Robot
Các nhà nghiên cứu tạo ra kế hoạch thuật toán để ủy quyền nhiệm vụ cho con người và robot
Một nhóm các nhà nghiên cứu tại Viện Robotics của Đại học Carnegie Mellon (RI) đã phát triển một kế hoạch thuật toán có thể giúp ủy quyền nhiệm vụ cho con người và robot. Kế hoạch này được gọi là “Hành động, Ủy quyền hoặc Học” (ADL), và nó xem xét danh sách các nhiệm vụ trước khi quyết định cách phân bổ chúng.
Công việc có tiêu đề “Lập lịch trình tương hỗ của việc học và phân bổ nhiệm vụ trong các đội con người và robot” đã được trình bày tại Hội nghị Quốc tế về Robotics và Tự động hóa ở Philadelphia.
Three Focused Questions
Khi phát triển ADL, nhóm đã tập trung vào ba câu hỏi:
- Khi nào một robot nên hoàn thành một nhiệm vụ?
- Khi nào một nhiệm vụ nên được ủy quyền cho con người?
- Khi nào một robot nên học một nhiệm vụ mới?
Shivam Vats là nhà nghiên cứu chính và là sinh viên tiến sĩ tại RI.
“Có những chi phí liên quan đến các quyết định được đưa ra, chẳng hạn như thời gian cần thiết để con người hoàn thành một nhiệm vụ hoặc dạy một robot hoàn thành một nhiệm vụ và chi phí của một robot thất bại trong một nhiệm vụ,” Vats nói. “Với tất cả những chi phí đó, hệ thống của chúng tôi sẽ cung cấp cho bạn sự phân chia lao động tối ưu.”
Potential Uses for ADL
Hệ thống mới này có thể được sử dụng trong các nhà máy sản xuất và lắp ráp để phân loại gói hàng, hoặc trong bất kỳ môi trường nào liên quan đến sự hợp tác giữa con người và robot để thực hiện các nhiệm vụ. Kế hoạch này đã được thử nghiệm trong các kịch bản liên quan đến con người và robot chèn các khối vào một bảng peg và xếp các hình dạng khác nhau làm bằng gạch Lego.
Cách tiếp cận ủy quyền và phân chia lao động thông qua thuật toán và phần mềm đã tồn tại từ lâu, nhưng hệ thống mới này là lần đầu tiên bao gồm việc học của robot trong lý luận của nó.
“Robots không còn tĩnh nữa,” Vats nói. “Chúng có thể được cải tiến và có thể được dạy.”
Trong các môi trường sản xuất liên quan đến robot, công nhân thường phải thao tác thủ công một cánh tay robot để dạy một robot cách hoàn thành một nhiệm vụ. Tuy nhiên, điều này có thể mất rất nhiều thời gian và đòi hỏi chi phí lớn. Vì vậy, điều quan trọng là phải xác định thời điểm tốt nhất để dạy một robot so với ủy quyền nhiệm vụ đó cho con người. Quyết định này đòi hỏi robot phải dự đoán các nhiệm vụ khác mà nó có thể hoàn thành sau khi học nhiệm vụ ban đầu.
Kế hoạch này chuyển đổi thành một chương trình tối ưu hóa thường được sử dụng trong lập lịch, thiết kế mạng truyền thông hoặc lập kế hoạch sản xuất. Khi so sánh với các mô hình truyền thống, kế hoạch mới này đã vượt trội trong tất cả các trường hợp và giảm chi phí liên quan đến việc hoàn thành các nhiệm vụ từ 10% đến 15%.
Đội nghiên cứu cũng bao gồm Oliver Kroemer, người là giáo sư trợ lý tại RI, và Maxim Likhachev, giáo sư liên kết tại RI.
