Amazon wdraża DeepFleet: AI do przewidywania ruchu robotów w magazynie

Amazon ogłosił wdrożenie systemu DeepFleet – pakietu innowacyjnych modeli sztucznej inteligencji, który ma na celu optymalizację pracy flot robotów mobilnych w centrach logistycznych. To kolejny krok w automatyzacji giganta e-commerce, który dysponuje już imponującą liczbą ponad miliona robotów w swoich magazynach na całym świecie. Czym dokładnie jest DeepFleet i jakie korzyści ma przynieść?

Fundamenty sukcesu: Modele AI w służbie robotyki

DeepFleet bazuje na idei modeli fundamentalnych, które zyskały popularność w obszarach przetwarzania języka naturalnego i analizy obrazu. Modele te, trenowane na ogromnych zbiorach danych, uczą się ogólnych wzorców, które można następnie adaptować do różnych zadań. W przypadku robotyki, wyzwaniem jest skoordynowanie pracy tysięcy robotów w dynamicznym środowisku magazynowym. Tradycyjne symulacje często okazują się niewystarczające, stąd potrzeba inteligentnych systemów prognostycznych, takich jak DeepFleet.

W centrach realizacji zamówień Amazon roboty transportują półki z produktami do pracowników, a w sortowniach zajmują się dystrybucją paczek. W tak rozległych operacjach, gdzie w ruchu są setki tysięcy maszyn, pojawiają się problemy z zatorami i blokadami, które spowalniają pracę. DeepFleet ma temu zapobiegać, prognozując trajektorie robotów i ich wzajemne interakcje, co umożliwia proaktywne planowanie i unikanie potencjalnych problemów.

Architektura DeepFleet: Cztery różne podejścia

DeepFleet składa się z czterech odrębnych modeli, z których każdy wykorzystuje inne założenia i techniki do modelowania dynamiki pracy wielu robotów:

• Model Robot-Centric (RC): Ten model oparty na transformatorach autoregresywnych koncentruje się na pojedynczych robotach. Wykorzystuje dane z otoczenia (np. pobliskie roboty, obiekty, znaczniki) do przewidywania kolejnych akcji, osiągając wysoką precyzję w prognozowaniu pozycji i stanu robota.
• Model Robot-Floor (RF): Ten model łączy stany robotów z globalnymi cechami podłogi magazynu (np. wierzchołki, krawędzie) za pomocą mechanizmu cross-attention. Skutecznie radzi sobie z przewidywaniem czasu realizacji zadań.
• Model Image-Floor (IF): Model ten traktuje magazyn jako wielokanałowy obraz i wykorzystuje konwolucyjne kodowanie do analizy przestrzennej oraz transformatory do analizy czasowej. Okazał się jednak mniej efektywny, prawdopodobnie ze względu na trudności w uchwyceniu interakcji między robotami na poziomie pikseli.
• Model Graph-Floor (GF): Ten model, łączący grafowe sieci neuronowe z transformatorami, reprezentuje magazyn jako graf czasoprzestrzenny. Jest wydajny obliczeniowo i dobrze radzi sobie z globalnymi relacjami, przewidując akcje i stany robotów.

Różnice w podejściu (czasowe vs. oparte na zdarzeniach, lokalne vs. globalne) pozwalają Amazonowi przetestować, które rozwiązania najlepiej sprawdzają się w prognozowaniu na dużą skalę.

Wydajność i potencjał skalowania

Ewaluacja modeli na danych magazynowych wykazała, że model RC osiągnął najlepsze wyniki w zakresie dokładności trajektorii i minimalizacji opóźnień spowodowanych zatorami. Model GF, choć mniej złożony, również wypadł obiecująco.

Eksperymenty wykazały, że większe modele i zbiory danych prowadzą do zmniejszenia błędów predykcji. Sugerują one, że model GF z miliardem parametrów, trenowany na 6,6 miliona epizodów, mógłby skutecznie optymalizować wykorzystanie zasobów obliczeniowych. To kluczowe, ponieważ ogromna flota robotów Amazona zapewnia mu niezrównaną przewagę w postaci danych.

Realny wpływ na operacje

DeepFleet jest już wdrażany w sieci Amazon, która obejmuje ponad 300 placówek na całym świecie. Poprawa efektywności ruchu robotów przekłada się na szybsze przetwarzanie paczek i niższe koszty, co bezpośrednio korzystnie wpływa na klientów.

Amazon podkreśla również, że automatyzacja idzie w parze z rozwojem kompetencji pracowników. Od 2019 roku firma przeszkoliła ponad 700 000 osób w zakresie robotyki i sztucznej inteligencji. Integracja technologii tworzy bezpieczniejsze miejsca pracy, odciążając ludzi od ciężkich prac fizycznych.

Przyszłość robotyki w logistyce

Amazon kontynuuje rozwijanie DeepFleet, koncentrując się na wariantach RC, RF i GF. Technologia ta ma potencjał zrewolucjonizowania systemów wielorobotowych w logistyce. Wykorzystując sztuczną inteligencję do przewidywania zachowań flot robotów, firma wykracza poza sterowanie reaktywne, otwierając drogę do bardziej autonomicznych i skalowalnych operacji. To innowacja, która pokazuje, jak fundamentalne modele AI przenikają ze świata cyfrowego do fizycznej automatyzacji, potencjalnie transformując branże zależne od skoordynowanej robotyki.