В крупных автоматизированных складах сотни роботов заняты выполнением заказов. Однако даже небольшие заторы могут значительно замедлить их работу. Чтобы избежать таких проблем, специалисты из MIT и компании Symbotic предложили новый подход к управлению движением роботов.
Как работает новая система
Разработчики использовали метод глубокого обучения с подкреплением, чтобы система могла самостоятельно учиться определять, каким роботам давать приоритет в движении. Это помогает избегать заторов и увеличивает пропускную способность складов.
Система адаптируется к изменениям в реальном времени, что позволяет быстро перенаправлять роботов и избегать потенциальных узких мест. В симуляциях новый метод показал увеличение производительности на 25% по сравнению с традиционными подходами.
Зачем это нужно
Современные предприятия часто используют алгоритмы, разработанные людьми, для оптимизации работы роботов. Однако в условиях высокой плотности роботов эти алгоритмы могут быть неэффективны. Новая система с использованием машинного обучения может значительно упростить и улучшить логистические процессы.
Планы на будущее
Хотя система еще не готова к внедрению в реальных условиях, исследователи планируют расширить ее возможности. Они хотят включить в алгоритм распределение задач между роботами, что поможет еще больше снизить заторы. Также планируется масштабирование системы для работы с тысячами роботов на крупных складах.
Эта работа финансируется компанией Symbotic и опубликована в Journal of Artificial Intelligence Research.
