category
通过将棘手的问题分解成更小的块，深度学习技术可以确定仓库中减少流量的最佳区域。
数百个机器人在一个巨大的机器人仓库的地板上来回穿梭，抓取物品并将其交给人类工人进行包装和运输。从电子商务到汽车生产，这些仓库正日益成为许多行业供应链的一部分。
然而，让800个机器人高效地往返于目的地，同时防止它们相互碰撞并不是一项容易的任务。这是一个如此复杂的问题，即使是最好的路径查找算法也很难跟上电子商务或制造业的飞速发展。
从某种意义上说，这些机器人就像试图在拥挤的市中心行驶的汽车。因此，麻省理工学院的一组研究人员使用人工智能来缓解交通拥堵，他们应用了该领域的想法来解决这个问题。
他们建立了一个深度学习模型，对仓库的重要信息进行编码，包括机器人、计划路径、任务和障碍物，并用它来预测仓库中需要缓解拥挤的最佳区域，以提高整体效率。
他们的技术将仓库机器人分成几组，因此使用传统的机器人协调算法可以更快地缓解这些较小的机器人组的拥挤。最终，他们的方法比强随机搜索方法快近四倍来缓解机器人的拥挤。
除了简化仓库操作外，这种深度学习方法还可以用于其他复杂的规划任务，如计算机芯片设计或大型建筑中的管道布线。
Gilbert W。温斯洛土木与环境工程（CEE）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）成员。
吴是一篇关于这项技术的论文的资深作者，主要作者、电气工程和计算机科学研究生严忠霞也加入了他的行列。这项工作将在国际学习代表大会上介绍。
机器人俄罗斯方块
从鸟瞰图来看，机器人电子商务仓库的地板看起来有点像快节奏的“俄罗斯方块”游戏
当收到客户订单时，机器人会移动到仓库的一个区域，抓住存放所需物品的货架，并将其交付给人工操作员，人工操作员会挑选和包装物品。数百个机器人同时这样做，如果两个机器人在穿过巨大的仓库时路径发生冲突，它们可能会崩溃。
传统的基于搜索的算法通过保持一个机器人在其路线上并为另一个机器人重新规划轨迹来避免潜在的碰撞。但由于有这么多机器人和潜在的碰撞，这个问题迅速呈指数级增长。
吴说：“因为仓库是在线运行的，机器人大约每100毫秒就要重新规划一次。这意味着每秒钟就有一个机器人被重新规划10次。所以，这些操作需要非常快。”。
由于时间在重新规划过程中至关重要，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——在这些区域最有可能减少机器人的总行程时间。
吴和严构建了一个神经网络架构，同时考虑较小的机器人群体。例如，在一个有800个机器人的仓库中，网络可能会将仓库地板分成更小的小组，每个小组包含40个机器人。
然后，它预测了如果使用基于搜索的求解器来协调该组中机器人的轨迹，那么哪个组最有可能改进整体解决方案。
在一个迭代过程中，整体算法用神经网络选择最有前途的机器人组，用基于搜索的求解器解组拥塞，然后用神经网络挑选下一个最有前景的组，以此类推。
考虑关系
神经网络可以有效地推理机器人组，因为它可以捕捉单个机器人之间存在的复杂关系。例如，即使一个机器人最初可能离另一个很远，但它们的路径在旅行过程中仍然可能交叉。
该技术还通过仅对约束进行一次编码而不是对每个子问题重复该过程来简化计算。例如，在一个有800个机器人的仓库中，一组40个机器人的拥挤需要将其他760个机器人作为约束。其他方法需要在每次迭代中每组对所有800个机器人进行一次推理。
相反，研究人员的方法只需要在每次迭代中对所有组的800个机器人进行一次推理。
她补充道：“仓库是一个大环境，因此许多机器人小组在更大的问题上会有一些共同的方面。我们设计的架构就是为了利用这些共同的信息。”。
他们在几个模拟环境中测试了他们的技术，包括一些像仓库一样的设置，一些有随机障碍物，甚至还有模仿建筑内部的迷宫般的设置。
通过确定更有效的群体来缓解拥挤，他们基于学习的方法缓解仓库拥挤的速度是基于非学习的强大方法的四倍。即使考虑到运行神经网络的额外计算开销，他们的方法仍然以3.5倍的速度解决了这个问题。
未来，研究人员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的，难以解释。在实际的机器人仓库设置中，更简单、基于规则的方法也更容易实现和维护。
“这种方法基于一种新的架构，在这种架构中，卷积和注意力机制有效地相互作用。令人印象深刻的是，这使得能够在不需要特定问题的特征工程的情况下考虑所构建路径的时空分量。康奈尔理工大学Andrew H.和Ann R.Tisch教授Andrea Lodi没有参与这项研究，他说：“结果非常突出：不仅可以在解决方案的质量和速度方面改进最先进的大邻域搜索方法，而且该模型可以很好地推广到看不见的情况。”。
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。
- 登录 发表评论