Robotické sklady se staly nedílnou součástí dodavatelských řetězců napříč různými průmysly, od e-commerce po automobilovou výrobu. Efektivní správa pohybu stovek robotů v těchto skladech představuje značnou výzvu. Výzkumníci z MIT zjistili, že konvenční algoritmy pro hledání cest nedokáží držet krok s požadavky e-commerce a výroby. Pro vyřešení tohoto problému se obrátili k umělé inteligenci ke snížení dopravní zácpy v těchto velkovýrobních skladech.
Výzkumníci vyvinuli model hlubokého učení, který zahrnuje klíčové informace o skladu, jako jsou polohy robotů, plánované trasy, úkoly a překážky. Tento model identifikuje přetížené oblasti a předpovídá nejlepší regiony k odlehčení, čímž zlepšuje celkovou efektivitu. Rozdělením robotů do menších skupin byli výzkumníci schopni využít tradiční algoritmy k úspěšné koordinaci a odlehčení každé skupiny.
Pro otestování modelu byly použity simulované prostředí, včetně skladů, prostor s náhodnými překážkami a labyrintové nastavení připomínající interiéry budov. Bylo zjištěno, že přístup založený na učení úspěšně odlehčil sklad až čtyřikrát rychleji než metody nezaložené na učení. Dokonce i při zohlednění dodatečné výpočetní zátěže běhu neuronové sítě tento přístup stále vyřešil problém třikrát a půlkrát rychleji.
Vedoucí autorka a asistentka profesorka z MIT, Cathy Wu, uvedla: „Vymysleli jsme novou architekturu neuronové sítě, která je skutečně vhodná pro provoz v reálném čase na úrovni a složitosti těchto skladů.“ Wu dále vysvětlila, že síť efektivně zakóduje informace o stovech robotů, včetně jejich trajektorií, původu, cílů a vztahů s ostatními roboty.
Jak nárůst počtu robotů a možných srážek narůstá, tradiční algoritmy založené na vyhledávání čelí exponenciálnímu nárůstu složitosti. Neustále opakované trasy požadované online provozními sklady vyžadují rychlé operace, replánování cesty každého robota přibližně každých 100 milisekund. Wu zdůraznila potřebu rychlosti těchto operací.
Pro budoucnost výzkumníci zamýšlejí odvodit pravidlové poznatky ze svého neuronového modelu, aby umožnili jednodušší interpretace rozhodnutí. Tyto pravidlové metody budou snadněji implementovatelné a udržovatelné v reálném robotickém skladovém prostředí. Výzkum, podporovaný společností Amazon a MIT Amazon Science Hub, otevírá nové možnosti pro revoluci efektivity skladů pomocí AI.
The source of the article is from the blog bitperfect.pe