Robotikk og fysisk AI
Forskere utvikler algoritmisk planlegger for å delegere oppgaver til mennesker og roboter

Viktige punkterADL-planleggeren reduserer kostnadene for menneske-robot-oppgaver med 10 til 15 prosent…
Vis mer
- ADL-planleggeren reduserer kostnadene for menneske-robot-oppgaver med 10 til 15 prosent sammenlignet med tradisjonelle modeller.
- Systemet integrerer unikt robotlæring i beslutninger om oppgavedelegering for menneske-robot-team.
- ADL optimaliserer når man skal lære opp en robot kontra å delegere en oppgave til en menneskelig arbeider.
Et team av forskere ved Carnegie Mellon Universitys Robotics Institute (RI) har utviklet en algoritmisk planlegger som kan hjelpe med å delegere oppgaver til mennesker og roboter. Planleggeren kalles “Act, Delegate or Learn” (ADL), og den tar i betraktning en liste over oppgaver før den bestemmer den beste måten å tildele dem på.
Arbeidet med tittelen ” Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams ” ble presentert på den internasjonale konferansen om robotikk og automatisering i Philadelphia.
Tre fokuserte spørsmål
Da de utviklet ADL, fokuserte teamet på tre spørsmål:
- Når bør en robot fullføre en oppgave?
- Når bør en oppgave delegeres til et menneske?
- Når bør en robot lære en ny oppgave?
Shivam Vats er den ledende forskeren og en ph.d.-student ved RI.
“Det er kostnader forbundet med beslutningene som tas, som tiden det tar for et menneske å fullføre en oppgave eller å lære en robot å fullføre en oppgave, og kostnaden av at en robot feiler i en oppgave,” sa Vats. “Gitt alle disse kostnadene, vil vårt system gi deg den optimale arbeidsdelingen.”
Potensielle bruksområder for ADL
Dette nye systemet kan brukes i produksjons- og monteringsanlegg for å sortere pakker, eller i ethvert miljø som involverer samarbeid mellom mennesker og roboter for å utføre oppgaver. Planleggeren ble testet i scenarier som involverte mennesker og roboter som plasserte blokker i en hullplate og stablet forskjellige former laget av Lego-brikker.
Tilnærmingen til å delegere og dele arbeid gjennom algoritmer og programvare har eksistert en stund, men det nye systemet er det første som tar robotlæring med i resonnementet.
“Robotene er ikke statiske lenger,” sa Vats. “De kan forbedres og de kan læres opp.”
I produksjonsmiljøer som involverer roboter, manipulerer arbeidere vanligvis manuelt en robotarm for å lære en robot å fullføre en oppgave. Dette kan ta mye tid og kreve en stor forhåndskostnad. Derfor er det viktig å finne ut den beste tiden til å lære en robot versus å delegere den samme oppgaven til et menneske. Dette valget krever at roboten kan forutsi andre oppgaver den kan fullføre etter å ha lært den opprinnelige.
Planleggeren omgjør dette til et optimaliseringsprogram som vanligvis brukes i planlegging, design av kommunikasjonsnettverk eller produksjonsplanlegging. Når sammenlignet med tradisjonelle modeller, overgikk den nye planleggeren dem i alle instanser og reduserte kostnadene forbundet med å fullføre oppgavene med 10% til 15%.
Forskningsgruppen inkluderte også Oliver Kroemer, som er en assistentprofessor ved RI, og Maxim Likhachev, en associate professor ved RI.












