Современные склады, где сотни роботов беспрерывно перемещаются между стеллажами, часто сталкиваются с проблемой пробок и задержек. Даже небольшая заминка может привести к значительным потерям времени и ресурсов. Но исследователи из MIT и компании Symbotic нашли решение, которое позволяет избежать подобных проблем.
Как работает новая система
Новейшая разработка основана на методах глубокого обучения с подкреплением. Эта технология позволяет системе учиться на основе проб и ошибок, чтобы определять, какой из роботов должен двигаться первым. Такой подход позволяет адаптироваться под текущие условия и избегать потенциальных заторов.
Система использует гибридный подход, комбинируя машинное обучение с классическими планировочными алгоритмами. Это позволяет роботам быстро реагировать на изменения в окружающей среде и поддерживать бесперебойное движение.
Преимущества внедрения системы
В симуляциях, моделирующих реальные условия работы складов, новая система смогла увеличить производительность на 25% по сравнению с традиционными методами. Это означает, что роботы стали доставлять больше товаров за единицу времени, избегая при этом заторов.
Особенно актуальна эта разработка для крупных складов, где плотность роботов высока и традиционные методы часто не справляются с управлением движением.
Планы на будущее
Хотя система еще не готова к внедрению в реальных условиях, разработчики планируют расширить её функционал. В будущем они хотят добавить возможность назначения задач роботам, что позволит еще более эффективно управлять их движением и избегать заторов.
Это исследование финансировалось компанией Symbotic, и его результаты уже опубликованы в Journal of Artificial Intelligence Research.
