Neues KI-Modell könnte Abläufe in Roboterlagern optimieren

MÜNCHEN (IT BOLTWISE) – Ein neues Deep-Learning-Modell könnte die Abläufe in Roboterlagern erheblich vereinfachen, indem es komplexe Probleme in kleinere Einheiten unterteilt und optimale Bereiche zur Entlastung des Verkehrs identifiziert. In riesigen Roboterlagern, die zunehmend Teil der Lieferkette in vielen Branchen werden, bewegen sich hunderte Roboter hin und her, um Artikel zu greifen und sie für das Verpacken und Versenden an menschliche Arbeiter zu liefern. Doch die effiziente Steuerung von 800 Robotern, ohne dass diese zusammenstoßen, stellt eine enorme Herausforderung dar.

Ein Team von MIT-Forschern hat eine KI-basierte Lösung entwickelt, die wichtige Informationen über das Lager, wie Roboter, geplante Pfade, Aufgaben und Hindernisse kodiert und nutzt, um die besten Bereiche zur Entlastung des Verkehrs im Lager vorherzusagen, um die Gesamteffizienz zu verbessern. Ihre Technik teilt die Lagerroboter in Gruppen auf, sodass diese kleineren Gruppen schneller mit herkömmlichen Algorithmen entlastet werden können. Letztendlich entspannt ihre Methode den Roboter-Verkehr nahezu viermal schneller als starke zufällige Suchmethoden.

Neben der Optimierung der Lagerabläufe könnte dieser Deep-Learning-Ansatz auch in anderen komplexen Planungsaufgaben eingesetzt werden, wie dem Design von Computerchips oder der Rohrleitungsführung in großen Gebäuden.

„Wir haben eine neue neuronale Netzwerkarchitektur entwickelt, die tatsächlich für den Echtzeitbetrieb in der Größenordnung und Komplexität dieser Lager geeignet ist. Sie kann Hunderte von Robotern in Bezug auf ihre Trajektorien, Ursprünge, Ziele und Beziehungen zu anderen Robotern kodieren und dies auf eine effiziente Weise tun, die die Berechnung über Gruppen von Robotern wiederverwendet“, erklärt Cathy Wu, Assistenzprofessorin für Bau- und Umweltingenieurwesen am MIT.

Die Technik streamlinet auch die Berechnung, indem sie Einschränkungen nur einmal kodiert, anstatt den Prozess für jedes Teilproblem zu wiederholen. Sie haben ihre Technik in mehreren simulierten Umgebungen getestet, einschließlich einiger, die wie Lager aufgebaut sind, und einige mit zufälligen Hindernissen sowie labyrinthartigen Einstellungen, die Gebäudeinnere nachahmen.

Durch die Identifizierung effektiverer Gruppen zur Entlastung entspannt ihr lernbasierter Ansatz das Lager bis zu viermal schneller als starke, nicht lernbasierte Ansätze. Selbst wenn sie den zusätzlichen Rechenaufwand für den Betrieb des neuronalen Netzwerks berücksichtigten, löste ihr Ansatz das Problem immer noch 3,5-mal schneller.

In Zukunft wollen die Forscher einfache, regelbasierte Erkenntnisse aus ihrem neuronalen Modell ableiten, da die Entscheidungen des neuronalen Netzwerks opak und schwer zu interpretieren sein können. Einfachere, regelbasierte Methoden könnten auch leichter in tatsächlichen Roboterlager-Einstellungen implementiert und gewartet werden.

„Dieser Ansatz basiert auf einer neuartigen Architektur, in der Faltungs- und Aufmerksamkeitsmechanismen effektiv und effizient interagieren. Beeindruckenderweise ermöglicht dies die Berücksichtigung der raumzeitlichen Komponente der konstruierten Pfade ohne die Notwendigkeit von problemspezifischem Feature-Engineering. Die Ergebnisse sind herausragend: Es ist nicht nur möglich, die Lösungsqualität und -geschwindigkeit im Vergleich zu den neuesten großen Nachbarschaftssuchmethoden zu verbessern, sondern das Modell generalisiert auch wunderbar auf ungesehene Fälle“, sagt Andrea Lodi, Professor am Cornell Tech, der nicht an dieser Forschung beteiligt war.

Hinweis: Teile dieses Textes könnten mithilfe Künstlicher Intelligenz generiert worden sein.