Robotmagazijnen zijn een integraal onderdeel geworden van toeleveringsketens in verschillende industrieën, van e-commerce tot de productie van auto’s. Het efficiënt beheren van de beweging van honderden robots binnen deze magazijnen vormt echter een aanzienlijke uitdaging. Onderzoekers van het MIT hebben ontdekt dat conventionele padvindalgoritmen moeite hebben om gelijke tred te houden met de eisen van e-commerce en productie. Om dit probleem aan te pakken, hebben ze zich gewend tot kunstmatige intelligentie om verkeersopstoppingen binnen deze grootschalige magazijnen te verlichten.
De onderzoekers ontwikkelden een diepgaand leermiddelmodel dat cruciale informatie over het magazijn omvat, zoals de locaties van robots, geplande paden, taken en obstakels. Dit model identificeert vervolgens verstopte gebieden en voorspelt de beste regio’s om te ontcongestioneren, waardoor de algehele efficiëntie wordt verbeterd. Door de robots in kleinere groepen te verdelen, slaagden de onderzoekers erin traditionele algoritmen te gebruiken om elke groep effectief te coördineren en te ontcongestioneren.
Om het model te testen werden gesimuleerde omgevingen, waaronder magazijnen, ruimtes met willekeurige obstakels en doolhofachtige instellingen die lijken op gebouwinterieurs, gebruikt. Er werd vastgesteld dat de op leermiddelen gebaseerde aanpak het magazijn met succes tot vier keer sneller ontcongesteerde dan niet-op-leren-gebaseerde methoden. Zelfs rekening houdend met de extra computatieve overhead van het uitvoeren van het neurale netwerk, loste deze aanpak het probleem nog steeds drie en een half keer sneller op.
Hoofdauteur en assistent-professor aan het MIT, Cathy Wu, verklaarde: “We hebben een nieuw neuronaal netwerkarchitectuur bedacht die eigenlijk geschikt is voor realtime operaties op de schaal en complexiteit van deze magazijnen.” Wu legde verder uit dat het netwerk efficiënt informatie codeert over honderden robots, inclusief hun trajecten, oorsprongen, bestemmingen en relaties met andere robots.
Naarmate het aantal robots en mogelijke botsingen toeneemt, worden traditionele zoekalgoritmen geconfronteerd met een exponentiële groei in complexiteit. De voortdurend opnieuw geplande trajecten die vereist zijn door online opererende magazijnen vragen om snelle uitvoeringen, waarbij ongeveer elke 100 milliseconden het pad van elke robot opnieuw wordt gepland. Wu benadrukte de behoefte aan snelheid in deze handelingen.
In de toekomst willen de onderzoekers op regelgebaseerde inzichten uit hun neurale model afleiden om eenvoudigere interpretaties van beslissingen mogelijk te maken. Deze regelgebaseerde methoden zullen gemakkelijker te implementeren en te onderhouden zijn in echte robotmagazijnomgevingen. Het onderzoek, gesteund door Amazon en het MIT Amazon Science Hub, opent nieuwe mogelijkheden voor het revolutioneren van magazijnefficiëntie door middel van AI.
The source of the article is from the blog trebujena.net