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

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:

1. Når bør en robot fullføre en oppgave?
2. Når bør en oppgave delegeres til et menneske?
3. 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 enhver 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 peggbord og stablet forskjellige former laget av Lego-brikker.

Tilnærmingen til å delegere og dele arbeid gjennom algoritmer og programvare har vært rundt i en stund, men det nye systemet er en førstegang når det kommer til å inkludere robotlæring i sin begrunnelse.

“Robotene er ikke statiske lenger,” sa Vats. “De kan forbedres og de kan læres.”

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.