Robotyka i fizyczna AI
Badacze tworzą algorytmicznego planistę do delegowania zadań ludziom i robotom
Dodaj Unite.AI do preferowanych źródeł w Google
Zespół badaczy z Carnegie Mellon University’s Robotics Institute (RI) opracował algorytmicznego planistę, który może pomóc w delegowaniu zadań ludziom i robotom. Planista nazywa się „Act, Delegate or Learn” (ADL), i bierze pod uwagę listę zadań przed podjęciem decyzji o ich przydziale.
Praca zatytułowana „Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” została przedstawiona na Międzynarodowej Konferencji Robótiki i Automatyki w Filadelfii.
Trzy skupione pytania
Podczas tworzenia ADL, zespół skupił się na trzech pytaniach:
- Kiedy robot powinien wykonać zadanie?
- Kiedy zadanie powinno być delegowane do człowieka?
- Kiedy robot powinien nauczyć się nowego zadania?
Shivam Vats jest głównym badaczem i doktorantem w RI.
“Istnieją koszty związane z podejmowanymi decyzjami, takimi jak czas potrzebny człowiekowi do wykonania zadania lub nauczenia robota do wykonania zadania, oraz koszt niepowodzenia robota w zadaniu”, powiedział Vats. “Biorąc pod uwagę wszystkie te koszty, nasz system poda optymalny podział pracy”.
Potencjalne zastosowania ADL
Ten nowy system może być wykorzystany w fabrykach i zakładach montażowych do sortowania paczek, lub w każdym środowisku, w którym ludzie i roboty współpracują, aby wykonać zadania. Planista został przetestowany w scenariuszach, w których ludzie i roboty wkładają bloki do deski z otworami i układają różne kształty z klocków Lego.
Podejście do delegowania i dzielenia pracy za pomocą algorytmów i oprogramowania istnieje już od jakiegoś czasu, ale nowy system jest pierwszym, który uwzględnia uczenie się robota w swoim rozumowaniu.
“Roboty nie są już statyczne”, powiedział Vats. “Mogą być ulepszane i nauczone”.
W środowiskach produkcyjnych, w których biorą udział roboty, pracownicy zwykle ręcznie manipulują ramieniem robota, aby nauczyć go, jak wykonać zadanie. Jednakże może to zajmować dużo czasu i wymagać dużych kosztów początkowych. Dlatego jest bardzo ważne, aby określić, kiedy nauczyć robota, a kiedy delegować to samo zadanie do człowieka. Ta decyzja wymaga, aby robot przewidział inne zadania, które może wykonać po nauczeniu się oryginalnego.
Planista konwertuje to w program optymalizacyjny, który jest zwykle używany w planowaniu, projektowaniu sieci komunikacyjnych lub planowaniu produkcji. W porównaniu z tradycyjnymi modelami, nowy planista przewyższył je we wszystkich przypadkach i zmniejszył koszty związane z wykonaniem zadań o 10% do 15%.
Zespół badawczy obejmował również Olivera Kroemera, który jest adiunktem w RI, oraz Maxim Likhacheva, który jest profesorem nadzwyczajnym w RI.
