Uno studio del Robotics Institute della Carnegie Mellon University affronta il tema dell’allocazione delle funzioni all’interno dei gruppi di lavoro uomo-robot, tentando un metodo che - in un’economia dei costi - aiuta a determinare quali compiti spettano alle macchine e quali all’essere umano.

TAKEAWAY

• I ricercatori della Carnegie Mellon University hanno sviluppato un pianificatore algoritmico in grado di supportare le decisioni di delega dei compiti all’interno dei gruppi di lavoro uomo-robot.
• Il sistema messo a punto esamina le attività in carico a un team composto da essere umani e macchine, per poi decidere come distribuirle al suo interno, tenendo conto dei costi (in termini di tempo impiegato) correlati a ciascuna delle possibili opzioni.
• Ciò che emerge dallo studio è che, rispetto ai metodi tradizionali – non fondati sulla pianificazione pre-attività – il metodo sviluppato riduce i costi complessivi e, più in particolare, la necessità di intervento umano, lasciando maggiore autonomia alle macchine.

---

Nelle robotica applicata alla produzione, all’assemblaggio, allo smistamento di pacchi e laddove l’organizzazione del lavoro preveda la collaborazione uomo-macchina e una razionale ripartizione dei compiti tra questi, l’autonomia dei robot – che, in condizioni normali, rappresenta lo strumento chiave per elevare il livello di produttività e, insieme, il livello di sicurezza – diventa un aspetto critico, da valutare con ponderazione.

«Accade che – a causa dei frequenti cambiamenti di ambiente ai quali vengono sottoposti e dei requisiti diversi, richiesti di volta in volta dalle attività che devono svolgere – la completa autonomia diventa una “competenza” complessa per i robot. Soprattutto se questi, quando necessario, sono chiamati a collaborare con l’essere umano all’interno di un team»

si legge in un documento a cura del Robotics Institute della Carnegie Mellon University, in Pennsylvania, dal titolo “Synergistic Scheduling of Learning and Allocation of Tasks in Human-Robot Teams”, focalizzato su quella che, in gergo, viene definita “allocazione delle funzioni”, in riferimento al «problema decisionale – in un gruppo di lavoro – per determinare quali funzioni dovrebbero essere eseguite dalle macchine e quali dall’uomo». Le domande che gli autori dello studio si pongono sono tre:

• quando, nel gruppo di lavoro uomo-robot, quest’ultimo può agire in completa autonomia?
• quando, invece, dovrebbe delegare il compito al collega umano?
• quando deve chiedere che gli venga insegnato come svolgere un determinato compito?

Le risposte sono contenute in un quadro decisionale che ragiona congiuntamente sull’esecuzione autonoma e sull’esecuzione in sinergia. Vediamo in che modo e con quali esiti.

Robotica e ripartizione dei compiti: un pianificatore algoritmico a supporto delle decisioni

In tema di robotica e ripartizione dei compiti nei gruppi di lavoro uomo-robot, i ricercatori della Carnegie Mellon University hanno sviluppato un pianificatore algoritmico denominato ADL (Act, Delegate Learn) per supportare le decisioni di delega dei compiti.

Il lavoro del pianificatore consiste nell’esaminare una serie di attività in carico a un team composto da essere umani e robot, per poi decidere come distribuirle al suo interno, tenendo conto delle tre domande elencate in precedenza e dei costi correlati a ciascuna delle decisioni intraprese. Costi in termini di:

• tempo impiegato dall’uomo e dalla macchina nell’eseguire i compiti
• tempo impiegato dall’uomo nell’insegnare al robot a svolgere un lavoro
• fallimento del robot in un dato compito

La ripartizione del lavoro da parte del pianificatore algoritmico dipenderà dall’esame di tali costi.

In tema di robotica e ripartizione dei compiti, la valutazione del sistema ADL è stata effettuata su compiti specifici di inserimento di piccoli blocchi all’interno di slot e di impilaggio di parti assemblate di mattoncini Lego. L’obiettivo era osservare se il pianificatore messo a punto potesse portare a risultati migliori – in termini di organizzazione del lavoro uomo-macchina e dei costi relativi – rispetto ai metodi standard, non fondati sulla pianificazione pre-attività.

Gli esperimenti hanno seguito tre linee di base:

• il robot sceglie tra agire in autonomia e delegare al collega umano, in base ai costi previsti per queste due azioni
• data una soglia fissa θ, il robot tenta un compito in totale autonomia solo se la sua fiducia nel successo dell’esecuzione è maggiore a θ, altrimenti chiede dimostrazioni e spiegazioni al collega umano
• il robot sceglie tra tentare un’attività in autonomia e richiedere demo al collega umano, confrontando i costi previsti da entrambe le azioni

La metrica di valutazione – spiega il team – è il costo totale del completamento di tutte le attività indicate.

In entrambi gli esperimenti, è stata utilizzata una rete neurale a due strati come modello di previsione delle precondizioni durante la simulazione.

In particolare, il primo compito – svolto sia in simulazione che nel contesto reale – prevedeva l’inserimento di un blocco di dimensioni 1 cm x 1 cm x 6 cm in uno slot di dimensioni 1,2 cm x 1,2 cm x 2 cm. Ciò che è emerso è il superamento, grazie ad ADL, di tutte le linee di base, riducendo i costi complessivi e, più in particolare, riducendo l’intervento umano.

Robotica e ripartizione dei compiti: l’esempio dell’impilamento di mattoncini Lego

In tema di robotica e ripartizione dei compiti nei gruppi di lavoro uomo-robot, il secondo esperimento per la valutazione del pianificatore algoritmico prevedeva l’assemblaggio di mattoncini Lego nel mondo reale, senza simulazione. E questo per capire se un modello di precondizione appreso in fase di simulazione (come nell’esperimento dell’inserimento di piccoli blocchi all’interno di slot) è in grado di ridurre lo sforzo nel mondo reale.

Nel dettaglio, il compito consisteva nel raccogliere da un tavolo parti assemblate di mattoncini Lego e nell’impilarle saldamente su una base Lego.

Si è notato – spiegano i ricercatori – che «l’esecuzione del compito da parte del robot diventa difficoltosa se due o più angoli delle parti assemblate non sono bloccate sulla piastra o se la macchina colpisce accidentalmente la base in qualsiasi punto. Per questo motivo, vengono forniti riquadri di delimitazione attorno alle parti, una posizione di presa e una posizione di destinazione».

Prima di ogni esperimento, il team ha registrato cinque demo per ogni attività, in modo che «ogni volta che il robot necessita di guida e di indicazioni, gli viene fornita una delle cinque demo preregistrate, campionandola in modo casuale».

Ogni abilità di impilamento è composta da tre abilità secondarie eseguite in sequenza: raccogliere le parti assemblate di mattoncini Lego, posizionarle e premere con forza per incastrarle sulla base.

Le prime due abilità sono comuni a tutte le attività, mentre la pressione sulla base varia a seconda della geometria e delle dimensioni delle parti assemblate. Quest’ultima abilità viene appresa dalla macchina e ridimensionata in base alle caratteristiche delle parti.

Gli studi futuri sui gruppi di lavoro uomo-robot

In tema di robotica e ripartizione dei compiti, le valutazioni – sia a seguito dei compiti simulati che realizzati nel mondo reale – eseguite dai ricercatori del Robotics Institute della Carnegie Mellon University su due tipologie di manipolazioni (inserimento e impilaggio), hanno avuto esiti positivi, rilevando come l’approccio basato sul pianificatore algoritmico a supporto delle decisioni circa la delega dei compiti, consenta di risparmiare uno sforzo umano e robotico significativo rispetto ad approcci che non pianificano in anticipo la ripartizione del lavoro all’interno dei gruppi uomo-robot. In futuro, anticipa il team di ricerca:

«Siamo interessati ad ampliare le funzioni del pianificatore, in modo che possa anche ottimizzare l’ordine dei compiti, non solo la loro delega. Vorremmo, poi, continuare a lavorare sulla previsione delle precondizioni durante le simulazioni, per renderla più accurata ricorrendo a più fonti di dati con cui addestrare la rete neurale messa a punto»

Attualmente – prosegue – una delle principali limitazioni del modello di previsione delle precondizioni è che presuppone che ogni abilità sia addestrata su un solo compito: «ecco, vorremmo poter estendere l’addestramento alle abilità legate a una serie di compiti, che consentiranno, dunque, un più ampio numero di parametri nel nostro framework ADL».