Des chercheurs du Massachusetts Institute of Technology (MIT) ont formé un modèle d’IA pour optimiser les mouvements dans un entrepôt.
Lorsqu’une commande est reçue, le robot se rend dans une certaine zone, prend le produit requis sur l’étagère et le livre à un opérateur humain. Des centaines d’assistants mécaniques font cela en même temps, et si leurs chemins se croisent, ils peuvent se blesser.
Les algorithmes de recherche traditionnels évitent d’éventuelles collisions en gardant un androïde en place et en modifiant la trajectoire d’un autre. Mais à mesure que leur nombre augmente, le problème d’optimisation croît rapidement de façon exponentielle.
Les scientifiques ont remarqué que les robots en mouvement ressemblent à des voitures qui tentent de choisir le meilleur itinéraire à travers un centre-ville bondé.
Ils ont créé un modèle d’apprentissage profond qui code les informations critiques de l’entrepôt, notamment les manutentionnaires mécaniques, les itinéraires planifiés, les tâches et les obstacles. Le réseau neuronal utilise les données reçues pour trouver les zones d’entrepôt appropriées qui doivent être déchargées.
« Nous avons développé une nouvelle architecture qui code des centaines de robots sur leurs trajectoires, destinations et interactions les uns avec les autres », a déclaré Katie Wu, professeur adjoint de génie civil et environnemental au MIT.
En plus d’optimiser les mouvements d’entrepôt, cette méthode de deep learning peut être appliquée à d’autres problèmes de planification complexes. Par exemple, lors de la conception de puces informatiques ou de la pose de canalisations dans de grands bâtiments.
Auparavant, ForkLog au format News+ parlait d’androïdes créés pour travailler dans les usines et les entrepôts.
Vous avez trouvé une erreur dans le texte ? Sélectionnez-le et appuyez sur CTRL+ENTRÉE
Newsletters ForkLog : restez à l’écoute de l’industrie Bitcoin !