Exploitanten die industriële IoT-robotvloten beheren, zouden kunnen kijken naar AI ontwikkeld door MIT en Symbotic die magazijnnavigatie optimaliseert.
Binnen enorme autonome distributiecentra schieten honderden geautomatiseerde eenheden door de gangpaden om artikelen te verzamelen en bestellingen van klanten uit te voeren. Naarmate faciliteitsmanagers meer fysieke middelen op de werkvloer toevoegen, escaleren kleine verkeershindernissen gemakkelijk tot wijdverbreide vertragingen.
Wanneer traditionele routeringsalgoritmen bezwijken onder het rekengewicht, moeten operators soms urenlang hun activiteiten onderbreken om de achterstand handmatig weg te werken. Om deze knelpunten te voorkomen, hebben onderzoekers een hybride raamwerk ontworpen om edge-apparaten te orkestreren. Hun aanpak houdt in de gaten hoe congestie ontstaat en past zich aan door prioriteit te geven aan eenheden die vastlopen, waardoor de software activa vooraf kan omleiden.
Optimalisatie van industriële IoT-robotparken met MIT en Symbotic AI
Bedrijven vertrouwen meestal op algoritmen die zijn geschreven door menselijke experts om te dicteren waar en wanneer eenheden reizen om de afhandeling van pakketten te maximaliseren. Maar naarmate de robotdichtheid toeneemt, schaalt de wiskundige complexiteit exponentieel, waardoor deze door mensen ontworpen modellen vaak falen. Het onderzoeksteam van het Laboratory for Information and Decision Systems van MIT merkte op dat hun bijgewerkte methode de efficiëntie handhaaft, zelfs als de magazijndichtheid piekt.
De onderzoekers hebben dit aanpassingsprobleem aangepakt door diepgaand leren te combineren met een snel planningsalgoritme. Het neurale netwerk fungeert als een intelligent filter en neemt observaties van de omgeving om de prioriteit van het voertuig te bepalen. Eenmaal toegewezen, stuurt het klassieke algoritme specifieke navigatie-instructies naar elke machine, waardoor snelle reacties op veranderende vloeromstandigheden mogelijk zijn.
Het combineren van deze raamwerken vereenvoudigt de rekenwerklast. De senior leiding van het project benadrukte dat het combineren van door experts ontworpen methoden met machinaal leren de beperkingen van het afzonderlijk gebruiken van beide benaderingen omzeilt.
Het ondersteunen van edge-automatisering in diverse omgevingen
Het verbinden van grote datastromen van robotparken vereist een nauwe integratie met zakelijke cloudarchitecturen zoals AWS IoT of Azure IoT. Als telemetrie het centrale coördinatieplatform niet efficiënt kan bereiken, kan het netwerk zich niet aanpassen aan de fysieke realiteit.
De omgeving blijft dynamisch, omdat robots voortdurend nieuwe taken krijgen nadat ze hun doelen hebben bereikt. Door toekomstige interacties te voorspellen op basis van binnenkomende pakketgegevens en orderverdelingen, plant het model vooruit om congestie te voorkomen.
In op maat gemaakte simulaties, geïnspireerd op daadwerkelijke e-commerce-indelingen, behaalde deze hybride, op leren gebaseerde aanpak een winst van ongeveer 25 procent in de doorvoer ten opzichte van traditionele algoritmen en willekeurige zoekmethoden, gemeten aan de hand van het aantal pakketten dat per robot wordt afgeleverd. Het systeem leert door interactie met deze lay-outs en ontvangt feedback die de navigatielogica verbetert.
Omdat kant-en-klare industriële simulaties vaak te inefficiënt zijn voor dit soort problemen, werden op maat gemaakte omgevingen ontworpen om operaties in de echte wereld na te bootsen. Het getrainde neurale netwerk past zich met succes aan onzichtbare kaartindelingen, variërende planningshorizonten en verschillende robotdichtheden aan, zonder dat daarvoor vervelende handmatige herscholing nodig is.
Betere routering verbetert ook de duurzaamheid van de hardware. Voertuigen die minder lang stationair draaien of vastzitten in een impasse, verbruiken minder batterijvermogen, waardoor onnodige slijtage van dure fysieke activa wordt beperkt.
Evalueer de softwaremogelijkheden voordat u opschaalt
Voordat fabrieksmanagers een robotica-pilot uitbreiden, moeten ze hun bestaande software-infrastructuur auditeren om er zeker van te zijn dat deze enorme telemetriestromen kan verwerken. Het kopen van extra hardware om doorvoerproblemen op te lossen verergert vaak het vloerverkeer als de centrale software die deze robotparken coördineert de dichtheid niet aankan.
Het ontwikkelingsteam is van plan hun systeem op te schalen om grotere robotvloten met duizenden geautomatiseerde eenheden te beheren. Ze zijn ook van plan om taaktoewijzingen op te nemen in de probleemformulering, omdat het beslissen welke eenheid elke taak voltooit een directe invloed heeft op de verkeersopstoppingen op de vloer.
Het vervangen van handmatige algoritmen door diepgaand leren biedt supply chain-managers een haalbare route naar het behalen van hogere operationele rendementen, waarbij zelfs marginale winsten in de doorvoer in de loop van de tijd enorme financiële waarde genereren.
Zie ook: Machine learning aan de rand van de detailhandel: beperkingen en voordelen
Wilt u meer leren over het IoT van marktleiders? Bekijk IoT Tech Expo die plaatsvindt in Amsterdam, Californië en Londen. Het uitgebreide evenement maakt deel uit van TechEx en vindt plaats op dezelfde locatie als andere toonaangevende technologie-evenementen, waaronder AI & Big Data Expo en de Cyber Security Expo. Klik hier voor meer informatie.
IoT News wordt mogelijk gemaakt door TechForge Media. Ontdek hier andere aankomende zakelijke technologie-evenementen en webinars.
