Un nouveau planificateur algorithmique développé à l’Institut de robotique de l’Université Carnegie Mellon répartit les tâches de manière optimale entre les humains et les robots.
Alors que les robots rejoignent de plus en plus les personnes qui travaillent dans les usines, les entrepôts et autres lieux de travail, déterminer qui fera quelles tâches devient de plus en plus complexe et important. Les personnes sont mieux adaptées à certains emplois, les robots à d’autres. Et dans certains cas, il est avantageux de consacrer du temps à apprendre à un robot à effectuer une tâche maintenant et d’en récolter les fruits plus tard.
Des chercheurs de l’Université Carnegie Mellon… Robotics Institute (RI) ont développé un planificateur algorithmique qui aide à déléguer des tâches aux humains et aux robots. Le planificateur, “Act, Delegate or Learn” (ADL), examine une liste de tâches et décide de la meilleure façon de les attribuer. Les chercheurs ont posé trois questions : Quand un robot doit-il agir pour accomplir une tâche ? Quand une tâche doit-elle être déléguée à un humain ? Et quand un robot doit-il apprendre une nouvelle tâche ?
“Il y a des coûts associés aux décisions prises, comme le temps qu’il faut à un humain pour accomplir une tâche ou apprendre à un robot à accomplir une tâche et le coût d’un robot qui échoue à une tâche”, a déclaré Shivam Vats, le chercheur principal et un étudiant en doctorat dans le RI. “Compte tenu de tous ces coûts, notre système vous donnera la division optimale du travail”.
Le travail de l’équipe pourrait être utile dans les usines de fabrication et d’assemblage, pour le tri des colis, ou dans tout environnement où les humains et les robots collaborent pour accomplir plusieurs tâches. Afin de tester le planificateur, les chercheurs ont mis en place des scénarios dans lesquels les humains et les robots devaient insérer des blocs dans un tableau de chevilles et empiler des pièces de différentes formes et tailles fabriquées à partir de briques LEGO.
Un robot empile des briques LEGO pendant les simulations du planificateur ADL. Les chercheurs du Robotics Institute ont mis au point un planificateur algorithmique qui permet de déléguer des tâches aux humains et aux robots. Crédit : Université Carnegie Mellon
L’utilisation d’algorithmes et de logiciels pour décider comment déléguer et diviser le travail n’est pas nouvelle, même lorsque des robots font partie de l’équipe. Cependant, ce travail est l’un des premiers à inclure l’apprentissage des robots dans son raisonnement.
“Les robots ne sont plus statiques”, a déclaré Vats. “Ils peuvent être améliorés et on peut leur apprendre”.
Souvent, dans le secteur de la fabrication, une personne manipule manuellement un bras robotique pour apprendre au robot comment accomplir une tâche. Apprendre à un robot prend du temps et a donc un coût initial élevé. Mais cela peut être bénéfique à long terme si le robot peut apprendre une nouvelle compétence. Une partie de la complexité consiste à décider quand il est préférable d’enseigner à un robot ou de déléguer la tâche à un humain. Pour ce faire, le robot doit prévoir quelles autres tâches il peut accomplir après avoir appris une nouvelle tâche.
À partir de ces informations, le planificateur convertit le problème en un programme mixte en nombres entiers – un programme d’optimisation couramment utilisé pour l’ordonnancement, la planification de la production ou la conception de réseaux de communication – qui peut être résolu efficacement par un logiciel standard. Le planificateur a obtenu de meilleurs résultats que les modèles traditionnels dans toutes les instances et a réduit le coût d’exécution des tâches de 10 à 15 %.
Référence : “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams” par Shivam Vats, Oliver Kroemer et Maxim Likhachev, 14 mars 2022, Informatique > ; Robotique.
arXiv:2203.07478
Vats a présenté ses travaux, “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams”, lors de la Conférence internationale sur la robotique et l’automatisation à Philadelphie, où ils ont été nominés pour le prix du meilleur article sur l’interaction. L’équipe de recherche était composée d’Oliver Kroemer, professeur adjoint au RI, et de Maxim Likhachev, professeur associé au RI.
La recherche a été financée par l’Office of Naval Research et le Army Research Laboratory.
