麻省理工學(xué)院的一組研究人員利用人工智能來緩解交通擁堵，他們將這一領(lǐng)域的想法應(yīng)用于解決倉庫中多個機器人的問題。通過將難以解決的問題分解成更小的塊，一種深度學(xué)習(xí)技術(shù)確定了倉庫中疏導(dǎo)流量的最佳區(qū)域。

在一個巨大的機器人倉庫里，數(shù)百個機器人在地面上來回穿梭，抓取物品并交付給人類工人進行包裝和運輸。這種倉庫正日益成為從電子商務(wù)到汽車生產(chǎn)等許多行業(yè)供應(yīng)鏈的一部分。

然而，要讓 800 個機器人高效地往返于目的地，同時又要防止它們相互碰撞，并非易事。這個問題非常復(fù)雜，即使是最好的路徑搜索算法，也很難跟上電子商務(wù)或制造業(yè)的飛速發(fā)展。

人工智能驅(qū)動的高效解決方案

從某種意義上說，這些機器人就像試圖在擁擠的市中心穿梭的汽車。因此，一群利用人工智能緩解交通擁堵的麻省理工學(xué)院研究人員運用了這一領(lǐng)域的理念來解決這一問題。

他們建立了一個深度學(xué)習(xí)模型，對倉庫的重要信息（包括機器人、計劃路徑、任務(wù)和障礙物）進行編碼，并利用這些信息預(yù)測倉庫的最佳疏導(dǎo)區(qū)域，以提高整體效率。

他們的技術(shù)將倉庫中的機器人分成若干組，因此這些較小的機器人組可以用協(xié)調(diào)機器人的傳統(tǒng)算法更快地消除擁堵。最終，與強隨機搜索法相比，他們的方法疏導(dǎo)機器人的速度快了近四倍。

除了簡化倉庫作業(yè)，這種深度學(xué)習(xí)方法還可用于其他復(fù)雜的規(guī)劃任務(wù)，如計算機芯片設(shè)計或大型建筑的管道布線。

尖端的神經(jīng)網(wǎng)絡(luò)架構(gòu)

"我們設(shè)計了一種新的神經(jīng)網(wǎng)絡(luò)架構(gòu)，它實際上適用于這些倉庫這種規(guī)模和復(fù)雜程度的實時操作。它可以對數(shù)百個機器人的軌跡、出發(fā)地、目的地以及與其他機器人的關(guān)系進行編碼，而且能以一種高效的方式在各組機器人之間重復(fù)使用計算，"土木與環(huán)境工程（CEE）專業(yè)吉爾伯特-W-溫斯洛職業(yè)發(fā)展助理教授、信息與決策系統(tǒng)實驗室（LIDS）和數(shù)據(jù)、系統(tǒng)與社會研究所（IDSS）成員凱茜-吳（Cathy Wu）說。

該技術(shù)論文的資深作者 Wu 和第一作者、電子工程和計算機科學(xué)專業(yè)研究生 Zhongxia Yan 共同完成了這項研究。這項研究成果將在學(xué)習(xí)表征國際會議（International Conference on Learning Representations）上發(fā)表。

機器人俄羅斯方塊

從鳥瞰圖上看，機器人電子商務(wù)倉庫的地面有點像快節(jié)奏的"俄羅斯方塊"游戲。

當(dāng)客戶下訂單時，機器人會前往倉庫的某一區(qū)域，抓起放置所需物品的貨架，然后將其交給人類操作員，由其揀選和包裝物品。數(shù)百個機器人同時進行這項工作，如果兩個機器人在穿過巨大的倉庫時發(fā)生路徑?jīng)_突，就可能會撞車。

傳統(tǒng)的搜索算法可以避免潛在的碰撞，方法是保持一個機器人的運行軌跡，并為另一個機器人重新規(guī)劃軌跡。但由于機器人數(shù)量眾多，可能發(fā)生碰撞，問題很快就會呈指數(shù)級增長。

"由于倉庫是在線運行的，機器人大約每 100 毫秒重新掃描一次。也就是說，每秒鐘，機器人要重新掃描 10 次。因此，這些操作必須非常快速，"Wu 說。

由于在重新規(guī)劃過程中時間非常關(guān)鍵，麻省理工學(xué)院的研究人員利用機器學(xué)習(xí)將重新規(guī)劃的重點放在最有可能減少機器人總行駛時間的擁堵區(qū)域。

Wu 和 Yan 建立的神經(jīng)網(wǎng)絡(luò)架構(gòu)可同時考慮較小的機器人群組。例如，在一個擁有 800 個機器人的倉庫中，網(wǎng)絡(luò)可能會將倉庫地面切割成更小的組，每組包含 40 個機器人。

然后，如果使用基于搜索的求解器來協(xié)調(diào)該組機器人的軌跡，它就會預(yù)測出哪一組最有可能改進整體解決方案。整個算法是一個迭代過程，先用神經(jīng)網(wǎng)絡(luò)選出最有希望的機器人組，再用基于搜索的求解器解散機器人組，然后用神經(jīng)網(wǎng)絡(luò)選出下一個最有希望的機器人組，依此類推。

簡化復(fù)雜系統(tǒng)

神經(jīng)網(wǎng)絡(luò)能有效地推理機器人群，因為它能捕捉到單個機器人之間存在的復(fù)雜關(guān)系。例如，即使一個機器人一開始離另一個機器人很遠，它們在行進過程中的路徑仍有可能交叉。

該技術(shù)還能簡化計算，只需對約束條件進行一次編碼，而無需對每個子問題重復(fù)編碼。例如，在一個擁有 800 個機器人的倉庫中，要消除一組 40 個機器人的擁堵，需要將其他 760 個機器人作為約束條件。其他方法則需要在每次迭代中對每組所有 800 個機器人推理一次。相反，研究人員的方法只需要在每次迭代中對所有小組的 800 個機器人進行一次推理。

她補充說："倉庫是一個大的環(huán)境，因此這些機器人群組中的很多都會在更大的問題上有一些共同點。我們設(shè)計的架構(gòu)就是為了利用這些共同的信息。"

研究人員在幾個模擬環(huán)境中測試了他們的技術(shù)，包括一些像倉庫一樣的環(huán)境，一些帶有隨機障礙物的環(huán)境，甚至還有模擬建筑物內(nèi)部的迷宮設(shè)置。通過識別出更有效的疏導(dǎo)群組，他們基于學(xué)習(xí)的方法疏導(dǎo)倉庫的速度比強大的、非基于學(xué)習(xí)的方法快四倍。即使考慮到運行神經(jīng)網(wǎng)絡(luò)的額外計算開銷，他們的方法解決問題的速度仍然快 3.5 倍。

未來方向與同行認可

未來，研究人員希望從他們的神經(jīng)模型中獲得簡單、基于規(guī)則的見解，因為神經(jīng)網(wǎng)絡(luò)的決策可能不透明，難以解讀。更簡單、基于規(guī)則的方法也更容易在實際機器人倉庫環(huán)境中實施和維護。

"這種方法基于一種新穎的架構(gòu)，在這種架構(gòu)中，卷積和注意力機制能夠有效地相互作用。令人印象深刻的是，它能夠考慮到所構(gòu)建路徑的時空成分，而無需針對具體問題進行特征工程。結(jié)果非常出色。"康奈爾理工學(xué)院安德魯-H.和安-R.-蒂施教授 Andrea Lodi 說："我們不僅能在求解質(zhì)量和速度方面改進最先進的大型鄰域搜索方法，而且該模型還能很好地推廣到未見過的案例中。"cnBeta