美國(guó)麻省理工學(xué)院（MIT）的研究人員將人工智能緩解交通擁堵的理念應(yīng)用于解決倉(cāng)庫(kù)中的機(jī)器人路徑規(guī)劃問(wèn)題。據(jù)麻省理工學(xué)院稱，該團(tuán)隊(duì)已經(jīng)開(kāi)發(fā)出一種深度學(xué)習(xí)模型，它可以比典型的強(qiáng)隨機(jī)搜索方法快近四倍的速度為機(jī)器人解除擁堵。

在一個(gè)典型的自動(dòng)化倉(cāng)庫(kù)中，可能有數(shù)百個(gè)移動(dòng)機(jī)器人往返于他們的目的地，并試圖避免相互碰撞。規(guī)劃所有這些同時(shí)進(jìn)行的運(yùn)動(dòng)是一個(gè)難題。該大學(xué)的研究人員說(shuō)，這個(gè)問(wèn)題非常復(fù)雜，即使是最好的路徑搜索算法也很難跟上。

通過(guò)將難以解決的問(wèn)題分解成更小的塊，一種深度學(xué)習(xí)技術(shù)可以確定倉(cāng)庫(kù)中疏導(dǎo)交通的最佳區(qū)域。

在一個(gè)巨大的機(jī)器人倉(cāng)庫(kù)里，數(shù)百個(gè)機(jī)器人在地面上來(lái)回穿梭，抓取物品并交付給人類工人進(jìn)行包裝和運(yùn)輸。這種倉(cāng)庫(kù)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(gè)機(jī)器人高效地往返于目的地，同時(shí)又要防止它們相互碰撞，并不是一件容易的事。這是一個(gè)非常復(fù)雜的問(wèn)題，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。

從某種意義上說(shuō)，這些機(jī)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)院研究人員將該領(lǐng)域的想法應(yīng)用于解決這一問(wèn)題。

他們建立了一個(gè)深度學(xué)習(xí)模型，對(duì)倉(cāng)庫(kù)的重要信息（包括機(jī)器人、計(jì)劃路徑、任務(wù)和障礙物）進(jìn)行編碼，并利用這些信息預(yù)測(cè)倉(cāng)庫(kù)的最佳疏導(dǎo)區(qū)域，以提高整體效率。

他們的技術(shù)將倉(cāng)庫(kù)中的機(jī)器人分成若干組，因此這些較小的機(jī)器人組可以用傳統(tǒng)的機(jī)器人協(xié)調(diào)算法更快地解除擁堵。最終，他們的方法比強(qiáng)隨機(jī)搜索法的疏導(dǎo)速度快了近四倍。

除了簡(jiǎn)化倉(cāng)庫(kù)操作，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(jì)算機(jī)芯片設(shè)計(jì)或大型建筑的管道布線。

"我們?cè)O(shè)計(jì)了一種新的神經(jīng)網(wǎng)絡(luò)架構(gòu)，它實(shí)際上適用于這些倉(cāng)庫(kù)這種規(guī)模和復(fù)雜程度的實(shí)時(shí)操作。它可以對(duì)數(shù)百個(gè)機(jī)器人的軌跡、出發(fā)地、目的地以及與其他機(jī)器人的關(guān)系進(jìn)行編碼，而且可以以一種高效的方式實(shí)現(xiàn)這一點(diǎn)，在各組機(jī)器人之間重復(fù)使用計(jì)算。"MIT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(shí)驗(yàn)室（LIDS）和數(shù)據(jù)、系統(tǒng)與社會(huì)研究所（IDSS）成員凱茜-吳（Cathy Wu）說(shuō)。

吳是該技術(shù)論文的資深作者，他與第一作者、電氣工程和計(jì)算機(jī)科學(xué)專業(yè)的研究生閆中霞共同完成了這項(xiàng)研究。這項(xiàng)研究成果將在學(xué)習(xí)表征國(guó)際會(huì)議（International Conference on Learning Representations）上發(fā)表。

機(jī)器人俄羅斯方塊

從鳥瞰圖上看，機(jī)器人電子商務(wù)倉(cāng)庫(kù)的地面有點(diǎn)像快節(jié)奏的 "俄羅斯方塊 "游戲。

當(dāng)客戶下訂單時(shí)，機(jī)器人會(huì)走到倉(cāng)庫(kù)的某個(gè)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(gè)機(jī)器人同時(shí)進(jìn)行這項(xiàng)工作，如果兩個(gè)機(jī)器人在穿過(guò)巨大的倉(cāng)庫(kù)時(shí)路徑發(fā)生沖突，它們就可能撞車。

傳統(tǒng)的搜索算法會(huì)讓其中一個(gè)機(jī)器人繼續(xù)沿著自己的路線前進(jìn)，并為另一個(gè)機(jī)器人重新規(guī)劃軌跡，從而避免可能發(fā)生的碰撞。但是，由于機(jī)器人數(shù)量眾多且可能發(fā)生碰撞，問(wèn)題很快就會(huì)呈指數(shù)級(jí)增長(zhǎng)。

"由于倉(cāng)庫(kù)是在線運(yùn)行的，機(jī)器人大約每 100 毫秒就要重新規(guī)劃一次。也就是說(shuō)，每秒鐘，一個(gè)機(jī)器人就要重新掃描 10 次。因此，這些操作必須非?？焖?。"吳說(shuō)。

由于在重新規(guī)劃過(guò)程中時(shí)間非常關(guān)鍵，麻省理工學(xué)院的研究人員利用機(jī)器學(xué)習(xí)將重新規(guī)劃的重點(diǎn)放在最容易發(fā)生擁堵的地方，也就是最有可能縮短機(jī)器人總行程時(shí)間的地方。

Wu 和 Yan 建立了一個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以同時(shí)考慮較小的機(jī)器人群組。例如，在一個(gè)擁有 800 個(gè)機(jī)器人的倉(cāng)庫(kù)中，網(wǎng)絡(luò)可能會(huì)將倉(cāng)庫(kù)地面切割成更小的組，每組包含 40 個(gè)機(jī)器人。

然后，如果使用基于搜索的求解器來(lái)協(xié)調(diào)該組機(jī)器人的軌跡，它就能預(yù)測(cè)出哪一組最有可能改進(jìn)整體解決方案。

整個(gè)算法是一個(gè)迭代過(guò)程，先用神經(jīng)網(wǎng)絡(luò)選出最有潛力的機(jī)器人組，再用搜索求解器解散該組，然后用神經(jīng)網(wǎng)絡(luò)選出下一個(gè)最有潛力的組，依此類推。

考慮關(guān)系

神經(jīng)網(wǎng)絡(luò)能有效推理機(jī)器人群，因?yàn)樗懿蹲降絾蝹€(gè)機(jī)器人之間存在的復(fù)雜關(guān)系。例如，即使一個(gè)機(jī)器人最初可能離另一個(gè)機(jī)器人很遠(yuǎn)，但它們的路徑仍可能在行進(jìn)過(guò)程中交叉。

該技術(shù)還能簡(jiǎn)化計(jì)算，只需對(duì)約束條件進(jìn)行一次編碼，而無(wú)需對(duì)每個(gè)子問(wèn)題重復(fù)編碼。例如，在一個(gè)擁有 800 個(gè)機(jī)器人的倉(cāng)庫(kù)中，要疏導(dǎo)一組 40 個(gè)機(jī)器人，就需要將其他 760 個(gè)機(jī)器人作為約束條件。其他方法則需要在每次迭代中對(duì)每組所有 800 個(gè)機(jī)器人推理一次。

而研究人員的方法只需要在每次迭代中對(duì)所有組中的 800 個(gè)機(jī)器人進(jìn)行一次推理。

"倉(cāng)庫(kù)是一個(gè)大的環(huán)境，因此這些機(jī)器人組中有很多都會(huì)有一些共同的大問(wèn)題。我們?cè)O(shè)計(jì)的架構(gòu)就是為了利用這些共同的信息。"她補(bǔ)充道。

他們?cè)趲讉€(gè)模擬環(huán)境中測(cè)試了他們的技術(shù)，包括一些像倉(cāng)庫(kù)一樣的環(huán)境，一些帶有隨機(jī)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(guò)識(shí)別更有效的疏導(dǎo)群組，他們基于學(xué)習(xí)的方法疏導(dǎo)倉(cāng)庫(kù)的速度比強(qiáng)大的、非基于學(xué)習(xí)的方法快四倍。即使考慮到運(yùn)行神經(jīng)網(wǎng)絡(luò)的額外計(jì)算開(kāi)銷，他們的方法解決問(wèn)題的速度仍然快 3.5 倍。

未來(lái)，研究人員希望從他們的神經(jīng)模型中獲得簡(jiǎn)單的、基于規(guī)則的見(jiàn)解，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的決定可能是不透明的，難以解釋。更簡(jiǎn)單、基于規(guī)則的方法也更容易在實(shí)際機(jī)器人倉(cāng)庫(kù)環(huán)境中實(shí)施和維護(hù)。

"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(jī)制能夠有效地互動(dòng)。令人印象深刻的是，它能夠考慮到所構(gòu)建路徑的時(shí)空成分，而無(wú)需針對(duì)具體問(wèn)題進(jìn)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(shuō)："我們不僅能在求解質(zhì)量和速度方面改進(jìn)最先進(jìn)的大型鄰域搜索方法，而且該模型還能很好地推廣到未見(jiàn)過(guò)的案例中。"

這項(xiàng)工作得到了亞馬遜和麻省理工學(xué)院亞馬遜科學(xué)中心的支持。