Исследователи из Массачусетского университета в Амхерсте разработали инновационную методику программирования роботов, благодаря которой они могут формировать собственные команды и ожидать других участников. Это позволяет ускорить выполнение задач и повысить уровень автоматизации в производственных, сельскохозяйственных и складских процессах.
Научная работа, ставшая финалистом премии Best Paper Award on Multi-Robot Systems на Международной конференции IEEE по робототехнике и автоматизации 2024 года, продемонстрировала, что новая стратегия позволяет сократить время выполнения задач на 20-30% по сравнению с традиционными методами.
«Долгое время велись дебаты о том, лучше ли создать одного мощного гуманоидного робота, способного справляться со всеми задачами, или же предпочесть команду роботов, умеющих сотрудничать», — отмечает Хао Чжан, доцент Колледжа информации и компьютерных наук имени Мэннинга в Массачусетском университете и руководитель Лаборатории робототехники, ориентированной на человека.
Группа исследователей предложила новый подход к планированию работы роботов, основанный на обучении взаимодействию и координации — обучение добровольному ожиданию и подгруппированию (LVWS). Этот метод позволяет роботам формировать команды и ждать других роботов для успешного выполнения сложных задач.
«Роботы сталкиваются с большими задачами, аналогичными тем, с которыми сталкиваются люди. Например, если у них есть большой ящик, который один робот не может поднять, потребуется совместная работа нескольких роботов», — поясняет Чжан.
Чтобы протестировать подход LVWS, учёные задали шестерым роботам 18 задач в компьютерной симуляции и сравнили результаты с четырьмя другими методиками. Оказалось, что метод LVWS оказался менее оптимальным только на 0,8% в сравнении с неоптимальностью остальных методов на 11,8-23%.
Исследователи надеются, что это открытие будет способствовать дальнейшему совершенствованию командных систем автоматизированных роботов, особенно в условиях масштабного производства. Например, один человекоподобный робот может быть предпочтителен в ограниченном пространстве, тогда как многокомпонентные роботизированные системы лучше подходят для крупных промышленных предприятий, требующих выполнения специализированных задач.
Эта работа была финансово поддержана программой стипендий DARPA и премией CAREER Национального научного фонда США.
Источник: iXBT
