Большой склад – это логистическая головная боль. Нужно уметь все быстро найти, перенести туда, куда нужно, и избежать ненужных пробок и задержек. Складские работы все чаще роботизируются. На больших складах по проходам могут перемещаться сотни роботов, каждый из которых преследует свою собственную цель.

Координировать работу такого количества роботов в режиме реального времени — непростая задача, и каждая авария может иметь разрушительные каскадные последствия.

Вот здесь и появляется новый ИИ.

«Мы разработали новую архитектуру нейронной сети, которая действительно подходит для операций в реальном времени в масштабе и сложности этих складов. Он может кодировать сотни роботов с точки зрения их траекторий, пунктов отправления, пунктов назначения и отношений с другими роботами, и он может делать это эффективным способом, повторно используя вычисления для групп роботов», — говорит Кэти Ву из Массачусетского технологического института, старший автор исследования изучать.

Движение на складе

Идея заключалась в том, чтобы начать с городского автомобильного движения. Ву и ведущий автор Чжунся Ян проанализировали деятельность роботов на складе и поняли, что это очень похоже на попытки автомобилей передвигаться по многолюдному центру города. Поэтому они применили принципы городского вождения.

В частности, они разделяют роботов на более мелкие группы, которыми можно управлять более эффективно. Вместо того, чтобы управлять 800 роботами, роботы были разделены на группы примерно по 40 человек и управлялись ими как группами. Вот почему это важно.

Каждый раз, когда заказ поступает на склад, робот перемещается в запрошенную зону, чтобы забрать запрошенный товар. Затем он доставляет его другому человеку или роботу, который упаковывает товар. Но поскольку сотни роботов делают это одновременно, риск столкновения огромен.

Традиционно траектория одного робота сохранялась прежней, в то время как траектория других менялась, чтобы избежать столкновений. Но это очень быстро становится чрезвычайно сложным. Между тем, новый ИИ начинает с кодирования информации о роботах, путях и препятствиях, а затем смотрит, какие пути больше всего разгружают трафик внутри групп роботов.

Кроме того, традиционный подход также требует очень больших вычислительных затрат. Приказы роботам корректируются каждые 100 мс — это означает, что робот может получать разные инструкции 10 раз в секунду. Все это необходимо просчитывать и управлять, чтобы не произошло коллизий. На каждой итерации традиционные алгоритмы постоянно учитывают всех роботов, их положение и цели.

Склад, оптимизированный для искусственного интеллекта

В рамках нового подхода исследователи оптимизировали склад с 800 роботами. ИИ учитывает пространственные взаимоотношения 800 роботов только один раз при принятии решения. Затем алгоритм рассматривает, как можно разгрузить группу из 40 роботов в целом, не оказывая негативного влияния на остальных 760 роботов. Определив, какие группы являются наиболее эффективными для разгрузки, алгоритм разгружает хранилище до четырех раз быстрее, чем сильные подходы, не основанные на обучении. Он также делает это в 3,5 раза быстрее, чем обычные компьютеры.

«Этот подход основан на новой архитектуре, в которой механизмы свертки и внимания взаимодействуют эффективно и результативно. Впечатляет то, что это приводит к возможности учитывать пространственно-временной компонент построенных путей без необходимости разработки функций для конкретной задачи. Результаты выдающиеся: не только можно улучшить современные методы поиска в больших окрестностях с точки зрения качества решения и скорости, но и модель прекрасно обобщается на невидимые случаи», — говорит Андреа Лоди, Эндрю Х. и Энн Р. Тиш, профессора Корнеллского технологического института, не принимавшие участия в этом исследовании.

Этот подход был протестирован в нескольких реальных условиях, а также в сложных условиях, похожих на лабиринт, и оказался успешным в гораздо более быстрой разгрузке складов.

Единственный недостаток — иногда было непонятно, почему алгоритм принимает те или иные решения. Итак, в будущем команда хочет получить больше информации от модели. Это не только поможет им улучшить алгоритм, но и внедрить правила, которые могут быть необходимы в реальных условиях склада.

Исследование было представлено на конференции ICLR.