Wywiad z Rodrigiem Hermosillą i Willemem Guterem z MIT CTL

„Nowa generacja robotów AMR kieruje rozwój logistyki magazynowej ku bardziej proaktywnemu modelowi”

O projekcie badawczym

AMR, czyli autonomiczne roboty mobilne, to inteligentne pojazdy, które automatyzują i uelastyczniają transport wewnętrzny towaru w centrach logistycznych i dystrybucyjnych. Jednym z celów współpracy badawczej między Massachusetts Institute of Technology i Mecaluxem jest optymalizacja działania tych urządzeń. Rodrigo Hermosilla i Willem Guter z Centrum Transportu i Logistyki MIT w swojej pracy badawczej w Laboratorium Inteligentnych Systemów Logistycznych koncentrują się na wykorzystaniu inteligencji zbiorowej w robotach AMR, aby magazyny funkcjonowały jeszcze sprawniej i wydajniej.

Mecalux przeprowadził wywiad z Rodrigiem Hermosillą i Willemem Guterem, badaczami z MIT CTL, aby dowiedzieć się więcej na temat prowadzonych wspólnie z Mecaluxem badań nad zwiększeniem sprawności i wydajności działania robotów AMR.

Uczestniczą panowie w projekcie innowacyjnym, którego celem jest rozwój robotów AMR. W jaki sposób szkoli się roboty, aby pracowały w sposób współzależny?

Rodrigo Hermosilla: Celem tego projektu badawczego jest optymalizacja działania autonomicznych robotów mobilnych w magazynach, tak aby urządzenia te mogły wydajniej wykonywać swoje zadania i unikać kolizji w czasie rzeczywistym.

Willem Guter: Wykorzystujemy uczenie przez wzmacnianie, aby nauczyć roboty AMR współzależnych interakcji w środowisku magazynu. Chodzi o to, aby wiedziały, gdzie muszą się znajdować w danym momencie, a także przewidywały, kiedy nadejdą nowe zamówienia i dokąd należy je dostarczyć, co umożliwia im dalszą optymalizację procesów.

Wykorzystujemy uczenie przez wzmacnianie, aby nauczyć roboty AMR współzależnych interakcji w środowisku magazynu
Jakie postępy przyniesie ten nowy algorytm sterowania robotów AMR?

Willem Guter: Nowy algorytm zapewnia w magazynie postępy w dwóch obszarach. Po pierwsze, odracza zlecanie zadań robotom, aby zminimalizować potencjalne zatory w punktach odbioru i dostawy oraz podczas przemieszczania się. Po drugie, algorytm poprawia efektywność w zakresie zajmowania pozycji, ponieważ zna lub przewiduje zlecenia transportowe i może zawczasu skierować w to miejsce roboty albo zatrzymać te, które już się tam znajdują.

Rodrigo Hermosilla: Opracowujemy środowiska testowe wspólnie z Mecaluxem, aby uczynić je jak najbardziej realistycznymi, nie tylko w zakresie odwzorowania układu magazynu, lecz również między innymi pod względem takich parametrów jak przyspieszenie i prędkość czy możliwe ograniczenia.
W jaki sposób model ten będzie wykorzystywał predykcyjną sztuczną inteligencję do przewidywania miejsca odbioru i dostawy zamówień?

Willem Guter: Model, który budujemy, będzie wykorzystywał uczenie głębokie do przewidywania miejsca odbioru zamówień oraz planowania zarówno w perspektywie krótkoterminowej, jak i dla poszczególnych okresów roku. Uczenie się na podstawie danych historycznych pozwala określić w szerszym kontekście, skąd mają zostać odebrane zamówienia i dokąd mają trafić.
Jak sprawić, by roboty AMR same się optymalizowały?

Szkolimy te modele tak, aby każdy robot uczył się i reagował rozwiązaniem, które jest optymalne nie tylko dla niego, lecz dla całej grupy robotów

Rodrigo Hermosilla: W naszym projekcie roboty mają postać inteligentnych agentów. Oznacza to, że mamy reprezentację logiczną każdego robota i mogą one wykorzystywać dostępne dane do podejmowania decyzji i informowania się wzajemnie o ograniczeniach lub zdarzeniach występujących w ich otoczeniu. Dlatego musimy szkolić te modele tak, aby każdy robot uczył się i reagował rozwiązaniem, które jest optymalne nie tylko dla niego, lecz dla całej grupy robotów.
W jaki sposób ta nowa generacja robotów AMR zrewolucjonizuje logistykę magazynową?

Rodrigo Hermosilla: Najbardziej oczywistą zaletą tego typu technologii jest czas przetwarzania wymagany do uzyskania optymalnego rozwiązania. Uczenie maszynowe pozwala generować rozwiązania w czasie rzeczywistym i robi to sprawniej w porównaniu do innych algorytmów.

Willem Guter: Nowa generacja robotów AMR i zaawansowane algorytmy sterowania przenoszą kierunek rozwoju logistyki magazynowej z modelu reaktywnego ku modelowi bardziej proaktywnemu. Oznacza to, że roboty przewidują swoje położenie, identyfikują miejsce odbioru i dostawy produktów oraz optymalizują przepływ pracy. Rezultatem są bardziej efektywne, wydajne i zrównoważone magazyny.