로봇 창고 운영을 간소화하는 새로운 AI 모델

로봇 창고 운영을 간소화하는 새로운 AI 모델

로봇 창고 운영을 간소화하는 새로운 AI 모델? 수백 대의 로봇이 거대한 로봇 창고 바닥을 왔다 갔다 하며 물건을 집어 들고 포장과 배송을 위해 인간 작업자에게 배달하는 시대입니다. 이러한 창고는 전자상거래에서 자동차 생산에 이르기까지 많은 산업에서 공급망의 일부가 되고 있습니다. 그러나 800대의 로봇이 서로 충돌하지 않으면서 목적지를 효율적으로 오가는 것은 쉬운 일이 아닙니다. 이는 매우 복잡한 문제이기 때문에 최고의 경로 찾기 알고리즘조차도 이커머스나 제조의 급격한 속도를 따라잡기 어렵습니다. 어떤 의미에서 이 로봇은 붐비는 도심을 탐색하려는 자동차와 같습니다. 따라서 교통 혼잡을 완화하기 위해 AI를 사용하는 MIT 연구자 그룹은 이 문제를 해결하기 위해 해당 도메인의 아이디어를 적용했습니다. 이는 로봇, 계획된 경로, 작업 및 장애물을 포함하여 창고에 대한 중요한 정보를 인코딩하고 이를 사용하여 전반적인 효율성을 개선하기 위해 가장 적합한 창고 영역을 예측하는 딥 러닝 모델을 구축했습니다. 이 기술은 창고 로봇을 그룹으로 나누기 때문에 로봇을 조정하는 데 사용되는 기존 알고리즘으로 이러한 소규모 로봇 그룹을 더 빠르게 디콘센트할 수 있습니다. 결국 이 방법은 강력한 무작위 검색 방법보다 로봇의 충돌을 거의 4배 더 빠르게 제거합니다. 이러한 딥 러닝 접근 방식은 창고 운영을 간소화하는 것 외에도 컴퓨터 칩 설계 또는 대형 건물의 파이프 라우팅과 같은 다른 복잡한 계획 작업에도 사용될 수 있습니다. 로봇 창고 운영을 간소화하는 새로운 AI 모델을 구현하고 있는 길버트 캐시 우는 실제로 이러한 창고의 규모와 복잡성에 대한 실시간 운영에 적합한 새로운 신경망 아키텍처를 고안했습니다. 수백 대의 로봇을 궤적, 출처, 목적지, 다른 로봇과의 관계 측면에서 인코딩할 수 있으며, 여러 로봇 그룹에서 계산을 재사용하는 효율적인 방식으로 이 작업을 수행할 수 있다고 밝혔습니다. 실제로 길버트 캐시 우는 윈슬로우 토목 및 환경 공학 경력 개발 조교수이자 정보 및 의사 결정 시스템 연구소 및 데이터, 시스템 및 사회 연구소 회원입니다. 이 기술에 관한 논문의 수석 저자인 우는 전기 공학 및 컴퓨터 과학 대학원생인 수석 저자 중샤 옌과 함께합니다. 이 작업은 국제 학습 표현 컨퍼런스에서 발표될 예정입니다. 다음으로 로봇 테트리스입니다. 로봇 테트리스는 조감도에서 볼 때 로봇 전자상거래 창고 바닥은 빠르게 진행되는 테트리스 게임과 비슷해 보입니다. 고객 주문이 들어오면 로봇이 창고의 한 구역으로 이동하여 요청한 품목을 보관하는 선반을 잡고 해당 품목을 골라 포장하는 작업자에게 배송합니다. 수백 대의 로봇이 동시에 이 작업을 수행하며, 두 로봇이 거대한 창고를 가로지르며 충돌하면 충돌할 수 있습니다. 기존의 검색 기반 알고리즘은 한 로봇이 경로를 유지하고 다른 로봇의 궤적을 다시 계획함으로써 잠재적인 충돌을 방지합니다. 하지만 로봇과 잠재적 충돌이 너무 많기 때문에 문제는 기하급수적으로 빠르게 증가합니다. 이에 대해서 창고가 온라인으로 운영되기 때문에 로봇은 약 100밀리초마다 다시 계획되며, 1초마다 로봇이 10번씩 다시 계획되고 이러한 운영은 매우 빨라야 한다고 캐시 우는 밝혔습니다. 계획을 세우는 동안 시간이 매우 중요하기 때문에 MIT 연구원들은 머신 러닝을 사용하여 로봇의 총 이동 시간을 줄일 수 있는 잠재력이 가장 높은 혼잡 영역에 계획을 집중합니다. 캐시 우는 소규모 로봇 그룹을 동시에 고려하는 신경망 아키텍처를 구축했습니다. 예를 들어서 800대의 로봇이 있는 창고에서 네트워크는 창고 바닥을 각각 40대의 로봇이 있는 소규모 그룹으로 자를 수 있습니다. 그런 다음 검색 기반 솔버를 사용하여 해당 그룹의 로봇 궤적을 조정하는 경우 전체 솔루션을 개선할 가능성이 가장 높은 그룹을 예측합니다. 반복적인 프로세스를 통해 전체 알고리즘은 신경망이 있는 가장 유망한 로봇 그룹을 선택하고, 검색 기반 솔버로 그룹을 분해한 다음, 신경망이 있는 다음으로 유망한 그룹을 선택하는 등의 작업을 수행합니다. 다음으로 관계를 고려해야 합니다. 신경망은 개별 로봇 간에 존재하는 복잡한 관계를 포착하기 때문에 로봇 그룹에 대해 효율적으로 추론할 수 있습니다. 예를 들어서 한 로봇이 처음에는 다른 로봇과 멀리 떨어져 있어도 여행 중에도 경로가 교차할 수 있습니다. 이 기법은 또한 각 하위 문제에 대해 프로세스를 반복하는 대신 제약 조건을 한 번만 인코딩하여 계산을 간소화합니다. 예를 들어, 800대의 로봇이 있는 창고에서 40대의 로봇 그룹이 혼잡을 해소하려면 다른 760대의 로봇을 제약 조건으로 유지해야 합니다. 다른 접근 방식에서는 각 반복에서 그룹당 한 번씩 800대의 로봇을 모두 추론해야 합니다. 대신, 연구자의 접근 방식은 각 반복에서 모든 그룹에 걸쳐 800대의 로봇에 대해 한 번만 추론하면 됩니다. 이들은 창고처럼 설치된 환경, 무작위 장애물이 있는 환경을 포함해 심지어 건물 내부를 모방한 미로와 같은 환경 등 여러 시뮬레이션 환경에서 기술을 테스트했습니다. 더불어 효과적인 그룹을 식별하여 디콘센트할 수 있는 학습 기반 접근 방식은 강력한 비학습 기반 접근 방식보다 최대 4배 더 빠르게 창고의 디콘센트를 제거하고 신경망을 실행하는 데 드는 추가 계산 오버헤드를 고려하더라도 접근 방식은 여전히 3.5배 더 빠르게 문제를 해결했습니다. 앞으로 연구진은 신경망의 결정이 불투명하고 해석하기 어려울 수 있기 때문에 신경망 모델에서 간단한 규칙 기반 인사이트를 도출하고자 합니다. 더 간단하고 규칙 기반 방법은 실제 로봇 창고 설정에서 구현하고 유지 관리하기가 더 쉬울 수도 있습니다. 앤드류와 앤이 말하길 이 접근 방식은 컨볼루션과 주의 메커니즘이 효과적이고 효율적으로 상호 작용하는 새로운 아키텍처를 기반으로 하며, 문제별 특징 엔지니어링 없이도 구성된 경로의 시공간 구성 요소를 고려할 수 있고 현재 결과는 훌륭하다고 밝혔습니다. 또한, 솔루션의 품질과 속도 측면에서 최첨단 대규모 이웃 검색 방법을 개선할 수 있을 뿐만 아니라, 이 모델은 보이지 않는 사례에 훌륭하게 일반화된다고 밝혔습니다.