Stellen Sie sich ein riesiges autonomes Lager vor, in dem Hunderte von Robotern in einem nahtlosen Tanz emsig durch die Gänge sausen, um Artikel zu kommissionieren und auszuliefern und so einen stetigen Strom von Kundenbestellungen zu bewältigen. Es ist ein komplexes Unterfangen, bei dem selbst kleinste Engpässe oder unbedeutende Kollisionen zu erheblichen Verzögerungen führen können, die die Gesamteffizienz des Betriebs gefährden.
Forscher des MIT und des Technologieunternehmens Symbotic haben eine bahnbrechende Lösung für dieses komplexe Problem entwickelt – eine einzigartige Methode, die den Verkehrsfluss der Roboterflotte automatisch optimiert. Der Ansatz ermittelt proaktiv anhand von Echtzeit-Staumuster, welche Roboter zu einem bestimmten Zeitpunkt Vorrang benötigen. Wenn die Gefahr besteht, dass ein Roboter steckenbleibt, passt sich das System an und rückt ihn auf der Prioritätenliste nach oben, wodurch er effektiv umgeleitet wird, um potenzielle Engpässe zu umgehen.
Das Herzstück dieses Systems bildet eine leistungsstarke Kombination aus tiefem verstärkendem Lernen – einer fortschrittlichen Technik der künstlichen Intelligenz (KI), die zur Bewältigung komplexer Probleme entwickelt wurde – und einem schnellen, zuverlässigen Algorithmus. Diese Komponenten steuern die Roboter und versetzen sie in die Lage, schnell auf jegliche Veränderungen in ihrer Lagerumgebung zu reagieren.
Inspiriert von realen E-Commerce-Lagerlayouts hat diese Methode in Simulationen eine beeindruckende Steigerung des Durchsatzes um 25 Prozent im Vergleich zu anderen Verfahren gezeigt. In einem Umfeld, in dem selbst eine Durchsatzspitze von 2 oder 3 Prozent erhebliche Erträge bedeuten kann, ist eine solche Steigerung eine beachtliche Leistung. Das System kann sich auch schnell an neue Bedingungen anpassen, z. B. an eine andere Anzahl von Robotern oder ein anderes Lagerlayout.
“In der Fertigung und Logistik gibt es zahlreiche Herausforderungen bei der Entscheidungsfindung, bei denen sich Unternehmen auf Algorithmen verlassen, die von menschlichen Experten entwickelt wurden. Wir haben jedoch gezeigt, dass wir mit Hilfe des tiefen verstärkenden Lernens übermenschliche Leistungen erzielen können”, sagt der Hauptautor Han Zheng, Doktorand am Laboratory for Information and Decision Systems (LIDS) des MIT. Zheng arbeitete gemeinsam mit mehreren Kollegen vom LIDS und von Symbotic an der Veröffentlichung, und ihre Forschung wird veröffentlicht im Journal of Artificial Intelligence Research.
Hunderte von Robotern in einem E-Commerce-Lager zu koordinieren, ist keine leichte Aufgabe; sie ist sogar noch komplexer, wenn man bedenkt, wie dynamisch diese Umgebungen sind. Bisher verließen sich Logistikunternehmen auf handgefertigte Algorithmen, um die optimale Bewegung und das Timing der Roboter zu bestimmen und so den Paketumschlag zu maximieren. Im Falle eines Staus oder einer Kollision könnten diese Unternehmen jedoch gezwungen sein, den Betrieb stundenlang anzuhalten, um das Problem manuell zu lösen.
Die Forscher haben dies erkannt und ein neuronales Netzwerkmodell verwendet, das die Lagerumgebung beobachtet und entscheidet, wie die Roboter zu priorisieren sind. Verstärkungslernen, eine Versuch-und-Irrtum-Methode, hilft beim Training des Modells und belohnt es für Entscheidungen, die den Durchsatz erhöhen und Konflikte vermeiden.
Während das neuronale Netzwerk mit Simulationen realer Lagerhallen interagiert, verfeinert das Feedback die Entscheidungsfähigkeiten des Systems. So kann es sich an unterschiedliche Lagerlayouts anpassen. Das System antizipiert die Interaktionen der Roboter, wodurch es proaktiv planen und Engpässe verhindern kann.
Sobald die Prioritäten festgelegt sind, tritt ein getesteter Planungsalgorithmus in Aktion und gibt jedem Roboter Bewegungsanweisungen. Dieser schnelle Algorithmus ermöglicht es den Robotern, schnell auf Veränderungen in der Lagerumgebung zu reagieren.
Das MIT-Team testete das System in simulierten Lagern, die sich von denen in der Trainingsphase unterschieden. Die Ergebnisse waren ermutigend: Das auf hybridem Lernen basierende System verzeichnete einen um 25% höheren Durchsatz als herkömmliche Algorithmen und eine zufällige Suchmethode, gemessen an der Anzahl der pro Roboter ausgelieferten Pakete. Auch die durch herkömmliche Methoden verursachte Überlastung wurde erfolgreich bewältigt.
Zwar muss das System für den Einsatz in der Praxis noch weiter optimiert werden, doch unterstreichen diese Ergebnisse die potenziellen Vorteile eines durch maschinelles Lernen gestützten Ansatzes bei der Lagerautomatisierung. Als Nächstes wollen die Forscher die Aufgabenvergabe in die Problemformulierung einbeziehen und das System für größere Lager mit Tausenden von Robotern skalieren.
Diese bahnbrechende Forschung wurde von Symbotic gesponsert. Für Unternehmen, die Möglichkeiten der KI-Automatisierung ins Auge fassen, ist ein Besuch bei implementi.ai wertvoll sein könnte. Ursprüngliche Nachrichtenquelle: MIT-Nachrichten.
Diese Website verwendet Cookies.