Wyobra\u017amy sobie ogromny, autonomiczny magazyn, w kt\u00f3rym setki robot\u00f3w pos\u0142usznie przemieszczaj\u0105 si\u0119 wzd\u0142u\u017c korytarzy, zbieraj\u0105c i rozdzielaj\u0105c produkty w celu realizacji ci\u0105g\u0142ego strumienia zam\u00f3wie\u0144 klient\u00f3w. To skomplikowana sprawa, w kt\u00f3rej nawet najmniejsze w\u0105skie gard\u0142a lub nieistotne kolizje mog\u0105 przerodzi\u0107 si\u0119 w znaczne op\u00f3\u017anienia, zagra\u017caj\u0105c og\u00f3lnej wydajno\u015bci operacji.<\/p>\n
Naukowcy z MIT i firmy technologicznej Symbotic opracowali prze\u0142omowe rozwi\u0105zanie tego skomplikowanego problemu - unikaln\u0105 metod\u0119, kt\u00f3ra automatycznie wyg\u0142adza przep\u0142yw floty robot\u00f3w. Podej\u015bcie to z wyprzedzeniem identyfikuje, kt\u00f3re roboty potrzebuj\u0105 priorytetu w danym momencie, w oparciu o wzorce zator\u00f3w w czasie rzeczywistym. Je\u015bli robot jest zagro\u017cony utkni\u0119ciem, system dostosowuje si\u0119 i umieszcza go wy\u017cej na li\u015bcie priorytet\u00f3w, skutecznie przekierowuj\u0105c go w celu unikni\u0119cia potencjalnych w\u0105skich garde\u0142.<\/p>\n
U podstaw tego systemu le\u017cy pot\u0119\u017cna mieszanka g\u0142\u0119bokiego uczenia ze wzmocnieniem - zaawansowanej techniki sztucznej inteligencji (AI) stworzonej do zarz\u0105dzania skomplikowanymi problemami - oraz szybkiego, niezawodnego algorytmu. Zasoby te kieruj\u0105 robotami i umo\u017cliwiaj\u0105 im szybkie reagowanie na wszelkie zmiany w \u015brodowisku magazynowym.<\/p>\n
Zainspirowana rzeczywistymi uk\u0142adami magazyn\u00f3w e-commerce, metoda ta wykaza\u0142a imponuj\u0105cy 25-procentowy wzrost przepustowo\u015bci w symulacjach, w por\u00f3wnaniu do innych praktyk. W \u015brodowisku, w kt\u00f3rym nawet 2- lub 3-procentowy skok przepustowo\u015bci mo\u017ce oznacza\u0107 znaczne zwroty, taki wzrost jest sporym osi\u0105gni\u0119ciem. System mo\u017ce r\u00f3wnie\u017c szybko dostosowywa\u0107 si\u0119 do nowych warunk\u00f3w, takich jak zmiana liczby robot\u00f3w lub uk\u0142adu magazynu.<\/p>\n
\u201cIstnieje wiele wyzwa\u0144 decyzyjnych w produkcji i logistyce, w kt\u00f3rych firmy polegaj\u0105 na algorytmach stworzonych przez ludzkich ekspert\u00f3w. Pokazali\u015bmy jednak, \u017ce dzi\u0119ki mocy g\u0142\u0119bokiego uczenia si\u0119 ze wzmocnieniem mo\u017cemy osi\u0105gn\u0105\u0107 nadludzk\u0105 wydajno\u015b\u0107\u201d - m\u00f3wi g\u0142\u00f3wny autor, Han Zheng, absolwent MIT's Laboratory for Information and Decision Systems (LIDS). Zheng pracowa\u0142 nad artyku\u0142em wraz z kilkoma kolegami z LIDS i Symbotic, a ich badania jest publikowany<\/a> w Journal of Artificial Intelligence Research<\/em>.<\/p>\n Koordynacja setek robot\u00f3w w magazynie e-commerce nie jest \u0142atwym zadaniem; jest jeszcze bardziej z\u0142o\u017cona, bior\u0105c pod uwag\u0119 dynamiczny charakter tych \u015brodowisk. Tradycyjnie, firmy logistyczne polega\u0142y na r\u0119cznie tworzonych algorytmach, aby oceni\u0107 optymalny ruch i czas robot\u00f3w w celu maksymalizacji obs\u0142ugi paczek. Niemniej jednak, w obliczu zator\u00f3w lub kolizji, firmy te mog\u0142y by\u0107 zmuszone do wstrzymania operacji na wiele godzin w celu r\u0119cznego rozwi\u0105zania problemu.<\/p>\n Zdaj\u0105c sobie z tego spraw\u0119, naukowcy wykorzystali model sieci neuronowej, kt\u00f3ry obserwuje \u015brodowisko magazynu i decyduje o tym, jak ustali\u0107 priorytety robot\u00f3w. Uczenie ze wzmocnieniem, metoda pr\u00f3b i b\u0142\u0119d\u00f3w, pomaga trenowa\u0107 model, nagradzaj\u0105c go za decyzje, kt\u00f3re zwi\u0119kszaj\u0105 przepustowo\u015b\u0107 i zapobiegaj\u0105 konfliktom.<\/p>\n Gdy sie\u0107 neuronowa wchodzi w interakcj\u0119 z symulacjami rzeczywistych magazyn\u00f3w, informacje zwrotne udoskonalaj\u0105 zdolno\u015bci decyzyjne systemu. Mo\u017ce on nast\u0119pnie aklimatyzowa\u0107 si\u0119 do r\u00f3\u017cnych uk\u0142ad\u00f3w magazynu. System przewiduje interakcje robot\u00f3w, co pozwala na proaktywne planowanie i zapobieganie zatorom.<\/p>\n Po ustawieniu priorytet\u00f3w do akcji wkracza przetestowany algorytm planowania, dostarczaj\u0105c ka\u017cdemu robotowi instrukcje ruchu. Ten szybki algorytm pozwala robotom szybko reagowa\u0107 na zmiany w \u015brodowisku magazynu.<\/p>\n Zesp\u00f3\u0142 MIT przetestowa\u0142 system w symulowanych magazynach, kt\u00f3re r\u00f3\u017cni\u0142y si\u0119 od tych w fazie treningowej. Wyniki by\u0142y zach\u0119caj\u0105ce - ich hybrydowy system oparty na uczeniu si\u0119 zarejestrowa\u0142 wzrost przepustowo\u015bci o 25% w por\u00f3wnaniu z tradycyjnymi algorytmami i metod\u0105 losowego wyszukiwania, pod wzgl\u0119dem liczby dostarczonych paczek na robota. Z powodzeniem radzi\u0142 sobie r\u00f3wnie\u017c z zatorami powodowanymi przez konwencjonalne metody.<\/p>\n Cho\u0107 system wymaga jeszcze dopracowania pod k\u0105tem rzeczywistych wdro\u017ce\u0144, wyniki te podkre\u015blaj\u0105 potencjalne korzy\u015bci p\u0142yn\u0105ce z zastosowania podej\u015bcia opartego na uczeniu maszynowym w automatyzacji magazyn\u00f3w. Nast\u0119pnym celem badaczy jest w\u0142\u0105czenie zada\u0144 do formu\u0142owania problem\u00f3w i skalowanie systemu do wi\u0119kszych magazyn\u00f3w z tysi\u0105cami robot\u00f3w. <\/p>\n To prze\u0142omowe badanie by\u0142o sponsorowane przez firm\u0119 Symbotic. Dla firm szukaj\u0105cych mo\u017cliwo\u015bci w automatyzacji AI, wizyta w implementi.ai<\/a> mog\u0105 by\u0107 cenne. Oryginalne \u017ar\u00f3d\u0142o wiadomo\u015bci: MIT News<\/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\/pl\/wp-json\/wp\/v2\/posts\/8329","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=8329"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/8329\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/8330"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=8329"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=8329"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=8329"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Poza laboratorium: Wyniki w \u015bwiecie rzeczywistym<\/h5>\n