Forskare Skapar Algoritmisk Planerare för Delegering av Uppgifter till Människor och Robotar

Ett team av forskare vid Carnegie Mellon Universitys Robotics Institute (RI) har utvecklat en algoritmisk planerare som kan hjälpa till att delegera uppgifter till människor och robotar. Planeraren kallas “Act, Delegate or Learn” (ADL), och den överväger en lista med uppgifter innan den bestämmer sig för det bästa sättet att tilldela dem på.

Arbetet med titeln “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” presenterades på den internationella konferensen om robotik och automation i Philadelphia.

Tre Fokuserade Frågor

När ADL utvecklades fokuserade teamet på tre frågor:

1. När bör en robot slutföra en uppgift?
2. När bör en uppgift delegeras till en människa?
3. När bör en robot lära sig en ny uppgift?

Shivam Vats är den ledande forskaren och en doktorand i RI.

“Det finns kostnader förknippade med de beslut som fattas, såsom den tid det tar för en människa att slutföra en uppgift eller lära en robot att slutföra en uppgift, och kostnaden för att en robot misslyckas med en uppgift”, sa Vats. “Med tanke på alla dessa kostnader kommer vårt system att ge dig den optimala fördelningen av arbete.”

Möjliga Användningsområden för ADL

Detta nya system kan användas i tillverknings- och monteringsanläggningar för att sortera paket, eller i någon miljö som involverar samarbete mellan människor och robotar för att utföra uppgifter. Planeraren testades i scenarier som involverade människor och robotar som sätter in block i en peg board och staplar olika former gjorda av Lego-bricks.

Tillvägagångssättet för att delegera och dela arbete genom algoritmer och programvara har funnits i någon tid, men det nya systemet är ett första steg när det gäller att inkludera robotinlärning i sin resonemang.

“Robotar är inte statiska längre”, sa Vats. “De kan förbättras och de kan läras.”

I tillverkningsmiljöer som involverar robotar manipulerar arbetare vanligtvis manuellt en robotarm för att lära en robot att slutföra en uppgift. Detta kan dock ta mycket tid och kräva en stor initial kostnad. På grund av detta är det viktigt att avgöra den bästa tiden att lära en robot jämfört med att delegera samma uppgift till en människa. Detta beslut kräver att roboten förutsäger andra uppgifter den kan slutföra efter att ha lärt sig den ursprungliga.

Planeraren omvandlar detta till ett optimeringsprogram som vanligtvis används vid schemaläggning, design av kommunikationsnätverk eller produktionsplanering. När jämfört med traditionella modeller presterade den nya planeraren bättre i alla fall och minskade kostnaden förknippad med att slutföra uppgifterna med 10% till 15%.

Forskningsgruppen inkluderade också Oliver Kroemer, som är biträdande professor i RI, och Maxim Likhachev, som är associate professor i RI.