In recente jaren, robots zijn steeds geavanceerder geworden, vandaar dat ze nu in staat zijn om een ​​breed scala aan taken uit te voeren. Hoewel sommige robots zijn ontworpen om individueel te werken, bijvoorbeeld het verlenen van basishulp bij mensen thuis, andere zijn mogelijk efficiënter wanneer ze in teams worden ingezet.

Tijdens zoek- en reddingsmissies, bijvoorbeeld na natuurrampen, robots kunnen effectiever zijn als een team, omdat ze sneller voorraden konden leveren of naar overlevenden konden zoeken, die grotere geografische regio's bestrijken. Om missies als team zo efficiënt mogelijk te voltooien, echter, robots moeten goed kunnen samenwerken en verschillende taken goed onder elkaar kunnen verdelen.

Met dit in gedachten, onderzoekers van Georgia Institute of Technology (Georgia Tech) hebben onlangs een raamwerk ontwikkeld voor adaptieve taaktoewijzing tijdens missies die moeten worden voltooid door een team van robots. Hun kader, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, kan taken toewijzen aan robots op basis van hun unieke mogelijkheden en kenmerken.

"Het is de bedoeling dat robotteams in dynamische omgevingen werken en dit document stelt een bijgewerkte regel voor waarmee robots kunnen weten hoe geschikt ze zijn voor elk van de verschillende taken die ze on-the-fly krijgen toegewezen, "Yousef een Emam, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore.

Het door de onderzoekers ontwikkelde raamwerk is gebaseerd op een taaktoewijzingstechniek voor heterogene multi-robotsystemen die ze in een eerder artikel hebben geïntroduceerd. Deze eerder bedachte strategie omvat het gebruik van een algoritme dat rekening houdt met verschillen in individuele robotcapaciteiten en taken dienovereenkomstig toewijst. De toewijzing en uitvoering van deze taken vinden gelijktijdig plaats.

"Ons framework lost optimalisatieproblemen online op, individuele robots vertellen hoe ze prioriteit moeten geven aan hun bijdragen aan de verschillende taken die ze moeten uitvoeren (d.w.z. taakverdeling), en hoe u dat doet (d.w.z. taakuitvoering), ' zei Emam.

In hun studie hebben Emam en zijn collega's bouwden voort op de taaktoewijzingsstrategie die ze eerder ontwikkelden, waardoor het beter reageert op veranderingen in de omgeving van de robots. In tegenstelling tot de vorige versie, hun nieuwe raamwerk vereist geen expliciet model van de omgeving of van onbekende robotcapaciteiten. In plaats daarvan, het houdt in de eerste plaats rekening met de collectieve vooruitgang die het team van robots heeft gemaakt op een bepaalde missie en de prestaties van elke robot op individuele taken.

"In ons recente onderzoek we hebben een feedbackwet ontwikkeld die het eerder ontwikkelde raamwerk adaptief maakt voor omgevingsstoringen, " legde Emam uit. "Dit betekent dat zelfs als de robot geen perfecte kennis heeft van hoe geschikt hij is voor elk van de taken, het zal het on-the-fly leren."

De onderzoekers evalueerden hun raamwerk in een reeks simulaties en ontdekten dat het veelbelovende resultaten opleverde. Bij deze experimenten hun aanpak maakte een effectieve taakverdeling tussen robots mogelijk onder verschillende omgevingsomstandigheden, zelfs in gevallen waarin de mogelijkheden van individuele robots onbekend waren voordat ze werden ingezet.

In de toekomst, het door Emam en zijn collega's ontwikkelde raamwerk voor taaktoewijzing en uitvoering kan de samenwerking tussen robots die als team worden ingezet, verbeteren, het verbeteren van hun collectieve prestaties. Dit zou uiteindelijk de grootschalige mobilisatie van robots tijdens zoek- en reddingsmissies kunnen vergemakkelijken.

"We werken momenteel aan het uitbreiden van het raamwerk om de functies van elke robot (bijv. sensoren, aandrijvers), zodat we functiestoringen online explicieter kunnen modelleren, "Zei Emam. "Bovendien, een ander aspect waar we naar kijken is de verdeling van berekeningen onder de robots (gedecentraliseerd)."

© 2020 Wetenschap X Netwerk