Роботы доставляют медикаменты и продовольственные товары

На недавней конференции Robotics Science and Systems (RSS) команда CSAIL представила новую систему из трех роботов, которые могут работать вместе, чтобы изготавливать товары быстро, точно и, пожалуй, самое главное, в непредсказуемых ситуациях. Команда утверждает, что роботы могут работать в разных условиях, в том числе в больницах, во время стихийных бедствий и даже в ресторанах и барах.

Чтобы продемонстрировать свой подход, исследователи CSAIL превратили свою лабораторию в миниатюрный "бар", включавший в себя робота-бармена PR2 и двух четырехколесных роботов Turtlebot, которые заходили в офисы и предлагали людям заказать напитки. Turtlebots обменивались информацией между собой о том, какие заказы были необходимы в разных комнатах, и потом другие роботы могли доставить их.

Методы команды отражают состояние современных алгоритмов планирования, которые позволяют группам роботов выполнять работу просто по общему описанию задачи, которую предстоит решить.

RSS-документ был создан в соавторстве с профессором Университета Дьюка и постдоком CSAIL Джорджем Конидарисом, аспирантами Массачусетского технологического института Ариэлем Андерсом и Габриэлем Крузом, профессорами Массачусетского технологического института Джонатаном Каком и Лесли Кэлблинг, а также ведущим автором Крисом Амато, постдоком CSAIL, который сейчас является профессором в Университете Нью-Хэмпшира.

ЕДИНСТВЕННАЯ УВЕРЕННОСТЬ ЧЕЛОВЕЧЕСТВА - В НЕОПРЕДЕЛЕННОСТИ

Одна из самых больших проблем на пути к совместной работе роботов в том, что в человеческом мире слишком много неопределенности.

Если выражаться более конкретно, роботы имеют дело с тремя видами неопределенности, связанными с датчиками, результатами действий и коммуникацией.

Датчики каждого робота получают неточную информацию о местоположении и состоянии как самих себя, так и вещей вокруг, - говорит Амато. - Что касается результатов, то робот может уронить вещь при попытке поднять ее или задержаться в пути. И к тому же роботы часто неспособны взаимодействовать друг с другом - либо из-за шума в канале связи, либо из-за того, что находятся вне диапазона действия.

Эти неопределенности были отражены в задаче команды по доставке: среди прочего, робот-поставщик мог обслужить только одного робота-официанта одновременно, и они были не в состоянии общаться друг с другом, если не находились в непосредственной близости. Трудности общения наподобие этой являются конкретным риском в случае стихийных бедствий или на поле боя.

Эти ограничения означают, что роботы не знают о  том, что делают другие роботы, и у них нет информации о других заказах, - говорит Андерс. - Это заставило нас работать над более сложными алгоритмами планирования, которые позволяют роботам участвовать в высокоуровневой дискуссии об их местонахождении, состоянии и поведении.

ДЕЛАЯ МИКРО БОЛЕЕ МАКРО

В итоге исследователи смогли развить первый подход к планированию, чтобы продемонстрировать оптимальные решения для всех трех типов неопределенности.

Их ключевой задачей было запрограммировать роботов рассматривать задачи так же, как это делают люди. Как люди мы не должны думать о каждом своем шаге; такие действия становятся второй натурой. Имея это в виду, команда запрограммировала роботов для выполнения серии «макродействий», каждое из которых включает несколько шагов.

Например, когда робот-официант перемещается из комнаты в бар, он должен быть готов к нескольким возможным ситуациям: бармен может обслуживать другого робота; он может быть не готов обслужить данного робота; его может вообще не быть на месте.

Вы хотели бы иметь возможность просто сказать одному роботу пойти в первую комнату, а другому - принести напиток, чтобы не нужно было сопровождать роботов пошагово в процессе, - говорит Андерс. - Этот метод имеет определенный уровень гибкости.

Подход команды к макродействиям под названием "MacDec-POMDPs" основывается на предыдущих моделях планирования, которые называются «децентрализованные, частично наблюдаемые марковские процессы принятия решений", или Dec-POMDPs.

Эти процессы традиционно были слишком сложными, чтобы их масштабировать в соответствии с реальным миром, - говорит Карл Туйлс, профессор компьютерных наук в Университете Ливерпуля. - Подход команды Массачусетского технологического института позволяет планировать действия на гораздо более высоком уровне, что дает возможность им применять его в реальной обстановке с несколькими роботами.

Полученные данные свидетельствуют о том, что в ближайшее время такие методы могут быть применены даже в более крупных и сложных областях. Амато и его коллеги в настоящее время тестируют алгоритмы планирования в крупных моделируемых поисково-спасательных задачах с Lincoln Lab.

Почти все реальные проблемы имеют некоторую степень неопределенности, - говорит Амато. - В результате есть огромный спектр областей, где эти подходы к планированию могли бы помочь.  опубликовано econet.ru

P.S. И помните, всего лишь изменяя свое потребление - мы вместе изменяем мир! © econet