラボレーションが必要な環境でタスクを実行したりするために使用できます。プランナーは、人間とロボットがペグボードにブロックを挿入したり、レゴブロックで作られたさまざまな形を積み上げたりするシナリオでテストされました。

アルゴリズムとソフトウェアを使用して労働を割り当てるアプローチは既に存在していましたが、新しいシステムはロボットの学習を考慮に入れた初めてのものです。

「ロボットは静的ではありません。改善することができ、学習することができます。」とVatsは述べました。

ロボットが関与する製造環境では、通常、作業者はロボットアームを手動で操作してロボットにタスクを教えます。しかし、これには多大な時間と初期コストがかかります。したがって、ロボットにタスクを教えるべき時と人間にタスクを割り当てるべき時を決定することが重要です。この決定には、ロボットが最初のタスクを学習した後に実行できる他のタスクを予測することが必要です。

プランナーは、これを最適化プログラムに変換します。これは、通常、スケジューリング、通信ネットワークの設計、または生産計画に使用されます。伝統的なモデルと比較して、新しいプランナーはすべてのインスタンスで優れており、タスクを完了するのに伴うコストを10%から15%削減しました。

研究チームには、RIの助教(Assistant Professor)であるOliver Kroemerと、RIの准教授であるMaxim Likhachevも含まれていました。

Alex は Unite.AI の AI 主導のニュース運営を率いており、ジャーナリズム、リサーチ、そして自動化を組み合わせて、人工知能に関するタイムリーでスケーラブルな取材を支援しています。彼の仕事は、新興の AI 開発が効率的に取り上げられ、出版物の編集基準が維持されるよう支えています。