به گزارش تیم خبری سوشال پورت

یک زمان‌بندی الگوریتمی جدید، که در موسسه رباتیک در دانشگاه کارنگی ملون توسعه یافته است، وظایف را بین انسان و روبات‌ها به طور بهینه توزیع می‌کند.

همانطور که روبات ها به طور فزاینده ای به افرادی که در طبقات تولیدی، انبارها و جاهای دیگر کار می کنند ملحق می شوند، تعیین اینکه چه کسی باید چه وظایفی را انجام دهد پیچیده تر و مهم تر می شود. انسان ها برای برخی مشاغل بهتر هستند و ربات ها برای برخی مشاغل. و در برخی موارد، وقت گذاشتن برای آموزش یک ربات برای انجام یک کار و گرفتن پاداش بعداً مفید است.

محققان دانشگاه کارنگی ملون موسسه رباتیک (RI) یک زمان‌بندی الگوریتمی ایجاد کرد که به واگذاری وظایف به انسان‌ها و روبات‌ها کمک می‌کند. برنامه ریز Act, Delegate, or Learn (ADL) لیستی از مسئولیت ها را بررسی می کند و تصمیم می گیرد که چگونه آنها را به بهترین نحو تخصیص دهد. محققان سه سوال پرسیدند: چه زمانی ربات باید برای تکمیل کار اقدام کند؟ چه زمانی باید یک وظیفه به شخص محول شود؟ و چه زمانی یک ربات باید یک کار جدید یاد بگیرد؟

شیوام واتس، محقق ارشد و دکترا، گفت: «هزینه‌هایی در ارتباط با تصمیم‌های گرفته شده وجود دارد، مانند زمانی که انسان برای انجام یک کار یا آموزش به یک روبات برای انجام یک کار لازم است، و هزینه‌ای که ربات موفق به انجام کار نمی‌شود.» دانشجوی دکتری در RI. با توجه به تمام این هزینه ها، سیستم ما تقسیم کار بهینه را برای شما فراهم می کند.

کار گروهی می‌تواند در کارخانه‌های تولید و مونتاژ، هنگام مرتب‌سازی بسته‌ها یا در هر محیطی که انسان‌ها و روبات‌ها برای انجام چندین کار با یکدیگر همکاری می‌کنند، مفید باشد. برای آزمایش این برنامه‌ریز، محققان سناریوهایی را توسعه دادند که در آن انسان‌ها و روبات‌ها باید بلوک‌هایی را در یک تخته میخ قرار می‌دادند و قطعاتی با اشکال و اندازه‌های مختلف ساخته شده از آجرهای لگو را روی هم قرار می‌دادند.

ربات ADL آجرهای لگو را جمع آوری می کند

یک ربات آجرهای لگو را در طول شبیه سازی برنامه ریز ADL روی هم می چیند. محققان مؤسسه رباتیک یک زمان‌بندی الگوریتمی ایجاد کرده‌اند که به واگذاری وظایف به انسان‌ها و روبات‌ها کمک می‌کند. اعتبار: دانشگاه کارنگی ملون.

استفاده از الگوریتم‌ها و نرم‌افزارها برای تصمیم‌گیری درباره نحوه واگذاری و به اشتراک گذاشتن نیروی کار جدید نیست، حتی زمانی که روبات‌ها بخشی از یک تیم هستند. با این حال، این کار یکی از اولین کارهایی است که یادگیری ربات را در استدلال گنجانده است.

واتس گفت: «روبات‌ها دیگر ساکن نیستند. آنها را می توان بهبود بخشید و می توان آنها را آموزش داد.”

اغلب در تولید، انسان به صورت دستی بازوی رباتیک را دستکاری می کند تا به ربات آموزش دهد که چگونه یک کار را انجام دهد. آموزش ربات زمان بر است و بنابراین هزینه اولیه زیادی دارد. اما در دراز مدت، اگر ربات بتواند مهارت جدیدی را بیاموزد، می تواند مفید باشد. بخشی از دشواری در تصمیم گیری بهترین زمان برای آموزش یک ربات به جای محول کردن این کار به یک انسان است. این امر مستلزم آن است که ربات پیش بینی کند که چه کارهای دیگری می تواند پس از یادگیری یک کار جدید انجام دهد.

با این اطلاعات، برنامه ریز مسئله را به یک برنامه عدد صحیح مختلط تبدیل می کند – یک برنامه بهینه سازی که معمولاً در برنامه ریزی، برنامه ریزی تولید یا طراحی شبکه ارتباطی استفاده می شود – که می تواند به طور موثر با نرم افزارهای آماده حل شود. زمانبند در همه موارد بهتر از مدل های سنتی عمل کرد و هزینه تکمیل کارها را 10-15٪ کاهش داد.

مرجع: “برنامه ریزی هم افزایی برای یادگیری و توزیع وظایف در تیم های انسان-ربات”، شیوام واتز، الیور کرمر و ماکسیم لیخاچف، 14 مارس 2022، انفورماتیک > رباتیک.
آرشیو: 2203.07478

Wats در کنفرانس بین المللی رباتیک و اتوماسیون در فیلادلفیا، برنامه ریزی یادگیری هم افزایی و توزیع وظیفه در تیم های انسان-ربات را ارائه کرد، جایی که برای همکاری برجسته نامزد دریافت جایزه شد. تیم تحقیقاتی شامل الیور کرمر، دانشیار در RI. و ماکسیم لیخاچف، دانشیار RI.

این مطالعه توسط دفتر تحقیقات نیروی دریایی و آزمایشگاه تحقیقات ارتش تامین شد.



منبع

لطفا ستاره بده (سمت چپ بیشترین امتیاز)
به اشتراک بگذارید:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.