Rewolucja w wydajności magazynów: System koordynacji robotów oparty na sztucznej inteligencji MIT

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 congestion patterns. If a robot is at risk of getting stuck, the system adapts and places it higher on the priority list, effectively rerouting it to dodge potential bottlenecks.

A potent blend of deep reinforcement learning – an advanced artificial intelligence (AI) technique built to manage complicated problems – and a speedy, reliable algorithm lie at the heart of this system. These resources direct the robots and equip them to react swiftly to any changes in their warehouse environment.

Innowacyjna sztuczna inteligencja w działaniu

Zainspirowana rzeczywistymi układami magazynów e-commerce, metoda ta wykazała imponujący 25-procentowy wzrost przepustowości w symulacjach, w porównaniu do innych praktyk. W środowisku, w którym nawet 2- lub 3-procentowy skok przepustowości może oznaczać znaczne zwroty, taki wzrost jest sporym osiągnięciem. System może również szybko dostosowywać się do nowych warunków, takich jak zmiana liczby robotów lub układu magazynu.

Mistrzowie stojący za innowacjami opartymi na sztucznej inteligencji

“There are numerous decision-making challenges in manufacturing and logistics where companies rely on algorithms created by human experts. However, we’ve shown that with the power of deep reinforcement learning, we can achieve super-human performance,” says the lead author, Han Zheng, a graduate student at MIT’s Laboratory for Information and Decision Systems (LIDS). Zheng worked on the paper with several colleagues from LIDS and Symbotic, and their research jest publikowany w Journal of Artificial Intelligence Research.

Koordynacja setek robotów w magazynie e-commerce nie jest łatwym zadaniem; jest jeszcze bardziej złożona, biorąc pod uwagę dynamiczny charakter tych środowisk. Tradycyjnie, firmy logistyczne polegały na ręcznie tworzonych algorytmach, aby ocenić optymalny ruch i czas robotów w celu maksymalizacji obsługi paczek. Niemniej jednak, w obliczu zatorów lub kolizji, firmy te mogły być zmuszone do wstrzymania operacji na wiele godzin w celu ręcznego rozwiązania problemu.

Zdając sobie z tego sprawę, naukowcy wykorzystali model sieci neuronowej, który obserwuje środowisko magazynu i decyduje o tym, jak ustalić priorytety robotów. Uczenie ze wzmocnieniem, metoda prób i błędów, pomaga trenować model, nagradzając go za decyzje, które zwiększają przepustowość i zapobiegają konfliktom.

As the neural network interacts with simulations of actual warehouses, the feedback refines the system’s decision-making abilities. It can then acclimate to different warehouse layouts. The system anticipates robot interactions allowing it to proactively plan and prevent congestion.

Po ustawieniu priorytetów do akcji wkracza przetestowany algorytm planowania, dostarczając każdemu robotowi instrukcje ruchu. Ten szybki algorytm pozwala robotom szybko reagować na zmiany w środowisku magazynu.

Poza laboratorium: Wyniki w świecie rzeczywistym

Zespół MIT przetestował system w symulowanych magazynach, które różniły się od tych w fazie treningowej. Wyniki były zachęcające - ich hybrydowy system oparty na uczeniu się zarejestrował wzrost przepustowości o 25% w porównaniu z tradycyjnymi algorytmami i metodą losowego wyszukiwania, pod względem liczby dostarczonych paczek na robota. Z powodzeniem radził sobie również z zatorami powodowanymi przez konwencjonalne metody.

While the system still needs fine-tuning for real-world deployment, these findings underscore the potential benefits of employing a machine learning-guided approach in warehouse automation. Next, in the researchers’ sights is to incorporate task assignments into the problem formulation and scale up the system for larger warehouses with thousands of robots.

To przełomowe badanie było sponsorowane przez firmę Symbotic. Dla firm szukających możliwości w automatyzacji AI, wizyta w implementi.ai mogą być cenne. Oryginalne źródło wiadomości: MIT News.