Uma abordagem para planejar as ações de equipes de robôs em condições incertas

Embora a maioria dos robôs sejam inicialmente testados em laboratórios e outros ambientes controlados, eles são projetados para serem implantados em ambientes do mundo real, ajudando os humanos a resolver vários problemas. Navegar em ambientes do mundo real implica lidar com elevados níveis de incerteza e imprevisibilidade, especialmente quando os robôs completam missões em equipa.

Nos últimos anos, os cientistas da computação têm tentado desenvolver estruturas e modelos que possam melhorar a capacidade dos robôs de resolver eficazmente problemas fora dos ambientes de laboratório, onde é mais provável que encontrem desafios imprevistos. Estas ferramentas computacionais poderiam, em última análise, facilitar a adoção generalizada de robôs, aumentando a sua capacidade de completar missões com sucesso.

Uma equipe de pesquisa da Universidade Johns Hopkins introduziu recentemente uma nova estrutura projetada para planejar as ações dos robôs em equipe, ao mesmo tempo que considera a incerteza sob a qual eles operam. A abordagem proposta, apresentada em um artigo pré-publicado em arXivbaseia-se em um método computacional introduzido pela primeira vez em um de seus trabalhos anteriores.

“Planejar sob incerteza é um desafio fundamental na robótica”, escreveram Cora A. Dimmig, Kevin C. Wolfe e seus colegas em seu artigo. “Para equipes multi-robôs, o desafio é ainda mais exacerbado, uma vez que o problema de planejamento pode rapidamente se tornar computacionalmente intratável à medida que o número de robôs aumenta. Propomos uma nova abordagem para planejamento sob incerteza usando equipes multi-robôs heterogêneas.”

A abordagem proposta por Dimmig, Wolfe e seus colaboradores aplica-se a cenários em que diferentes robôs de uma equipe podem assumir funções diferentes, já que todos os robôs trabalham coletivamente para completar uma missão comum ao ar livre. Essencialmente, a equipa introduz a noção de que alguns robôs, que se movem a velocidades mais elevadas, poderiam atuar como batedores durante uma determinada missão no mundo real, patrulhando regiões geográficas desconhecidas ou incertas à frente para identificar potenciais desafios e planear melhor as ações de todos os outros robôs. .

“Isso permite investigar tanto o planejamento para minimizar o risco associado à incerteza nos caminhos propostos, quanto o planejamento para minimizar a incerteza geral no ambiente”, explicaram os pesquisadores em seu artigo.

O método de planejamento das ações das equipes de robôs apresentado por Dimmig, Wolfe e seus colegas baseia-se em duas abordagens principais de programação, nomeadamente a criação de um gráfico topológico dinâmico e a chamada programação inteira mista. A abordagem da equipe envolve a implantação de dois tipos diferentes de robôs. O primeiro tipo tem a tarefa de completar missões, enquanto o segundo explora os ambientes para coletar dados e reduzir a incerteza, facilitando a conclusão de uma tarefa.

Até agora, os investigadores avaliaram a sua abordagem computacionalmente em vários cenários possíveis que poderiam introduzir incerteza durante missões do mundo real. Suas descobertas foram promissoras, sugerindo que o método proposto poderia ajudar a melhorar o desempenho das equipes de robôs em tarefas que contêm vários graus de incerteza.

“Testamos a nossa abordagem numa série de cenários representativos onde a equipa do robô deve mover-se através de um ambiente enquanto minimiza a detecção na presença de posições incertas do observador”, escreveram os investigadores. “Demonstramos que nossa abordagem é suficientemente tratável computacionalmente para o replanejamento em tempo real em ambientes em mudança, pode melhorar o desempenho na presença de informações imperfeitas e pode ser ajustada para acomodar diferentes perfis de risco.”

No futuro, a nova abordagem desenvolvida por Dimmig, Wolfe e seus colaboradores poderá ser testada adicionalmente usando robôs simulados e físicos para validar o seu potencial. Além disso, este trabalho recente poderá inspirar outras equipas de investigação a desenvolver métodos semelhantes para melhorar o desempenho de robôs em ambientes complexos do mundo real, facilitando, em última análise, a sua implantação em grande escala.

© 2023 Science X Network