Pesquisadores se inspiram no Tetris para otimizar logística em depósitos robóticos
Nova abordagem de aprendizado de máquina acelera processos e evita colisões em ambientes de armazenamento automatizado
29/02/2024Nova abordagem de aprendizado de máquina acelera processos e evita colisões em ambientes de armazenamento automatizado
29/02/2024Um novo avanço tecnológico promete revolucionar a logística em depósitos robóticos, trazendo esperança para uma gestão mais eficiente e ágil dos movimentos dos robôs. Pesquisadores do MIT desenvolveram um modelo de aprendizado profundo capaz de identificar as melhores áreas para descongestionamento, melhorando significativamente a eficiência das operações. Ao aplicar técnicas originalmente destinadas à mitigação de congestionamentos de tráfego urbano, o grupo de pesquisadores enfrentou o desafio complexo de coordenar centenas de robôs em um ambiente movimentado e dinâmico.
Os pesquisadores do MIT desenvolveram uma abordagem inovadora para otimizar a gestão de robôs em depósitos robóticos, onde centenas de unidades movimentam-se simultaneamente, semelhante a uma versão acelerada do jogo "Tetris". Utilizando técnicas de aprendizado de máquina, eles focaram o replanejamento nas áreas de maior congestionamento, buscando reduzir o tempo total de viagem dos robôs. Para isso, desenvolveram uma arquitetura de rede neural que divide os robôs em grupos menores e prevê qual grupo tem o maior potencial de melhoria na eficiência global.
Por exemplo, quando um pedido chega, os robôs correm para diferentes áreas do depósito, pegam os itens solicitados e os levam para onde os operadores humanos podem prepará-los para envio. Imagine centenas de robôs fazendo isso ao mesmo tempo - é como uma dança complexa em que cada movimento precisa ser coordenado cuidadosamente para evitar colisões.
Os algoritmos tradicionais tentam prevenir acidentes mantendo os robôs em seus caminhos planejados e redesenhando suas rotas quando há risco de colisão. No entanto, com tantos robôs em movimento e tantas possibilidades de conflito, o desafio logo se torna enormemente complicado.
"Desenvolvemos uma nova arquitetura de rede neural que é realmente adequada para operações em tempo real na escala e complexidade desses depósitos. Ela pode codificar centenas de robôs em termos de suas trajetórias, origens, destinos e relacionamentos com outros robôs, e pode fazer isso de maneira eficiente, reutilizando computação entre grupos de robôs", diz Cathy Wu, Professora Assistente de Desenvolvimento de Carreira Gilbert W. Winslow em Engenharia Civil e Ambiental (CEE), e membro do Laboratório de Sistemas de Informação e Decisão (LIDS) e do Instituto de Dados, Sistemas e Sociedade (IDSS).
Continua depois da publicidade |
Seu processo iterativo, combinado com a consideração eficiente de relacionamentos entre os robôs e uma codificação simplificada de restrições, permitiu que sua abordagem descongestionasse o depósito até quatro vezes mais rápido do que métodos tradicionais, mesmo levando em conta o custo computacional adicional.
"Como o depósito está operando on-line, os robôs são replanejados a cada 100 milissegundos. Isso significa que a cada segundo, um robô é replanejado 10 vezes. Portanto, essas operações precisam ser muito rápidas", diz Wu.
Essa técnica não apenas promete resolver desafios em depósitos robóticos, mas também tem o potencial de aplicação em outras áreas de planejamento complexo, como design de chips de computador ou roteamento de tubulações em edifícios grandes. No futuro, os pesquisadores visam desenvolver insights mais simples e baseados em regras a partir do modelo neural, tornando a implementação e manutenção mais acessíveis em ambientes reais de depósito robótico.
Este trabalho foi apoiado pela Amazon e pelo MIT Amazon Science Hub.
*Imagem de capa: Depositphotos
Gostou? Então compartilhe: