Система на базе ИИ улучшает движение складских роботов, показало исследование MIT

Исследователи MIT и компании по автоматизации Symbotic разработали систему на базе ИИ, которая должна улучшить движение роботов на автоматизированных складах, снизить заторы и повысить пропускную способность.

Система использует глубокое обучение с подкреплением, чтобы в каждый момент определять, каким роботам следует отдавать приоритет. Одновременно алгоритм планирования в реальном времени управляет перемещением роботов. Система прогнозирует узкие места и перенаправляет роботов до возникновения заторов.

В симуляциях, основанных на условиях складов электронной коммерции, метод обеспечил в среднем 25%-ное увеличение пропускной способности по сравнению с традиционными подходами.

По словам исследователей, управлять парком роботов на крупных складах сложно из-за постоянно меняющихся условий: роботам назначаются новые задачи, а спрос колеблется. Традиционные системы часто используют фиксированные алгоритмы, которым бывает трудно адаптироваться к заторам и сбоям.

Хан Чжэн, аспирант MIT и ведущий автор исследования, сказал: «В производстве и логистике есть множество задач, связанных с принятием решений, где компании полагаются на алгоритмы, разработанные экспертами. Однако мы показали, что благодаря глубокому обучению с подкреплением можно достичь результатов, превосходящих человеческие. Это очень перспективный подход, поскольку на таких огромных складах даже увеличение пропускной способности на 2–3% может оказать значительное влияние».

Система использует нейронную сеть, обученную в ходе симуляций. Она оценивает состояние склада и назначает роботам приоритеты. Затем система применяет традиционный алгоритм планирования маршрутов, который формирует инструкции для движения. Это позволяет роботам быстро реагировать на изменения среды.

По мнению исследовательской группы, сочетание машинного обучения с проверенными методами оптимизации повышает эффективность по сравнению с использованием каждого из этих подходов по отдельности.

Кэти Ву, старший автор исследования, отметила, что гибридная модель помогает компенсировать ограничения обеих технологий. «Правильное использование методов, разработанных экспертами, может значительно упростить задачу машинного обучения», — заявила она.

Систему протестировали на смоделированных планировках складов, которые отличались от использованных во время обучения. Результаты продемонстрировали способность системы адаптироваться к новым условиям, включая различную плотность роботов и разные конфигурации.

Технология пока не применяется в реальных операциях, однако исследователи считают, что она может повысить эффективность автоматизации крупных складов.

В будущем исследователи планируют включить назначение задач в формулировку проблемы, поскольку от того, какой робот выполняет каждую задачу, зависит уровень заторов. Кроме того, они намерены масштабировать систему для более крупных складов, где работают тысячи роботов.

По теме: THG Fulfil увеличивает мощности после внедрения решений Libiao Robotics