AIシステム、倉庫ロボットの交通渋滞を防ぐことを学習し、生産性を25%向上

"巨大な自律型倉庫の内部では、何百ものロボットが通路を縫うように駆け抜け、顧客注文の絶え間ない流れを満たすために、アイテムを集めて配布します。この忙しい環境では、たとえ小さな交通渋滞や軽微な衝突であっても、それが連鎖して大規模なスローダウンに膨れ上がることがあります。こうした効率の悪化が雪崩のように広がるのを防ぐために、MITとテック企業シンボティック（Symbotic）の研究者たちは、ロボットの群れを自動的にスムーズに動かし続ける新しい手法を開発しました。

この手法は、渋滞がどのように形成されているかに基づいて、各瞬間にどのロボットを先に行かせるべきかを学習し、立ち往生しそうなロボットを優先するよう適応します。そうすることで、システムは事前にロボットを迂回させ、ボトルネックを回避できます。

このハイブリッドシステムは、複雑な問題を解くための強力な人工知能手法である深層強化学習を活用して、どのロボットを優先すべきかを突き止めます。次に、迅速で信頼性の高い計画アルゴリズムがロボットへ指示を渡し、変化し続ける条件のもとでロボットが素早く対応できるようにします。

実在のEC（電子商取引）倉庫のレイアウトを想起させるシミュレーションでは、この新しいアプローチは、他の手法に比べて生産性（スループット）を約25%向上させることができました。重要なのは、ロボットの台数が異なる、あるいは倉庫レイアウトが多様であるといった新しい環境にも、システムが迅速に適応できることです。

"製造業や物流には、企業が人間の専門家によって設計されたアルゴリズムに依存する意思決定の問題がたくさんあります。しかし私たちは、深層強化学習の力を使えば、人間を超える性能を達成できることを示しました。こうした巨大な倉庫では、スループットを2%や3%増やすだけでも大きな影響が出るため、非常に有望なアプローチです," と、MITの情報・意思決定システム研究室（Laboratory for Information and Decision Systems: LIDS）の大学院生であり、本新手法に関する論文の筆頭著者であるハン・ジョン（Han Zheng）は述べています。

この論文には、LIDSのポスドク研究員であるイーニン・マー（Yining Ma）に加え、Symboticのブランドン・アラキ（Brandon Araki）とジャインカイ・チェン（Jingkai Chen）、そしてシニア著者であるキャシー・ウー（Cathy Wu）—MITの土木・環境工学（CEE）およびデータ・システム・社会（IDSS）研究所における1954年度クラスのキャリア開発担当アソシエイト教授で、LIDSのメンバーでもあります。研究は掲載されており、その掲載先はJournal of Artificial Intelligence Researchです。"