数百台机器人在巨大的机器人仓库地板上来回穿梭，抓取物品并将其送到人工工人那里进行包装和发货。这样的仓库在许多行业中，从电子商务到汽车生产，越来越成为供应链的一部分。
然而，要在保持机器人互不碰撞的同时高效地将800台机器人送到目的地并不容易。这是一个如此复杂的问题，即使是最好的路径规划算法也难以跟上电子商务或制造业的快速发展。
从某种意义上说，这些机器人就像试图在拥挤的市中心导航的汽车。因此，麻省理工学院的一组利用人工智能缓解交通拥堵的研究人员应用了该领域的思想来解决这个问题。
他们构建了一个深度学习模型，对仓库、机器人、计划路径、任务和障碍物等重要信息进行编码，并利用这些信息预测仓库中最佳的疏堵区域，以提高整体效率。
他们的技术将仓库机器人分成小组，这样这些小组的机器人可以更快地通过用于协调机器人的传统算法进行疏堵。最终，他们的方法比强大的随机搜索方法将机器人疏堵速度提高了近四倍。
除了简化仓库操作，这种深度学习方法还可以应用于其他复杂的规划任务，如计算机芯片设计或大型建筑物中的管道布线。
“我们设计了一种新的神经网络架构，实际上适用于这些仓库规模和复杂性的实时操作。它可以以高效的方式对数百个机器人进行编码，包括它们的轨迹、起点、终点和与其他机器人的关系，并且可以在机器人组之间重复使用计算，”土木与环境工程学院（CEE）的吉尔伯特·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）的成员Cathy Wu说。
这项技术的主要作者是电气工程和计算机科学研究生Zhongxia Yan。该研究成果将在国际学习表示国际会议上进行展示。
机器人版俄罗斯方块
从鸟瞰图来看，机器人电子商务仓库的地板有点像一个快节奏的“俄罗斯方块”游戏。
当收到客户订单时，机器人会前往仓库的某个区域，抓取存放所需物品的货架，并将其交给人工操作员进行拣选和包装。数百台机器人同时执行此操作，如果两台机器人的路径冲突，它们可能会相撞。
传统的基于搜索的算法通过保持一台机器人的航线并为另一台机器人重新规划轨迹来避免潜在的碰撞。但是由于机器人众多且可能发生碰撞，问题很快呈指数级增长。
“由于仓库是在线运行的，机器人大约每100毫秒重新规划一次。这意味着每秒钟，机器人重新规划10次。因此，这些操作需要非常快速，”Wu说。
由于在重新规划过程中时间非常关键，麻省理工学院的研究人员使用机器学习将重新规划集中在最需要采取行动的拥堵区域，即存在最大减少机器人总行程时间潜力的区域。
Wu和Yan构建了一个神经网络架构，同时考虑较小的机器人组。例如，在一个有800台机器人的仓库中，该网络可能将仓库地板划分为每个包含40台机器人的小组。
然后，它预测如果使用基于搜索的求解器来协调该组机器人的轨迹，哪个组具有最大的潜力来改善整体解决方案。
这是一个迭代过程，整体算法使用神经网络选择最有希望的机器人组，使用基于搜索的求解器对该组进行疏堵，然后使用神经网络选择下一个最有希望的机器人组，依此类推。
考虑关系
神经网络可以有效地推理机器人组，因为它捕捉到了个体机器人之间存在的复杂关系。例如，即使一台机器人最初与另一台机器人相距很远，它们的路径在旅行过程中仍然可能交叉。
该技术还通过仅编码一次约束来简化计算，而不是为每个子问题重复该过程。例如，在一个有800台机器人的仓库中，疏堵40台机器人的一个小组需要将其他760台机器人作为约束条件。其他方法要求在每次迭代中为每个组中的所有800台机器人进行推理。
相反，研究人员的方法在每次迭代中只需要对800台机器人进行一次推理，跨所有组。
“仓库是一个大的环境，因此许多这些机器人组将具有较大问题的一些共享方面。我们设计了我们的架构来利用这些共享信息，”她补充道。
他们在几个模拟环境中测试了他们的技术，包括一些设置为仓库的环境，一些带有随机障碍物的环境，甚至是模拟建筑内部的迷宫样式环境。
通过识别更有效的疏堵机器人组，他们基于学习的方法比强大的非学习方法疏堵仓库速度提高了四倍。即使考虑到运行神经网络的额外计算开销，他们的方法仍然比问题解决速度快3.5倍。
未来，研究人员希望从他们的神经模型中得出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。简单的基于规则的方法也更容易在实际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，其中卷积和注意机制有效且高效地交互。令人印象深刻的是，这使得能够考虑到构建路径的时空组成部分，而无需进行问题特定的特征工程。结果非常出色：不仅可以在解决方案质量和速度方面改进最先进的大邻域搜索方法，而且模型在未见情况下具有很好的泛化能力，”康奈尔科技学院的安德烈亚·洛迪（Andrea Lodi）说，他与这项研究无关。
这项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。
