Команда учёных разработала основанный на обучении подход к планированию работы роботов, который называется обучением добровольному ожиданию и подгруппированию (LVWS). Этот подход позволяет роботам создавать собственные команды и ожидать своих товарищей, чтобы выполнить более сложные задачи.

«У роботов большие задачи, как и у людей. Например, у них есть большой ящик, который не может перенести один робот. Сценарий потребует от нескольких роботов совместной работы над этим», — говорит Чжан.

Чтобы проверить свой подход LVWS, учёные дали шести роботам 18 задач в компьютерной симуляции и сравнили свой подход LVWS с четырьмя другими методами. Результаты показали, что метод LVWS оказался неоптимальным на 0,8%, в то время как другие методы были неоптимальными на 11,8-23%.

Исследователи надеются, что эта работа будет способствовать дальнейшему прогрессу команд автоматизированных роботов, особенно когда в игру вступает вопрос масштаба. Например, один человекоподобный робот может лучше подойти для небольшого пространства, в то время как системы из нескольких роботов являются лучшими вариантами для крупной промышленной среды, требующей специализированных задач.

Это исследование финансировалось программой стипендий DARPA и премией CAREER Национального научного фонда США.