ロボットは世界を移動する能力を高めていますが、彼らに何をすべきかという指示のリストを与えることは、病院、倉庫、あるいは遠く離れた惑星のような、混沌とした現実に対しては、しばしば硬直的すぎることがあります。「ここへ行き、次にあそこへ行け」という単純なリストは、「もし〜だったら」という、現実の生活を定義づける問いに苦戦します。もしロボットが液体のこぼれを見つけ、それを掃除する必要があるとしたらどうなるでしょうか？ もし2つのタスクが特定の時間枠内で行われなければならないが、必ずしも固定された順序である必要はないとしたらどうでしょうか？ 長年、研究者たちはこれを解決するために「時間付き部分順序（timed partial orders）」と呼ばれる手法を使用してきました。これは、矢印がどのタスクが他のタスクより前に発生しなければならないかを示し、時計がそれらが特定の制限時間内に発生することを保証するフローチャートのようなものだと考えてください。このアプローチは人間にとって明快であり、コンピュータにとっても処理しやすいものですが、盲点があります。それは、無関係なタスク間の複雑なタイミングのルールを扱うことが容易ではなく、また、「特定の環境条件が満たされた場合にのみ、次のステップを実行せよ」と簡単に指示することもできないという点です。

コロラド大学ボルダー校の研究チームは、このギャップを埋める新しい方法を開発し、「条件付き時間付き部分順序（Conditional Timed Partial Orders）」と呼ぶシステムを作り上げました。このフレームワークにより、エンジニアははるかに柔軟で現実的なロボットのミッションを記述できるようになります。この新システムは、「これら2つのタスクは、どちらが先にくるかにかかわらず、20分以内に互いに実行されなければならない」や、「もしロボットが特定のエリアの近くを通過したら、直ちに新しい一連のタスクを実行しなければならない」といったルールを強制することができます。研究者たちは、これらの複雑な条件付きミッションを、コンピュータが最短経路を見つけるために解くことができる数学的な問題へと翻訳できることを証明しました。しかし、彼らは同時に、ミッションが複雑になればなるほど、コンピュータの計算時間が爆発的に増加し、実用的な速度ではなくなってしまうことも発見しました。これを修正するために、彼らは巨大で複雑なミッションを、小さく独立した塊へと分解する方法を考案しました。彼らはそれぞれの小さな塊を個別に解決し、それから答えを繋ぎ合わせました。彼らのテストでは、このアプローチが、ミッション全体を一括で解決しようとするよりも、計画の質を損なうことなく、最大1万倍速くプランニングできることが示されました。

この研究の核心は、ロボットへの話し方（言語）をどのように拡張したかにあります。以前の研究では、ロボットのミッションはイベントの静的なマップでした。もしタスクがマップ上にあれば、ロボットはそれを実行しなければなりませんでした。もしタイミングのルールが存在すれば、それはミッション全体に適用されました。新しいシステムは、世界に反応する論理のレイヤーを導入しています。病院のロボットが血液サンプルを回収して結果を届ける任務を担っていると想像してください。旧システムでは、ロボットは固定されたスケジュールに従います。新システムでは、「もし循環器科の病棟のそばを通りかかることがあれば、心電図レポートも拾い上げ、15分以内に届けなければならない」と指示することができます。ロボットは事前に循環器科の場所を知っている必要はありません。単に経路を通り、もし条件が満たされたならば、追加のタスクとその厳格なタイミングのルールが自動的に起動するのです。これにより、ロボットへの指示は、現場で実際に起きていることに適応するという、人間の監督者が命令を出す方法にずっと近くなります。

これを実現するために、研究者たちは困難な数学的パズルを解く必要がありました。彼らは、これらの条件付きルールを持つロボットの最適な経路を見つけることは、特定の時間枠を指定された一連の場所を訪れる最も効率的な方法を見つけることと同様の、複雑なルーティング問題を解くことと同じであることを示しました。彼らはこれを、混合整数線形計画法（mixed-integer linear programming）と呼ばれる手法を用いてコンピュータが解ける形式に翻訳しました。この手法は、ロボットがすべてのルールを満たす経路を見つけることを保証しますが、デメリットもあります。タスクや条件の数が増えると、数学的問題のサイズが非常に大きくなり、強力なコンピュータであっても答えを見つけるのに数時間や数日かかる状態に陥ることがあります。これはロボティクスにおける一般的なボトルネックです。指示が柔軟になればなるほど、コンピュータが計画を立てるのは難しくなります。

研究者たちの解決策は、問題全体を一度に解こうとするのをやめることでした。彼らは、多くのミッションが、互いに密接に関連しているものの、ミッションの他の部分とは緩やかにしか繋がっていない、自己完結型の小さなタスクグループで構成されていることに気づきました。例えば、液体のこぼれによって引き起こされる一連の清掃タスクは、ロボットがこぼれゾーンに入ったときに始まり、そこを離れるときに終わる、自己完結型のユニットである可能性があります。研究者たちは、より大きなミッションの中から、これらのグループ、すなわち「サブタスク」を自動的に見つけ出すアルゴリズムを開発しました。そして、それぞれの小さなグループのタイミングと経路を個別に解決しました。各グループの最適な経路を得たら、各グループをより大きなミッションにおける単一のステップとして扱い、そのグループを完了するのにかかった時間を組み込みました。これにより、一つの巨大で解決不可能なパズルを、一連の小さく簡単なパズルへと変えたのです。

このアプローチの結果は驚くべきものでした。テストにおいて、研究者たちは彼らの新しい手法を、ミッション全体を解く従来の方法と比較しました。単純なミッションでは、両方の方法とも高速でした。しかし、ミッションがより複雑になり、より多くの条件や厳格なタイミングのルールが含まれるようになると、従来の方法は劇的に遅くなり、時には数分、あるいは数時間かかることもありました。しかし、この新しい分解手法は、依然として高速であり、多くの場合、同じ問題を1秒足らずで解決しました。最も困難なケースでは、新しい手法は最大1万倍速かったのです。決定的なことに、研究者たちは、このスピードが品質の犠償によるものではないことを数学的に証明しました。ミッションを断片に分解して生成された計画は、全体を一括で解決して生成された計画と同等の品質でした。彼らは同じ最適な経路を見つけ、同じタイミングの制約を満たしていました。

研究者たちはこれを2つの現実世界のシナリオで実証しました。一つは、倉庫内のロボットが3つの棚を訪れてドックに戻るというものです。もしロボットがオイルの漏れがある経路を通った場合、そのまま進む前に特定の3箇所を清掃しなければなりません。システムは、可能であれば漏れを避けるルートを計画しましたが、最短経路がそこを横切る必要がある場合は、清掃シーケンスを計画に自動的に挿入し、要求された時間制限内に清掃を完了することを確実にしました。二つ目のシナリオは、火星探査車が土壌サンプルを分析するというものです。もし探査車が特定の岩の形成物の近くを通過した場合、厳格な時間枠内で新しい場所に移動してサンプルを採取しなければなりません。システムは、可能な限りその岩の形成物を避けるルートを計画しましたが、地形によって探査車がそこを通過せざるを得なくなったとき、計画はシームレスに適応し、追加のサンプリングタスクを含めました。

この研究は、ロボットをより自律的で適応可能にすることにおける重要な一歩となります。ミッションの仕様を条件付きかつ時間的に複雑にすることを可能にすることで、研究者たちはエンジニアに対し、より自然で、壊れにくくない指示を書くためのツールを与えました。これらの複雑な指示を管理可能な断片に分解できる能力により、ロボットはこれまで計画を立てるための計算コストが高すぎたミッションを扱えるようになりました。研究者たちは、現在の研究は単一のロボットに焦点を当てているものの、次のステップは、協力して働くロボットのグループへとこのフレームワークを拡張することであると述べています。現時点では、この手法は、変化する世界の中で複雑なことが命じられたとき、ロボットが正確かつ迅速にそれを実行する方法を確実にするための、堅牢な手段として存在しています。