新的人工智能模型可以简化机器人仓库的操作

数百个机器人在巨大的机器人仓库的地板上来回穿行，抓取物品并将其交付给人类工人进行包装和运输。此类仓库日益成为许多行业供应链的一部分，从电子商务到汽车生产。

然而，让800个机器人高效地往返目的地，同时又防止它们相互碰撞，并不是一件容易的事。这是一个如此复杂的问题，即使是最好的寻路算法也难以跟上电子商务或制造业的飞速发展。

从某种意义上说，这些机器人就像试图在拥挤的市中心行驶的汽车。因此，麻省理工学院的一组研究人员使用人工智能来缓解交通拥堵，应用该领域的想法来解决这个问题。

他们构建了一个深度学习模型，对仓库的重要信息进行编码，包括机器人、规划的路径、任务和障碍物，并用它来预测仓库的最佳区域以缓解拥堵，从而提高整体效率。

他们的技术将仓库机器人分成几组，因此可以通过用于协调机器人的传统算法更快地缓解这些较小的机器人组的拥堵情况。最终，他们的方法缓解机器人拥堵的速度比强随机搜索方法快了近四倍。

除了简化仓库运营之外，这种深度学习方法还可以用于其他复杂的规划任务，例如计算机芯片设计或大型建筑物中的管道布线。

“我们设计了一种新的神经网络架构，实际上适合这些仓库的规模和复杂性的实时操作。”

GilbertW.Winslow的CathyWu表示：“它可以对数百个机器人的轨迹、起点、目的地以及与其他机器人的关系进行编码，并且可以有效地在机器人组之间重复使用计算来实现这一点。”土木与环境工程(CEE)职业发展助理教授，信息与决策系统实验室(LIDS)和数据、系统与社会研究所(IDSS)的成员。

吴是该技术论文的资深作者，该论文的主要作者是电气工程和计算机科学专业的研究生严忠夏。这项工作将在国际学习表征会议上展示。

机器人俄罗斯方块

从鸟瞰角度看，机器人电商仓库的地板看起来有点像快节奏的“俄罗斯方块”游戏。

当收到客户订单时，机器人会前往仓库的某个区域，抓取存放所需商品的货架，并将其交付给操作员，由操作员挑选和包装该商品。数百个机器人同时执行此操作，如果两个机器人在穿过大型仓库时路径发生冲突，它们可能会崩溃。

传统的基于搜索的算法通过使一个机器人保持在其路线上并为另一个机器人重新规划轨迹来避免潜在的崩溃。但由于机器人数量如此之多以及潜在的碰撞，问题很快呈指数级增长。

“由于仓库是在线运行的，机器人大约每100毫秒就会重新规划一次。这意味着每一秒，机器人就会重新规划10次。因此，这些操作需要非常快，”Wu说。

由于时间在重新规划过程中非常关键，因此麻省理工学院的研究人员利用机器学习将重新规划的重点放在最可行的拥堵区域，即最有可能减少机器人总行程时间的区域。

Wu和Yan构建了一个神经网络架构，可以同时考虑较小的机器人群体。例如，在拥有800台机器人的仓库中，网络可能会将仓库地板分割成更小的组，每组包含40台机器人。

然后，如果使用基于搜索的求解器来协调该组中机器人的轨迹，它会预测哪组最有可能改进整体解决方案。

这是一个迭代过程，整个算法使用神经网络选择最有前途的机器人组，使用基于搜索的求解器消除该组的拥塞，然后使用神经网络选择下一个最有前途的机器人组，依此类推。

考虑关系

神经网络可以有效地推理机器人组，因为它捕获了单个机器人之间存在的复杂关系。例如，即使一个机器人最初可能与另一个机器人相距很远，但它们的路径在旅途中仍然可能交叉。

该技术还通过仅对约束进行一次编码而不是对每个子问题重复该过程来简化计算。例如，在一个拥有800个机器人的仓库中，疏导一组40个机器人需要将其他760个机器人作为约束。其他方法需要在每次迭代中对每组的所有800个机器人进行一次推理。

相反，研究人员的方法只需要在每次迭代中对所有组中的800个机器人进行一次推理。

“仓库是一个大环境，因此许多机器人组在更大的问题上会有一些共同的方面。我们设计的架构就是为了利用这些共同信息，”她补充道。

他们在几个模拟环境中测试了他们的技术，包括一些像仓库一样的环境，一些有随机障碍物，甚至是模拟建筑内部的迷宫式环境。

通过识别更有效的群体来缓解拥塞，他们基于学习的方法缓解仓库拥塞的速度比强大的非学习方法快四倍。即使考虑到运行神经网络的额外计算开销，他们的方法仍然以3.5倍的速度解决问题。

未来，研究人员希望从他们的神经模型中获得简单的、基于规则的见解，因为神经网络的决策可能不透明且难以解释。更简单、基于规则的方法也可以更容易在实际的机器人仓库设置中实施和维护。