Система ИИ оптимизирует движение роботов на складе

В огромном автономном складе сотни роботов перемещаются по проходам, собирая и распределяя товары для выполнения постоянного потока заказов. В таком загруженном окружении даже небольшие пробки или столкновения могут привести к значительным замедлениям. Чтобы избежать таких проблем, исследователи из MIT и технологической компании Symbotic разработали новый метод, который автоматически поддерживает плавное движение флота роботов. Их метод обучается определять, какие роботы должны двигаться первыми в каждый момент времени, основываясь на том, как формируется затор, и адаптируется, чтобы приоритизировать роботов, которые могут застрять. Таким образом, система может заранее перенаправлять роботов, чтобы избежать узких мест.

Гибридная система использует глубокое обучение с подкреплением, мощный метод искусственного интеллекта для решения сложных задач, чтобы определить, какие роботы должны быть приоритизированы. Затем быстрый и надежный алгоритм планирования предоставляет инструкции роботам, позволяя им быстро реагировать на постоянно меняющиеся условия. В симуляциях, вдохновленных реальными планировками складов электронной коммерции, этот новый подход достиг примерно 25-процентного увеличения пропускной способности по сравнению с другими методами. Важно, что система может быстро адаптироваться к новым условиям с различным количеством роботов или измененными планировками складов.

«Существует множество задач принятия решений в производстве и логистике, где компании полагаются на алгоритмы, разработанные человеческими экспертами. Но мы показали, что с помощью глубокого обучения с подкреплением мы можем добиться суперчеловеческой производительности. Это многообещающий подход, поскольку даже увеличение пропускной способности на 2 или 3 процента может оказать огромное влияние», — говорит Хан Чжэн, аспирант Лаборатории информационных и управленческих систем (LIDS) при MIT и ведущий автор статьи по этому новому подходу.

Согласование работы сотен роботов в складе электронной коммерции одновременно — задача не из простых. Проблема усложняется тем, что склад представляет собой динамичную среду, и роботы постоянно получают новые задачи после достижения своих целей. Их необходимо быстро перенаправлять, когда они покидают и входят на склад. Компании часто используют алгоритмы, написанные человеческими экспертами, чтобы определить, где и когда роботы должны двигаться, чтобы максимизировать количество обрабатываемых пакетов. Однако, если возникает затор или столкновение, фирма может быть вынуждена остановить работу всего склада на несколько часов, чтобы вручную решить проблему.

«В этой ситуации у нас нет точного предсказания будущего. Мы только знаем, что может произойти в будущем, исходя из поступающих пакетов или распределения будущих заказов. Система планирования должна быть адаптивной к этим изменениям по мере выполнения операций на складе», — говорит Чжэн. Исследователи MIT достигли этой адаптивности с помощью машинного обучения. Они начали с разработки модели нейронной сети, которая принимает наблюдения за средой склада и решает, как приоритизировать роботов. Они обучают эту модель с помощью глубокого обучения с подкреплением, метода проб и ошибок, в котором модель учится управлять роботами в симуляциях, имитирующих реальные склады.

После того как нейронная сеть определяет, какие роботы должны получать приоритет, система использует проверенный алгоритм планирования, чтобы сообщить каждому роботу, как перемещаться с одной точки в другую. Этот эффективный алгоритм помогает роботам быстро реагировать в меняющейся среде склада. Это сочетание методов является ключевым. «Этот гибридный подход основывается на работе моей группы по тому, как достичь наилучшего сочетания методов машинного обучения и классической оптимизации. Чистые методы машинного обучения все еще испытывают трудности с решением сложных задач оптимизации, и при этом для человеческих экспертов это крайне трудоемко. Но вместе, используя методы, разработанные экспертами, можно значительно упростить задачу машинного обучения», — добавляет У.