أظهرت دراسة رائدة من جامعة ماساتشوستس أمهيرست نهجاً مبتكراً للتعاون بين الروبوتات، يمكن أن يعزز بشكل كبير الإنتاجية في قطاعات كالصناعة والزراعة.
اكتشف الباحثون أنه من خلال تمكين الروبوتات من تشكيل فرقها الخاصة وانتظار زملائها بشكل استراتيجي، يمكن تقليل أوقات إكمال المهام بشكل كبير. وقد نالت هذه الطريقة المبتكرة تقديراً كأحد المتأهلين النهائيين لجائزة أفضل ورقة بحثية في أنظمة الروبوتات المتعددة في مؤتمر IEEE الدولي للروبوتات والأتمتة 2024.
قال هاو زانغ، الأستاذ المساعد في جامعة ماساتشوستس أمهيرست والمشرف الرئيسي على الدراسة: "لقد تمّ النقاش لفترة طويلة حول ما إذا كان من الأفضل تطوير روبوت واحد قوي للغاية، أم فريق من الآلات المتعاونة". وأضاف: "تشير أبحاثنا إلى أن النهج الجماعي، عندما يتمّ تنفيذه بفعالية، يمكن أن يكون أكثر كفاءة من حيث التكلفة والمرونة".
ومع ذلك، كان تنسيق مجموعة متنوعة من الروبوتات ذات القدرات المختلفة تحدّياً معقّداً. للتعامل مع ذلك، طور زانغ وفريقه نظاماً قائماً على التعلّم يسمّى "التعلّم للانتظار الطوعي والتقسيم الفرعي" (LVWS).
من خلال محاكاة سيناريوهات متنوعة باستخدام 6 روبوتات و18 مهمّة، قارن الباحثون بين LVWS وطرق أخرى، ووجدوا أنها أكثر كفاءة بشكل ملحوظ، حيث قلّلت وقت إتمام المهام بنسبة تصل إلى 23%.
وأوضح ويليارد خوسيه، طالب الدكتوراه المشارك في البحث: "سرّ نجاحنا يكمن في تعليم الروبوتات توقّع متى يكون الانتظار لزميل مفيداً بدلاً من الاندفاع لإنجاز المهام الفردية". وأضاف: "من خلال تخصيص المهام استراتيجياً بناءً على قدرات الروبوتات، يمكننا تحسين الأداء العام".
بينما قد يبدو تحديد توزيع المهام المثالي بسيطاً، فإن حساب الحل الأمثل للسيناريوهات المعقّدة التي تشمل العديد من الروبوتات والمهام يصبح مستهلكاً للموارد الحاسوبية. توفر طريقة LVWS بديلاً عملياً من خلال تقديم نتائج شبه مثالية في إطار زمني معقول.
مع استمرار الأتمتة في إعادة تشكيل الصناعات، يتصور زانغ مستقبلاً، حيث تتعاون فرق من الروبوتات المتخصصة بسلاسة في بيئات متنوعة. بينما قد تكون الروبوتات الفردية البشرية مناسبة للإعدادات المنزلية، فإن أنظمة الروبوتات المتعددة تحمل إمكانات هائلة للتطبيقات الصناعية واسعة النطاق.