Дослідники з Массачусетського технологічного інституту (MIT) навчили ШІ-модель оптимізації переміщень складським приміщенням.
При надходженні замовлення робот вирушає в певну зону, бере з полиці необхідний товар і доставляє його людині-оператору. Сотні механічних помічників роблять це одночасно, і якщо їхні шляхи перетнуться, вони можуть постраждати.
Традиційні алгоритми, засновані на пошуку, дають змогу уникнути можливих зіткнень, утримуючи одного андроїда на місці і змінюючи траєкторію для іншого. Але при збільшенні їхньої кількості завдання оптимізації швидко зростає в геометричній прогресії.
Вчені помітили, що рухомі роботи схожі на автомобілі, які намагаються вибрати найкращий шлях у переповненому центрі міста.
Вони створили модель глибокого навчання, що кодує важливу інформацію про склад, включно з механічними вантажниками, запланованими маршрутами, завданнями та перешкодами. Нейромережа використовує отримані дані для знаходження відповідних ділянок складу, які слід розвантажити.
«Ми розробили нову архітектуру, яка кодує сотні роботів щодо їхніх траєкторій, пунктів призначення і взаємодії один з одним», – повідомила доцент кафедри цивільного та екологічного будівництва MIT Кеті Ву.
Крім оптимізації переміщень по складах, цей метод глибокого навчання можна застосовувати в інших складних завданнях планування. Наприклад, під час проєктування комп’ютерних чипів або прокладання труб у великих будівлях.
Раніше ForkLog у форматі News+ розповів про андроїдів, створюваних для роботи на заводах і складах.
