麻省理工学院的一组研究人员使用人工智能来缓解交通拥堵，他们将该领域的想法应用于解决仓库环境中多个机器人的问题。

　　通过将棘手的问题分解成更小的块，深度学习技术确定了减少仓库流量的最佳区域。

　　在一个巨大的机器人仓库里，数百个机器人在地板上来回移动，抓取物品并将其交付给人类工人进行包装和运输。从电子商务到汽车生产，这种仓库正日益成为许多行业供应链的一部分。

　　然而，让800个机器人高效往返目的地，同时防止它们相互碰撞，并不是一件容易的事。这是一个非常复杂的问题，即使是最好的寻路算法也难以跟上电子商务或制造业的高速发展。

　　人工智能驱动的效率解决方案

　　从某种意义上说，这些机器人就像试图在拥挤的市中心行驶的汽车。因此，麻省理工学院的一组研究人员使用人工智能来缓解交通拥堵，他们应用了该领域的想法来解决这个问题。

　　他们建立了一个深度学习模型，对仓库的重要信息进行编码，包括机器人、规划的路径、任务和障碍，并用它来预测仓库中最适合疏解拥堵的区域，以提高整体效率。

　　他们的技术将仓库机器人分成若干组，因此这些较小的机器人组可以用用于协调机器人的传统算法更快地去拥挤。最后，他们的方法比强随机搜索方法快了近四倍。

　　除了简化仓库操作外，这种深度学习方法还可以用于其他复杂的规划任务，如计算机芯片设计或大型建筑物中的管道布线。

　　前沿神经网络架构

　　“我们设计了一种新的神经网络架构，它实际上适用于这些仓库的规模和复杂性的实时操作。它可以根据轨迹、起点、目的地和与其他机器人的关系对数百个机器人进行编码，而且它可以以一种高效的方式在机器人群中重用计算，”土木与环境工程(CEE)吉尔伯特·w·温斯洛职业发展助理教授、信息与决策系统实验室(LIDS)和数据、系统与社会研究所(IDSS)的成员凯茜·吴说。

　　吴是一篇关于这项技术的论文的资深作者，他的第一作者是电气工程和计算机科学研究生闫忠霞。这项工作将在国际学习表征会议上发表。

　　机器人的俄罗斯方块

　　从鸟瞰的角度看，机器人电子商务仓库的地板看起来有点像快节奏的“俄罗斯方块”游戏。

　　当客户订单进来时，机器人移动到仓库的一个区域，抓住存放所请求物品的架子，并将其交付给挑选和包装物品的人类操作员。数百个机器人同时这样做，如果两个机器人在穿过巨大的仓库时路径冲突，它们可能会崩溃。

　　传统的基于搜索的算法通过保持一个机器人在其航线上，并为另一个机器人重新规划轨迹来避免潜在的碰撞。但由于有如此多的机器人和潜在的碰撞，这个问题迅速呈指数增长。

　　“因为仓库是在线运行的，机器人大约每100毫秒重新规划一次。这意味着每秒钟，一个机器人要重新规划10次。所以，这些操作需要非常快。”

　　由于在重新规划过程中时间是如此重要，麻省理工学院的研究人员使用机器学习将重新规划的重点放在最可行的拥堵区域上——那里最有可能减少机器人的总旅行时间。

　　Wu和Yan建立了一个神经网络架构，可以同时考虑更小的机器人群体。例如，在一个拥有800个机器人的仓库中，网络可能会将仓库地板分成更小的组，每组包含40个机器人。

　　然后，如果使用基于搜索的求解器来协调该组机器人的轨迹，它会预测哪一组最有可能改进整体解决方案。

　　整个算法是一个迭代过程，用神经网络选择最有希望的机器人组，用基于搜索的解算器对该组进行解算，然后用神经网络选择下一个最有希望的机器人组，以此类推。

　　简化复杂系统

　　神经网络可以有效地对机器人群体进行推理，因为它捕捉到了个体机器人之间存在的复杂关系。例如，即使一个机器人最初可能离另一个机器人很远，它们的路径仍然可以在旅行中交叉。

　　该技术还简化了计算，只对约束进行一次编码，而不是对每个子问题重复这个过程。例如，在一个有800个机器人的仓库中，对40个机器人进行解塞需要将其他760个机器人作为约束。其他方法需要在每次迭代中对所有800个机器人每组进行一次推理。

　　相反，研究人员的方法只需要在每次迭代中对所有组的800个机器人进行一次推理。

　　“仓库是一个大的环境，所以很多机器人团队都会有一些更大问题的共同方面。我们设计了我们的架构来利用这些共同的信息，”她补充道。

　　他们在几个模拟环境中测试了他们的技术，包括一些像仓库一样的环境，一些有随机障碍的环境，甚至是模拟建筑内部的迷宫环境。

　　通过确定更有效的组来减少拥挤，他们基于学习的方法比强大的、非基于学习的方法减少仓库拥挤的速度快四倍。即使考虑到运行神经网络的额外计算开销，他们的方法解决问题的速度仍然快3.5倍。

　　未来方向与同侪认同

　　在未来，研究人员希望从他们的神经模型中获得简单的、基于规则的见解，因为神经网络的决策可能是不透明的，难以解释的。在实际的机器人仓库设置中，更简单的、基于规则的方法也更容易实现和维护。

　　“这种方法是基于一种新颖的架构，其中卷积和注意力机制有效地相互作用。令人印象深刻的是，这导致能够考虑到构建路径的时空成分，而不需要特定于问题的特征工程。“结果非常出色:不仅可以在解决方案的质量和速度方面改进最先进的大型社区搜索方法，而且该模型可以很好地推广到未见过的情况，”康奈尔理工大学的安德鲁H.和安R.蒂施教授安德里亚·洛迪说，他没有参与这项研究。

　　参考文献:多智能体寻径的神经邻域搜索

　　这项工作得到了亚马逊和麻省理工学院亚马逊科学中心的支持。