麻省理工学院的研究人员应用人工智能缓解交通拥堵的想法来解决仓库中的机器人路径规划问题。据麻省理工学院称，该团队开发了一种深度学习模型，可以比典型的强随机搜索方法快近四倍的速度缓解机器人的拥堵。

一个典型的自动化仓库可能有数百个移动机器人往返于目的地，并试图避免相互碰撞。规划所有这些同时发生的运动是一个难题。大学研究人员表示，它是如此复杂，即使是最好的寻路算法也很难跟上。

科学家们建立了一个深度学习模型，对仓库信息进行编码，包括机器人、计划路径、任务和障碍物。然后，该模型使用此信息来预测仓库的最佳区域，以缓解拥堵并提高整体效率。

麻省理工学院土木与环境工程(CEE)吉尔伯特·温斯洛(Gilbert W.Winslow)职业发展助理教授Cathy Wu表示：“我们设计了一种新的神经网络架构，实际上适合这些仓库的规模和复杂性的实时操作。”。“它可以对数百个机器人的轨迹、起点、目的地以及与其他机器人的关系进行编码，并且可以以有效的方式实现这一点，在机器人组之间重复使用计算。”

吴还是信息与决策系统实验室(LIDS)和数据、系统与社会研究所(IDSS)的成员。

路径规划的分而治之方法

麻省理工学院团队的深度学习模型技术是将仓库机器人分为几组。通过用于协调机器人的传统算法，这些较小的群体可以比整个群体更快地缓解拥堵。

这与传统的基于搜索的算法不同，传统的算法通过使一个机器人保持在其路线上并重新规划另一个机器人的轨迹来避免崩溃。随着更多机器人的添加，这些算法协调一切的难度越来越大。

“由于仓库是在线运行的，机器人大约每100毫秒就会重新规划一次，”吴说。“这意味着每一秒，机器人都会重新规划10次。因此这些操作需要非常快。”

为了跟上这些操作，麻省理工学院的研究人员使用机器学习将重新规划的重点放在最可行的拥堵区域。在这里，研究人员看到了机器人总行程时间方面最大的改进空间。这就是为什么他们决定同时处理较小的机器人群体。

例如，在拥有800台机器人的仓库中，网络可能会将仓库地板分割成更小的组，每组包含40台机器人。接下来，如果使用基于搜索的求解器来协调该组中机器人的轨迹，它会预测哪一组最有可能改进整体解决方案。

一旦使用神经网络找到最有前途的机器人组，系统就会使用基于搜索的求解器来消除其拥塞。之后，它会进入下一个最有希望的组。

麻省理工学院如何选择最好的机器人

麻省理工学院的团队表示，其神经网络可以有效地推理机器人群体，因为它捕获了单个机器人之间存在的复杂关系。例如，它可以看到，即使一个机器人最初可能与另一个机器人相距很远，但它们的路径仍然可能在行程中的某个时刻交叉。

该系统的另一个优点是，它通过仅对约束进行一次编码来简化计算，而不是对每个子问题重复该过程。这意味着在拥有800个机器人的仓库中，疏导40个机器人需要将另外760个机器人作为约束。

其他方法需要在每次迭代中对每组的所有800个机器人进行一次推理。相反，MIT系统只需要在迭代中对所有组中的800个机器人进行一次推理。

该团队在几个模拟环境中测试了这项技术，包括一些像仓库一样的环境，一些有随机障碍物，甚至是模拟建筑内部的迷宫式环境。麻省理工学院表示，通过识别更有效的群体来缓解拥堵，基于学习的方法缓解仓库拥堵的速度比非学习型强方法快四倍。

即使研究人员考虑到运行神经网络的额外计算开销，其方法解决问题的速度仍然快3.5倍。

吴说，未来她希望从他们的神经模型中获得简单的、基于规则的见解，因为神经网络的决策可能是不透明且难以解释的。她说，更简单、基于规则的方法也更容易在实际的机器人仓库环境中实施和维护。

“这种方法基于一种新颖的架构，其中卷积和注意力机制有效且高效地相互作用，”康奈尔理工学院的Andrew H.和Ann R.Tisch教授Andrea Lodi（未参与这项研究）评论道。“令人印象深刻的是，这使得能够考虑构建路径的时空分量，而不需要针对特定​​问题的特征工程。”

“结果非常出色：不仅可以在解决方案的质量和速度方面改进最先进的大型邻域搜索方法，而且该模型还可以出色地推广到未见过的情况，”她说。

麻省理工学院的研究人员表示，除了简化仓库运营之外，他们的方法还可以用于其他复杂的规划任务，例如计算机芯片设计或大型建筑物中的管道布线。

关于这项技术的论文的资深作者吴和主要作者、电气工程和计算机科学专业的研究生严忠夏也加入了研究。这项工作将在国际学习表征会议上展示。他们的工作得到了亚马逊和麻省理工学院亚马逊科学中心的支持。