Роботизираните складове станаха неотделима част от веригите на доставките в различни отрасли, от електронната търговия до производството на автомобили. Въпреки това управлението на ефективно движение на стотици роботи в тези складове представлява значително предизвикателство. Изследователи от Масачу̀зетския технологичен институт откриха, че традиционните алгоритми за намиране на пътища се борят да се справят с изискванията на електронната търговия и производството. За да се справят с този проблем, те се обърнаха към изкуствения интелигентния за разреждане на трафика в тези големи складове.
Изследователите разработиха модел за дълбоко обучение, който включва ключова информация за склада, като местоположенията на роботите, планирани пътища, задачи и препятствия. Този модел идентифицира заторите и предвижда най-добрите зони за разреждане, което подобрява общата ефективност. Чрез разделяне на роботите на по-малки групи, изследователите успяха да използват традиционни алгоритми за координация и разреждане на всяка група ефективно.
За тестване на модела се използваха симулирани среди, включително складове, пространства със случайни препятствия и лабиринтоподобни настройки, приличащи на интериори на сгради. Беше установено, че подходът, базиран на обучение, успешно разрежда склада до четири пъти по-бързо от методите, които не използват обучение. Дори когато се вземе предвид допълнителното изчислително натоварване за изпълнението на невронната мрежа, този подход решава проблема три и половин пъти по-бързо.
Главният автор и асистент професор в MIT, Кати Уу, заяви: „Създадохме нова архитектура на невронна мрежа, която е подходяща за операции в реално време на мащаба и сложността на тези складове.“ Уу поясни още, че мрежата ефективно кодира информация за стотици роботи, включително техните траектории, начални и крайни точки, и връзки с други роботи.
По мерка, че броят на роботите и потенциалните сблъсъци нарастват, традиционните алгоритми, базирани на търсене, се сблъскват с експоненциален растеж на сложността. Постоянното преустановяване на траекториите, необходимо от онлайн опериращите складове, изисква бързи операции, преустановяване на пътя на всеки робот приблизително на всеки 100 милисекунди. Уу подчерта нуждата от бързина в тези операции.
Занапред, изследователите се стремят да извлекат правилни базирани на мненията от техния невронен модел, за да позволят по-прости интерпретации на решенията. Тези методи, базирани на правила, ще бъдат по-лесни за внедряване и поддържане в реални роботизирани складови настройки. Изследването, подкрепено от Amazon и MIT Amazon Science Hub, отваря нови възможности за революциониране на ефективността на складовете чрез изкуствения интелект.
The source of the article is from the blog radiohotmusic.it