La IA puede hacer realidad los almacenes robóticos

Un gran almacén es un dolor de cabeza logístico. Quiere poder encontrar todo rápidamente, transferirlo donde sea necesario y evitar atascos y retrasos innecesarios. Cada vez más, el trabajo en el almacén se robotiza. Los grandes almacenes pueden tener cientos de robots recorriendo los pasillos, cada uno con su propio objetivo.

Coordinar tantos robots en tiempo real no es una tarea fácil y cualquier colisión puede tener consecuencias devastadoras.

Ahí es donde entra en juego la nueva IA.

“Ideamos una nueva arquitectura de red neuronal que es realmente adecuada para operaciones en tiempo real a la escala y complejidad de estos almacenes. Puede codificar cientos de robots en términos de sus trayectorias, orígenes, destinos y relaciones con otros robots, y puede hacerlo de una manera eficiente que reutiliza la computación entre grupos de robots», dice Cathy Wu del MIT, autor principal del estudio. .

Tráfico en un almacén

La idea era empezar por el tráfico urbano. Wu y el autor principal, Zhongxia Yan, analizaron la actividad del robot en un almacén y se dieron cuenta de que se parece mucho a los automóviles que intentan moverse por el centro de una ciudad abarrotada. Entonces aplicaron principios de la conducción urbana.

Específicamente, dividieron los robots en grupos más pequeños que pueden manejarse de manera más eficiente. En lugar de intentar gestionar 800 robots, los robots se dividieron en grupos de unos 40 y se gestionaron como grupos. He aquí por qué esto es importante.

Cada vez que llega un pedido a la tienda, un robot se desplaza hasta la zona solicitada para recoger el artículo solicitado. Luego se lo entrega a otro humano o robot que lo empaqueta. Pero con cientos de robots haciendo esto al mismo tiempo, el riesgo de colisión es enorme.

Tradicionalmente, la trayectoria de un robot se mantiene igual mientras que los demás se cambian para garantizar que no se produzcan colisiones. Pero esto se vuelve extremadamente complejo muy rápidamente. Mientras tanto, la nueva IA comienza codificando información sobre robots, caminos y obstáculos, y luego analiza qué caminos descongestionan más el tráfico dentro de grupos de robots.

Además, el enfoque tradicional también requiere mucha computación. Las órdenes de los robots se reajustan cada 100 ms, lo que significa que un robot puede recibir instrucciones diferentes 10 veces por segundo. Todo esto debe calcularse y gestionarse para que no se produzcan colisiones. Para cada iteración, los algoritmos tradicionales consideran continuamente todos los robots y su posición y objetivos.

Tienda optimizada para IA

Con el nuevo enfoque, los investigadores optimizaron un almacén con 800 robots. La IA considera las relaciones espaciales de los 800 robots una sola vez para cada decisión. Luego, el algoritmo analiza cómo se puede descongestionar un grupo de 40 robots en su conjunto, sin afectar negativamente a los otros 760 robots. Al identificar qué grupos son los más eficaces para descongestionar, el algoritmo descongestiona la tienda hasta cuatro veces más rápido que los enfoques sólidos que no se basan en el aprendizaje. También funciona 3,5 veces más rápido que los ordenadores convencionales.

“Este enfoque se basa en una nueva arquitectura donde los mecanismos de convolución y atención interactúan de manera efectiva y eficiente. Sorprendentemente, esto permite tener en cuenta el componente espaciotemporal de los caminos construidos sin la necesidad de diseñar características específicas para el problema. Los resultados son excelentes: no sólo es posible mejorar los métodos de búsqueda de barrios más modernos en términos de calidad y velocidad de la solución, sino que el modelo se generaliza a casos que no aparecen de forma fantástica», afirma Andrea Lodi , el Andrés. H. y Ann R. Tisch, profesores de Cornell Tech, y que no participaron en esta investigación.

El enfoque se ha probado en varios entornos de la vida real, así como en entornos complejos como un laberinto, y ha logrado descongestionar los almacenes mucho más rápido.

El único inconveniente es que a veces no estaba claro por qué el algoritmo tomaba determinadas decisiones. Por lo tanto, para el futuro, el equipo quiere obtener más conocimientos del modelo. Esto no sólo les ayuda a mejorar aún más el algoritmo, sino también a implementar reglas que pueden ser necesarias en el entorno real de la tienda.

El estudio fue presentado en la conferencia ICLR.