Robotik depolar, e-ticaretten otomotiv üretimine kadar çeşitli endüstrilerde tedarik zincirlerinin ayrılmaz bir parçası haline gelmiştir. Ancak, bu depolardaki yüzlerce robotun hareketlerini verimli bir şekilde yönetmek önemli bir zorluk oluşturmaktadır. MIT araştırmacıları, geleneksel yol bulma algoritmalarının e-ticaret ve üretim gereksinimleriyle başa çıkamadığını keşfetmişlerdir. Bu sorunu ele almak için, yapay zekayı büyük çaplı depolardaki trafik sıkışıklığını hafifletmek için kullanmışlardır.
Araştırmacılar, robot konumları, planlanmış yollar, görevler ve engeller gibi depo hakkında önemli bilgileri içeren bir derin öğrenme modeli geliştirmişlerdir. Bu model, sıkışmış alanları belirler ve trafik sıkışıklığını azaltmak için en iyi bölgeleri tahmin eder, böylece genel verimliliği artırır. Araştırmacılar, robotları daha küçük gruplara bölererek geleneksel algoritmaları kullanarak her grubu etkili bir şekilde koordine edip trafiği açmayı başarmışlardır.
Modeli test etmek için depolar, rastgele engellere sahip alanlar ve bina iç mekanlarını andıran labirent benzeri ortamlar da dahil olmak üzere simüle edilmiş çevreler kullanılmıştır. Öğrenmeye dayalı yaklaşımın depoyu dört kat daha hızlı trafiğe uygun hale getirdiği bulunmuştur. Nöral ağın çalıştırılmasının ek hesaplama yükü de dikkate alındığında, bu yaklaşım yine de sorunu üç buçuk kat daha hızlı çözmüştür.
MIT’de baş yazar ve yardımcı profesör olan Cathy Wu, “Bu depoların çapı ve karmaşıklığı açısından gerçek zamanlı işlemlere uygun yeni bir nöral ağ mimarisi geliştirdik.” dedi. Wu, ağın, robotların yüzlerce hakkında bilgiyi, trajedilerini, kökenlerini, hedeflerini ve diğer robotlarla ilişkilerini verimli bir şekilde kodladığını açıkladı.
Robot sayısı ve olası çarpışmalar arttıkça, geleneksel arama tabanlı algoritmalar karmaşıklıkta üstesinden gelemez hale gelir. Çevrimiçi işletim depolarında istenen sürekli yeniden planlanan trajeler, her robotun yolunu yaklaşık her 100 milisaniyede bir tekrar planlayarak hızlı işlemleri gerektirir. Wu, bu işlemlerdeki hızın önemine vurgu yapmıştır.
Gelecekte araştırmacılar, nöral modelden kural tabanlı içgörüler elde ederek kararların daha basit yorumlarını sağlayacakları bir hedefi benimsemektedir. Bu kural tabanlı yöntemler, gerçek robotik depo ortamlarında daha kolay uygulanabilir ve sürdürülebilir olacaktır. Amazon ve MIT Amazon Bilim Merkezi tarafından desteklenen araştırma, AI aracılığıyla depo verimliliğini devrimleştirmek için yeni imkanlar açmaktadır.
The source of the article is from the blog lokale-komercyjne.pl