Современные склады, где сотни роботов выполняют заказы, сталкиваются с проблемой заторов и замедлений. Для решения этой задачи исследователи из MIT и компании Symbotic разработали новый метод, который помогает роботом беспрепятственно передвигаться по складу.
Как работает новая система
В основе метода лежит глубокое обучение с подкреплением. Система учится определять, какие роботы должны получить приоритет в движении, чтобы избежать заторов. Это позволяет заранее перенаправлять роботов и предотвращать образование пробок.
Кроме того, система использует быстрый и надежный алгоритм планирования, который передает инструкции роботам, помогая им быстро реагировать на изменения в среде.
Эффективность и адаптивность
В симуляциях, основанных на реальных складских планировках, новый подход показал увеличение производительности на 25% по сравнению с традиционными методами. Система также быстро адаптируется к новым условиям, меняя количество роботов и конфигурацию складов.
Преимущества гибридного подхода
Команда исследователей отметила, что их метод объединяет возможности машинного обучения и классических оптимизационных методов. Это позволяет снизить сложность задачи и добиться более высоких результатов по сравнению с алгоритмами, разработанными людьми.
По словам Хана Чжэна, аспиранта из Лаборатории информационных и системных решений в MIT, даже небольшое увеличение пропускной способности может существенно повлиять на эффективность работы больших складов.
Планы на будущее
Хотя система еще не готова к реальному применению, результаты демонстрируют потенциал использования машинного обучения в автоматизации складов. В будущем исследователи планируют расширить систему для работы с более крупными складами и тысячами роботов, а также улучшить распределение задач между роботами.
Эти исследования финансируются компанией Symbotic и подчеркивают важность интеграции ИИ в логистические процессы.