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

Wyobraźmy sobie ogromny, autonomiczny magazyn, w którym setki robotów posłusznie przemieszczają się wzdłuż korytarzy, zbierając i rozdzielając produkty w celu realizacji ciągłego strumienia zamówień klientów. To skomplikowana sprawa, w której nawet najmniejsze wąskie gardła lub nieistotne kolizje mogą przerodzić się w znaczne opóźnienia, zagrażając ogólnej wydajności operacji.

Naukowcy z MIT i firmy technologicznej Symbotic opracowali przełomowe rozwiązanie tego skomplikowanego problemu - unikalną metodę, która automatycznie wygładza przepływ floty robotów. Podejście to z wyprzedzeniem identyfikuje, które roboty potrzebują priorytetu w danym momencie, w oparciu o wzorce zatorów w czasie rzeczywistym. Jeśli robot jest zagrożony utknięciem, system dostosowuje się i umieszcza go wyżej na liście priorytetów, skutecznie przekierowując go w celu uniknięcia potencjalnych wąskich gardeł.

U podstaw tego systemu leży potężna mieszanka głębokiego uczenia ze wzmocnieniem - zaawansowanej techniki sztucznej inteligencji (AI) stworzonej do zarządzania skomplikowanymi problemami - oraz szybkiego, niezawodnego algorytmu. Zasoby te kierują robotami i umożliwiają im szybkie reagowanie na wszelkie zmiany w środowisku magazynowym.

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

“Istnieje wiele wyzwań decyzyjnych w produkcji i logistyce, w których firmy polegają na algorytmach stworzonych przez ludzkich ekspertów. Pokazaliśmy jednak, że dzięki mocy głębokiego uczenia się ze wzmocnieniem możemy osiągnąć nadludzką wydajność” - mówi główny autor, Han Zheng, absolwent MIT's Laboratory for Information and Decision Systems (LIDS). Zheng pracował nad artykułem wraz z kilkoma kolegami z LIDS i Symbotic, a ich badania 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.

Gdy sieć neuronowa wchodzi w interakcję z symulacjami rzeczywistych magazynów, informacje zwrotne udoskonalają zdolności decyzyjne systemu. Może on następnie aklimatyzować się do różnych układów magazynu. System przewiduje interakcje robotów, co pozwala na proaktywne planowanie i zapobieganie zatorom.

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.

Choć system wymaga jeszcze dopracowania pod kątem rzeczywistych wdrożeń, wyniki te podkreślają potencjalne korzyści płynące z zastosowania podejścia opartego na uczeniu maszynowym w automatyzacji magazynów. Następnym celem badaczy jest włączenie zadań do formułowania problemów i skalowanie systemu do większych magazynów z tysiącami robotów.

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.