Des chercheurs créent une nouvelle méthode pour orchestrer une collaboration réussie entre robots

De nouvelles recherches menées par l'Université du Massachusetts à Amherst montrent que la programmation de robots pour créer leurs propres équipes et attendre volontairement leurs coéquipiers permet d'accomplir plus rapidement les tâches, avec le potentiel d'améliorer l'automatisation de la fabrication, de l'agriculture et des entrepôts. L'étude est publiée dans Conférence internationale IEEE 2024 sur la robotique et l'automatisation (ICRA).

Cette recherche a été reconnue comme finaliste pour le prix du meilleur article sur les systèmes multi-robots lors de la conférence internationale IEEE sur la robotique et l'automatisation 2024.

« Il existe un long débat sur la question de savoir si nous voulons construire un seul robot humanoïde puissant capable d'effectuer toutes les tâches, ou si nous voulons avoir une équipe de robots capables de collaborer », explique l'un des auteurs de l'étude, Hao Zhang, professeur associé au Manning College of Information and Computer Sciences de l'UMass Amherst et directeur du Human-Centered Robotics Lab.

Dans un environnement de production, une équipe de robots peut être moins coûteuse car elle maximise les capacités de chaque robot. Le défi devient alors : comment coordonner un ensemble diversifié de robots ? Certains peuvent être fixes, d'autres mobiles ; certains peuvent soulever des matériaux lourds, tandis que d'autres sont adaptés à des tâches plus petites.

Pour résoudre ce problème, Zhang et son équipe ont créé une approche basée sur l’apprentissage pour la planification des robots, appelée apprentissage pour l’attente volontaire et le sous-groupement (LVWS).

« Les robots ont des tâches importantes, tout comme les humains », explique Zhang. « Par exemple, ils ont une grande boîte qui ne peut pas être transportée par un seul robot. Le scénario nécessitera plusieurs robots pour travailler ensemble sur cette tâche. »

L’autre comportement est l’attente volontaire. « Nous voulons que le robot puisse attendre activement car, s’il choisit simplement une solution gourmande pour toujours effectuer des tâches plus petites qui sont immédiatement disponibles, il arrive parfois que la tâche la plus importante ne soit jamais exécutée », explique Zhang.

Pour tester leur approche LVWS, ils ont donné 18 tâches à six robots dans une simulation informatique et ont comparé leur approche LVWS à quatre autres méthodes.

Dans ce modèle informatique, il existe une solution connue et parfaite pour réaliser le scénario dans le temps le plus court. Les chercheurs ont exécuté les différents modèles par simulation et ont calculé à quel point chaque méthode était pire par rapport à cette solution parfaite, une mesure connue sous le nom de sous-optimalité.

Les méthodes de comparaison se sont révélées sous-optimales dans une proportion de 11,8 % à 23 %. La nouvelle méthode LVWS s'est révélée sous-optimale dans une proportion de 0,8 %. « La solution est donc proche de la meilleure solution possible ou théorique », explique Williard Jose, auteur de l'article et doctorant en informatique au Human-Centered Robotics Lab.

Comment le fait de faire attendre un robot permet-il à toute l’équipe d’être plus rapide ? Imaginez ce scénario : vous avez trois robots, deux qui peuvent soulever 1,8 kg chacun et un qui peut soulever 5 kg. L’un des petits robots est occupé à une autre tâche et il y a une boîte de 3,2 kg qui doit être déplacée.

« Au lieu que ce soit ce gros robot qui effectue cette tâche, il serait plus avantageux que le petit robot attende l'autre petit robot et qu'ils effectuent ensuite cette grande tâche ensemble, car les ressources de ce plus gros robot sont mieux adaptées pour effectuer une autre grande tâche », explique José.

S'il est possible de déterminer une réponse optimale dès le départ, pourquoi les robots ont-ils besoin d'un planificateur ? « Le problème avec cette solution exacte est qu'il faut calculer que cela prend beaucoup de temps », explique Jose. « Avec un nombre plus important de robots et de tâches, c'est exponentiel. On ne peut pas obtenir la solution optimale dans un délai raisonnable. »

En examinant des modèles utilisant 100 tâches, où il est impossible de calculer une solution exacte, ils ont constaté que leur méthode accomplissait les tâches en 22 pas de temps, contre 23,05 à 25,85 pas de temps pour les modèles de comparaison.

Zhang espère que ce travail contribuera à faire progresser ces équipes de robots automatisés, en particulier lorsque la question de l’échelle entre en jeu.

Par exemple, il affirme qu’un seul robot humanoïde peut être mieux adapté au petit espace d’une maison unifamiliale, tandis que les systèmes multi-robots sont de meilleures options pour un environnement industriel de grande taille qui nécessite des tâches spécialisées.