UrbanHuRo: A Two-Layer Human-Robot Collaboration Framework for the Joint Optimization of Heterogeneous Urban Services
تقترح هذه الورقة UrbanHuRo، وهو إطار عمل للتعاون بين الإنسان والروبوت يتكون من طبقتين يعمل على التحسين المشترك للخدمات الحضرية غير المتجانسة مثل التوصيل والاستشعار القائم على التعهيد الجماعي من خلال إرسال الطلبات القابل للتوسع والتعلم التعزيزي العميق، محققاً تحسينات كبيرة في تغطية الاستشعار، ودخل الساعي، وجدولة زمن الطلبات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مدينة صاخبة كأنها ساحة رقص عملاقة وفوضوية. على أحد الجوانب، لديك عمال التوصيل البشر (مثل سائقي توصيل الطعام) يهرعون هنا وهناك لتسليم البيتزا والبرجر. وعلى الجانب الآخر، لديك روبوتات الاستشعار (المركبات ذاتية القيادة) التي تتجول لجمع البيانات حول حركة المرور، جودة الهواء، وحالة الطرق.
لفترة طويلة، كان هذان المجموعتان يرقصان على ألحان منفصلة. ركز البشر فقط على إيصال الطعام للناس بسرعة، بينما ركزت الروبوتات فقط على رسم خرائط للمدينة. لقد تجاهل كل منهما الآخر، رغم أنهما كانا يتجولان في نفس الشوارع في نفس الوقت.
المشكلة:
كانت المدينة غير فعالة.
- الروبوتات كانت تتجول وهي فارغة اليدين، وتفوت فرصاً للمساعدة في توصيل الطعام.
- البشر كانوا يتجولون وهم يحملون الطعام، ويفوتون فرصاً لمساعدة الروبوتات في جمع البيانات.
- كان الأمر يشبه وجود فريق من الطهاف الذين لا يغسلون الأطباق أبداً، وفريق من غاسلي الأطباق الذين لا يطبخون أبداً. الجميع يعمل بجد، لكن المطعم لا يسير بسلاسة.
الحل: UrbanHuRo
ابتكر مؤلفو هذه الورقة البحثية "مدرب رقص" جديداً يسمى UrbanHuRo. فكر فيه كعقل ذكي مكون من طبقتين ينسق بين البشر والروبوتات بحيث يمكنهم مساعدة بعضهم البعض دون التداخل في طريق بعضهم البعض.
إليك كيف يعمل، باستخدام تشبيهات بسيطة:
الطبقة الأولى: "الموزع الذكي" (الخاطبة)
تخيل مطبخ مطعم مزدحم. يجب على المدير (الموزع) أن يقرر من يتولى أي طلب.
- الطريقة القديمة: المدير ينظر فقط إلى من هو الأقرب للزبون.
- طريقة UrbanHuRo: المدير ينظر إلى الصورة الكاملة. "مهلاً، السائق (أ) ذاهب إلى المنتزه على أي حال. لنعطه طلب بيتزا و نطلب منه أيضاً أخذ قراءة سريعة لجودة الهواء في طريقه. وفي الوقت نفسه، الروبوت (ب) متاح؛ لنرسله للمساعدة في طلب مستعجل حتى لا يثقل العبء على السائق البشري".
للقيام بذلك رياضياً دون التسبب في صداع للحاسوب، استخدموا نظام MapReduce. فكر في هذا كأنه مشروع جماعي ضخم في المدرسة. بدلاً من أن يحاول معلم واحد تصحيح 1,000 ورقة بمفرده، يقوم بتقسيم الأوراق بين 50 طالباً (حواسيب)، حيث يصحح كل منهم مجموعته الخاصة بسرعة، ثم يقوم المعلم بدمج النتائج. هذا يسمح للنظام باتخاذ آلاف القرارات في لمح البصر، حتى عندما تكون المدينة مزدحمة للغاية.
الطبقة الثانية: "ملاح الروبوت" (نظام GPS بذكاء)
بمجرد تعيين الطلبات، تحتاج الروبوتات لمعرفة أين تذهب بعد ذلك.
- عمال التوصيل البشر: هم عناصر حرة. هم يعرفون المدينة بشكل أفضل وسيسلكون بطبيعة الحال المسارات الأسرع والأكثر ربحية. النظام يثق بهم للقيام بعملهم.
- الروبوتات: تحتاج إلى تعليمات. يستخدم النظام خوارزمية التعلم العميق (مثل ذكاء اصطناği لألعاب الفيديو يتعلم من خلال اللعب آلاف المرات) لإخبار الروبوتات أين تقود.
- إذا كان الروبوت يحمل طعاماً، فإنه يعطي الأولوية لإيصال الطعام في الوقت المحدد.
- إذا كان الروبوت فارغاً، فإنه يتوجه إلى المناطق التي لم "تراها" المدينة بعد لجمع بيانات جديدة.
- والأهم من ذلك، يتعلم الروبوت كيفية الموازنة بين هذين الهدفين. فهو يعرف: "إذا توقفت لالتقاط صورة لحفرة في الطريق، فقد أتأخر في توصيل البيتزا، لذا سأتخطى الصورة وأقوم بالتوصيل أولاً".
الخدعة السحرية: "المكافآت الهجينة"
الجزء الأصعب في هذه الرقصة هو أن الهدفين (توصيل الطعام مقابل جمع البيانات) غالباً ما يتضاربان.
- الحل: يستخدم النظام "درجة هجينة". هو لا يسأل فقط، "هل أوصلنا الطعام؟" بل يسأل أيضاً، "هل حققنا قيمة إضافية من الرحلة؟"
- إذا قام سائق بشري بتوصيل بيتزا وصادف مرور منطقة بها تلوث دخاني، فإن النظام يمنحه ائتماناً (نقاطاً) لكل من البيتزا والبيانات معاً.
- إذا ساعد روبوت في توصيل بيتزا، فإنه يحصل على ائتمان للتوصيل وكذلك لحقيقة أنه مهد الطريق لجمع المزيد من البيانات لاحقاً.
النتائج: رقصة فوز مشترك
عندما اختبروا هذا النظام باستخدام بيانات حقيقية من شنغهاي (مع أكثر من 160,000 طلب طعام)، كانت النتائج مذهلة:
- طلبات بيتزا متأخرة أقل: انخفض عدد الطلبات المتأخرة بشكل كبير. لقد ساعدت الروبوتات البشر عندما اشتدت وتيرة العمل، حيث عملت كشبكة أمان.
- بيانات مدينة أفضل: غطى النظام مساحة أكبر بنسبة 29.7% لعمليات الاستشعار مقارنة بالطرق السابقة. لقد غطى البشر والروبوتات مساحات أوسع معاً مما كان بإمكانهم تغطيتها منفصلين.
- عمال توصيل أكثر سعادة: حقق السائقون البشر أموالاً أكثر بنسبة 39.2% في المتوسط. نظرًا لأن عدد الطلبات المتأخرة قلّ، لم يتعرضوا للعقوبات، كما أرسل لهم النظام مسارات أكثر كفاءة.
الخلاصة
UrbanHuRo هو بمثابة قائد لأوركسترا المدينة. فبدلاً من أن تعزف الطبول (التوصيل) والكمان (الاستشعار) بشكل غير متناغم، فإنه يجعلهم يعزفون دويتو متناغماً. يحصل البشر على أموال أكثر وضغط عمل أقل، وتنجز الروبوتات مهاماً أكثر، وتحصل المدينة على هواء أنظف وبيانات مرورية أفضل، وكل ذلك لأن الجميع بدأوا في مساعدة بعضهم البعض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.