- 10,591
- 12
- 13 Ноя 2022
Исследователи из Массачусетского технологического института (MIT) Для просмотра ссылки Войди
При поступлении заказа робот отправляется в определенную зону, берет с полки с необходимый товар и доставляет его человеку-оператору. Сотни механических помощников делают это одновременно, и если их пути пересекутся, они могут пострадать.
Традиционные алгоритмы, основанные на поиске, позволяют избежать возможных столкновений, удерживая одного андроида на месте и меняя траекторию для другого. Но при увеличении их количества задача оптимизации быстро растет в геометрической прогрессии.
Ученые заметили, что движущиеся роботы похожи на автомобили, пытающиеся выбрать лучший путь в переполненном центре города.
Они создали модель глубокого обучения, кодирующая важную информацию о складе, включая механических грузчиков, запланированные маршруты, задачи и препятствия. Нейросеть использует полученные данные для нахождения подходящих участков склада, которые следует разгрузить.
«Мы разработали новую архитектуру, которая кодирует сотни роботов относительно их траекторий, пунктов назначения и взаимодействия друг с другом», — сообщила доцент кафедры гражданского и экологического строительства MIT Кэти Ву.
Помимо оптимизации перемещений по складам, данный метод глубокого обучения можно применять в других сложных задачах планирования. Например, при проектировании компьютерных чипов или прокладке труб в больших зданиях.
Ранее ForkLog в формате News+ рассказал об андроидах, создаваемых для работы на заводах и складах.
- Источник новости
- forklog.com
