Les entrepôts robotisés sont devenus une partie intégrante des chaînes d’approvisionnement dans diverses industries, de l’e-commerce à la production automobile. Cependant, la gestion efficace du déplacement de centaines de robots au sein de ces entrepôts constitue un défi majeur. Des chercheurs du MIT ont découvert que les algorithmes de recherche de chemin conventionnels ont du mal à suivre le rythme des exigences de l’e-commerce et de la fabrication. Pour résoudre ce problème, ils se sont tournés vers l’intelligence artificielle pour désengorger le trafic à l’intérieur de ces entrepôts à grande échelle.
Les chercheurs ont développé un modèle d’apprentissage profond qui intègre des informations cruciales sur l’entrepôt, telles que les emplacements des robots, les chemins planifiés, les tâches et les obstacles. Ce modèle identifie alors les zones congestionnées et prédit les meilleures régions à désengorger, améliorant ainsi l’efficacité globale. En divisant les robots en petits groupes, les chercheurs ont pu utiliser des algorithmes traditionnels pour coordonner et désengorger chaque groupe de manière efficace.
Des environnements simulés, comprenant des entrepôts, des espaces avec des obstacles aléatoires et des configurations semblables à des labyrinthes ressemblant à des intérieurs de bâtiments, ont été utilisés pour tester le modèle. Il a été constaté que l’approche basée sur l’apprentissage a réussi à désengorger l’entrepôt jusqu’à quatre fois plus rapidement que les méthodes non basées sur l’apprentissage. Même en tenant compte de la charge computationnelle supplémentaire liée à l’exécution du réseau neuronal, cette approche a tout de même résolu le problème trois fois et demie plus rapidement.
L’auteure principale et professeure adjointe au MIT, Cathy Wu, a déclaré : « Nous avons conçu une nouvelle architecture de réseau neuronal réellement adaptée aux opérations en temps réel à l’échelle et à la complexité de ces entrepôts. » Wu a également expliqué que le réseau encode efficacement des informations sur des centaines de robots, y compris leurs trajectoires, leurs origines, leurs destinations et leurs relations avec d’autres robots.
À mesure que le nombre de robots et de collisions potentielles augmente, les algorithmes de recherche traditionnels font face à une croissance exponentielle de la complexité. Les trajectoires constamment replanifiées nécessaires aux entrepôts opérationnels en ligne exigent des opérations rapides, reprogrammant le chemin de chaque robot environ toutes les 100 millisecondes. Wu a souligné la nécessité de rapidité dans ces opérations.
À l’avenir, les chercheurs visent à tirer des enseignements basés sur des règles de leur modèle neuronal pour permettre des interprétations plus simples des décisions. Ces méthodes basées sur des règles seront plus faciles à mettre en œuvre et à maintenir dans des environnements réels d’entrepôts robotisés. La recherche, soutenue par Amazon et le MIT Amazon Science Hub, ouvre de nouvelles possibilités pour révolutionner l’efficacité des entrepôts grâce à l’IA.
The source of the article is from the blog elektrischnederland.nl