Исследователи создали алгоритмический планировщик для делегирования задач людям и роботам

Команда исследователей в Институте робототехники Карнеги-Меллона (RI) разработала алгоритмический планировщик, который может помочь делегировать задачи людям и роботам. Планировщик называется “Выполнить, делегировать или научиться” (ADL), и он рассматривает список задач перед тем, как решить, какой способ их назначения является лучшим.

Работа под названием “Синергетическое планирование обучения и распределения задач в командах человека и робота” была представлена на Международной конференции по робототехнике и автоматизации в Филадельфии.

Три фокусированных вопроса

При разработке ADL команда сосредоточилась на трех вопросах: 

1. Когда робот должен выполнить задачу? 
2. Когда задача должна быть делегирована человеку?
3. Когда робот должен научиться новой задаче?

Шивам Ватс является ведущим исследователем и аспирантом в RI. 

“Существуют затраты, связанные с принятыми решениями, такие как время, необходимое человеку для выполнения задачи или обучения робота выполнению задачи, и стоимость неудачи робота при выполнении задачи”, – сказал Ватс. “Учитывая все эти затраты, наша система даст вам оптимальное разделение труда.”

Потенциальные применения ADL

Эта новая система может быть использована на производстве и сборочных предприятиях для сортировки пакетов или в любой среде, которая предполагает сотрудничество человека и робота для выполнения задач. Планировщик был протестирован в сценариях, включающих людей и роботов, вставляющих блоки в доску с отверстиями и укладывающих разные формы из LEGO кирпичей. 

Подход к делегированию и разделению труда с помощью алгоритмов и программного обеспечения существует уже некоторое время, но новая система является первой, которая включает обучение робота в свои рассуждения. 

“Роботы больше не являются статичными”, – сказал Ватс. “Их можно улучшать и обучать.”

В производственных средах, которые включают роботов, работники обычно вручную манипулируют роботизированной рукой, чтобы научить робота выполнению задачи. Однако это может занять много времени и требует значительных первоначальных затрат. Из-за этого важно определить лучшее время для обучения робота, а не делегировать задачу человеку. Это решение требует от робота предсказать другие задачи, которые он может выполнить после обучения оригиналу. 

Планировщик преобразует это в программу оптимизации, которая обычно используется при планировании, проектировании сетей связи или производственном планировании. По сравнению с традиционными моделями, новый планировщик превзошел их во всех случаях и снизил затраты, связанные с выполнением задач, на 10-15%. 

В состав исследовательской команды также входили Оливер Кроемер, который является ассистентом профессора в RI, и Максим Лихачев, который является ассоциированным профессором в RI.