麻省理工學院(MIT) 的研究人員訓練了一個人工智慧模型來優化倉庫周圍的運動。
當收到訂單時，機器人會前往特定區域，從貨架上取出所需的產品並將其交付給操作人員。數百名機械助理同時執行此操作，如果他們的路徑交叉，他們可能會受傷。
傳統的基於搜尋的演算法透過將一個機器人保持在原位並改變另一個機器人的軌跡來避免可能的碰撞。但隨著它們數量的增加，最佳化問題迅速呈指數級增長。
科學家注意到，移動機器人類似於試圖選擇穿越擁擠的市中心的最佳路線的汽車。
他們創建了一個深度學習模型，對關鍵倉庫資訊進行編碼，包括機械處理程序、計畫路線、任務和障礙物。神經網路使用接收到的資料來尋找應該卸載的合適倉庫區域。
麻省理工學院土木與環境工程助理教授Katie Wu 表示：“我們開發了一種新架構，可以對數百個機器人的軌跡、目的地以及彼此之間的交互進行編碼。”
除了優化倉庫移動之外，這種深度學習方法還可以應用於其他複雜的規劃問題。例如，設計電腦晶片或在大型建築物中鋪設管道時。
此前，ForkLog 以News+ 形式談到了為在工廠和倉庫工作而創建的機器人。
在社群網路上訂閱ForkLog
發現文本中有錯誤？選擇它並按CTRL+ENTER
ForkLog 電子報：隨時掌握比特幣產業的脈動
資訊來源：由0x資訊編譯自FORKLOG。版權歸作者ForkLog所有，未經許可，不得轉載