Massachusetts Amherst Üniversitesi’ndeki bilim insanları, robotların programlanması için kendi takımlarını oluşturmalarına ve takım arkadaşlarını beklemelerine olanak tanıyan yeni bir strateji geliştirdiler. Bu, görevlerin daha hızlı tamamlanmasını sağlar ve imalat, tarım ve depolarda otomasyonu geliştirebilir.
2024 IEEE Uluslararası Robotik ve Otomasyon Konferansı’nda Çok Robotlu Sistemler Konusunda En İyi Makale Ödülü’nde finalist olarak adlandırılan çalışma, bu stratejinin, geleneksel yöntemlere kıyasla görev tamamlama sürelerini %20-30 oranında azaltabildiğini buldu.
Üniversitede yardımcı doçent olan çalışmanın ortak yazarı Hao Zhang, “Tüm görevleri yerine getirebilecek güçlü bir insansı robot mu yaratmak istediğimiz, yoksa iletişim kurabilen bir robot ekibi mi istediğimiz konusunda uzun zamandır bir tartışma var” diyor. Manning, Massachusetts Amherst Üniversitesi’nde Bilgi ve Bilgisayar Bilimleri Bölümü’nde ve İnsan Odaklı Robotik Laboratuvarı’nın yöneticisidir.
Bilim adamlarından oluşan bir ekip, gönüllü bekleme ve alt gruplamayı öğrenme (LVWS) adı verilen robot planlamaya yönelik öğrenmeye dayalı bir yaklaşım geliştirdi. Bu yaklaşım, robotların kendi ekiplerini oluşturmasına ve ekip arkadaşlarının daha karmaşık görevleri tamamlamasını beklemesine olanak tanıyor.
“Robotların da tıpkı insanlar gibi büyük görevleri var. Örneğin tek bir robotun taşıyamayacağı kadar büyük bir kutuları var. Senaryo, bu konuda birden fazla robotun birlikte çalışmasını gerektiriyor” diyor Zhang.
LVWS yaklaşımlarını test etmek için bilim insanları altı robota bir bilgisayar simülasyonunda 18 görev verdiler ve LVWS yaklaşımlarını diğer dört yöntemle karşılaştırdılar. Sonuçlar, LVWS yönteminin %0,8 optimalin altında olduğunu, diğer yöntemlerin ise %11,8-23 optimalin altında olduğunu gösterdi.
Araştırmacılar bu çalışmanın, özellikle ölçek devreye girdiğinde, otomatik robot ekiplerinin sürekli ilerlemesine katkıda bulunacağını umuyor. Örneğin, tek bir insansı robot küçük bir alan için daha uygun olabilirken, çoklu robot sistemleri, özel görevler gerektiren büyük endüstriyel ortamlar için daha iyi seçeneklerdir.
Bu araştırma DARPA Burs Programı ve ABD Ulusal Bilim Vakfı’nın KARİYER Ödülü tarafından finanse edildi.