به گزارش خبرنگار علم و فناوری ایسکانیوز؛ صدها روبات در کف یک انبار عظیم حرکت میکنند، اقلام را میگیرند و آنها را برای بستهبندی و حمل به کارگران تحویل میدهند. چنین انبارهایی به طور فزایندهای در حال تبدیل شدن به بخشی از زنجیره تامین در بسیاری از صنایع، از تجارت الکترونیک گرفته تا تولید خودرو هستند.
با این حال، رساندن ۸۰۰ روبات به مقصد و بازگشت کارآمد در حالی که از برخورد آنها با یکدیگر جلوگیری میکند، کار آسانی نیست. این یک مشکل پیچیده است که حتی بهترین الگوریتمهای مسیریابی برای همگام شدن با سرعت سرسام آور تجارت الکترونیک یا تولید تلاش میکنند.
راهحلهای مبتنی بر هوش مصنوعی
این روباتها مانند ماشینهایی هستند که سعی میکنند در مرکز شهر شلوغ حرکت کنند. بنابراین، گروهی از محققان MIT که از هوش مصنوعی برای کاهش تراکم ترافیک استفاده میکنند، ایدههایی را از آن حوزه برای مقابله با این مشکل به کار گرفتند.
آنها یک مدل یادگیری عمیق ساختند که اطلاعات مهم در مورد انبار، از جمله روباتها، مسیرهای برنامهریزی شده، وظایف و موانع را رمزگذاری میکند و از آن برای پیشبینی بهترین مناطق انبار برای کاهش تراکم برای بهبود کارایی کلی استفاده میکند.
تکنیک آنها روباتهای انبار را به گروههایی تقسیم میکند، بنابراین این گروههای کوچکتر از روباتها را میتوان با الگوریتمهای سنتی که برای هماهنگ کردن روباتها استفاده میشود، سریعتر از ترافیک خارج کرد. در پایان، روش آنها روباتها را تقریباً چهار برابر سریعتر از یک روش جستوجوی تصادفی قوی تراکمزدایی میکند.
علاوه بر سادهسازی عملیات انبار، این رویکرد یادگیری عمیق میتواند در سایر وظایف برنامهریزی پیچیده، مانند طراحی تراشه کامپیوتری یا مسیریابی لوله در ساختمانهای بزرگ مورد استفاده قرار گیرد.
معماری شبکههای عصبی پیشرفته
محققان MIT میگویند: ما یک معماری شبکه عصبی جدید ابداع کردیم که در واقع برای عملیات بلادرنگ در مقیاس و پیچیدگی این انبارها مناسب است. این معماری میتواند صدها روبات را از نظر مسیر، مبدا، مقصد و روابط با دیگر روباتها رمزگذاری کند و این کار را به شیوهای کارآمد انجام دهد که از محاسبات در گروههای روباتها استفاده مجدد کند.
تتریس روباتیک
از منظر یک پرنده، کف انبار تجارت الکترونیک روباتیک کمی شبیه به یک بازی سریع تتریس به نظر میرسد.
هنگامی که سفارش مشتری وارد میشود، یک روبات به منطقه ای از انبار سفر میکند، قفسه ای را که کالای درخواستی را در خود جای میدهد، میگیرد و آن را به اپراتور انسانی تحویل میدهد که کالا را انتخاب و بسته بندی میکند. صدها روبات به طور همزمان این کار را انجام میدهند، و اگر مسیرهای ۲ روبات هنگام عبور از انبار عظیم با هم تضاد داشته باشند، ممکن است تصادف کنند.
الگوریتمهای مبتنی بر جستوجوی سنتی با نگه داشتن یک روبات در مسیر خود و برنامهریزی مجدد مسیر برای دیگری از خرابیهای احتمالی جلوگیری میکنند. اما با تعداد زیاد روباتها و برخوردهای احتمالی، مشکل به سرعت به طور تصاعدی رشد میکند.
از آنجایی که انبار به صورت آنلاین کار میکند، روباتها هر ۱۰۰ میلیثانیه یکبار برنامهریزی مجدد میشوند. این بدان معناست که یک روبات در هر ثانیه ۱۰ بار برنامهریزی مجدد میشود. بنابراین، این عملیات باید بسیار سریع میشود.
از آنجایی که زمان در طول برنامهریزی مجدد بسیار حیاتی است، محققان MIT از یادگیری ماشینی استفاده میکنند تا برنامهریزی مجدد را روی عملیاتیترین مناطق ازدحام متمرکز کنند - جایی که بیشترین پتانسیل برای کاهش کل زمان سفر روباتها وجود دارد.
بیشتر بخوانید:
هوش مصنوعی دانای کل ۱۰ سال آینده دنیا میشود؟
آنها یک معماری شبکه عصبی ساختند که همزمان گروههای کوچکتری از روباتها را در نظر میگیرد. به عنوان مثال، در یک انبار با ۸۰۰ روبات، شبکه ممکن است طبقه انبار را به گروههای کوچکتری تقسیم کند که هر کدام شامل ۴۰ روبات است.
سپس، پیشبینی میکند که اگر از یک حلکننده مبتنی بر جستوجو برای هماهنگ کردن مسیرهای روباتها در آن گروه استفاده شود، کدام گروه بیشترین پتانسیل را برای بهبود راهحل کلی دارد.
یک فرآیند تکراری، الگوریتم کلی امیدوارکنندهترین گروه روبات با شبکه عصبی را انتخاب میکند، گروه را با حلکننده مبتنی بر جستوجو کاهش میدهد، سپس امیدوارکنندهترین گروه بعدی را با شبکه عصبی انتخاب میکند.
انتهای پیام/
نظر شما