KI-Modell des MIT koordiniert Hunderte Roboter in Lagerhäusern
In roboterbasierten Lagerhäusern ist die Koordination von mehreren Hundert Roboter schwierig. Ein lernbasierter Ansatz von Forschern des MIT schafft Abhilfe.
![Das Bild zeigt einen Transportroboter in einem Lagerhaus.](https://heise.cloudimg.io/width/610/q85.png-lossy-85.webp-lossy-85.foil1/_www-heise-de_/imgs/18/4/5/5/1/5/5/3/transport_robot_amazon-55dda5e53c7d26a9.jpeg)
Ein Transportroboter in einem Lagerhaus.
(Bild: Amazon)
Wissenschaftler des Massachusetts Institute of Technology (MIT) haben ein KI-Modell entwickelt, das es ermöglicht, mehrere Hundert Roboter in Lagerhäusern so zu koordinieren, dass sie ihren Bestimmungsort finden, ohne dabei miteinander zu kollidieren. Das Modell arbeite äußerst effizient, sagen die Forscher.
In einem Lagerhaus wenige Roboter zu koordinieren, ist kein großes Problem. Sollen aber Dutzende oder Hunderte Roboter in einem Lagerhaus Waren transportieren und deren Transportwege in Echtzeit koordiniert werden, reichen herkömmliche Methoden nicht mehr aus. Letztere vermeiden Zusammenstöße dadurch, dass sie einen Roboter auf Kurs halten und für den anderen einen neuen Pfad errechnen. Bei zwei Robotern klappt das noch recht unproblematisch. Bei vielen Robotern wächst das Vermeiden von Kollisionen jedoch exponentiell.
Prinzipiell muss man sich ein Lagerhaus, das von Robotern betrieben wird, wie ein überfülltes Stadtzentrum vorstellen. Die Roboter sind dabei die Autos, die unterschiedliche oder gleiche Ziele erreichen wollen, ohne dabei mit anderen zusammenzustoßen und ohne in einen allzu großen Stau zu geraten. In einem Lagerhaus sollen Roboter nach einer Kundenbestellung Waren aus einem Regal holen und möglichst schnell zu einem menschlichen Bearbeiter bringen, der die Ware dann kommissioniert und verpackt.
Die MIT-Wissenschaftler haben dazu ein KI-Modell entwickelt, das mit Methoden des Verstärkenden Lernens arbeitet, wie aus dem wissenschaftlichen Paper "Neural Neighborhood Search for Multi-Agent Path Finding" (PDF) hervorgeht, das auf der International Conference on Learning Representations (ICLR), die vom 7. bis 11. Mai 2024 in Wien stattfindet, vorgestellt werden soll. Das KI-Modell ermöglicht es, Voraussagen darüber zu treffen, welche Bereiche des Lagerhauses am besten entlastet werden sollen, um die Gesamteffizienz zu verbessern. Dabei werden die Pfade der Roboter, deren Geschwindigkeit sowie etwaige Hindernisse berücksichtigt.
"Wir haben eine neue Architektur für neuronale Netze entwickelt, die tatsächlich für Echtzeitoperationen in der Größenordnung und Komplexität von Lagerhäusern geeignet ist", sagt Cathy Wu, Professorin und federführende Autorin des Papers. So können die Roboter etwa alle 100 Millisekunden neu geplant werden. Das KI-Modell "ist in der Lage, Hunderte von Robotern in Bezug auf ihre Bahnen, ihren Ursprung, ihre Ziele und ihre Beziehungen zu anderen Robotern zu kodieren, und zwar auf eine effiziente Weise, bei der Berechnungen über Gruppen von Robotern hinweg wiederverwendet werden", ergänzt Wu.
Aufteilung in Gruppen
Die Wissenschaftler haben dazu die Roboter in Gruppen aufgeteilt. Bei 800 Robotern können das etwa 40 Roboter pro Gruppe sein. Das neuronale Netz ermittelt dann, welche Gruppe das höchste Potenzial hat, um die Gesamtsituation zu verbessern. Auf diese Gruppe wird dann ein suchbasierter Solver angewendet, Algorithmen, die die Roboterpfade umplanen und so Zusammenstöße vermeiden können. Danach wählt das neuronale Netz die nächste vielversprechendste Gruppe aus und so weiter. Durch die Aufteilung in einzelne Gruppen erfolgt der Rechenprozess deutlich schneller, als würden alle 800 Roboter zugleich berücksichtigt werden.
Die Wissenschaftler testeten das System in verschiedenen simulierten Umgebungen. Dabei bildeten sie auch Lagerhäuser mit zufälligen Hindernissen und labyrinthartigem Aufbau nach. Es stellte sich heraus, dass ihr lernbasiertes System viermal schneller arbeitete als die stärksten nicht-lernbasierten Systeme. Selbst bei der Berücksichtigung des zusätzlichen Rechenaufwandes für das neuronale Netz war das lernbasierte System noch um den Faktor 3,5 schneller.
(olb)