Wie Roboter in komplexen Situationen abwägen lernen

Wie Roboter in komplexen Situationen abwägen lernen

New York, 15.5.2021

Wir visualisieren folgende Lage: Ein Roboterteam auf Rädern erhält einen Such- und Rettungseinsatz in einem Wald. Zunächst scheinen mehre Roboter im Einsatz besser zu sein, als nur einen los zu schicken. Doch dann muss sicher gestellt sein, das sie sich nicht gegenseitig überholen oder falsche Wege einschlagen und zu viel Energie verbrauchen.
Mit diesem Problem haben sich Forscher des MIT beschäftigt und schließlich einen Algorithmus entwickelt, der in der Lage ist , eine Abwägung zwischen gesammelten Daten und verbrauchter Energie zu treffen. Energie verschwenderische Manöver sind nun ausgeschlossen. Für den erfolgreichen Einsatz des Roboterteams in komplexen Situationen sei diese Abwägung entscheidend, betonen die Forscher. Dank der Worst- Case- Performance des Algorithmus werde ihre Methode nicht versagen, sagt Xiaoyi Cai, Doktorand am MIT Department of Aeronautics and Astronautics (AeroAstro).
Die Forschungsarbeit wird auf der IEEE International Conference on Robotics and Automation im Mai vorgestellt. Cai ist der Hauptautor der Arbeit. Zu seinen Co-Autoren gehören Jonathan How, R.C. Maclaurin Professor of Aeronautics and Astronautics am MIT, Brent Schlotfeldt und George J. Pappas, beide von der University of Pennsylvania, und Nikolay Atanasov von der University of California in San Diego.
Die Methode von Cai, Distributed Local Search genannt, ist ein iterativer Ansatz,(mehrfach wiederholend) der die Leistung des Teams verbessert, indem er die Trajektorien (Lösungspfad) einzelner Roboter zum Gesamtplan der Gruppe hinzufügt oder entfernt. Zunächst erstellt jeder Roboter unabhängig eine Reihe potenzieller Bahnen, die er verfolgen könnte. Anschließend schlägt jeder Roboter seine Bahnen dem Rest des Teams vor. Dann akzeptiert oder verwirft der Algorithmus den Vorschlag jedes Einzelnen, je nachdem, ob er die Zielfunktion des Teams verbessert oder verschlechtert. „Wir erlauben den Robotern, ihre Trajektorien selbständig zu planen“, sagt Cai. „Nur wenn sie sich mit dem Teamplan absprechen müssen, lassen wir sie verhandeln. Es ist also eine ziemlich verteilte Berechnung.“
Distributed Local Search hat sich in Computersimulationen bewährt. Die Forscher ließen ihren Algorithmus gegen konkurrierende Algorithmen antreten, um ein simuliertes Team von 10 Robotern zu koordinieren. Während Distributed Local Search etwas mehr Rechenzeit benötigte, garantierte es den erfolgreichen Abschluss der Roboter-Mission, unter anderem, indem es sicherstellte, dass kein Teammitglied in eine verschwenderische Expedition für minimale Informationen verwickelt wurde. „Es ist eine teurere Methode“, sagt Cai. „Aber wir gewinnen an Leistung.“
Der Fortschritt könnte Roboterteams eines Tages dabei helfen, reale Probleme der Informationsbeschaffung zu lösen, bei denen Energie eine endliche Ressource ist, so Geoff Hollinger, ein Robotiker an der Oregon State University, der nicht an der Forschung beteiligt war. „Diese Techniken sind dort anwendbar, wo das Roboterteam einen Kompromiss zwischen Erfassungsqualität und Energieaufwand eingehen muss. Das würde die Überwachung aus der Luft und die Überwachung der Ozeane einschließen.“
Cai verweist auch auf mögliche Anwendungen bei der Kartierung und bei Such- und Rettungs – Aktivitäten, die auf eine effiziente Datenerfassung angewiesen sind. „Die Verbesserung dieser grundlegenden Fähigkeit der Informationserfassung wird sehr wirkungsvoll sein“, sagt er. Als nächstes planen die Forscher, ihren Algorithmus an Roboterteams im Labor zu testen, darunter eine Mischung aus Drohnen und Radrobotern.
Diese Forschung wurde zum Teil von Boeing und dem Army Research Laboratory’s Distributed and Collaborative Intelligent Systems and Technology Collaborative Research Alliance (DCIST CRA) finanziert.