麻省理工學(xué)院的一組研究人員利用人工智能來(lái)緩解交通擁堵，他們將這一領(lǐng)域的想法應(yīng)用于解決倉(cāng)庫(kù)中多個(gè)機(jī)器人的問(wèn)題。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)確定了倉(cāng)庫(kù)中疏導(dǎo)流量的最佳區(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，并非易事。這個(gè)問(wèn)題非常復(fù)雜，即使是最好的路徑搜索算法，也很難跟上電子商務(wù)或制造業(yè)的飛速發(fā)展。

人工智能驅(qū)動(dòng)的高效解決方案

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)院研究人員運(yùn)用了這一領(lǐng)域的理念來(lái)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)器人組可以用協(xié)調(diào)機(jī)器人的傳統(tǒng)算法更快地消除擁堵。最終，與強(qiáng)隨機(jī)搜索法相比，他們的方法疏導(dǎo)機(jī)器人的速度快了近四倍。

除了簡(jiǎn)化倉(cāng)庫(kù)作業(yè)，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。

尖端的神經(jīng)網(wǎng)絡(luò)架構(gòu)

"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，而且能以一種高效的方式在各組機(jī)器人之間重復(fù)使用計(jì)算，"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)。

該技術(shù)論文的資深作者 Wu 和第一作者、電子工程和計(jì)算機(jī)科學(xué)專業(yè)研究生 Zhongxia Yan 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(niǎo)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)前往倉(cāng)庫(kù)的某一區(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)發(fā)生路徑?jīng)_突，就可能會(huì)撞車。

傳統(tǒng)的搜索算法可以避免潛在的碰撞，方法是保持一個(gè)機(jī)器人的運(yùn)行軌跡，并為另一個(gè)機(jī)器人重新規(guī)劃軌跡。但由于機(jī)器人數(shù)量眾多，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 毫秒重新掃描一次。也就是說(shuō)，每秒鐘，機(jī)器人要重新掃描 10 次。因此，這些操作必須非常快速，"Wu 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)放在最有可能減少機(jī)器人總行駛時(shí)間的擁堵區(qū)域。

Wu 和 Yan 建立的神經(jīng)網(wǎng)絡(luò)架構(gòu)可同時(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，它就會(huì)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)選出最有希望的機(jī)器人組，再用基于搜索的求解器解散機(jī)器人組，然后用神經(jīng)網(wǎng)絡(luò)選出下一個(gè)最有希望的機(jī)器人組，依此類推。

簡(jiǎn)化復(fù)雜系統(tǒng)

神經(jīng)網(wǎng)絡(luò)能有效地推理機(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)器人一開(kāi)始離另一個(gè)機(jī)器人很遠(yuǎn)，它們?cè)谛羞M(jìn)過(guò)程中的路徑仍有可能交叉。

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，要消除一組 40 個(gè)機(jī)器人的擁堵，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。相反，研究人員的方法只需要在每次迭代中對(duì)所有小組的 800 個(gè)機(jī)器人進(jìn)行一次推理。

她補(bǔ)充說(shuō)："倉(cāng)庫(kù)是一個(gè)大的環(huán)境，因此這些機(jī)器人群組中的很多都會(huì)在更大的問(wèn)題上有一些共同點(diǎn)。我們?cè)O(shè)計(jì)的架構(gòu)就是為了利用這些共同的信息。"

研究人員在幾個(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)別出更有效的疏導(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)方向與同行認(rèn)可

未來(lái)，研究人員希望從他們的神經(jīng)模型中獲得簡(jiǎn)單、基于規(guī)則的見(jiàn)解，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的決策可能不透明，難以解讀。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)制能夠有效地相互作用。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。"cnBeta