watervacuum

در سال های اخیر ، روبات ها به طور فزاینده ای پیچیده تر شده اند ، از این رو اکنون قادر به انجام کارهای گسترده ای هستند. در حالی که برخی از روبات ها برای کار به صورت جداگانه طراحی شده اند ، به عنوان مثال ارائه کمک های اولیه در خانه افراد ، برخی دیگر ممکن است هنگام اعزام در تیم ها کارایی بیشتری داشته باشند.

 

 

در طول مأموریت های جستجو و نجات ، به عنوان مثال پس از بلایای طبیعی ، روبات ها می توانند به عنوان یک تیم مؤثر باشند ، زیرا می توانند منابع بیشتری را فراهم کنند و یا سریعتر بازماندگان را جستجو کنند و مناطق جغرافیایی بزرگتری را پوشش دهند. با این وجود ، برای انجام کارآمدترین مأموریت ها به عنوان یک تیم ، ربات ها باید بتوانند به خوبی و به طور موثر وظایف مختلفی را بین یکدیگر توزیع کنند.

 

با توجه به این موضوع ، محققان انستیتوی فناوری جورجیا (Georgia Tech) اخیراً چارچوبی را برای تخصیص وظایف تطبیقی ??در طول مأموریت هایی تهیه کرده اند که قرار است توسط تیمی از روبات ها انجام شود. چارچوب آنها ، در مقاله ای که از قبل در مورد arXiv منتشر شده است ، می تواند وظایف را با توجه به قابلیت ها و ویژگی های منحصر به فرد خود به روبات ها اختصاص دهد.

 

Yousef A Emam ، یکی از این موارد گفت: "تیم های ربات پیش بینی شده اند که در محیط های پویا فعالیت کنند و این مقاله یک قانون به روز شده را ارائه می دهد که به روبات ها اجازه می دهد بدانند که برای هر یک از کارهای مختلفی که در پرواز به آنها اختصاص داده می شود ، چقدر مناسب هستند". محققانی که این تحقیق را انجام داده اند ، به TechXplore گفتند.

 

چارچوبی که توسط محققان ایجاد شده است مبتنی بر یک تکنیک تخصیص وظیفه برای سیستم های چند روبات ناهمگن است که آنها در مقاله قبلی معرفی کرده اند . این استراتژی که قبلاً ابداع شده است مستلزم استفاده از الگوریتمی است که اختلاف در توانایی های روبات های فردی را به خود اختصاص می دهد و وظایف خود را نیز بر این اساس اختصاص می دهد. تخصیص و اجرای این وظایف به طور هم زمان صورت می گیرد.

 

امام گفت: "چارچوب ما مشکلات بهینه سازی را بصورت آنلاین حل می کند ، و به روبات های فردی می گوید که چگونه اولویت های خود را در کارهای مختلفی که برای انجام آنها قرار دارند (یعنی تخصیص وظیفه) و نحوه انجام این کار (یعنی اجرای وظیفه) در اولویت قرار دهند."

 

 

در مطالعه خود ، امام و همکارانش استراتژی تخصیص وظیفه را که قبلاً تهیه کرده بودند ساخته اند ، و این امر پاسخگوتر به تغییرات در محیط پیرامون روبات ها است. در مقایسه با نسخه قبلی آن ، چارچوب جدید آنها نیازی به الگوی صریح محیط و قابلیت های ربات های ناشناخته ندارد. در عوض ، این امر در درجه اول پیشرفت جمعی را که تیم روبات ها در یک مأموریت معین و کارایی هر ربات در کارهای فردی انجام می دهند ، در نظر می گیرد.

 

 

 

امام توضیح داد: "در مطالعه اخیر ما ، یک قانون بازخورد تدوین کرده ایم که چارچوب قبلی را توسعه داده شده با اختلالات محیطی تطبیق می دهد." "این بدان معنی است که حتی اگر روبات دانش کاملی در مورد چگونگی مناسب بودن برای هر یک از کارها نداشته باشد ، آن را در پرواز یاد می گیرد."

 

محققان چارچوب خود را در یک سری شبیه سازی ارزیابی کردند و دریافتند که به نتایج بسیار امیدوار کننده ای رسیده است. در این آزمایشات ، رویکرد آنها امکان تخصیص کار مؤثر در بین روبات ها را در شرایط متنوعی از محیط ، حتی در مواردی که قابلیت های روبات های فردی قبل از استقرار آنها ناشناخته بودند ، فراهم می آورد.

 

در آینده ، چارچوب تخصیص و اجرای وظیفه که توسط امام و همکارانش ایجاد شده است می تواند باعث تقویت همکاری بین روبات هایی شود که به عنوان تیم مستقر شده اند و عملکرد جمعی آنها را بهبود می بخشد. این در نهایت می تواند بسیج در مقیاس بزرگ روبات ها را در طول مأموریت های جستجو و نجات تسهیل کند .