Pesquisadores criam novo método para orquestrar colaboração bem-sucedida entre robôs

Uma nova pesquisa da University of Massachusetts Amherst mostra que programar robôs para criar suas próprias equipes e esperar voluntariamente por seus companheiros resulta em conclusão mais rápida de tarefas, com potencial para melhorar a automação de manufatura, agricultura e depósito. O estudo é publicado em Conferência Internacional IEEE 2024 sobre Robótica e Automação (ICRA).

Esta pesquisa foi reconhecida como finalista do prêmio de Melhor Artigo em Sistemas Multi-Robôs na Conferência Internacional IEEE sobre Robótica e Automação 2024.

“Há um longo histórico de debate sobre se queremos construir um único robô humanoide poderoso que possa fazer todos os trabalhos ou se queremos ter uma equipe de robôs que possam colaborar”, diz um dos autores do estudo, Hao Zhang, professor associado da Faculdade de Informação e Ciências da Computação da UMass Amherst Manning e diretor do Laboratório de Robótica Centrada no Homem.

Em um ambiente de fabricação, uma equipe de robôs pode ser menos dispendiosa porque maximiza a capacidade de cada robô. O desafio então se torna: como você coordena um conjunto diverso de robôs? Alguns podem ser fixos no lugar, outros móveis; alguns podem levantar materiais pesados, enquanto outros são adequados para tarefas menores.

Como solução, Zhang e sua equipe criaram uma abordagem baseada em aprendizagem para agendar robôs, chamada aprendizagem para espera voluntária e subequipes (LVWS).

“Os robôs têm grandes tarefas, assim como os humanos”, diz Zhang. “Por exemplo, eles têm uma caixa grande que não pode ser carregada por um único robô. O cenário precisará de vários robôs para trabalhar colaborativamente nisso.”

O outro comportamento é a espera voluntária. “Queremos que o robô seja capaz de esperar ativamente porque, se ele apenas escolher uma solução gananciosa para sempre executar tarefas menores que estão imediatamente disponíveis, às vezes a tarefa maior nunca será executada”, explica Zhang.

Para testar sua abordagem LVWS, eles deram a seis robôs 18 tarefas em uma simulação de computador e compararam sua abordagem LVWS com quatro outros métodos.

Neste modelo de computador, há uma solução conhecida e perfeita para completar o cenário no menor tempo possível. Os pesquisadores executaram os diferentes modelos por meio da simulação e calcularam o quanto pior cada método era comparado a esta solução perfeita, uma medida conhecida como subotimalidade.

Os métodos de comparação variaram de 11,8% a 23% subótimos. O novo método LVWS foi 0,8% subótimo. “Então a solução está próxima da melhor solução possível ou teórica”, diz Williard Jose, um autor do artigo e um aluno de doutorado em ciência da computação no Human-Centered Robotics Lab.

Como fazer um robô esperar torna toda a equipe mais rápida? Considere este cenário: Você tem três robôs — dois que podem levantar quatro libras cada e um que pode levantar 10 libras. Um dos robôs pequenos está ocupado com uma tarefa diferente e há uma caixa de sete libras que precisa ser movida.

“Em vez de o robô grande executar essa tarefa, seria mais benéfico para o robô pequeno esperar pelo outro robô pequeno e então eles realizarem a tarefa grande juntos, porque o recurso do robô maior é mais adequado para realizar uma tarefa grande diferente”, diz Jose.

Se é possível determinar uma resposta ótima em primeiro lugar, por que os robôs precisam de um agendador? “O problema de usar essa solução exata é calcular que isso leva muito tempo”, explica Jose. “Com números maiores de robôs e tarefas, é exponencial. Você não consegue obter a solução ótima em um período de tempo razoável.”

Ao analisar modelos usando 100 tarefas, onde é difícil calcular uma solução exata, eles descobriram que seu método concluiu as tarefas em 22 intervalos de tempo, em comparação com 23,05 a 25,85 intervalos de tempo para os modelos de comparação.

Zhang espera que este trabalho ajude a promover o progresso dessas equipes de robôs automatizados, principalmente quando a questão de escala entra em jogo.

Por exemplo, ele diz que um único robô humanoide pode ser mais adequado ao pequeno espaço ocupado por uma casa unifamiliar, enquanto sistemas multirrobôs são melhores opções para um ambiente industrial de grande porte que exige tarefas especializadas.