Без задръствания в склада: AI поемa координирането на роботите

Представете си голям автономен склад. Стотици роботи се стрелкат в различни посоки, събирайки и разнасяйки артикули, за да изпълнят поръчките си навреме. При такъв натоварен трафик дори малко задръстване или лек сблъсък могат да доведат до лавина от сериозни забавяния.

 

За да предотвратят подобни нежелани сценарии, изследователи от Масачузетския технологичен институт (MIT) са разработили нов метод с изкуствен интелект за автоматизирано координиране на флотилиите от складови роботи. В партньорство с технологичната компания Symbotic екипът е създал технология, която разучава къде трябва да се намира всеки робот във всеки конкретен момент. На база данните за всички единици платформата оптимизира траекториите им така, че да не се образуват струпвания и работните процеси да текат непрекъснато и безпрепятствено.

 

Какви са възможностите на платформата?

 

Хибридната технология е базирана на дълбоко самообучение с утвърждаване (deep reinforcement learning) – мощен AI метод за разрешаване на комплексни проблеми. Основната функция на платформата е да прецени в коя ситуация на кой робот да даде предимство при преминаване през дадена точка или зона. След това бърз и надежден алгоритъм за планиране изготвя и подава към мобилните системи конкретни инструкции, които им позволяват бързо и надеждно да реагират на всякакви промени в работната среда.

 

Системата е тествана в различни симулации, пресъздаващи реално функциониращи флотилии в сферата на е-търговията. С помощта на иновативния метод изследователите успяват да постигнат до 25% по-висока ефективност в сравнение с други стратегии за управление без AI. Предимство на технологията е, че може лесно да се адаптира към различен брой роботи и разнообразни складови инфраструктури, както и към изцяло нови среди.

 

"В производствените и логистични халета възникват редица проблеми във връзка с вземането на решения от роботите, когато те разчитат на алгоритми, създадени от хората. Изкуственият интелект обаче им осигурява суперефективност. Това е много обещаващ подход, защото в гигантските складове дори 2-3% ръст в ефективността може да донесе огромни ползи", разказват от Лабораторията за информационни и вземащи решения системи (LIDS) на MIT.

 

 

Кой робот е с предимство на следващото кръстовище

 

Едновременното оркестриране на стотици мобилни роботи в складовете не е лесна задача. Допълнително предизвикателство е фактът, че автономните платформи непрекъснато получават нови задачи, след като изпълнят текущите. Ето защо те трябва бързо да бъдат пренасочвани по следващия маршрут. А ако попаднат в задръстване… е, тогава се налага да чакат. Понякога много. В реални приложения нерядко се стига до спиране на цялото движение в халето и намеса на оператор, който да разреши ситуацията.

 

"В складовата среда няма как с точност да прогнозираме бъдещето. Знаем само приблизителната рамка, например типовете складови единици, които са подадени за обработка, или вече въведените в системата поръчки. Платформата за планиране трябва да бъде максимално адаптивна към промените, за да тече работата без прекъсвания", посочват от MIT.

 

Търсената адаптивност изследователите осигуряват посредством машинно самообучение. Те започват с проектирането на модел с невронна мрежа, който да проучи средата в склада и генерално да реши как да приоритизира движенията на роботите. След това моделът се обучава чрез метод на проби и грешки в рамките на симулации, които имитират реални сценарии и флотилии. Моделът получава обратна връзка за това дали взетите от него решения водят до увеличаване на ефективността и с колко.

 

Обучената невронна мрежа може да се нагажда към складове с различна структура и потоци. Моделът изучава възможни ограничения и препятствания за роботите в дългосрочен план, като отчита възможностите и изискванията за динамично взаимодействие помежду им по време на движение. Така задръстванията се елиминират още преди реално да са възникнали.

 

 

Защо методът е хибриден?

 

Иновацията съчетава машинно самообучение с класически подходи за оптимизация, като взема най-доброто от двете стратегии. "С нарастването на плътността на мобилните роботи в складовете сложността при управлението и координацията експоненциално се увеличава и традиционните методи бързо се оказват неефективни.

 

Само по себе си обаче, машинното обучение все още се затруднява при решаването на сложни оптимизационни проблеми. А за хората е изключително времеемко и трудоемко да проектират работещи методи без AI. Комбинацията от двете решения може значително да опрости задачата за изкуствения интелект", поясняват от MIT.

 

Макар хибридният метод все още да е далеч от пилотно или пък масово внедряване, тестовете категорично доказват неговата приложимост и множеството потенциални ползи от използването му. В бъдеще създателите на модела планират да интегрират и функции за разпределяне на задачи, наред с оптимизирането на маршрутите, както и да го мащабират така, че да може да бъде използван и в по-големи складове с хиляди роботи.

 

Източник: MIT; снимки: MIT, Dreamstime

Ключови думи: MIT   складови роботи   мобилни роботи   изкуствен интелект   AI   машинно самообучение   координиране   маршрути   траектории  

Област: Роботика