En los almacenes robóticos, cientos de robots van y vienen cargados de artículos y entregándolos a trabajadores humanos para su embalaje y envío. Sin embargo, llevar y traer 800 robots a sus destinos de manera eficiente y al mismo tiempo evitar que choquen entre sí no es una tarea fácil. Un grupo de investigadores del Instituto Tecnológico de Massachusetts (MIT) han presentado un modelo de inteligencia artificial (IA) para mitigar la congestión del tráfico de estos dispositivos. Además de agilizar las operaciones de almacén, este enfoque de aprendizaje profundo podría utilizarse en otras tareas de planificación complejas, como el diseño de chips de computadora o el trazado de tuberías en edificios grandes.
Los investigadores construyeron un modelo de aprendizaje profundo que codifica información importante sobre el almacén, incluidos los robots, las rutas planificadas, las tareas y los obstáculos, y lo utiliza para predecir las mejores áreas del almacén para descongestionar y mejorar la eficiencia general.
Los algoritmos tradicionales basados en búsqueda evitan posibles fallos al mantener a un robot en su curso y replanificar la trayectoria del otro. Pero con tantos robots y posibles colisiones, el problema crece rápidamente de manera exponencial.
Debido a que el tiempo es tan crítico durante la replanificación, los investigadores del MIT utilizan el aprendizaje automático para centrar la replanificación en las áreas de congestión más procesables, donde existe el mayor potencial para reducir el tiempo total de viaje de los robots.
Arquitectura de red neuronal
El MIT desarrolló una arquitectura de red neuronal que considera grupos más pequeños de robots al mismo tiempo. Por ejemplo, en un almacén con 800 robots, la red podría dividir el piso del almacén en grupos más pequeños que contengan 40 robots cada uno. A partir de ahí, predice qué grupo tiene el mayor potencial para mejorar la solución general si se utilizara un solucionador basado en búsquedas para coordinar las trayectorias de los robots en ese grupo.
En un proceso iterativo, el algoritmo general elige el grupo de robots más prometedor con la red neuronal, descongestiona el grupo con el solucionador basado en búsquedas. Posteriormente, elige el siguiente grupo más prometedor con la red neuronal, y así sucesivamente.
La red neuronal puede razonar sobre grupos de robots de manera eficiente porque captura relaciones complicadas que existen entre robots individuales. Por ejemplo, aunque un robot pueda estar muy lejos de otro inicialmente, sus caminos aún podrían cruzarse durante sus viajes.
La técnica también agiliza el cálculo codificando las restricciones sólo una vez, en lugar de repetir el proceso para cada subproblema. Por ejemplo, en un almacén con 800 robots, descongestionar un grupo de 40 robots requiere mantener los otros 760 robots como restricciones. Otros enfoques requieren razonar sobre los 800 robots una vez por grupo en cada iteración. En cambio, el enfoque de los investigadores sólo requiere razonar sobre los 800 robots una vez en todos los grupos en cada iteración.
Resultados de las pruebas
Probaron su técnica en varios entornos simulados, incluidos algunos configurados como almacenes, otros con obstáculos aleatorios e incluso escenarios tipo laberinto que emulan los interiores de los edificios.
Al identificar grupos más eficaces para descongestionar, su enfoque basado en el aprendizaje descongestiona el almacén hasta cuatro veces más rápido que los enfoques sólidos que no se basan en el aprendizaje. Incluso cuando tuvieron en cuenta la sobrecarga computacional adicional de ejecutar la red neuronal, su enfoque resolvió el problema 3,5 veces más rápido.
En el futuro, los investigadores quieren obtener información sencilla y basada en reglas a partir de su modelo neuronal, ya que las decisiones de la red neuronal pueden ser opacas y difíciles de interpretar. Los métodos más simples y basados en reglas también podrían ser más fáciles de implementar y mantener en entornos de almacén robóticos reales.