Robotlagre har blitt ein integrert del av forsyningskjedene på tvers av ulike bransjar, frå netthandel til bilproduksjon. Effektiv handtering av rørsla til hundrevis av robotar i desse lagra utgjer likevel ein betydeleg utfordring. Forskarar frå MIT har oppdaga at konvensjonelle ruteplanleggingsalgoritmar slit med å halde tritt med krava frå netthandel og produksjon. For å møte denne utfordringa, nytta dei kunstig intelligens for å lindre trafikkork i desse storskala lagera.
Forskarane utvikla ein djuplæringsmodell som inkorporerer avgjerande informasjon om lageret, som robotlokasjonar, planlagde ruter, oppgåver og hindringar. Modellen identifiserer deretter tette område og spår dei beste regionane å avklemme, noko som gir ei betring i den generelle effektiviteten. Ved å dele robotane inn i mindre grupper, kunne forskarane bruke tradisjonelle algoritmar til å koordinere og avklemme kvar gruppe effektivt.
Simulerte miljø, inkludert lager, område med tilfeldige hindringar og labyrintlignande omgjevnader liknande bygningsinteriør, vart nytta for å teste modellen. Det vart funne at tilnærminga basert på læring avdekket lageret opp til fire gonger raskare enn ikkje-læringsbaserte metodar. Sjølv med tilleggsberegningane forbunde med å køyre neuralt nettverk, løyste denne tilnærminga framleis problemet tre og ein halv gong raskare.
Hovudforfattaren og førsteamanuensis ved MIT, Cathy Wu, uttalte: «Vi har utvikla ein ny nevralt nettverksarkitektur som faktisk passar for sanntidsoperasjonar på skala og kompleksiteten til desse lagra.» Wu forklarte vidare at nettverket effektivt kodar informasjon om hundrevis av robotar, inkludert deira trajektoriar, opphav, destinasjonar og relasjonar med andre robotar.
Med auka tal robotar og potensielle samanstøytar aukar kompleksiteten for tradisjonelle søkebaserte algoritmar eksponentielt. Dei stadig omarbeida rutene som er naudsynte for nettdriftene lagra krev raske operasjonar og omarbeiding av kvar robots sti omtrent kvar 100 millisekund. Wu understreka behovet for fart i desse operasjonane.
I framtida har forskarane som mål å hente ut regelbaserte innsikter frå den neurale modellen deira for å mogleggjere enklare tolkingar av avgjerder. Desse regelbaserte metodane kjem til å være enklare å implementere og halde ved like i reelle robotlagersettingar. Forskinga, støtta av Amazon og MIT Amazon Science Hub, opnar nye moglegheiter for å revolusjonere lagerets effektivitet gjennom AI.
The source of the article is from the blog dk1250.com