I robot stanno diventando sempre più capaci di muoversi nel mondo, ma fornire loro un elenco di istruzioni su cosa fare è spesso troppo rigido per la realtà disordinata di un ospedale, di un magazzino o di un pianeta lontano. Un semplice elenco potrebbe dire "vai qui, poi vai lì", ma fatica con le domande del tipo "e se?" che definiscono la vita reale: E se il robot vede una macchia e deve pulirla? E se due compiti devono avvenire entro una specifica finestra temporale, ma non necessariamente in un ordine fisso? Per anni, i ricercatori hanno utilizzato un metodo chiamato ordini parziali temporizzati per risolvere questo problema. Pensatelo come a un diagramma di flusso in cui le frecce mostrano quali compiti devono avvenire prima di altri, e gli orologi assicurano che avvengano entro certi limiti di tempo. Questo approccio è chiaro per gli umani ed è facile da elaborare per i computer, ma ha un punto cieco. Non può gestire facilmente regole temporali complesse tra compiti non correlati, né può dire facilmente: "Esegui solo questo prossimo passaggio se viene soddisfatta una specifica condizione nell'ambiente".

Un team di ricercatori dell'Università del Colorado Boulder ha sviluppato un nuovo modo per colmare questo divario, creando un sistema che chiamano Ordini Parziali Temporizzati Condizionali. Questo framework consente agli ingegneri di scrivere missioni per robot che sono molto più flessibili e realistiche. Il nuovo sistema può imporre regole come: "Questi due compiti devono avvenire entro venti minuti l'uno dall'altro, indipendentemente da quale venga prima", oppure: "Se il robot passa vicino a una specifica area, deve eseguire immediatamente un nuovo insieme di compiti". I ricercatori hanno dimostrato di poter tradurre queste missioni condizionali complesse in un problema matematico che un computer può risolvere per trovare il percorso più veloce possibile. Tuttavia, hanno anche scoperto che man mano che queste missioni diventano più complicate, il tempo di calcolo del computer può esplodere, diventando troppo lento per essere utile. Per risolvere questo problema, hanno inventato un metodo per scomporre la missione massiccia e complicata in piccoli pezzi indipendenti. Hanno risolto ogni piccolo pezzo separatamente e poi hanno cucito insieme le risposte. I loro test hanno dimostrato che questo approccio può rendere il processo di pianificazione fino a diecimila volte più veloce rispetto al tentativo di risolvere l'intera missione in una volta sola, senza sacrificare la qualità del piano.

Il cuore di questo lavoro risiede nel modo in cui i ricercatori hanno ampliato il linguaggio usato per parlare ai robot. Nel loro lavoro precedente, la missione di un robot era una mappa statica di eventi. Se un compito era sulla mappa, il robot doveva farlo. Se esisteva una regola temporale, questa si applicava all'intera missione. Il nuovo sistema introduce uno strato di logica che reagisce al mondo. Immaginate un robot ospedaliero incaricato di raccogliere campioni di sangue e consegnare i risultati. Nel vecchio sistema, il robot seguirebbe un programma fisso. Nel nuovo sistema, si può dire al robot: "Se passi vicino all'ala di cardiologia, devi anche ritirare un rapporto elettrocardiografico e consegnarlo entro quindici minuti". Il robot non ha bisogno di sapere in anticipo dove si trovi l'ala di cardiologia; segue semplicemente il percorso e, se la condizione è soddisfatta, i compiti aggiuntivi e le loro rigide regole temporali si attivano automaticamente. Ciò rende le istruzioni del robot molto più simili a come un supervisore umano darebbe ordini, adattandosi a ciò che sta effettivamente accadendo sul campo.

Per far sì che ciò funzioni, i ricercatori hanno dovuto risolvere un difficile enigma matematico. Hanno dimostrato che trovare il percorso migliore per un robot con queste regole condizionali è la stessa cosa che risolvere un complesso problema di instradamento, simile a trovare il modo più efficiente per visitare un insieme di località con finestre temporali specifiche. Hanno tradotto questo in un formato che i computer possono risolvere utilizzando una tecnica chiamata programmazione lineare intera mista. Questo metodo garantisce che il robot trovi un percorso che soddisfi tutte le regole, ma ha un difetto. Man mano che il numero di compiti e condizioni cresce, la dimensione del problema matematico diventa così grande che anche i computer potenti possono bloccarsi, impiegando ore o giorni per trovare una risposta. Questo è un collo di bottiglia comune nella robotica: più le istruzioni sono flessibili, più è difficile per il computer elaborare il piano.

La soluzione dei ricercatori è stata quella di smettere di cercare di risolvere l'intero problema in una volta sola. Si sono resi conto che molte missioni sono composte da gruppi di compiti più piccoli e autosufficienti che sono strettamente legati tra loro, ma solo debolmente connessi al resto della missione. Ad esempio, una sequenza di compiti di pulizia innescata da una macchia potrebbe essere un'unità autosufficiente che inizia quando il robot entra nella zona della macchia e termina quando ne esce. I ricerci hanno sviluppato un algoritmo per trovare automaticamente questi gruppi, o "sotto-compiti", all'interno della missione più ampia. Hanno poi risolto la tempistica e il percorso per ogni piccolo gruppo in modo indipendente. Una volta ottenuto il miglior percorso per ogni piccolo gruppo, hanno trattato ogni gruppo come un singolo passaggio nella missione più grande, inserendo il tempo impiegato per completare quel gruppo. Questo ha trasformato un enorme e impossibile puzzle in una serie di piccoli puzzle facili.

I risultati di questo approccio sono stati sorprendenti. Nei loro test, i ricercatori hanno confrontato il loro nuovo metodo con il vecchio modo di risolvere l'intera missione in una volta sola. Per le missioni semplici, entrambi i metodi erano veloci. Ma man mano che le missioni diventavano più complesse, con più condizioni e regole temporali più strette, il vecchio metodo rallentava drasticamente, impiegando a volte minuti o persino ore. Il nuovo metodo di decomposizione, invece, rimaneva veloce, risolvendo spesso gli stessi problemi in meno di un secondo. Nei casi più difficili, il nuovo metodo era fino a diecimila volte più veloce. Fondamentalmente, i ricercatori hanno dimostrato matematicamente che questa velocità non è avvenuta a scapito della qualità. I piani generati scomponendo la missione in pezzi erano altrettanto buoni di quelli generati risolvendo tutto insieme. Hanno trovato gli stessi percorsi ottimali e rispettato tutti gli stessi vincoli temporali.

I ricercatori hanno dimostrato questo con due scenari del mondo reale. In uno, un robot in un magazzino doveva visitare tre scaffali e tornare a un molo. Se il robot avesse percorso una strada che incrociava una macchia d'olio, sarebbe stato tenuto a fermarsi e pulire tre aree specifiche prima di continuare. Il sistema ha pianificato con successo un percorso che evitava la macchia se possibile, ma se il percorso più breve richiedeva di attraversarla, il robot inseriva automaticamente la sequenza di pulizia nel suo piano, assicurando di terminare la pulizia entro i tempi richiesti. In un secondo scenario, un rover su Marte doveva analizzare campioni di suolo. Se il rover fosse passato vicino a una specifica formazione rocciosa, avrebbe dovuto dirigersi verso una nuova posizione e raccogliere un campione entro una stretta finestra temporale. Il sistema ha pianificato un percorso che evitava la formazione rocciosa quando possibile, ma quando il terreno costringeva il rover a passarvi accanto, il piano si adattava fluidamente per includere il compito di campionamento aggiuntivo.

Questo lavoro rappresenta un passo avanti significativo nel rendere i robot più autonomi e adattabili. Consentendo alle specifiche delle missioni di essere sia condizionali che temporalmente complesse, i ricercatori hanno fornito agli ingegneri uno strumento per scrivere istruzioni che sembrano più naturali e meno fragili. La capacità di scomporre queste istruzioni complesse in pezzi gestibili significa che i robot possono ora gestire missioni che prima erano troppo costose dal punto di vista computazionale da pianificare. I ricercatori hanno osservato che, mentre il loro lavoro attuale si concentra su singoli robot, il passo successivo è estendere questo framework a gruppi di robot che lavorano insieme. Per ora, il metodo rappresenta un modo robusto per garantire che, quando a un robot viene ordinato di fare qualcosa di complesso in un mondo che cambia, possa capire esattamente come farlo, rapidamente e correttamente.