Revolutionierung der Lagereffizienz: Das KI-gesteuerte Roboter-Koordinationssystem des MIT

Stellen Sie sich ein riesiges, autonomes Lagerhaus vor, in dem Hunderte von Robotern pflichtbewusst durch die Gänge sausen, Artikel einsammeln und ausgeben, um einen ständigen Strom von Kundenbestellungen zu erfüllen. Das ist eine komplizierte Angelegenheit, bei der 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 komplizierte Problem entwickelt - eine einzigartige Methode, die den Fluss der Roboterflotte automatisch glättet. Der Ansatz erkennt anhand von Echtzeit-Staumustern im Voraus, welche Roboter zu einem bestimmten Zeitpunkt Priorität benötigen. Wenn ein Roboter Gefahr läuft, stecken zu bleiben, passt sich das System an und platziert ihn auf der Prioritätenliste weiter oben, so dass er effektiv umgeleitet wird, um mögliche Engpässe zu umgehen.

Das Herzstück dieses Systems ist eine starke Mischung aus Deep Reinforcement Learning - einer fortschrittlichen Technik der künstlichen Intelligenz (KI), die für die Bewältigung komplizierter Probleme entwickelt wurde - und einem schnellen, zuverlässigen Algorithmus. Diese Ressourcen lenken die Roboter und befähigen sie, schnell auf Veränderungen in ihrer Lagerumgebung zu reagieren.

Innovative KI in Aktion

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.

Die Vordenker hinter der KI-gestützten Innovation

“Es gibt zahlreiche Herausforderungen bei der Entscheidungsfindung in Produktion und Logistik, bei denen sich Unternehmen auf Algorithmen verlassen, die von menschlichen Experten erstellt wurden. Wir haben jedoch gezeigt, dass wir mit der Leistungsfähigkeit von Deep Reinforcement Learning übermenschliche Leistungen erzielen können”, sagt der Hauptautor Han Zheng, Doktorand am MIT Laboratory for Information and Decision Systems (LIDS). Zheng arbeitete zusammen mit mehreren Kollegen von LIDS und Symbotic an der Arbeit, 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.

Wenn das neuronale Netz mit Simulationen realer Lagerhäuser interagiert, verfeinert das Feedback die Entscheidungsfähigkeit des Systems. Es kann sich dann an verschiedene Lagerlayouts gewöhnen. Das System antizipiert Roboterinteraktionen und kann so proaktiv planen und Staus vermeiden.

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.

Jenseits des Labors: Ergebnisse in der realen Welt

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.

Auch wenn das System für den Einsatz in der Praxis noch fein abgestimmt werden muss, unterstreichen diese Ergebnisse die potenziellen Vorteile eines durch maschinelles Lernen gesteuerten Ansatzes bei der Lagerautomatisierung. Als Nächstes wollen die Forscher Aufgabenzuweisungen 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.