Une nouvelle méthode pour orchestrer une collaboration réussie entre robots repose sur la patience
Une nouvelle recherche de l'Université du Massachusetts à Amherst montre que la programmation de robots pour qu'ils créent leurs propres équipes et attendent 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.
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 y a un long débat sur la question de savoir si nous voulons construire un robot humanoïde unique et puissant capable de faire tout le travail, ou si nous voulons avoir une équipe de robots capables de collaborer », a déclaré l'un des auteurs de l'étude, Hao Zhang, professeur agrégé. au UMass Amherst Manning College of Information and Computer Sciences et directeur du Human-Centered Robotics Lab.
Dans un environnement de fabrication, 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.
En guise de solution, Zhang et son équipe ont créé une approche basée sur l'apprentissage pour les robots de planification, appelée apprentissage pour l'attente volontaire et le sous-équipe (LVWS).
« Les robots ont de grandes tâches, 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 y travailler en collaboration. »
L'autre comportement est l'attente volontaire. « Nous voulons que le robot soit capable d'attendre activement, car s'il choisit simplement une solution gourmande pour toujours effectuer des tâches plus petites immédiatement disponibles, la tâche la plus importante ne sera parfois jamais exécutée », explique Zhang.
Pour tester leur approche LVWS, ils ont confié à six robots 18 tâches 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 les plus brefs délais.
Les chercheurs ont exécuté les différents modèles dans la simulation et ont calculé à quel point chaque méthode était pire que cette solution parfaite, une mesure connue sous le nom de sous-optimalité.
Les méthodes de comparaison variaient de 11,8 % à 23 % sous-optimales. La nouvelle méthode LVWS était sous-optimale à 0,8 %. « La solution est donc proche de la meilleure solution possible ou théorique », déclare Williard Jose, auteur de l'article et doctorant en informatique au Human-Centered Robotics Lab.
Comment faire attendre un robot rend toute l’équipe plus rapide ? Considérez ce scénario : vous disposez de trois robots : deux pouvant soulever quatre livres chacun et un pouvant soulever 10 livres. L'un des petits robots est occupé à une tâche différente et il y a une boîte de sept livres qui doit être déplacée.
« Au lieu que ce gros robot effectue cette tâche, il serait plus avantageux que le petit robot attende l'autre petit robot, puis qu'ils accomplissent cette grande tâche ensemble, car les ressources de ce plus gros robot sont mieux adaptées pour accomplir une autre grande tâche. » dit José.
S'il est possible de déterminer une réponse optimale en premier lieu, pourquoi les robots ont-ils même besoin d'un planificateur ? « Le problème avec l'utilisation de cette solution exacte est de calculer que cela prend beaucoup de temps », explique Jose. « Avec un plus grand nombre de robots et de tâches, c'est exponentiel. Vous ne pouvez pas obtenir la solution optimale dans un délai raisonnable. »
En examinant des modèles utilisant 100 tâches, pour lesquels il est difficile 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 ces travaux contribueront 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 pourrait mieux s’adapter au faible encombrement d’une maison unifamiliale, tandis que les systèmes multi-robots constituent de meilleures options pour un environnement industriel de grande envergure nécessitant des tâches spécialisées.