קבוצה של חוקרי MIT שמשתמשת בבינה מלאכותית כדי להפחית עומסי תנועה יישמה רעיונות מהתחום הזה כדי להתמודד עם הבעיה של רובוטים מרובים במחסן.
על ידי פירוק בעיה בלתי פתירה לנתחים קטנים יותר, טכניקת למידה עמוקה מזהה את האזורים האופטימליים לדילול התנועה במחסן.
מאות רובוטים רוכסים קדימה ואחורה על רצפת מחסן רובוטי אדיר, תופסים פריטים ומעבירים אותם לעובדים אנושיים לאריזה ומשלוח. מחסנים כאלה הופכים יותר ויותר לחלק משרשרת האספקה בתעשיות רבות, ממסחר אלקטרוני ועד לייצור רכב.
עם זאת, העברת 800 רובוטים ליעדיהם וממנו ביעילות תוך מניעת התרסקות אחד בשני היא משימה לא פשוטה. זו בעיה כל כך מורכבת שאפילו האלגוריתמים הטובים ביותר לאיתור נתיבים נאבקים לעמוד בקצב המסחרר האלקטרוני או הייצור.
פתרונות מונעי בינה מלאכותית ליעילות
במובן מסוים, הרובוטים האלה הם כמו מכוניות שמנסות לנווט במרכז עיר צפוף. אז, קבוצה של MIT חוקרים שמשתמשים בבינה מלאכותית כדי להפחית עומסי תנועה יישמו רעיונות מתחום זה כדי להתמודד עם בעיה זו.
הם בנו מודל למידה עמוקה המקודד מידע חשוב על המחסן, כולל הרובוטים, הנתיבים המתוכננים, המשימות והמכשולים, ומשתמשים בו כדי לחזות את האזורים הטובים ביותר במחסן לביטול הגודש כדי לשפר את היעילות הכוללת.
הטכניקה שלהם מחלקת את רובוטי המחסן לקבוצות, כך שניתן יהיה לבטל את הגודש של קבוצות קטנות יותר של רובוטים מהר יותר בעזרת אלגוריתמים מסורתיים המשמשים לתיאום רובוטים. בסופו של דבר, השיטה שלהם מנקה את הגודש של הרובוטים כמעט פי ארבעה מהר יותר משיטת חיפוש אקראית חזקה.
בנוסף לייעול פעולות המחסן, ניתן להשתמש בגישת למידה עמוקה זו במשימות תכנון מורכבות אחרות, כמו תכנון שבבי מחשב או ניתוב צינורות בבניינים גדולים.
ארכיטקטורת רשת עצבית מתקדמת
"המצאנו ארכיטקטורת רשת עצבית חדשה שמתאימה למעשה לפעולות בזמן אמת בקנה מידה ובמורכבות של המחסנים הללו. הוא יכול לקודד מאות רובוטים במונחים של מסלולים, מקורות, יעדים ויחסים עם רובוטים אחרים, והוא יכול לעשות זאת בצורה יעילה שעושה שימוש חוזר בחישוב על פני קבוצות של רובוטים", אומרת קאתי וו, הקריירה של גילברט וו. ווינסלו. פרופסור עוזר לפיתוח בהנדסה אזרחית וסביבתית (CEE), וחבר במעבדה למערכות מידע והחלטות (LIDS) ובמכון לנתונים, מערכות וחברה (IDSS).
אל וו, מחבר בכיר של מאמר על טכניקה זו, מצטרפת הסופרת הראשית Zhongxia Yan, סטודנטית לתואר שני בהנדסת חשמל ומדעי המחשב. העבודה תוצג בכנס הבינלאומי על ייצוגי למידה.
טטריס רובוטי
ממעוף הציפור, הרצפה של מחסן מסחר אלקטרוני רובוטי נראית קצת כמו משחק מהיר של "טטריס".
כאשר נכנסת הזמנת לקוח, רובוט נוסע לאזור במחסן, תופס את המדף שמכיל את הפריט המבוקש, ומעביר אותו למפעיל אנושי שאוסף ואורז את הפריט. מאות רובוטים עושים זאת בו זמנית, ואם נתיביהם של שני רובוטים מתנגשים כשהם חוצים את המחסן העצום, הם עלולים להתרסק.
אלגוריתמים מסורתיים מבוססי חיפוש מונעים קריסות פוטנציאליות על ידי שמירה על רובוט אחד במסלולו ותכנון מחדש של מסלול עבור השני. אבל עם כל כך הרבה רובוטים והתנגשויות פוטנציאליות, הבעיה גדלה במהירות אקספוננציאלית.
"מכיוון שהמחסן פועל באינטרנט, הרובוטים מתוכננים מחדש בערך כל 100 מילישניות. זה אומר שבכל שנייה, רובוט מתוכנן מחדש 10 פעמים. אז, הפעולות האלה צריכות להיות מהירות מאוד", אומר וו.
מכיוון שהזמן הוא כל כך קריטי במהלך תכנון מחדש, חוקרי MIT משתמשים למידת מכונה למקד את התכנון מחדש באזורי הגודש הניתנים לביצוע ביותר – היכן שקיים את הפוטנציאל הרב ביותר לצמצם את זמן הנסיעה הכולל של רובוטים.
וו ויאן בנו ארכיטקטורת רשת עצבית שמתחשבת בקבוצות קטנות יותר של רובוטים בו-זמנית. לדוגמה, במחסן עם 800 רובוטים, הרשת עשויה לחתוך את רצפת המחסן לקבוצות קטנות יותר המכילות 40 רובוטים כל אחת.
לאחר מכן, הוא חוזה לאיזו קבוצה יש את הפוטנציאל הגדול ביותר לשפר את הפתרון הכולל אם ישמש פותר מבוסס חיפוש כדי לתאם מסלולים של רובוטים בקבוצה זו.
תהליך איטרטיבי, האלגוריתם הכולל בוחר את קבוצת הרובוטים המבטיחה ביותר עם הרשת העצבית, מבטל את הגודש של הקבוצה עם הפותר מבוסס החיפוש, ואז בוחר את הקבוצה המבטיחה הבאה עם הרשת העצבית, וכן הלאה.
ייעול מערכות מורכבות
הרשת העצבית יכולה לחשוב על קבוצות של רובוטים ביעילות מכיוון שהיא לוכדת יחסים מסובכים שקיימים בין רובוטים בודדים. לדוגמה, למרות שרובוט אחד עשוי להיות רחוק ממשנהו בתחילה, דרכיהם עדיין יכולים להצטלב במהלך הטיולים שלהם.
הטכניקה גם מייעלת את החישוב על ידי קידוד אילוצים פעם אחת בלבד, במקום חזרה על התהליך עבור כל תת בעיה. לדוגמה, במחסן עם 800 רובוטים, ביטול הגודש של קבוצה של 40 רובוטים מחייב להחזיק את שאר 760 הרובוטים כאילוצים. גישות אחרות דורשות חשיבה לגבי כל 800 הרובוטים פעם אחת בכל קבוצה בכל איטרציה.
במקום זאת, הגישה של החוקרים דורשת רק היגיון לגבי 800 הרובוטים פעם אחת בכל הקבוצות בכל איטרציה.
"המחסן הוא סביבה אחת גדולה, אז להרבה מקבוצות הרובוטים האלה יהיו כמה היבטים משותפים של הבעיה הגדולה יותר. תכננו את הארכיטקטורה שלנו כדי לעשות שימוש במידע הנפוץ הזה", היא מוסיפה.
הם בדקו את הטכניקה שלהם בכמה סביבות סימולציות, כולל חלקן שהוגדרו כמו מחסנים, חלקן עם מכשולים אקראיים, ואפילו הגדרות דמויות מבוך שמחקות את פנים הבניין.
על ידי זיהוי קבוצות אפקטיביות יותר להפחתת גודש, הגישה המבוססת על הלמידה שלהם פוגעת במחסן עד פי ארבעה מהר יותר מגישות חזקות שאינן מבוססות למידה. אפילו כאשר הם הביאו בחשבון את התקורה החישובית הנוספת של הפעלת הרשת העצבית, הגישה שלהם עדיין פתרה את הבעיה פי 3.5 מהר יותר.
כיוונים עתידיים וזיהוי עמיתים
בעתיד, החוקרים רוצים להפיק תובנות פשוטות מבוססות כללים מהמודל העצבי שלהם, שכן ההחלטות של הרשת העצבית יכולות להיות אטומות וקשות לפירוש. שיטות פשוטות יותר מבוססות כללים יכולות להיות גם קלות יותר ליישום ולתחזוקה בהגדרות של מחסן רובוטי בפועל.
"גישה זו מבוססת על ארכיטקטורה חדשנית שבה מנגנוני קונבולציה ומנגנוני קשב מקיימים אינטראקציה אפקטיבית ויעילה. באופן מרשים, זה מוביל ליכולת לקחת בחשבון את המרכיב המרחבי-טמפורלי של הנתיבים שנבנו ללא צורך בהנדסת תכונות ספציפיות לבעיה. התוצאות יוצאות מן הכלל: לא רק שאפשר לשפר את שיטות החיפוש השכונות הגדולות המתקדמות מבחינת איכות הפתרון והמהירות, אלא שהמודל מתכלל למקרים בלתי נראים בצורה נפלאה", אומרת אנדראה לודי, האנדרו. H. and Ann R. Tisch פרופסור ב-Cornell Tech, ומי שלא היה מעורב במחקר זה.
עבודה זו נתמכה על ידי אמזון ומרכז המדע של MIT Amazon.
