Los investigadores del MIT han desarrollado un algoritmo que coordina el desempeño de los equipos de robots para misiones como mapeo o búsqueda y rescate en entornos complejos e impredecibles.
FUENTE: www.scitechdaily.com
AUTOR: Daniel Ackerman, MIT. Crédito: Jose-Luis Olivares, MIT
El algoritmo permite a los equipos de robots completar misiones, como mapeo o búsqueda y rescate, con un esfuerzo mínimo desperdiciado.
A veces, un robot no es suficiente.
Considere una misión de búsqueda y rescate para encontrar a un excursionista perdido en el bosque. Los rescatistas podrían querer desplegar un escuadrón de robots con ruedas para vagar por el bosque, quizás con la ayuda de drones que recorren la escena desde arriba. Los beneficios de un equipo de robots son claros. Pero orquestar ese equipo no es un asunto sencillo. ¿Cómo asegurarse de que los robots no estén duplicando los esfuerzos de los demás o desperdiciando energía en una trayectoria de búsqueda complicada?
Los investigadores del MIT han diseñado un algoritmo para garantizar la cooperación fructífera de los equipos de robots que recopilan información. Su enfoque se basa en equilibrar una compensación entre los datos recopilados y la energía gastada, lo que elimina la posibilidad de que un robot ejecute una maniobra inútil para obtener solo una pizca de información. Los investigadores dicen que esta garantía es vital para el éxito de los equipos de robots en entornos complejos e impredecibles. “Nuestro método proporciona comodidad, porque sabemos que no fallará, gracias al peor rendimiento del algoritmo”, dice Xiaoyi Cai, estudiante de doctorado en el Departamento de Aeronáutica y Astronáutica del MIT (AeroAstro).
La investigación se presentará en la Conferencia Internacional IEEE sobre Robótica y Automatización en mayo. Cai es el autor principal del artículo. Entre sus coautores se encuentran Jonathan How, profesor de Aeronáutica y Astronáutica RC Maclaurin en el MIT;Brent Schlotfeldt y George J. Pappas, ambos de la Universidad de Pennsylvania; y Nikolay Atanasov de la Universidad de California en San Diego.
Los equipos de robots a menudo se han basado en una regla general para recopilar información: cuanto más, mejor. “Se ha supuesto que nunca está de más recopilar más información”, dice Cai. «Si hay una cierta duración de la batería, usémosla toda para ganar tanto como sea posible». Este objetivo a menudo se ejecuta de forma secuencial: cada robot evalúa la situación y planifica su trayectoria, uno tras otro. Es un procedimiento sencillo y, en general, funciona bien cuando la información es el único objetivo. Pero surgen problemas cuando la eficiencia energética se convierte en un factor.
Cai dice que los beneficios de recopilar información adicional a menudo disminuyen con el tiempo. Por ejemplo, si ya tiene 99 imágenes de un bosque, puede que no valga la pena enviar un robot a una misión de kilómetros para tomar la centésima. “Queremos ser conscientes del equilibrio entre información y energía”, dice Cai. “No siempre es bueno tener más robots moviéndose. De hecho, puede ser peor si se tiene en cuenta el costo de la energía «.
Los investigadores desarrollaron un algoritmo de planificación de equipos de robots que optimiza el equilibrio entre energía e información. La «función objetivo» del algoritmo, que determina el valor de la tarea propuesta por un robot, explica los beneficios decrecientes de recopilar información adicional y el aumento del costo de la energía. A diferencia de los métodos de planificación anteriores, no solo asigna tareas a los robots de forma secuencial. «Es más un esfuerzo de colaboración», dice Cai. «Los robots elaboran el plan del equipo ellos mismos».
El método de Cai, llamado Búsqueda local distribuida, es un enfoque iterativo que mejora el rendimiento del equipo al agregar o eliminar las trayectorias de los robots individuales del plan general del grupo. Primero, cada robot genera de forma independiente un conjunto de trayectorias potenciales que podría seguir. A continuación, cada robot propone sus trayectorias al resto del equipo. Luego, el algoritmo acepta o rechaza la propuesta de cada individuo, dependiendo de si aumenta o disminuye la función objetivo del equipo. “Permitimos que los robots planifiquen sus trayectorias por sí mismos”, dice Cai. “Solo cuando necesitan elaborar el plan del equipo, les dejamos negociar. Entonces, es un cálculo bastante distribuido «.
La búsqueda local distribuida demostró su valía en simulaciones por computadora. Los investigadores ejecutaron su algoritmo contra los de la competencia para coordinar un equipo simulado de 10 robots. Si bien la búsqueda local distribuida tomó un poco más de tiempo de cómputo, garantizó la finalización exitosa de la misión de los robots, en parte al garantizar que ningún miembro del equipo se viera envuelto en una expedición derrochadora de información mínima. “Es un método más caro”, dice Cai. «Pero ganamos rendimiento».
El avance podría algún día ayudar a los equipos de robots a resolver problemas de recopilación de información del mundo real donde la energía es un recurso finito, según Geoff Hollinger, un especialista en robótica de la Universidad Estatal de Oregon, que no participó en la investigación. “Estas técnicas son aplicables cuando el equipo de robots necesita compensar entre la calidad de detección y el gasto de energía. Eso incluiría vigilancia aérea y monitoreo oceánico «.
Cai también señala aplicaciones potenciales en mapeo y búsqueda y rescate, actividades que dependen de la recolección eficiente de datos. “Mejorar esta capacidad subyacente de recopilación de información tendrá un gran impacto”, dice. A continuación, los investigadores planean probar su algoritmo en equipos de robots en el laboratorio, incluida una combinación de drones y robots con ruedas.
