Una nueva investigación de la Universidad de Massachusetts Amherst muestra que programar robots para crear sus propios equipos y esperar voluntariamente a sus compañeros da como resultado una finalización de tareas más rápida, con el potencial de mejorar la automatización de la fabricación, la agricultura y los almacenes.El estudio espublicadoenConferencia internacional IEEE 2024 sobre robótica y automatización (ICRA).

Esta investigación fue reconocida como finalista del Premio al Mejor Trabajo sobre Sistemas Multi-Robot en elConferencia internacional IEEE sobre robótica y automatización 2024.

"Existe una larga historia de debate sobre si queremos construir un único y poderoso robot humanoide que pueda hacer todos los trabajos, o si queremos tener un equipo de robots que puedan colaborar", dice uno de los autores del estudio, Hao Zhang, profesor asociado.en la Facultad de Información y Ciencias de la Computación Amherst Manning de la UMass y director del Laboratorio de Robótica Centrada en las Personas.

En un entorno de fabricación, un equipo de robots puede resultar menos costoso porque maximiza la capacidad de cada robot.El desafío entonces es: ¿cómo se coordina un conjunto diverso de robots?Algunos pueden estar fijos, otros móviles;algunos pueden levantar materiales pesados, mientras que otros son adecuados para tareas más pequeñas.

Como solución, Zhang y su equipo crearon un enfoque basado en el aprendizaje para programar robots llamado aprendizaje para espera voluntaria y subequipamiento (LVWS).

"Los robots tienen grandes tareas, al igual que los humanos", dice Zhang."Por ejemplo, tienen una caja grande que no puede ser transportada por un solo robot. El escenario necesitará varios robots para trabajar en colaboración en eso".

El otro comportamiento es la espera voluntaria."Queremos que el robot pueda esperar activamente porque, si simplemente eligen una solución voraz para realizar siempre tareas más pequeñas que están inmediatamente disponibles, a veces las más grandestareanunca será ejecutado", explica Zhang.Para probar su enfoque LVWS, asignaron a seis robots 18 tareas en una simulación por computadora y compararon su enfoque LVWS con otros cuatro métodos.

en esto

modelo de computadora, existe una solución conocida y perfecta para completar el escenario en el menor tiempo posible.Los investigadores ejecutaron los diferentes modelos a través de la simulación y calcularon cuánto peor era cada método en comparación con esta solución perfecta, una medida conocida como subóptima.

Los métodos de comparación oscilaron entre un 11,8% y un 23% de subóptimos.El nuevo método LVWS fue un 0,8% subóptimo."Por lo tanto, la solución se acerca a la mejor solución teórica o posible", dice Williard Jose, autor del artículo y estudiante de doctorado en ciencias de la computación en el Laboratorio de Robótica Centrada en el Humano.

¿Cómo hacer que un robot espere hace que todo el equipo sea más rápido?Considere este escenario: tiene tres robots: dos que pueden levantar cuatro libras cada uno y uno que puede levantar 10 libras.Uno de los pequeños robots está ocupado con una tarea diferente y hay una caja de siete libras que necesita ser movida.

"En lugar de que ese robot grande realice esa tarea, sería más beneficioso para el robot pequeño esperar al otro robot pequeño y luego hacer esa gran tarea juntos porque el recurso de ese robot más grande es más adecuado para realizar una tarea grande diferente".dice José.

Si es posible determinar una respuesta óptima en primer lugar, ¿por qué los robots necesitan un programador?"El problema de utilizar esa solución exacta es calcular que lleva mucho tiempo", explica José."Con un mayor número de robots y tareas, es exponencial. No se puede obtener la solución óptima en un período de tiempo razonable".

Al observar modelos que utilizan 100 tareas, donde es difícil calcular una solución exacta, descubrieron que su método completó las tareas en 22 pasos de tiempo en comparación con los 23,05 a 25,85 pasos de tiempo de los modelos de comparación.

Zhang espera que este trabajo ayude a promover el progreso de estos equipos de robots automatizados, particularmente cuando entra en juego la cuestión de la escala.

Por ejemplo, dice que un solo robot humanoide puede encajar mejor en el pequeño espacio de una casa unifamiliar, mientras que varios robotsrobotLos sistemas son mejores opciones para un entorno industrial grande que requiere tareas especializadas.Más información:

Williard Joshua Jose et al, Aprendizaje para subequipos dinámicos y espera voluntaria en programación colaborativa heterogénea de múltiples robots,Conferencia internacional IEEE 2024 sobre robótica y automatización (ICRA)(2024).DOI: 10.1109/ICRA57147.2024.10610342Citación: