Onderzoekers creëren algoritmic planner voor taken delegeren aan mensen en robots

Een team van onderzoekers aan de Carnegie Mellon University’s Robotics Institute (RI) heeft een algoritmic planner ontwikkeld die taken kan delegeren aan mensen en robots. De planner heet “Act, Delegate or Learn” (ADL) en overweegt een lijst met taken voordat hij besluit hoe hij ze het beste kan toewijzen.

Het onderzoek met de titel “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” werd gepresenteerd op de International Conference on Robotics and Automation in Philadelphia.

Drie gerichte vragen

Toen de ADL werd ontwikkeld, richtte het team zich op drie vragen:

1. Wanneer moet een robot een taak uitvoeren?
2. Wanneer moet een taak worden gedelegeerd aan een mens?
3. Wanneer moet een robot een nieuwe taak leren?

Shivam Vats is de hoofdonderzoeker en een PhD-student in de RI.

“Er zijn kosten verbonden aan de beslissingen die worden genomen, zoals de tijd die een mens nodig heeft om een taak te voltooien of om een robot te leren een taak te voltooien en de kosten van een robot die faalt bij een taak,” zei Vats. “Gezien al die kosten, zal ons systeem je de optimale verdeling van arbeid geven.”

Mogelijke toepassingen van ADL

Dit nieuwe systeem kan worden gebruikt in fabrieken en assemblageplanten om pakketten te sorteren, of in elke omgeving die mens-robot-samenwerking vereist om taken uit te voeren. De planner werd getest in scenario’s met mensen en robots die blokken in een pegboard stopten en verschillende vormen van Lego-steentjes stapelden.

De aanpak van delegeren en arbeid verdelen door middel van algoritmen en software is al een tijdje bestaand, maar het nieuwe systeem is een primeur als het gaat om het opnemen van robotleren in zijn redenering.

“Robots zijn niet langer statisch,” zei Vats. “Ze kunnen worden verbeterd en ze kunnen worden geleerd.”

In productieomgevingen waarin robots worden gebruikt, manipuleren werknemers meestal handmatig een robotarm om een robot te leren een taak uit te voeren. Dit kan echter veel tijd kosten en een grote voorafgaande kosten vereisen. Daarom is het cruciaal om te bepalen wanneer het beste moment is om een robot te leren versus hetzelfde taken te delegeren aan een mens. Deze beslissing vereist dat de robot andere taken voorspelt die hij kan uitvoeren nadat hij de oorspronkelijke taak heeft geleerd.

De planner zet dit om in een optimalisatieprogramma dat meestal wordt gebruikt in planning, ontwerp van communicatienetwerken of productieplanning. In vergelijking met traditionele modellen, presteerde de nieuwe planner beter in alle gevallen en verlaagde de kosten die gemoeid waren met het voltooien van de taken met 10% tot 15%.

Het onderzoeksteam omvatte ook Oliver Kroemer, die een assistent-professor is in de RI, en Maxim Likhachev, een associate-professor in de RI.