מחסנים רובוטיים הפכו לחלק בלתי נפרד מרשתות הספקים במגוון תעשיות, ממסחר אלקטרוני ועד ייצור אוטומוטיבי. אך לנהוג ביעילות את תנועת מאות רובוטים בתוך אלה המחסנים מהווה אתגר משמעותי. חוקרי MIT גילו שאלגוריתמים קונבנציונליים למציאת נתיבים נאבקים בעימות עם דרישות המסחר האלקטרוני והייצור. כדי לטפל בבעיה זו, הם פנו להבנת מלאכותית על מנת לפתור את העסקת התנועה במחסנים בגודל רחב.
החוקרים פיתחו מודל למידת עמוקה שמשלב עקרונות אינפורמציה חיוניים אודות המחסן, כגון מיקומי רובוטים, נתיבים מתוכננים, משימות ומחסנים. המודל מזהה אזורים עמוסים וחוזה על האזורים הטובים ביותר לשחרור במהירות, וכך משפר את היעילות הכוללת. על ידי חלוקת הרובוטים לקבוצות קטנות, החוקרים הצליחו להשתמש באלגוריתמים מסורתיים לתיאום והפיכת כל קבוצה לאפקטיבית.
הוטמעו סביבות מודלים, כולל מחסנים, מרחבים עם מכשולים אקראיים, והגדרות מבני מצולות שדומות לפנים הפנימיים של בניינים, כדי לבדוק את המודל. נמצא כי הגישה המבוססת על למידה הצליחה לפתור את העסקת המחסן עד ארבע פעמים מהר יותר משיטות שאינן מבוססות על למידה. גם כאשר נשקל העומס החישובי נוסף שנדרש להפעלת הרשת העצבית, הגישה הזו פתרה את הבעיה במהירות שלושה וחצי פעמים יותר.
המחבר הראשי ופרופסור עזר בMIT, קאתי וו, ציינה: "פיתחנו ממשק לרשת עצבית חדש שנועד לפעול בזמן אמת בקנה מידה ופלאפליות של אלה המחסנים". עו תיארה כי הרשת מקודדת בצורה יעילה מידע על מאות רובוטים, כולל מסלוליהם, מוצאיהם, יעדיהם והיחסים שלהם עם רובוטים אחרים.
ככל שמספר הרובוטים וההתנגשויות האפשריות גדל, אלגוריתמים מבוססי חיפוש נתקלים בהתרחבות חדית במורכבות. המסלולים שנועדו מחדש באופן קבוע על ידי מחסניות בתהליכי פעולה מקוונת מחייבים פעולות מהירות, תיכנון מחדש של מסלול הרובוט של כל רובוט בערך כל 100 מילי שניות. עו הדגישה את הצורך במהירות בפעולות אלו.
לרעה, החוקרים יועצים להפעיל תובנות מבוססות כללים מהמודל העצבי, כדי לאפשר פשטות בהבנה של ההחלטות. שיטות אלו ייחודיות יותר ליישום ותחזוקה בקשתות מוצבות במחסן רובוטי. המחקר, הנתמך על ידי Amazon ו-Hub מדע Amazon בMIT, פותח דרכים חדשות למהפכת יעילות המחסנים על ידי השימוש בהבנה מלאכותית.
שאלות נפוצות:
The source of the article is from the blog foodnext.nl