新的人工智能模型可以简化机器人仓库的操作

数以百计的机器人在一个巨大的机器人仓库的地板上来回穿梭，抓取物品并将其交付给人类工人进行包装和运输。从电子商务到汽车生产，此类仓库正日益成为许多行业供应链的一部分。

然而，让 800 个机器人高效往返目的地，同时防止它们相互碰撞并非易事。这是一个如此复杂的问题，即使是最好的寻路算法也难以跟上电子商务或制造业的飞速发展。

从某种意义上说，这些机器人就像汽车试图在拥挤的市中心行驶。因此，麻省理工学院的一组研究人员使用人工智能来缓解交通拥堵，他们应用了该领域的想法来解决这个问题。

他们建立了一个深度学习模型，对仓库的重要信息进行编码，包括机器人、计划路径、任务和障碍物，并使用它来预测仓库的最佳区域，以缓解拥堵，以提高整体效率。

他们的技术将仓库机器人分成几组，因此这些较小的机器人组可以通过用于协调机器人的传统算法更快地缓解拥堵。最后，他们的方法比强大的随机搜索方法快了近四倍。

除了简化仓库操作外，这种深度学习方法还可以用于其他复杂的规划任务，例如计算机芯片设计或大型建筑物中的管道布线。

“我们设计了一种新的神经网络架构，它实际上适合这些仓库的规模和复杂性的实时操作。它可以根据其轨迹、起点、目的地以及与其他机器人的关系对数百个机器人进行编码，并且可以以一种有效的方式做到这一点，在机器人组之间重用计算，“Gilbert W. Winslow 土木与环境工程 （CEE） 职业发展助理教授、信息与决策系统实验室 （LIDS） 和数据研究所成员 Cathy Wu 说。 系统与社会 （IDSS）。

Wu是该技术论文的资深作者，主要作者Zhongxia Yan是电气工程和计算机科学的研究生。这项工作将在学习表征国际会议上发表。

机器人俄罗斯方块

从鸟瞰图上看，机器人电子商务仓库的地板看起来有点像快节奏的“俄罗斯方块”游戏。

当客户订单进来时，机器人会前往仓库的某个区域，抓住存放所需物品的货架，并将其交付给负责拣选和包装物品的人工操作员。数以百计的机器人同时执行此操作，如果两个机器人的路径在穿过大型仓库时发生冲突，它们可能会坠毁。

传统的基于搜索的算法通过让一个机器人保持在其轨道上并为另一个机器人重新规划轨迹来避免潜在的碰撞。但是，由于机器人数量如此之多，潜在的碰撞，问题迅速呈指数级增长。

“由于仓库是在线运行的，因此大约每 100 毫秒就会对机器人进行重新规划。这意味着每秒钟，一个机器人就会被重新规划 10 次。因此，这些操作需要非常快，“吴说。

由于时间在重新规划过程中非常关键，麻省理工学院的研究人员使用机器学习将重新规划的重点放在最可行的拥堵区域 – 最有可能减少机器人总旅行时间的地方。

Wu 和 Yan 构建了一个神经网络架构，该架构同时考虑了较小的机器人群体。例如，在一个拥有 800 个机器人的仓库中，网络可能会将仓库地板切割成更小的组，每个组包含 40 个机器人。

然后，如果使用基于搜索的求解器来协调该组中机器人的轨迹，它会预测哪个组最有可能改进整体解决方案。

一个迭代过程，整体算法用神经网络挑选最有前途的机器人组，用基于搜索的求解器对组进行解拥，然后用神经网络挑取下一个最有前途的组，依此类推。

考虑关系

神经网络可以有效地推理机器人组，因为它捕获了单个机器人之间存在的复杂关系。例如，即使一个机器人最初可能与另一个机器人相距甚远，但它们的路径仍然可以在旅途中交叉。

该技术还通过仅对约束进行一次编码来简化计算，而不是对每个子问题重复该过程。例如，在一个拥有 800 个机器人的仓库中，要缓解一组 40 个机器人的拥堵，需要将其他 760 个机器人作为约束。其他方法要求在每次迭代中对所有 800 个机器人进行一次推理。

取而代之的是，研究人员的方法只需要在每次迭代中对所有组的800个机器人进行一次推理。

“仓库是一个大环境，所以很多这些机器人组都会有一些更大的问题的共同方面。我们设计架构就是为了利用这些通用信息，“她补充道。

他们在几个模拟环境中测试了他们的技术，包括一些像仓库一样的设置，一些带有随机障碍物的设置，甚至是模拟建筑内部的迷宫般的设置。

通过确定更有效的群体来缓解拥堵，他们基于学习的方法比强大的、非学习的方法更快地缓解仓库拥堵的速度高达四倍。即使他们考虑到运行神经网络的额外计算开销，他们的方法仍然以3.5倍的速度解决问题。

未来，研究人员希望从他们的神经模型中获得简单的、基于规则的见解，因为神经网络的决策可能是不透明的，难以解释。更简单的、基于规则的方法也更容易在实际的机器人仓库设置中实施和维护。

“这种方法基于一种新颖的架构，其中卷积和注意力机制有效且高效地相互作用。令人印象深刻的是，这导致能够考虑构造路径的时空分量，而无需进行特定问题的特征工程。结果非常出色：不仅可以在解决方案的质量和速度方面改进最先进的大型邻域搜索方法，而且该模型可以很好地推广到看不见的情况，“康奈尔理工学院的 Andrew H. 和 Ann R. Tisch 教授 Andrea Lodi 说，他没有参与这项研究。

这项工作得到了亚马逊和麻省理工学院亚马逊科学中心的支持。