En un gran almacén autónomo, cientos de robots se mueven por los pasillos, recolectando y distribuyendo artículos para satisfacer una constante demanda de pedidos. En este entorno, los pequeños atascos pueden provocar grandes desaceleraciones.
Para prevenir estas ineficiencias, investigadores del MIT y la empresa Symbotic han desarrollado un método que permite que una flota de robots se desplace de manera fluida. Este sistema aprende a decidir qué robots deben tener prioridad en cada momento, adaptándose a la congestión y evitando cuellos de botella.
Funcionamiento del sistema
El sistema híbrido utiliza aprendizaje por refuerzo profundo, una técnica avanzada de inteligencia artificial para resolver problemas complejos. Así, puede determinar cuál robot debe ser priorizado y, posteriormente, un algoritmo de planificación eficiente les da instrucciones para reaccionar rápidamente a las condiciones cambiantes.
En simulaciones basadas en diseños reales de almacenes de comercio electrónico, este enfoque logró un aumento del 25% en la eficiencia en comparación con otros métodos. Además, el sistema se adapta rápidamente a nuevos entornos con diferentes cantidades de robots y diseños de almacenes.
Decisiones en entornos dinámicos
Coordinar cientos de robots en un almacén de comercio electrónico es un desafío considerable. La complejidad aumenta debido a que el entorno es dinámico y los robots reciben continuamente nuevas tareas.
Las empresas suelen utilizar algoritmos diseñados por expertos humanos para determinar el movimiento de los robots, maximizando la cantidad de paquetes que pueden manejar. Sin embargo, si ocurre un atasco, es posible que deban detener toda la operación del almacén durante horas.
“No tenemos una predicción exacta del futuro. Solo sabemos lo que podría suceder en función de los pedidos futuros. El sistema de planificación debe ser adaptable a estos cambios”, explica Han Zheng, estudiante graduado del LIDS en el MIT y autor principal de un artículo sobre este enfoque.
Mejoras en la planificación
Los investigadores comenzaron diseñando un modelo de red neuronal que observa el entorno del almacén y decide cómo priorizar a los robots. Este modelo se entrena mediante un método de prueba y error, donde se recompensa por decisiones que aumentan la eficiencia y evitan conflictos.
Con el tiempo, la red neuronal aprende a coordinar eficientemente a muchos robots, lo que le permite adaptarse a diferentes configuraciones de almacenes. “Nuestro sistema recibe retroalimentación que usamos para hacer que la toma de decisiones sea más inteligente”, dice Zheng.
Una vez que la red neuronal decide qué robots deben tener prioridad, un algoritmo de planificación eficiente les indica cómo moverse. Esta combinación de métodos es clave para el éxito del sistema.
Retos y futuro del sistema
Los investigadores probaron el sistema en simulaciones de almacenes diferentes a los utilizados durante el entrenamiento. En promedio, su enfoque híbrido logró un 25% más de eficiencia que los algoritmos tradicionales.
“A medida que la densidad de robots aumenta, la complejidad escala exponencialmente y los métodos tradicionales tienden a fallar. En estos ambientes, nuestro método es mucho más eficiente”, comenta Zheng.
A pesar de que el sistema aún no está listo para su implementación en el mundo real, estos resultados destacan la viabilidad de un enfoque guiado por aprendizaje automático en la automatización de almacenes. En el futuro, los investigadores planean incluir asignaciones de tareas y escalar su sistema para grandes almacenes con miles de robots.
