Stellen Sie sich ein riesiges, autonomes Lagerhaus vor, in dem Hunderte von Robotern pflichtbewusst durch die G\u00e4nge sausen, Artikel einsammeln und ausgeben, um einen st\u00e4ndigen Strom von Kundenbestellungen zu erf\u00fcllen. Das ist eine komplizierte Angelegenheit, bei der selbst kleinste Engp\u00e4sse oder unbedeutende Kollisionen zu erheblichen Verz\u00f6gerungen f\u00fchren k\u00f6nnen, die die Gesamteffizienz des Betriebs gef\u00e4hrden.<\/p>\n
Forscher des MIT und des Technologieunternehmens Symbotic haben eine bahnbrechende L\u00f6sung f\u00fcr dieses komplizierte Problem entwickelt - eine einzigartige Methode, die den Fluss der Roboterflotte automatisch gl\u00e4ttet. Der Ansatz erkennt anhand von Echtzeit-Staumustern im Voraus, welche Roboter zu einem bestimmten Zeitpunkt Priorit\u00e4t ben\u00f6tigen. Wenn ein Roboter Gefahr l\u00e4uft, stecken zu bleiben, passt sich das System an und platziert ihn auf der Priorit\u00e4tenliste weiter oben, so dass er effektiv umgeleitet wird, um m\u00f6gliche Engp\u00e4sse zu umgehen.<\/p>\n
Das Herzst\u00fcck dieses Systems ist eine starke Mischung aus Deep Reinforcement Learning - einer fortschrittlichen Technik der k\u00fcnstlichen Intelligenz (KI), die f\u00fcr die Bew\u00e4ltigung komplizierter Probleme entwickelt wurde - und einem schnellen, zuverl\u00e4ssigen Algorithmus. Diese Ressourcen lenken die Roboter und bef\u00e4higen sie, schnell auf Ver\u00e4nderungen in ihrer Lagerumgebung zu reagieren.<\/p>\n
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 Ertr\u00e4ge 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.<\/p>\n
\u201cEs 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 Leistungsf\u00e4higkeit von Deep Reinforcement Learning \u00fcbermenschliche Leistungen erzielen k\u00f6nnen\u201d, 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 ver\u00f6ffentlicht<\/a> im Journal of Artificial Intelligence Research<\/em>.<\/p>\n 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 verlie\u00dfen 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 k\u00f6nnten diese Unternehmen jedoch gezwungen sein, den Betrieb stundenlang anzuhalten, um das Problem manuell zu l\u00f6sen.<\/p>\n Die Forscher haben dies erkannt und ein neuronales Netzwerkmodell verwendet, das die Lagerumgebung beobachtet und entscheidet, wie die Roboter zu priorisieren sind. Verst\u00e4rkungslernen, eine Versuch-und-Irrtum-Methode, hilft beim Training des Modells und belohnt es f\u00fcr Entscheidungen, die den Durchsatz erh\u00f6hen und Konflikte vermeiden.<\/p>\n Wenn das neuronale Netz mit Simulationen realer Lagerh\u00e4user interagiert, verfeinert das Feedback die Entscheidungsf\u00e4higkeit des Systems. Es kann sich dann an verschiedene Lagerlayouts gew\u00f6hnen. Das System antizipiert Roboterinteraktionen und kann so proaktiv planen und Staus vermeiden.<\/p>\n Sobald die Priorit\u00e4ten festgelegt sind, tritt ein getesteter Planungsalgorithmus in Aktion und gibt jedem Roboter Bewegungsanweisungen. Dieser schnelle Algorithmus erm\u00f6glicht es den Robotern, schnell auf Ver\u00e4nderungen in der Lagerumgebung zu reagieren.<\/p>\n 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% h\u00f6heren Durchsatz als herk\u00f6mmliche Algorithmen und eine zuf\u00e4llige Suchmethode, gemessen an der Anzahl der pro Roboter ausgelieferten Pakete. Auch die durch herk\u00f6mmliche Methoden verursachte \u00dcberlastung wurde erfolgreich bew\u00e4ltigt.<\/p>\n Auch wenn das System f\u00fcr 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 N\u00e4chstes wollen die Forscher Aufgabenzuweisungen in die Problemformulierung einbeziehen und das System f\u00fcr gr\u00f6\u00dfere Lager mit Tausenden von Robotern skalieren. <\/p>\n Diese bahnbrechende Forschung wurde von Symbotic gesponsert. F\u00fcr Unternehmen, die M\u00f6glichkeiten der KI-Automatisierung ins Auge fassen, ist ein Besuch bei implementi.ai<\/a> wertvoll sein k\u00f6nnte. Urspr\u00fcngliche Nachrichtenquelle: MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Picture a massive autonomous warehouse, humming with a seamless dance of hundreds of robots dutifully zooming down aisles, gathering and disbursing items to fulfill a constant stream of customer orders. It’s an intricate affair where even the tiniest bottlenecks or inconsequential collisions can snowball into significant delays, risking the overall efficiency of the operation. Researchers from MIT and tech company Symbotic have devised a groundbreaking solution to this intricate problem – a unique method that automatically smooths out the flow of the fleet of robots. The approach preemptively identifies which robots need priority at any given time based on real-time […]<\/p>\n","protected":false},"author":4,"featured_media":8330,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-8329","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/8329","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=8329"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/8329\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/8330"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=8329"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=8329"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=8329"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Jenseits des Labors: Ergebnisse in der realen Welt<\/h5>\n