Este artículo presenta la planificación anticipatoria cortés, un marco que ayuda a los robots a reducir los costos acumulativos de finalización de tareas en entornos compartidos de larga duración al razonar sobre lo que otros robots pueden hacer y las tareas que probablemente se les asignarán.
Introducción
En entornos compartidos persistentes como hogares y restaurantes, múltiples robots deben operar durante largos horizontes temporales sin una asignación explícita de tareas. Los enfoques existentes para la planificación de tareas tratan a cada robot de forma independiente o requieren coordinación total, ambos con costos acumulativos altos. La anticipación cortés permite a los robots ajustar proactivamente sus planes basándose en estimaciones de los costos futuros de otros agentes, reduciendo la sobrecarga general del sistema.
Trabajo relacionado
Trabajos previos en planificación de tareas multi-robot se han centrado en la asignación centralizada o la evitación reactiva de colisiones. Estos métodos no escalan bien a entornos de larga duración donde las tareas aparecen continuamente. Los métodos de planificación anticipatoria estiman costos futuros para un solo robot, pero ignoran la presencia de otros agentes que comparten el espacio. La anticipación cortés cierra esta brecha al agregar estimaciones de costos futuros por robot en un objetivo de planificación unificado.
Formulación del problema
Consideramos un entorno compartido persistente con N robots y un flujo de tareas que llegan con el tiempo. Cada robot i tiene un conjunto de capacidades y puede realizar un subconjunto de tareas. El objetivo es minimizar el costo acumulativo sobre todos los robots y todas las tareas, donde el costo refleja tiempo, energía o consumo de recursos. El sistema está descentralizado sin un protocolo de coordinación explícito.
Enfoque
Estimación de costos anticipatoria
Cada robot mantiene un estimador aprendido que predice el costo esperado de sus propias tareas futuras dado el estado actual del entorno. Este estimador se entrena con datos históricos de tareas utilizando una arquitectura de red neuronal que mapea características del estado a predicciones escalares de costo.
Formulación factorizada
En lugar de calcular un despliegue conjunto entre todos los robots, lo cual es computacionalmente inviable, factorizamos el problema. Cada robot calcula independientemente su propia estimación de costo anticipatorio, y estas estimaciones se agregan en un único objetivo de planificación. Esto permite un despliegue modular sin necesidad de reentrenar los estimadores existentes.
Objetivo de planificación cortés
El objetivo de planificación para cada robot combina el costo inmediato de la tarea con las contribuciones de costos futuros agregadas de todos los robots. El robot selecciona tareas que minimicen tanto sus propios costos futuros anticipados como los de los demás, siendo efectivamente "cortés" al evitar acciones que aumentarían la carga sobre los compañeros.
Experimentos y resultados
Evaluamos la planificación anticipatoria cortés en dos entornos simulados de complejidad creciente. En el entorno del hogar, la anticipación cortés mejora el rendimiento incluso sin diferencias de capacidad. En el entorno del restaurante, donde los robots tienen capacidades y responsabilidades distintas, los resultados validan que las diferencias de capacidad amplifican el valor de la anticipación cortés.
Comparamos con dos líneas base en ambos entornos:
- Planificación clásica mediante FastDownward
- Planificación aumentada con el propio estimador de costos anticipatorios del robot actuante, reduciendo el costo para las tareas futuras del robot actuante pero no para otros que comparten el entorno
- Nuestro enfoque, planificación aumentada con estimaciones de costos anticipatorios agregadas por robot, considerando todos los robots que comparten el entorno
| Entorno | Línea base 1 (Clásica) | Línea base 2 (Solo propio) | Nuestro (Agregado) | Mejora sobre Línea base 2 |
|---|---|---|---|---|
| Hogar | 142.3 | 121.7 | 108.2 | 11.1% |
| Restaurante | 287.6 | 245.3 | 201.8 | 17.7% |
Costo acumulativo promedio sobre 100 ejecuciones de simulación. Menor es mejor.
Limitaciones y trabajo futuro
Hemos presentado la planificación anticipatoria cortés, un marco para reducir el costo acumulativo en entornos compartidos persistentes al razonar sobre lo que otros robots pueden hacer y lo que probablemente se les asignará. Nuestra formulación factorizada estima los costos futuros esperados por robot de forma independiente, evitando despliegues conjuntos combinatorios y apoyando el despliegue modular sin reentrenar los estimadores existentes. En dos entornos de complejidad creciente, las ganancias amplificadas en el entorno del restaurante validan directamente que las capacidades distintas amplifican el valor de la anticipación cortés.
En nuestro trabajo futuro, planeamos extender la planificación anticipatoria cortés a entornos concurrentes, donde múltiples robots actúan simultáneamente, y se requiere planificación temporal sobre horarios superpuestos.
Preguntas frecuentes
¿Qué hace diferente a la anticipación cortés de la planificación multi-robot tradicional? Los enfoques tradicionales requieren coordinación centralizada o tratan a cada robot de forma independiente, mientras que la anticipación cortés utiliza estimaciones de costo por robot agregadas en un objetivo de planificación descentralizado.
¿Cómo escala el marco con el número de robots? La formulación factorizada evita despliegues conjuntos combinatorios, haciéndolo computacionalmente factible ya que cada robot solo necesita su propio estimador de costos.
¿Requiere el sistema reentrenamiento cuando se unen nuevos robots? No, el diseño modular permite que los estimadores existentes permanezcan sin cambios; solo la función de agregación necesita incluir la estimación del nuevo robot.
¿Qué tipos de tareas se benefician más de la anticipación cortés? Las tareas en entornos compartidos con capacidades de robot distintas, como los restaurantes donde diferentes robots realizan diferentes roles, muestran ganancias amplificadas.