美国麻省理工学院（MIT）的研究人员将人工智能缓解交通拥堵的理念应用于解决仓库中的机器人路径规划问题。据麻省理工学院称，该团队已经开发出一种深度学习模型，它可以比典型的强随机搜索方法快近四倍的速度为机器人解除拥堵。

在一个典型的自动化仓库中，可能有数百个移动机器人往返于他们的目的地，并试图避免相互碰撞。规划所有这些同时进行的运动是一个难题。该大学的研究人员说，这个问题非常复杂，即使是最好的路径搜索算法也很难跟上。

通过将难以解决的问题分解成更小的块，一种深度学习技术可以确定仓库中疏导交通的最佳区域。

在一个巨大的机器人仓库里，数百个机器人在地面上来回穿梭，抓取物品并交付给人类工人进行包装和运输。这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。

然而，要让 800 个机器人高效地往返于目的地，同时又要防止它们相互碰撞，并不是一件容易的事。这是一个非常复杂的问题，即使是最好的路径搜索算法也很难跟上电子商务或制造业的飞速发展。

从某种意义上说，这些机器人就像试图在拥挤的市中心穿梭的汽车。因此，一群利用人工智能缓解交通拥堵的麻省理工学院研究人员将该领域的想法应用于解决这一问题。

他们建立了一个深度学习模型，对仓库的重要信息（包括机器人、计划路径、任务和障碍物）进行编码，并利用这些信息预测仓库的最佳疏导区域，以提高整体效率。

他们的技术将仓库中的机器人分成若干组，因此这些较小的机器人组可以用传统的机器人协调算法更快地解除拥堵。最终，他们的方法比强随机搜索法的疏导速度快了近四倍。

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

"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这种规模和复杂程度的实时操作。它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码，而且可以以一种高效的方式实现这一点，在各组机器人之间重复使用计算。"MIT土木与环境工程（CEE）专业吉尔伯特-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）成员凯茜-吴（Cathy Wu）说。

吴是该技术论文的资深作者，他与第一作者、电气工程和计算机科学专业的研究生闫中霞共同完成了这项研究。这项研究成果将在学习表征国际会议（International Conference on Learning Representations）上发表。

机器人俄罗斯方块

从鸟瞰图上看，机器人电子商务仓库的地面有点像快节奏的 "俄罗斯方块 "游戏。

当客户下订单时，机器人会走到仓库的某个区域，抓起放置所需物品的货架，然后将其交给人类操作员，由其拣选和包装物品。数百个机器人同时进行这项工作，如果两个机器人在穿过巨大的仓库时路径发生冲突，它们就可能撞车。

传统的搜索算法会让其中一个机器人继续沿着自己的路线前进，并为另一个机器人重新规划轨迹，从而避免可能发生的碰撞。但是，由于机器人数量众多且可能发生碰撞，问题很快就会呈指数级增长。

"由于仓库是在线运行的，机器人大约每 100 毫秒就要重新规划一次。也就是说，每秒钟，一个机器人就要重新扫描 10 次。因此，这些操作必须非常快速。"吴说。

由于在重新规划过程中时间非常关键，麻省理工学院的研究人员利用机器学习将重新规划的重点放在最容易发生拥堵的地方，也就是最有可能缩短机器人总行程时间的地方。

Wu 和 Yan 建立了一个神经网络架构，可以同时考虑较小的机器人群组。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面切割成更小的组，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，它就能预测出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，先用神经网络选出最有潜力的机器人组，再用搜索求解器解散该组，然后用神经网络选出下一个最有潜力的组，依此类推。

考虑关系

神经网络能有效推理机器人群，因为它能捕捉到单个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，但它们的路径仍可能在行进过程中交叉。

该技术还能简化计算，只需对约束条件进行一次编码，而无需对每个子问题重复编码。例如，在一个拥有 800 个机器人的仓库中，要疏导一组 40 个机器人，就需要将其他 760 个机器人作为约束条件。其他方法则需要在每次迭代中对每组所有 800 个机器人推理一次。

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

"仓库是一个大的环境，因此这些机器人组中有很多都会有一些共同的大问题。我们设计的架构就是为了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，一些带有随机障碍物的环境，甚至还有模拟建筑物内部的迷宫设置。

通过识别更有效的疏导群组，他们基于学习的方法疏导仓库的速度比强大的、非基于学习的方法快四倍。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，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，因为神经网络的决定可能是不透明的，难以解释。更简单、基于规则的方法也更容易在实际机器人仓库环境中实施和维护。

"这种方法基于一种新颖的架构，在这种架构中，卷积和注意力机制能够有效地互动。令人印象深刻的是，它能够考虑到所构建路径的时空成分，而无需针对具体问题进行特征工程。结果非常出色：康奈尔理工学院安德鲁-H.和安-R.-蒂施教授 Andrea Lodi 说："我们不仅能在求解质量和速度方面改进最先进的大型邻域搜索方法，而且该模型还能很好地推广到未见过的案例中。"

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。