Исследователи из MIT и компании Symbotic разработали инновационную систему управления движением роботов на складах. Эта система позволяет избегать пробок и увеличивать производительность на 25%, что может существенно повлиять на эффективность работы складов.
Как работает новая система?
В основе метода лежит глубокое обучение с подкреплением, которое позволяет системе обучаться на основе симуляций, имитирующих реальные условия склада. Система анализирует обстановку и определяет, какие роботы должны получить приоритет в движении, чтобы избежать заторов.
На практике это означает, что роботы могут быть перенаправлены заранее, чтобы избежать скоплений и остановок. Это особенно важно в условиях, когда даже небольшие задержки могут вызвать значительные сбои в работе склада.
Преимущества гибридного подхода
Система сочетает в себе методы машинного обучения и проверенные алгоритмы планирования. Это позволяет роботам быстро адаптироваться к изменяющимся условиям и эффективно выполнять свои задачи. Гибридный подход позволяет использовать сильные стороны обоих методов: машинное обучение помогает находить оптимальные решения, а алгоритмы планирования обеспечивают их надежное выполнение.
Тестирование и результаты
В симуляциях, основанных на реальных планировках складов, метод показал прирост производительности на 25% по сравнению с традиционными алгоритмами. Это подтверждает, что система способна справляться с высокой плотностью роботов на складе и избегать проблем, характерных для традиционных методов.
Перспективы развития
Хотя система еще не готова к внедрению в реальных условиях, результаты демонстрируют ее потенциал в автоматизации складов. В будущем разработчики планируют масштабировать систему для работы с большими складами и включить в нее распределение задач между роботами, что позволит еще больше снизить вероятность заторов.
Исследование финансировалось компанией Symbotic и опубликовано в Журнале исследований искусственного интеллекта.
