หุ่นยนต์และ AI ทางกายภาพ

นักวิจัยสร้างแพลนเนอร์แบบอัลกอริทึมสำหรับการมอบหมายงานให้คนและหุ่นยนต์

Alex McFarland
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญตัววางแผน ADL ช่วยลดต้นทุนงานระหว่างมนุษย์กับหุ่นยนต์ลงได้ร้อยละ 10 ถึง 15…
ดูเพิ่มเติม
  • ตัววางแผน ADL ช่วยลดต้นทุนงานระหว่างมนุษย์กับหุ่นยนต์ลงได้ร้อยละ 10 ถึง 15 เมื่อเทียบกับโมเดลแบบดั้งเดิม
  • ระบบนี้ผสานการเรียนรู้ของหุ่นยนต์เข้ากับการตัดสินใจมอบหมายงานสำหรับทีมมนุษย์-หุ่นยนต์ได้อย่างมีเอกลักษณ์
  • ADL ปรับเวลาที่เหมาะสมในการสอนหุ่นยนต์เทียบกับการมอบหมายงานให้กับผู้ปฏิบัติงานที่เป็นมนุษย์

ทีมนักวิจัยจากสถาบันหุ่นยนต์ของมหาวิทยาลัยคาร์เนกีเมลลอน (RI) ได้พัฒนาแพลนเนอร์แบบอัลกอริทึมที่สามารถช่วยในการมอบหมายงานให้คนและหุ่นยนต์ แพลนเนอร์นี้เรียกว่า “Act, Delegate or Learn” (ADL) และพิจารณารายการงานก่อนตัดสินใจวิธีการมอบหมายงานที่ดีที่สุด

งานวิจัยที่มีชื่อเรื่องว่า “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” ได้นำเสนอที่การประชุมสัมมนาระหว่างประเทศเกี่ยวกับหุ่นยนต์และการอัตโนมัติในฟิลาเดลเฟีย

สามคำถามที่มุ่งเน้น

เมื่อพัฒนา ADL ทีมงานได้มุ่งเน้นไปที่สามคำถาม:

  1. เมื่อไหร่ที่หุ่นยนต์ควรทำงาน?
  2. เมื่อไหร่ที่งานควรได้รับมอบหมายให้คน?
  3. เมื่อไหร่ที่หุ่นยนต์ควรเรียนรู้งานใหม่?

Shivam Vats เป็นนักวิจัยหลักและเป็นนักศึกษาปริญญาเอกใน RI

“มีค่าใช้จ่ายที่เกี่ยวข้องกับการตัดสินใจ เช่น เวลาที่คนใช้ในการทำงานหรือสอนหุ่นยนต์ให้ทำงาน และค่าใช้จ่ายที่เกี่ยวข้องกับการทำงานของหุ่นยนต์ที่ล้มเหลว” Vats กล่าว “เมื่อพิจารณาค่าใช้จ่ายเหล่านั้น ระบบของเราจะให้การแบ่งงานที่เหมาะสมที่สุด”

การใช้งานที่เป็นไปได้ของ ADL

ระบบใหม่นี้สามารถใช้ในการผลิตและประกอบในโรงงานเพื่อจัดเรียงแพ็คเกจ หรือในสถานการณ์ใดๆ ที่เกี่ยวข้องกับการทำงานร่วมกันระหว่างคนและหุ่นยนต์ในการทำงาน แพลนเนอร์ได้รับการทดสอบในสถานการณ์ที่เกี่ยวข้องกับคนและหุ่นยนต์ที่สอดบล็อกลงในกระดานเจาะรูและซ้อนรูปทรงต่าง ๆ ที่ประกอบจากตัวต่อเลโก้

แนวทางในการมอบหมายและแบ่งงานโดยใช้อัลกอริทึมและซอฟต์แวร์ได้มีการใช้งานมานาน แต่ระบบใหม่นี้เป็นครั้งแรกที่รวมการเรียนรู้ของหุ่นยนต์เข้าไปในการตัดสินใจ

“หุ่นยนต์ไม่ได้มีความสามารถคงที่อีกต่อไป” Vats กล่าว “พวกมันสามารถปรับปรุงและเรียนรู้ได้”

ในโรงงานที่เกี่ยวข้องกับหุ่นยนต์ คนงานมักจะขยับแขนหุ่นยนต์ด้วยมือเพื่อสอนหุ่นยนต์ให้ทำงาน แต่นี่อาจใช้เวลานานและต้องมีค่าใช้จ่ายล่วงหน้ามาก ดังนั้นจึงจำเป็นต้องตัดสินใจว่าเมื่อไหร่ที่ควรสอนหุ่นยนต์เทียบกับการมอบหมายงานให้คน ซึ่งต้องใช้การคาดการณ์งานอื่นๆ ที่หุ่นยนต์สามารถทำได้หลังจากเรียนรู้งานเดิม

แพลนเนอร์แปลงสิ่งนี้เป็นโปรแกรมการเพิ่มประสิทธิภาพที่ใช้ในการจัดตารางการทำงาน การออกแบบเครือข่ายสื่อสาร หรือการวางแผนการผลิต เมื่อเทียบกับแบบจำลองดั้งเดิม แพลนเนอร์ใหม่นี้มีประสิทธิภาพเหนือกว่าในทุกกรณีและลดค่าใช้จ่ายที่เกี่ยวข้องกับการทำงานลง 10% ถึง 15%

ทีมวิจัยยังรวม Oliver Kroemer ผู้ช่วยศาสตราจารย์ใน RI และ Maxim Likhachev รองศาสตราจารย์ใน RI

Alex เป็นผู้นำการดำเนินงานข่าวที่ใช้ AI ของ Unite.AI โดยผสานงานวารสารศาสตร์ การวิจัย และระบบอัตโนมัติ เพื่อสนับสนุนการรายงานข่าวด้านปัญญาประดิษฐ์อย่างทันท่วงทีและรองรับการขยายงาน งานของเขาช่วยให้ความก้าวหน้าใหม่ ๆ ด้าน AI ได้รับการนำเสนออย่างมีประสิทธิภาพ พร้อมรักษามาตรฐานบรรณาธิการของสำนักพิมพ์