[ad_1]
Centinaia di robot sfrecciano avanti e indietro sul pavimento di un colossale magazzino robotico, afferrando oggetti e consegnandoli ai lavoratori umani per l’imballaggio e la spedizione. Tali magazzini stanno diventando sempre più parte della catena di fornitura in molti settori, dall’e-commerce alla produzione automobilistica.
Tuttavia, portare 800 robot da e verso le loro destinazioni in modo efficiente evitando che si schiantino l’uno contro l’altro non è un compito facile. È un problema così complesso che anche i migliori algoritmi di individuazione del percorso faticano a tenere il passo con il ritmo vertiginoso dell’e-commerce o della produzione.
In un certo senso, questi robot sono come automobili che cercano di spostarsi in un centro cittadino affollato. Quindi, un gruppo di ricercatori del MIT che utilizza l’intelligenza artificiale per mitigare la congestione del traffico ha applicato idee provenienti da quel settore per affrontare questo problema.
Hanno creato un modello di deep learning che codifica informazioni importanti sul magazzino, inclusi i robot, i percorsi pianificati, le attività e gli ostacoli, e lo utilizza per prevedere le migliori aree del magazzino da decongestionare per migliorare l’efficienza complessiva.
La loro tecnica divide i robot del magazzino in gruppi, in modo che questi gruppi più piccoli di robot possano essere decongestionati più velocemente con gli algoritmi tradizionali utilizzati per coordinare i robot. Alla fine, il loro metodo decongestiona i robot quasi quattro volte più velocemente di un potente metodo di ricerca casuale.
Oltre a semplificare le operazioni di magazzino, questo approccio di deep learning potrebbe essere utilizzato in altre attività di pianificazione complesse, come la progettazione di chip per computer o l’instradamento di tubi in edifici di grandi dimensioni.
“Abbiamo ideato una nuova architettura di rete neurale che è effettivamente adatta per operazioni in tempo reale sulla scala e sulla complessità di questi magazzini. Può codificare centinaia di robot in termini di traiettorie, origini, destinazioni e relazioni con altri robot, e può farlo in modo efficiente riutilizzando i calcoli tra gruppi di robot”, afferma Cathy Wu, Gilbert W. Winslow Career Professore assistente allo sviluppo in Ingegneria civile e ambientale (CEE) e membro del Laboratorio per i sistemi informativi e decisionali (LIDS) e dell’Istituto per dati, sistemi e società (IDSS).
Wu, autore senior di un articolo su questa tecnica, è affiancato dall’autore principale Zhongxia Yan, uno studente laureato in ingegneria elettrica e informatica. Il lavoro sarà presentato alla Conferenza Internazionale sulle Rappresentazioni dell’Apprendimento.
Tetris robotico
Da una prospettiva a volo d’uccello, il pavimento di un magazzino robotico di e-commerce assomiglia un po’ a un frenetico gioco di “Tetris”.
Quando arriva l’ordine di un cliente, un robot si reca in un’area del magazzino, afferra lo scaffale che contiene l’articolo richiesto e lo consegna a un operatore umano che preleva e imballa l’articolo. Centinaia di robot lo fanno simultaneamente e, se i percorsi di due robot entrano in conflitto mentre attraversano l’enorme magazzino, potrebbero schiantarsi.
Gli algoritmi tradizionali basati sulla ricerca evitano potenziali incidenti mantenendo un robot nella sua rotta e riprogrammando la traiettoria dell’altro. Ma con così tanti robot e potenziali collisioni, il problema cresce rapidamente in modo esponenziale.
“Poiché il magazzino funziona online, i robot vengono riprogrammati ogni 100 millisecondi circa. Ciò significa che ogni secondo un robot viene riprogrammato 10 volte. Quindi, queste operazioni devono essere molto veloci”, afferma Wu.
Poiché il tempo è così critico durante la ripianificazione, i ricercatori del MIT utilizzano l’apprendimento automatico per concentrare la ripianificazione sulle aree di congestione più attuabili, dove esiste il maggior potenziale per ridurre il tempo di viaggio totale dei robot.
Wu e Yan hanno costruito un’architettura di rete neurale che considera contemporaneamente gruppi più piccoli di robot. Ad esempio, in un magazzino con 800 robot, la rete potrebbe suddividere il pavimento del magazzino in gruppi più piccoli contenenti 40 robot ciascuno.
Quindi, prevede quale gruppo ha il maggior potenziale per migliorare la soluzione complessiva se venisse utilizzato un risolutore basato sulla ricerca per coordinare le traiettorie dei robot in quel gruppo.
Attraverso un processo iterativo, l’algoritmo complessivo seleziona il gruppo di robot più promettente con la rete neurale, decongestiona il gruppo con il solutore basato sulla ricerca, quindi sceglie il successivo gruppo più promettente con la rete neurale e così via.
Considerare le relazioni
La rete neurale può ragionare in modo efficiente su gruppi di robot perché cattura le relazioni complicate che esistono tra i singoli robot. Ad esempio, anche se inizialmente un robot potrebbe trovarsi lontano da un altro, i loro percorsi potrebbero comunque incrociarsi durante i loro viaggi.
La tecnica inoltre semplifica il calcolo codificando i vincoli una sola volta, anziché ripetere il processo per ciascun sottoproblema. Ad esempio, in un magazzino con 800 robot, per decongestionare un gruppo di 40 robot è necessario tenere vincolati gli altri 760 robot. Altri approcci richiedono di ragionare su tutti gli 800 robot una volta per gruppo in ogni iterazione.
Invece, l’approccio dei ricercatori richiede solo di ragionare sugli 800 robot una volta in tutti i gruppi in ciascuna iterazione.
“Il magazzino è un grande ambiente, quindi molti di questi gruppi di robot avranno alcuni aspetti condivisi del problema più ampio. Abbiamo progettato la nostra architettura per sfruttare queste informazioni comuni”, aggiunge.
Hanno testato la loro tecnica in diversi ambienti simulati, inclusi alcuni allestiti come magazzini, altri con ostacoli casuali e persino ambienti labirintici che emulano gli interni degli edifici.
Identificando i gruppi più efficaci da decongestionare, il loro approccio basato sull’apprendimento decongestiona il magazzino fino a quattro volte più velocemente rispetto ad approcci forti e non basati sull’apprendimento. Anche tenendo conto del sovraccarico computazionale aggiuntivo derivante dall’esecuzione della rete neurale, il loro approccio ha comunque risolto il problema 3,5 volte più velocemente.
In futuro, i ricercatori vogliono ricavare intuizioni semplici e basate su regole dal loro modello neurale, poiché le decisioni della rete neurale possono essere opache e difficili da interpretare. Metodi più semplici e basati su regole potrebbero anche essere più facili da implementare e mantenere nelle reali impostazioni del magazzino robotizzato.
“Questo approccio si basa su una nuova architettura in cui i meccanismi di convoluzione e di attenzione interagiscono in modo efficace ed efficiente. Sorprendentemente, questo porta a poter prendere in considerazione la componente spaziotemporale dei percorsi costruiti senza la necessità di progettare caratteristiche specifiche del problema. I risultati sono eccezionali: non solo è possibile migliorare i metodi all’avanguardia di ricerca di grandi quartieri in termini di qualità della soluzione e velocità, ma il modello si generalizza meravigliosamente a casi mai visti”, afferma Andrea Lodi, l’Andrew H. e Ann R. Tisch Professore alla Cornell Tech e che non è stato coinvolto in questa ricerca.
Questo lavoro è stato supportato da Amazon e dall’Amazon Science Hub del MIT.
[ad_2]
Source link
