นักวิจัยสร้างตัววางแผนอัลกอริทึมสำหรับการมอบหมายงานให้กับมนุษย์และหุ่นยนต์

ทีมนักวิจัยจาก Carnegie Mellon University's Robotics Institute (RI) ได้พัฒนาตัววางแผนอัลกอริทึมที่สามารถช่วยมอบหมายงานให้กับมนุษย์และหุ่นยนต์ ผู้วางแผนเรียกว่า “Act, Delegate or Learn” (ADL) และจะพิจารณารายการงานก่อนที่จะตัดสินใจเลือกวิธีที่ดีที่สุดในการมอบหมายงาน 

ผลงานชื่อ “การจัดตารางการเรียนรู้ร่วมกันและการจัดสรรงานในทีมมนุษย์และหุ่นยนต์” ถูกนำเสนอในการประชุมนานาชาติเกี่ยวกับหุ่นยนต์และระบบอัตโนมัติในฟิลาเดลเฟีย 

สามคำถามที่มุ่งเน้น

เมื่อพัฒนา ADL ทีมงานมุ่งเน้นไปที่คำถามสามข้อ: 

1. หุ่นยนต์ควรทำงานให้เสร็จเมื่อใด? 
2. ควรมอบหมายงานให้มนุษย์เมื่อใด
3. หุ่นยนต์ควรเรียนรู้งานใหม่เมื่อใด

Shivam Vats เป็นนักวิจัยหลักและปริญญาเอก นักศึกษาในรพ.สต. 

“มีค่าใช้จ่ายที่เกี่ยวข้องกับการตัดสินใจ เช่น เวลาที่มนุษย์ใช้ในการทำงานให้เสร็จ หรือสอนหุ่นยนต์ให้ทำงานให้เสร็จ และต้นทุนของหุ่นยนต์ที่ทำงานล้มเหลว” Vats กล่าว “ด้วยค่าใช้จ่ายทั้งหมด ระบบของเราจะมอบการแบ่งงานที่เหมาะสมที่สุดให้กับคุณ”

การใช้งานที่เป็นไปได้สำหรับ ADL

ระบบใหม่นี้สามารถนำไปใช้ในโรงงานผลิตและประกอบชิ้นส่วนเพื่อคัดแยกบรรจุภัณฑ์ หรือในสภาพแวดล้อมใดๆ ที่เกี่ยวข้องกับการทำงานร่วมกันระหว่างมนุษย์และหุ่นยนต์เพื่อดำเนินงานต่างๆ ตัววางแผนได้รับการทดสอบในสถานการณ์ที่เกี่ยวข้องกับมนุษย์และหุ่นยนต์ใส่บล็อกลงในกระดานหมุดและซ้อนรูปทรงต่างๆ ที่ทำจากตัวต่อเลโก้ 

วิธีการมอบหมายและแบ่งงานผ่านอัลกอริธึมและซอฟต์แวร์มีมาระยะหนึ่งแล้ว แต่ระบบใหม่นี้เป็นระบบแรกเมื่อพูดถึงการรวมการเรียนรู้ของหุ่นยนต์ไว้ในเหตุผล 

“หุ่นยนต์ไม่หยุดนิ่งอีกต่อไป” Vats กล่าว “พวกเขาปรับปรุงได้และสอนได้”

ในสภาพแวดล้อมการผลิตที่เกี่ยวข้องกับหุ่นยนต์ พนักงานมักจะควบคุมแขนหุ่นยนต์ด้วยตนเองเพื่อสอนหุ่นยนต์ให้ทำงานให้เสร็จ อย่างไรก็ตาม การดำเนินการนี้อาจใช้เวลานานและมีค่าใช้จ่ายล่วงหน้าสูง ด้วยเหตุนี้ การหาเวลาที่ดีที่สุดในการสอนหุ่นยนต์แทนที่จะมอบหมายงานเดียวกันให้กับมนุษย์จึงเป็นเรื่องสำคัญ การตัดสินใจนี้ต้องการให้หุ่นยนต์คาดการณ์งานอื่น ๆ ที่สามารถทำได้หลังจากเรียนรู้ต้นฉบับ 

ผู้วางแผนจะแปลงสิ่งนี้เป็นโปรแกรมเพิ่มประสิทธิภาพที่โดยปกติจะใช้ในการจัดตารางเวลา การออกแบบเครือข่ายการสื่อสาร หรือการวางแผนการผลิต เมื่อเปรียบเทียบกับรุ่นดั้งเดิม เครื่องมือวางแผนแบบใหม่มีประสิทธิภาพเหนือกว่าในทุกกรณี และลดค่าใช้จ่ายที่เกี่ยวข้องกับการทำงานให้สำเร็จลง 10% ถึง 15% 

ทีมวิจัยยังรวมถึง Oliver Kroemer ซึ่งเป็นผู้ช่วยศาสตราจารย์ใน RI และ Maxim Likhachev รองศาสตราจารย์ใน RI