Algoritma Baru MIT Membantu Robot untuk Berkolaborasi Menyelesaikan Pekerjaan

Dalam sebuah misi pencarian dan penyelamatan untuk menemukan pejalan kaki yang tersesat di hutan tim penyelamat mungkin ingin mengerahkan pasukan robot beroda untuk menjelajahi hutan dengan bantuan drone yang menjelajahi pemandangan dari atas. Manfaat tim robot sudah jelas. Tetapi mengatur tim itu bukanlah hal yang mudah. Bagaimana memastikan robot tidak menduplikasi upaya satu sama lain atau membuang energi pada lintasan pencarian yang berbelit-belit?

Peneliti MIT telah merancang algoritme untuk memastikan kerja sama yang bermanfaat dari tim robot dalam mengumpulkan informasi. Pendekatan mereka bergantung pada keseimbangan trade-off antara data yang dikumpulkan dan energi yang dikeluarkan — yang menghilangkan kemungkinan robot melakukan manuver yang sia-sia untuk mendapatkan hanya sedikit informasi. Para peneliti mengatakan jaminan ini sangat penting untuk keberhasilan tim robot di lingkungan yang kompleks dan tidak terduga. “Metode kami memberikan kenyamanan, karena kami tahu itu tidak akan gagal, berkat kinerja algoritma terburuk,” kata Xiaoyi Cai, seorang mahasiswa PhD di Departemen Aeronautika dan Astronautika (AeroAstro) MIT.

Penelitian ini akan dipresentasikan pada Konferensi Internasional IEEE tentang Robotika dan Otomasi pada bulan Mei. Cai adalah penulis utama makalah ini. Rekan penulisnya termasuk Jonathan How, Profesor Aeronautika dan Astronautika RC Maclaurin di MIT; Brent Schlotfeldt dan George J. Pappas, keduanya dari University of Pennsylvania; dan Nikolay Atanasov dari Universitas California di San Diego.

Tim robot sering mengandalkan satu aturan menyeluruh untuk mengumpulkan informasi: Semakin banyak semakin meriah. “Asumsinya adalah tidak ada salahnya untuk mengumpulkan lebih banyak informasi,” kata Cai. “Jika ada masa pakai baterai tertentu, mari kita gunakan semuanya untuk mendapatkan sebanyak mungkin.” Tujuan ini sering dijalankan secara berurutan — setiap robot mengevaluasi situasi dan merencanakan lintasannya, satu demi satu. Ini adalah prosedur yang mudah, dan umumnya bekerja dengan baik ketika informasi adalah satu-satunya tujuan. Tetapi masalah muncul ketika efisiensi energi menjadi faktor.

Cai mengatakan manfaat mengumpulkan informasi tambahan sering berkurang seiring waktu. Misalnya, jika Anda sudah memiliki 99 gambar hutan, mungkin tidak ada gunanya mengirim robot dalam perjalanan sejauh bermil-mil untuk mengambil gambar ke-100. “Kami ingin menyadari tradeoff antara informasi dan energi,” kata Cai. “Tidak selalu baik memiliki lebih banyak robot yang bergerak. Ini sebenarnya bisa lebih buruk ketika Anda memperhitungkan biaya energi. ”

Para peneliti mengembangkan algoritma perencanaan tim robot yang mengoptimalkan keseimbangan antara energi dan informasi. “Fungsi objektif” algoritme, yang menentukan nilai tugas yang diusulkan robot, menjelaskan manfaat yang semakin berkurang dari pengumpulan informasi tambahan dan peningkatan biaya energi. Tidak seperti metode perencanaan sebelumnya, itu tidak hanya menetapkan tugas ke robot secara berurutan. “Ini lebih merupakan upaya kolaboratif,” kata Cai. “Robot datang dengan rencana tim sendiri.”

Metode Cai, yang disebut Pencarian Lokal Terdistribusi, adalah pendekatan berulang yang meningkatkan kinerja tim dengan menambahkan atau menghapus lintasan robot individu dari rencana keseluruhan grup. Pertama, setiap robot secara independen menghasilkan serangkaian lintasan potensial yang mungkin dikejar. Selanjutnya, setiap robot mengusulkan lintasannya ke seluruh tim. Kemudian algoritme menerima atau menolak proposal masing-masing individu, tergantung pada apakah itu meningkatkan atau menurunkan fungsi tujuan tim. “Kami mengizinkan robot untuk merencanakan lintasan mereka sendiri,” kata Cai. “Hanya ketika mereka perlu membuat rencana tim, kami membiarkan mereka bernegosiasi. Jadi, ini adalah perhitungan yang agak terdistribusi. ”

Pencarian Lokal Terdistribusi membuktikan keberaniannya dalam simulasi komputer. Para peneliti menjalankan algoritme mereka melawan yang bersaing dalam mengoordinasikan tim simulasi yang terdiri dari 10 robot. Meskipun Penelusuran Lokal Terdistribusi membutuhkan waktu komputasi yang sedikit lebih lama, hal ini menjamin keberhasilan penyelesaian misi robot, sebagian dengan memastikan bahwa tidak ada anggota tim yang terperosok dalam ekspedisi yang sia-sia karena informasi minimal. “Ini metode yang lebih mahal,” kata Cai. “Tapi kami mendapatkan kinerja.”

Kemajuan suatu hari nanti dapat membantu tim robot memecahkan masalah pengumpulan informasi dunia nyata di mana energi adalah sumber daya yang terbatas, menurut Geoff Hollinger, seorang ahli robot di Oregon State University, yang tidak terlibat dalam penelitian. “Teknik ini berlaku di mana tim robot perlu melakukan trade-off antara kualitas penginderaan dan pengeluaran energi. Itu akan mencakup pengawasan udara dan pemantauan laut.”

Cai juga menunjukkan aplikasi potensial dalam pemetaan dan pencarian dan penyelamatan — aktivitas yang mengandalkan pengumpulan data yang efisien. “Meningkatkan kemampuan dasar pengumpulan informasi ini akan sangat berdampak,” katanya. Para peneliti selanjutnya berencana untuk menguji algoritme mereka pada tim robot di laboratorium, termasuk campuran drone dan robot beroda.