Un nuevo sistema de inteligencia artificial desarrollado por MIT y Symbotic optimiza el tráfico de robots en almacenes, aumentando la eficiencia en un 25% al evitar congestiones y mejorar la planificación.
En el interior de un vasto almacén autónomo, cientos de robots se desplazan por los pasillos, recolectando y distribuyendo artículos para cumplir con un flujo constante de pedidos de clientes. En este entorno dinámico, incluso pequeños atascos o colisiones pueden desencadenar una serie de ralentizaciones significativas.
Para prevenir esta avalancha de ineficiencias, un grupo de investigadores del MIT y la empresa tecnológica Symbotic han desarrollado un nuevo método que permite mantener en movimiento a una flota de robots de manera fluida. Este sistema aprende a decidir qué robots deben tener prioridad en cada momento, adaptándose a la formación de congestiones y priorizando aquellos que están a punto de quedar atrapados. De esta forma, el sistema puede redirigir a los robots anticipadamente para evitar cuellos de botella.
El sistema híbrido utiliza el aprendizaje profundo por refuerzo, una potente técnica de inteligencia artificial diseñada para resolver problemas complejos. Esta metodología permite determinar qué robots deben ser priorizados. Posteriormente, un algoritmo de planificación rápido y fiable proporciona instrucciones a los robots, lo que les permite reaccionar ágilmente ante condiciones cambiantes.
En simulaciones inspiradas en disposiciones reales de almacenes e-commerce, este enfoque innovador logró aproximadamente un 25% más de rendimiento en comparación con otros métodos. Además, el sistema demuestra una notable capacidad para adaptarse rápidamente a nuevos entornos con diferentes cantidades de robots o configuraciones del almacén.
“Existen numerosos problemas de toma de decisiones en manufactura y logística donde las empresas dependen de algoritmos diseñados por expertos humanos. Sin embargo, hemos demostrado que, gracias al poder del aprendizaje profundo por refuerzo, podemos alcanzar un rendimiento superior al humano. Este es un enfoque muy prometedor porque en estos enormes almacenes incluso un aumento del 2 o 3 por ciento en el rendimiento puede tener un impacto enorme”, afirma Han Zheng, estudiante graduado en el Laboratorio para Sistemas de Información y Decisión (LIDS) del MIT y autor principal del estudio sobre este nuevo enfoque.
Coordinar simultáneamente cientos de robots en un almacén e-commerce no es tarea sencilla. El problema se complica aún más debido a que el almacén es un entorno dinámico donde los robots reciben constantemente nuevas tareas tras alcanzar sus objetivos. Deben ser redirigidos rápidamente al salir y entrar del área operativa.
A menudo, las empresas utilizan algoritmos creados por expertos humanos para determinar dónde y cuándo deben moverse los robots con el fin de maximizar la cantidad de paquetes que pueden manejar. Sin embargo, si ocurre congestión o colisiones, la compañía puede verse obligada a detener toda la operación durante horas para resolver manualmente el problema.
“En este contexto, no tenemos una predicción exacta del futuro. Solo sabemos lo que podría suceder respecto a los paquetes entrantes o la distribución futura de pedidos. El sistema de planificación necesita ser adaptable a estos cambios mientras las operaciones del almacén continúan”, explica Zheng.
Los investigadores del MIT lograron esta adaptabilidad mediante el uso del aprendizaje automático. Comenzaron diseñando un modelo neuronal capaz de observar el entorno del almacén y decidir cómo priorizar a los robots. Este modelo se entrena utilizando el aprendizaje profundo por refuerzo, una metodología basada en prueba y error donde se recompensa al modelo por tomar decisiones que aumenten el rendimiento general mientras evita conflictos.
A lo largo del tiempo, la red neuronal aprende a coordinar eficientemente muchos robots. “Interactuando con simulaciones inspiradas en disposiciones reales de almacenes, nuestro sistema recibe retroalimentación que utilizamos para hacer su toma de decisiones más inteligente. La red neuronal entrenada puede adaptarse luego a almacenes con diferentes configuraciones”, aclara Zheng.
El diseño está orientado a captar las restricciones y obstáculos a largo plazo en cada camino robótico, considerando también las interacciones dinámicas entre los robots mientras se mueven por el almacén.
Una vez entrenada la red neuronal, los investigadores probaron el sistema en almacenes simulados distintos a aquellos utilizados durante su entrenamiento. Dado que las simulaciones industriales resultaban ineficaces para este problema complejo, crearon sus propios entornos imitando lo que sucede en almacenes reales.
En promedio, su enfoque basado en aprendizaje híbrido logró un rendimiento 25% superior frente a algoritmos tradicionales así como métodos aleatorios, considerando la cantidad total de paquetes entregados por robot. Su método también generó planes viables para rutas robóticas que superaron la congestión provocada por métodos tradicionales.
"Particularmente cuando aumenta la densidad de robots en el almacén, la complejidad escala exponencialmente y estos métodos tradicionales comienzan a fallar rápidamente. En estos entornos, nuestro método resulta mucho más eficiente", concluye Zheng.
Aunque su sistema aún está lejos del despliegue real, estas demostraciones resaltan la viabilidad y beneficios del uso de enfoques guiados por aprendizaje automático en la automatización del almacenamiento.
A futuro, los investigadores planean incluir asignaciones específicas dentro del planteamiento del problema ya que determinar qué robot completará cada tarea impacta directamente sobre la congestión. También tienen intenciones de escalar su sistema hacia grandes almacenes con miles de robots.