Роботы научились работать в команде и ждать друг друга
Учёные из Массачусетского университета в Амхерсте разработали новую стратегию программирования роботов, которая позволяет им создавать собственные команды и ожидать своих товарищей по команде. Это приводит к более быстрому выполнению задач и может улучшить автоматизацию производства, сельского хозяйства и складов.
Исследование, признанное финалистом премии Best Paper Award on Multi-Robot Systems на Международной конференции IEEE по робототехнике и автоматизации 2024, показало, что эта стратегия может сократить время выполнения задач на 20–30% по сравнению с традиционными методами.
«Уже давно ведутся споры о том, хотим ли мы создать одного мощного гуманоидного робота, способного выполнять все задачи, или же нам нужна команда роботов, которые могут взаимодействовать», — говорит один из авторов исследования Хао Чжан, доцент Колледжа информации и компьютерных наук имени Мэннинга в Амхерсте при Массачусетском университете и директор Лаборатории робототехники, ориентированной на человека.
Источник: DALL-EКоманда учёных разработала основанный на обучении подход к планированию работы роботов, который называется обучением добровольному ожиданию и подгруппированию (LVWS). Этот подход позволяет роботам создавать собственные команды и ожидать своих товарищей, чтобы выполнить более сложные задачи.
«У роботов большие задачи, как и у людей. Например, у них есть большой ящик, который не может перенести один робот. Сценарий потребует от нескольких роботов совместной работы над этим», — говорит Чжан.
Чтобы проверить свой подход LVWS, учёные дали шести роботам 18 задач в компьютерной симуляции и сравнили свой подход LVWS с четырьмя другими методами. Результаты показали, что метод LVWS оказался неоптимальным на 0,8%, в то время как другие методы были неоптимальными на 11,8–23%.
Исследователи надеются, что эта работа будет способствовать дальнейшему прогрессу команд автоматизированных роботов, особенно когда в игру вступает вопрос масштаба. Например, один человекоподобный робот может лучше подойти для небольшого пространства, в то время как системы из нескольких роботов являются лучшими вариантами для крупной промышленной среды, требующей специализированных задач.
Это исследование финансировалось программой стипендий DARPA и премией CAREER Национального научного фонда США.
© iXBT
