[ad_1]
Cientos de robots van y vienen por el suelo de un enorme almacén robótico, agarrando artículos y entregándolos a trabajadores humanos para su embalaje y envío. Estos almacenes se están convirtiendo cada vez más en parte de la cadena de suministro en muchas industrias, desde el comercio electrónico hasta la producción de automóviles.
Sin embargo, lograr que 800 robots lleguen y regresen de su destino de manera eficiente y al mismo tiempo evitar que choquen entre sí no es una tarea fácil. Es un problema tan complejo que incluso los mejores algoritmos de búsqueda de caminos luchan por mantenerse al día con el rápido ritmo del comercio electrónico o la fabricación.
En cierto modo, estos robots son como automóviles que intentan navegar por el centro de una ciudad abarrotada de gente. Entonces, un grupo de investigadores del MIT que utilizan la IA para aliviar la congestión del tráfico aplicaron ideas de este campo para abordar este problema.
Crearon un modelo de aprendizaje profundo que codifica información clave sobre el almacén, incluidos robots, rutas planificadas, tareas y obstáculos, y la utiliza para predecir qué áreas del almacén se pueden descargar mejor para mejorar la eficiencia general.
Su tecnología divide los robots del almacén en grupos para que estos grupos más pequeños de robots puedan liberarse más rápidamente utilizando algoritmos tradicionales de coordinación de robots. En última instancia, su método descarga a los robots casi cuatro veces más rápido que un fuerte método de búsqueda aleatoria.
Además de agilizar las operaciones de almacén, este enfoque de aprendizaje profundo también podría utilizarse en otras tareas de planificación complejas, como el desarrollo de chips informáticos o el trazado de tuberías en edificios grandes.
“Hemos desarrollado una nueva arquitectura de red neuronal que es realmente capaz de realizar operaciones en tiempo real con el tamaño y la complejidad de estos almacenes. «Puede codificar cientos de robots en términos de sus trayectorias, orígenes, objetivos y relaciones con otros robots, y puede hacerlo de manera eficiente reutilizando cálculos entre grupos de robots», dice Cathy Wu, profesora asistente de desarrollo profesional de Gilbert W. Winslow. de Ingeniería Civil e Ingeniería Ambiental (CEE) y miembro del Laboratorio de Sistemas de Información y Decisión (LIDS) y del Instituto de Datos, Sistemas y Sociedad (IDSS).
Wu, autor principal de un artículo sobre la técnica, está acompañado por el autor principal Zhongxia Yan, estudiante de doctorado en ingeniería eléctrica e informática. El trabajo será presentado en la Conferencia Internacional sobre Representaciones del Aprendizaje.
robot tetris
A vista de pájaro, el suelo de un almacén robótico de comercio electrónico se parece un poco a un trepidante juego de «Tetris».
Cuando se recibe el pedido de un cliente, un robot se desplaza a una zona del almacén, agarra el estante que contiene el artículo solicitado y se lo entrega a un operador humano que selecciona y empaqueta el artículo. Cientos de robots hacen esto al mismo tiempo, y si las trayectorias de dos robots entran en conflicto mientras atraviesan el enorme almacén, puede ocurrir un choque.
Los algoritmos tradicionales basados en búsqueda evitan posibles fallos al mantener a un robot en su curso y replanificar la trayectoria del otro. Pero con tantos robots y posibles colisiones, el problema crece rápidamente de manera exponencial.
“Como el almacén funciona online, los robots se reprograman aproximadamente cada 100 milisegundos. Esto significa que un robot se reprograma diez veces por segundo. «Por tanto, estos procesos tienen que ocurrir muy rápidamente», dice Wu.
Debido a que el tiempo es tan importante en la replanificación, los investigadores del MIT están utilizando el aprendizaje automático para centrar la replanificación en las áreas con mayor potencial de congestión, donde existe el mayor potencial para reducir el tiempo total de viaje del robot.
Wu y Yan han desarrollado una arquitectura de red neuronal que tiene en cuenta grupos más pequeños de robots al mismo tiempo. Por ejemplo, en un almacén con 800 robots, la red podría dividir el piso del almacén en grupos más pequeños de 40 robots cada uno.
Luego predice qué grupo tiene el mayor potencial para mejorar la solución general si se utilizara un solucionador basado en búsquedas para coordinar las trayectorias de los robots de ese grupo.
En un proceso iterativo, el algoritmo general selecciona el grupo de robots más prometedor con la red neuronal, descarga el grupo con el solucionador basado en búsqueda, luego selecciona el siguiente grupo más prometedor con la red neuronal, y así sucesivamente.
Piensa en las relaciones
La red neuronal puede razonar eficientemente sobre grupos de robots porque captura relaciones complicadas entre robots individuales. Por ejemplo, incluso si un robot está inicialmente lejos de otro, sus caminos aún podrían cruzarse durante su viaje.
La técnica también optimiza el cálculo codificando las restricciones sólo una vez, en lugar de repetir el proceso para cada subproblema. Por ejemplo, en un almacén con 800 robots, liberar a un grupo de 40 robots requiere mantener los otros 760 robots como restricciones. Otros enfoques requieren que los 800 robots se consideren una vez por grupo en cada iteración.
En cambio, el enfoque de los investigadores requiere pensar sólo una vez en los 800 robots de todos los grupos en cada iteración.
“El almacén es un entorno de gran tamaño, por lo que muchos de estos grupos de robots tendrán algunos aspectos comunes del problema mayor. Diseñamos nuestra arquitectura para aprovechar esta información compartida”, añade.
Probaron su técnica en varios entornos simulados, incluidos algunos configurados como almacenes, otros con obstáculos aleatorios e incluso entornos tipo laberinto que imitan los interiores de los edificios.
Al identificar grupos de ayuda más eficaces, su enfoque basado en el aprendizaje descongestiona el almacén hasta cuatro veces más rápido que los enfoques sólidos que no se basan en el aprendizaje. Incluso cuando tuvieron en cuenta el esfuerzo computacional adicional requerido para operar la red neuronal, su enfoque resolvió el problema 3,5 veces más rápido.
En el futuro, los investigadores quieren obtener información sencilla basada en reglas a partir de su modelo neuronal, ya que las decisiones de la red neuronal pueden ser opacas y difíciles de interpretar. Los métodos más simples y basados en reglas también podrían ser más fáciles de implementar y mantener en entornos de almacén robóticos reales.
“Este enfoque se basa en una arquitectura novedosa en la que los mecanismos de convolución y atención interactúan de manera efectiva y eficiente. Esto significa de manera impresionante que el componente espaciotemporal de los caminos construidos se puede tener en cuenta sin la necesidad de ingeniería de características específicas del problema. Los resultados son sorprendentes: «Los métodos de búsqueda más modernos para barrios grandes no sólo pueden mejorarse en términos de calidad y velocidad de la solución, sino que el modelo también se puede generalizar maravillosamente a casos hasta ahora desconocidos», afirma Andrea Lodi. quien enseña a Andrew H. y Ann R. Tisch, profesor en Cornell Tech, que no participó en esta investigación.
Este trabajo fue apoyado por Amazon y el MIT Amazon Science Hub.
[ad_2]