MIT-forskere har udviklet et nyt system, der sammenarbejder eksisterende kontrolprogrammer for at lade flere robotter samarbejde på mere komplekse måder.
MIT frigav ikke dette billede. Det kom fra Wikimedia Commons. Forskere fra MITs datalogi og kunstig intelligenslaboratorium lærer imidlertid måder at gøre det muligt for flere robotter at arbejde sammen.
At skrive et program til at styre en enkelt autonom robot, der navigerer i et usikkert miljø med en uberegnelig kommunikationsforbindelse, er hårdt nok; skriv en til flere robotter, der måske eller måske ikke skal arbejde sammen, afhængigt af opgaven, er endnu sværere.
Som en konsekvens har ingeniører, der designer kontrolprogrammer til "multiagent-systemer" - hvad enten team af robotter eller netværk af enheder med forskellige funktioner - generelt begrænset sig til særlige tilfælde, hvor pålidelige oplysninger om miljøet kan antages eller en relativt simpel samarbejdsopgave kan være klart specificeret på forhånd.
I maj, på den internationale konference om autonome agenter og multiagent-systemer, vil forskere fra MITs datalogi og kunstig intelligenslaboratorium (CSAIL) præsentere et nyt system, der syer eksisterende kontrolprogrammer sammen for at give multagent-systemer mulighed for at samarbejde på meget mere komplekse måder. Systemet faktorer i usikkerhed - for eksempel oddsene for, at et kommunikationslink falder, eller at en bestemt algoritme utilsigtet styrer en robot i en blindgyde - og planlægger automatisk omkring den.
Ved små samarbejdsopgaver kan systemet garantere, at dets kombination af programmer er optimal - at det giver de bedst mulige resultater i betragtning af usikkerheden i miljøet og begrænsningerne i selve programmerne.
Arbejder sammen med Jon How, Richard Cockburn Maclaurin-professor i luftfart og astronautik, og hans studerende Chris Maynor, tester forskerne i øjeblikket deres system i en simulering af en lageropgave, hvor team af robotter ville være nødvendige for at hente vilkårlige objekter fra ubestemt placeringer, der samarbejder efter behov for at transportere tung belastning. Simuleringerne involverer små grupper af iRobot Creates, programmerbare robotter, der har det samme chassis som Roomba-støvsugeren.
Begrundet tvivl
”I systemer generelt i den virkelige verden er det meget svært for dem at kommunikere effektivt,” siger Christopher Amato, en postdoc i CSAIL og førsteforfatter på det nye papir. ”Hvis du har et kamera, er det umuligt for kameraet at streame hele dets information til alle de andre kameraer konstant. Tilsvarende findes robotter på netværk, der er ufuldkomne, så det tager nogen tid at få s til andre robotter, og måske kan de ikke kommunikere i visse situationer omkring forhindringer. ”
En agent har måske ikke engang perfekt information om sin egen placering, siger Amato - hvilken gang af lageret den faktisk er i, f.eks. Derudover "Når du prøver at tage en beslutning, er der en vis usikkerhed om, hvordan det vil udfolde sig," siger han. ”Måske prøver du at bevæge dig i en bestemt retning, og der er vind- eller hjulglidning, eller der er usikkerhed på tværs af netværk på grund af pakketab. Så i disse virkelige domæner med al denne kommunikationsstøj og usikkerhed om, hvad der sker, er det svært at tage beslutninger. ”
Det nye MIT-system, som Amato udviklede sammen med medforfattere Leslie Kaelbling, Panasonic-professor i datalogi og teknik, og George Konidaris, en kollegepostdoc, tager tre input. Den ene er et sæt lavniveau-kontrolalgoritmer - som MIT-forskerne omtaler som ”makrohandlinger” - som kan styre agenters adfærd kollektivt eller individuelt. Det andet er et sæt statistikker om disse programmers eksekvering i et bestemt miljø. Og den tredje er en ordning til vurdering af forskellige resultater: At gennemføre en opgave tilskrives en høj positiv værdiansættelse, men forbrug af energi tilskrives en negativ værdiansættelse.
Skolen for hårde banker
Amato ser for sig, at statistikken kunne samles automatisk ved blot at lade et multiagent system køre et stykke tid - hvad enten det er i den virkelige verden eller i simuleringer. I warehousing-applikationen, for eksempel, ville robotterne overlade til at udføre forskellige makrohandlinger, og systemet vil indsamle data om resultater. Robotter, der prøver at bevæge sig fra punkt A til punkt B inden i lageret, kan ende i en blind gyde en procentdel af tiden, og deres kommunikationsbåndbredde falder muligvis en anden procentdel af tiden; disse procentdele kan variere for robotter, der bevæger sig fra punkt B til punkt C.
MIT-systemet tager disse input og beslutter derefter, hvordan man bedst kan kombinere makrohandlinger for at maksimere systemets værdifunktion. Det bruger muligvis alle makrohandlinger; det bruger muligvis kun en lille undergruppe. Og det kan bruge dem på måder, som en menneskelig designer ikke ville have tænkt på.
Antag for eksempel, at hver robot har en lille bank med farvede lys, som den kan bruge til at kommunikere med sine kolleger, hvis deres trådløse links er nede. ”Hvad der typisk sker, er, at programmereren beslutter, at rødt lys betyder at gå til dette rum og hjælpe nogen, grønt lys betyder at gå til det rum og hjælpe nogen,” siger Amato. "I vores tilfælde kan vi bare sige, at der er tre lys, og algoritmen spytter ud, om de skal bruge dem eller ikke, og hvad hver farve betyder."
Via MIT News