Новое исследование Массачусетского университета в Амхерсте показывает, что программирование роботов для создания собственных команд и добровольного ожидания своих товарищей по команде приводит к более быстрому выполнению задач и потенциально может улучшить автоматизацию производства, сельского хозяйства и складов.
Это исследование было признано финалистом премии за лучшую статью о мультироботных системах на Международной конференции IEEE по робототехнике и автоматизации 2024.
«Существует долгая история споров о том, хотим ли мы создать одного мощного робота-гуманоида, который сможет выполнять всю работу, или у нас есть команда роботов, которые могут сотрудничать», — говорит один из авторов исследования, Хао Чжан, доцент. в Колледже информационных и компьютерных наук Массачусетского университета в Амхерсте Мэннинга и директор Лаборатории человеко-ориентированной робототехники.
В производственных условиях команда роботов может быть дешевле, поскольку она максимально увеличивает возможности каждого робота. Тогда возникает задача: как координировать работу разнообразного набора роботов? Некоторые из них могут быть фиксированными, другие — мобильными; некоторые могут поднимать тяжелые материалы, а другие подходят для небольших задач.
В качестве решения Чжан и его команда создали подход к планированию роботов, основанный на обучении, который называется обучением добровольному ожиданию и объединению в подгруппы (LVWS).
«У роботов, как и у людей, большие задачи», — говорит Чжан. «Например, у них есть большой ящик, который не может нести один робот. Для совместной работы над этим сценарием потребуется несколько роботов».
Другое поведение — добровольное ожидание. «Мы хотим, чтобы робот мог активно ждать, потому что, если он просто выберет жадное решение, чтобы всегда выполнять более мелкие задачи, которые доступны немедленно, иногда более крупная задача никогда не будет выполнена», — объясняет Чжан.
Чтобы проверить свой подход LVWS, они дали шести роботам 18 задач в компьютерном моделировании и сравнили свой подход LVWS с четырьмя другими методами. В этой компьютерной модели есть известное идеальное решение для выполнения сценария в кратчайшие сроки.
Исследователи прогнали различные модели и подсчитали, насколько хуже каждый метод по сравнению с этим идеальным решением. Эта мера известна как субоптимальность.
Методы сравнения варьировались от 11,8% до 23% субоптимальных. Новый метод LVWS оказался неоптимальным на 0,8%. «Таким образом, решение близко к наилучшему из возможных или теоретическому решению», — говорит Виллиард Хосе, автор статьи и аспирант по информатике в Лаборатории человекоцентрированной робототехники.
Как заставить робота ждать ускорить работу всей команды? Рассмотрим такой сценарий: у вас есть три робота — два, которые могут поднять четыре фунта каждый, и один, который может поднять 10 фунтов. Один из маленьких роботов занят другой задачей, и есть семифунтовый ящик, который нужно переместить.
«Вместо того, чтобы этот большой робот выполнял эту задачу, маленькому роботу было бы полезнее дождаться другого маленького робота, а затем они вместе выполняют эту большую задачу, потому что ресурс этого более крупного робота лучше подходит для выполнения другой большой задачи », — говорит Хосе.
Если вообще возможно определить оптимальный ответ, зачем роботам вообще нужен планировщик? «Проблема использования именно этого решения заключается в том, что это занимает очень много времени», — объясняет Хосе. «При большем количестве роботов и задач это экспоненциально. Вы не можете получить оптимальное решение за разумное время».
При рассмотрении моделей, использующих 100 задач, где трудно вычислить точное решение, они обнаружили, что их метод выполнил задачи за 22 временных шага по сравнению с временными шагами от 23,05 до 25,85 для моделей сравнения.
Чжан надеется, что эта работа поможет дальнейшему прогрессу этих групп автоматизированных роботов, особенно когда в игру вступает вопрос масштаба. Например, он говорит, что один человекоподобный робот может лучше вписаться в небольшой дом на одну семью, в то время как системы из нескольких роботов являются лучшими вариантами для крупной промышленной среды, требующей специализированных задач.
