在一个巨大的机器人仓库里，数百个机器人在地面上来回穿梭，抓取物品并交付给人类工人进行包装和运输。
这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。

然而，要让 800 个机器人高效地来回于目的地，同时又要防止它们相互碰撞，并非易事。
这个问题非常繁芜，纵然是最好的路径搜索算法，也很难跟上电子商务或制造业的飞速发展。

人工智能驱动的高效办理方案

从某种意义上说，这些机器人就像试图在拥挤的市中央穿梭的汽车。
因此，一群利用人工智能缓解交通拥堵的麻省理工学院研究职员利用了这一领域的理念来办理这一问题。

他们建立了一个深度学习模型，对仓库的主要信息（包括机器人、操持路径、任务和障碍物）进行编码，并利用这些信息预测仓库的最佳开导区域，以提高整体效率。

他们的技能将仓库中的机器人分成多少组，因此这些较小的机器人组可以用折衷机器人的传统算法更快地肃清拥堵。
终极，与强随机搜索法比较，他们的方法开导机器人的速率快了近四倍。

除了简化仓库作业，这种深度学习方法还可用于其他繁芜的方案任务，如打算机芯片设计或大型建筑的管道布线。

尖真个神经网络架构

\公众我们设计了一种新的神经网络架构，它实际上适用于这些仓库这种规模和繁芜程度的实时操作。
它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码，而且能以一种高效的办法在各组机器人之间重复利用打算，\"大众土木与环境工程（CEE）专业吉尔伯特-W-温斯洛职业发展助理教授、信息与决策系统实验室（LIDS）和数据、系统与社会研究所（IDSS）成员凯茜-吴（Cathy Wu）说。

该技能论文的资深作者 Wu 和第一作者、电子工程和打算机科学专业研究生 Zhongxia Yan 共同完成了这项研究。
这项研究成果将在学习表征国际会议（International Conference on Learning Representations）上揭橥。

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面有点像快节奏的\"大众俄罗斯方块\"大众游戏。

当客户下订单时，机器人会前往仓库的某一区域，抓起放置所需物品的货架，然后将其交给人类操作员，由其拣选和包装物品。
数百个机器人同时进行这项事情，如果两个机器人在穿过巨大的仓库时发生路径冲突，就可能会撞车。

传统的搜索算法可以避免潜在的碰撞，方法是保持一个机器人的运行轨迹，并为另一个机器人重新方案轨迹。
但由于机器人数量浩瀚，可能发生碰撞，问题很快就会呈指数级增长。

\"大众由于仓库是在线运行的，机器人大约每 100 毫秒重新扫描一次。
也便是说，每秒钟，机器人要重新扫描 10 次。
因此，这些操作必须非常快速，\"大众Wu 说。

由于在重新方案过程中韶光非常关键，麻省理工学院的研究职员利用机器学习将重新方案的重点放在最有可能减少机器人总行驶韶光的拥堵区域。

Wu 和 Yan 建立的神经网络架构可同时考虑较小的机器人群组。
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面切割成更小的组，每组包含 40 个机器人。

然后，如果利用基于搜索的求解器来折衷该组机器人的轨迹，它就会预测出哪一组最有可能改进整体办理方案。
全体算法是一个迭代过程，先用神经网络选出最有希望的机器人组，再用基于搜索的求解器终结机器人组，然后用神经网络选出下一个最有希望的机器人组，依此类推。

简化繁芜系统

神经网络能有效地推理机器人群，由于它能捕捉到单个机器人之间存在的繁芜关系。
例如，纵然一个机器人一开始离另一个机器人很远，它们在行进过程中的路径仍有可能交叉。

该技能还能简化打算，只需对约束条件进行一次编码，而无需对每个子问题重复编码。
例如，在一个拥有 800 个机器人的仓库中，要肃清一组 40 个机器人的拥堵，须要将其他 760 个机器人作为约束条件。
其他方法则须要在每次迭代中对每组所有 800 个机器人推理一次。
相反，研究职员的方法只须要在每次迭代中对所有小组的 800 个机器人进行一次推理。

她补充说：\"大众仓库是一个大的环境，因此这些机器人群组中的很多都会在更大的问题上有一些共同点。
我们设计的架构便是为了利用这些共同的信息。
\"大众

研究职员在几个仿照环境中测试了他们的技能，包括一些像仓库一样的环境，一些带有随机障碍物的环境，乃至还有仿照建筑物内部的迷宫设置。
通过识别出更有效的开导群组，他们基于学习的方法开导仓库的速率比强大的、非基于学习的方法快四倍。
纵然考虑到运行神经网络的额外打算开销，他们的方法办理问题的速率仍旧快 3.5 倍。

未来方向与同行认可

未来，研究职员希望从他们的神经模型中得到大略、基于规则的见地，由于神经网络的决策可能不透明，难以解读。
更大略、基于规则的方法也更随意马虎在实际机器人仓库环境中履行和掩护。

\公众这种方法基于一种新颖的架构，在这种架构中，卷积和把稳力机制能够有效地相互浸染。
令人印象深刻的是，它能够考虑到所构建路径的时空身分，而无需针对详细问题进行特色工程。
结果非常出色。
\公众康奈尔理工学院安德鲁-H.和安-R.-蒂施教授 Andrea Lodi 说：\公众我们不仅能在求解质量和速率方面改进最前辈的大型邻域搜索方法，而且该模型还能很好地推广到未见过的案例中。
\"大众

编译来源：ScitechDaily