Una nueva investigación de la Universidad de Massachusetts Amherst muestra que programar robots para que formen sus propios equipos y se ofrezcan como voluntarios para atender a sus compañeros de equipo conduce a una finalización de tareas más rápida con el potencial de mejorar la automatización de la fabricación, la agricultura y los almacenes. Esta investigación fue reconocida como finalista del premio al mejor artículo sobre sistemas multirobot en la Conferencia Internacional IEEE sobre Robótica y Automatización 2024.
El profesor asociado Hao Zhang, uno de los autores del estudio, dice: “Existe una larga historia de debate sobre si queremos construir un único y poderoso robot humanoide que pueda hacer todo el trabajo, o si queremos tener una colección de robots. . Hay un equipo que puede cooperar”. 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 el potencial de cada robot. El desafío entonces es: ¿Cómo se coordina un conjunto diverso de robots? Algunos pueden ser 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 trabajos, al igual que los humanos”, dice Zhang. “Por ejemplo, tienen una caja grande que un robot no puede transportar.
El segundo comportamiento es la espera voluntaria. “Queremos que el robot pueda esperar de forma proactiva porque, si siempre elige soluciones codiciosas para realizar tareas más pequeñas que están inmediatamente disponibles, a veces la tarea más grande nunca se ejecuta”, explica Zhang.
Para probar su enfoque LVWS, asignaron 18 tareas a seis robots en una simulación por computadora y compararon su enfoque LVWS con otros cuatro enfoques. En este modelo de computadora, existe una solución óptima conocida para completar el escenario en el menor tiempo posible. Los investigadores ejecutaron diferentes modelos a través de simulaciones y calcularon qué tan mal funcionó cada método en comparación con la solución perfecta, una medida conocida como capacidad subóptima.
Los métodos comparados oscilaron entre un 11,8% y un 23% de subóptimos. El nuevo método LVWS fue el mejor con un 0,8%. “Por lo tanto, esta solución se acerca a la mejor solución teórica posible”, dice Willard José, 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 y uno que puede levantar 10 libras. Uno de los robots más pequeños está ocupado con una tarea diferente y tiene una caja de siete libras que necesita ser movida.
“En lugar de que el robot grande realice la tarea, sería más beneficioso para el robot pequeño esperar a que el otro robot pequeño realice la tarea grande juntos porque el recurso del robot grande está siendo utilizado por otro robot grande. Es más adecuado para hacerlo. el trabajo.” dice José.
Si es posible determinar primero una respuesta óptima, ¿por qué los robots necesitan un programador? “El problema de utilizar exactamente esta solución es que lleva mucho tiempo”, explica Joss. “Con una gran cantidad de robots y tareas, vale la pena. No se puede encontrar la mejor solución en un tiempo razonable”.
Al observar modelos que utilizan 100 tareas, donde es difícil calcular una solución exacta, descubrieron que su método completó la tarea en 22 pasos de tiempo, en comparación con los 23,05 a 25,85 pasos de tiempo de modelos comparables.
Zhang espera que el trabajo ayude aún más a estos equipos a desarrollar robots automatizados, especialmente cuando surja la cuestión de la escala. Por ejemplo, afirma, un único robot humanoide podría encajar mejor en el pequeño espacio de una casa unifamiliar, mientras que los sistemas de múltiples robots son mejores opciones para entornos industriales más grandes que requieren tareas especializadas.
Esta investigación fue financiada por una beca del director de DARPA y un premio CAREER de la Fundación Nacional de Ciencias de EE. UU.
