Sistema de IA aprende a manter o tráfego de robôs de armazém funcionando sem problemas

Dentro de um armazém autônomo gigante, centenas de robôs percorrem os corredores enquanto coletam e distribuem itens para atender a um fluxo constante de pedidos de clientes. Neste ambiente movimentado, mesmo pequenos engarrafamentos ou colisões menores podem se transformar em desacelerações massivas.

Para evitar tal avalanche de ineficiências, pesquisadores do MIT e da empresa de tecnologia Symbotic desenvolveram um novo método que mantém automaticamente uma frota de robôs em movimento suave. Seu método aprende quais robôs devem ir primeiro em cada momento, com base em como o congestionamento está se formando, e se adapta para priorizar robôs que estão prestes a travar. Desta forma, o sistema pode redirecionar os robôs com antecedência para evitar gargalos.

O sistema híbrido utiliza deep reinforcement learning, um poderoso método de inteligência artificial para resolver problemas complexos, para descobrir quais robôs devem ser priorizados. Em seguida, um algoritmo de planejamento rápido e confiável alimenta as instruções para os robôs, permitindo que respondam rapidamente em condições em constante mudança.

Em simulações inspiradas em layouts de armazéns de e-commerce reais, esta nova abordagem alcançou um ganho de cerca de 25% na produtividade em relação a outros métodos. É importante ressaltar que o sistema pode se adaptar rapidamente a novos ambientes com diferentes quantidades de robôs ou layouts de armazéns variados.

“Há muitos problemas de tomada de decisão na fabricação e logística onde as empresas dependem de algoritmos projetados por especialistas humanos. Mas mostramos que, com o poder do deep reinforcement learning, podemos alcançar um desempenho super-humano. Esta é uma abordagem muito promissora, porque nestes armazéns gigantes, mesmo um aumento de 2 ou 3 por cento na produtividade pode ter um impacto enorme”, diz Han Zheng, estudante de pós-graduação no Laboratory for Information and Decision Systems (LIDS) do MIT e principal autor de um artigo sobre esta nova abordagem.

Zheng é acompanhado no artigo por Yining Ma, pós-doutoranda do LIDS; Brandon Araki e Jingkai Chen da Symbotic; e a autora sênior Cathy Wu, a Professora Associada de Desenvolvimento de Carreira da Turma de 1954 em Engenharia Civil e Ambiental (CEE) e no Institute for Data, Systems, and Society (IDSS) do MIT, e membro do LIDS. A pesquisa aparece hoje no Journal of Artificial Intelligence Research.

Redirecionamento de robôs<