{"id":23295,"date":"2024-02-28T03:00:48","date_gmt":"2024-02-28T03:00:48","guid":{"rendered":"https:\/\/domosistemas.com\/?p=23295"},"modified":"2024-02-28T03:00:48","modified_gmt":"2024-02-28T03:00:48","slug":"el-mit-desarrolla-un-algoritmo-que-descongestiona-el-trafico-de-los-robots-en-los-almacenes","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=23295","title":{"rendered":"El MIT desarrolla un algoritmo que descongestiona el tr\u00e1fico de los robots en los almacenes"},"content":{"rendered":"
\n

En los almacenes rob\u00f3ticos, cientos de robots van y vienen cargados de art\u00edculos y entreg\u00e1ndolos a trabajadores humanos para su embalaje y env\u00edo. Sin embargo, llevar y traer 800 robots a sus destinos de manera eficiente y al mismo tiempo evitar que choquen entre s\u00ed no es una tarea f\u00e1cil. Un grupo de investigadores del Instituto Tecnol\u00f3gico de Massachusetts (MIT<\/a>) han presentado un modelo de inteligencia artificial (IA) para mitigar la congesti\u00f3n del tr\u00e1fico de estos dispositivos. Adem\u00e1s de agilizar las operaciones de almac\u00e9n, este enfoque de aprendizaje profundo podr\u00eda utilizarse en otras tareas de planificaci\u00f3n complejas, como el dise\u00f1o de chips de computadora o el trazado de tuber\u00edas en edificios grandes.<\/p>\n

\"Robots.\"
El algoritmo divide el total de robots en grupos y replanifica la trayectoria de cada uno de los grupos para evitar colisiones.<\/figcaption><\/figure>\n

Los investigadores construyeron un modelo de aprendizaje profundo que codifica informaci\u00f3n importante sobre el almac\u00e9n, incluidos los robots, las rutas planificadas, las tareas y los obst\u00e1culos, y lo utiliza para predecir las mejores \u00e1reas del almac\u00e9n para descongestionar y mejorar la eficiencia general.<\/p>\n

Los algoritmos tradicionales basados \u200b\u200ben b\u00fasqueda evitan posibles fallos al mantener a un robot en su curso y replanificar la trayectoria del otro. Pero con tantos robots y posibles colisiones, el problema crece r\u00e1pidamente de manera exponencial.<\/p>\n

Debido a que el tiempo es tan cr\u00edtico durante la replanificaci\u00f3n, los investigadores del MIT utilizan el aprendizaje autom\u00e1tico para centrar la replanificaci\u00f3n en las \u00e1reas de congesti\u00f3n m\u00e1s procesables, donde existe el mayor potencial para reducir el tiempo total de viaje de los robots.<\/p>\n

Arquitectura de red neuronal<\/h2>\n

El MIT desarroll\u00f3 una arquitectura de red neuronal que considera grupos m\u00e1s peque\u00f1os de robots al mismo tiempo. Por ejemplo, en un almac\u00e9n con 800 robots, la red podr\u00eda dividir el piso del almac\u00e9n en grupos m\u00e1s peque\u00f1os que contengan 40 robots cada uno. A partir de ah\u00ed, predice qu\u00e9 grupo tiene el mayor potencial para mejorar la soluci\u00f3n general si se utilizara un solucionador basado en b\u00fasquedas para coordinar las trayectorias de los robots en ese grupo.<\/p>\n

En un proceso iterativo, el algoritmo general elige el grupo de robots m\u00e1s prometedor con la red neuronal, descongestiona el grupo con el solucionador basado en b\u00fasquedas. Posteriormente, elige el siguiente grupo m\u00e1s prometedor con la red neuronal, y as\u00ed sucesivamente.<\/p>\n

La red neuronal puede razonar sobre grupos de robots de manera eficiente porque captura relaciones complicadas que existen entre robots individuales. Por ejemplo, aunque un robot pueda estar muy lejos de otro inicialmente, sus caminos a\u00fan podr\u00edan cruzarse durante sus viajes.<\/p>\n

La t\u00e9cnica tambi\u00e9n agiliza el c\u00e1lculo codificando las restricciones s\u00f3lo una vez, en lugar de repetir el proceso para cada subproblema. Por ejemplo, en un almac\u00e9n con 800 robots, descongestionar un grupo de 40 robots requiere mantener los otros 760 robots como restricciones. Otros enfoques requieren razonar sobre los 800 robots una vez por grupo en cada iteraci\u00f3n. En cambio, el enfoque de los investigadores s\u00f3lo requiere razonar sobre los 800 robots una vez en todos los grupos en cada iteraci\u00f3n.<\/p>\n

Resultados de las pruebas<\/h2>\n

Probaron su t\u00e9cnica en varios entornos simulados, incluidos algunos configurados como almacenes, otros con obst\u00e1culos aleatorios e incluso escenarios tipo laberinto que emulan los interiores de los edificios.<\/p>\n

Al identificar grupos m\u00e1s eficaces para descongestionar, su enfoque basado en el aprendizaje descongestiona el almac\u00e9n hasta cuatro veces m\u00e1s r\u00e1pido que los enfoques s\u00f3lidos que no se basan en el aprendizaje. Incluso cuando tuvieron en cuenta la sobrecarga computacional adicional de ejecutar la red neuronal, su enfoque resolvi\u00f3 el problema 3,5 veces m\u00e1s r\u00e1pido.<\/p>\n

En el futuro, los investigadores quieren obtener informaci\u00f3n sencilla y basada en reglas a partir de su modelo neuronal, ya que las decisiones de la red neuronal pueden ser opacas y dif\u00edciles de interpretar. Los m\u00e9todos m\u00e1s simples y basados \u200b\u200ben reglas tambi\u00e9n podr\u00edan ser m\u00e1s f\u00e1ciles de implementar y mantener en entornos de almac\u00e9n rob\u00f3ticos reales.<\/p>\n

La entrada El MIT desarrolla un algoritmo que descongestiona el tr\u00e1fico de los robots en los almacenes<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

En los almacenes rob\u00f3ticos, cientos de robots van y vienen cargados de art\u00edculos y entreg\u00e1ndolos a trabajadores humanos para su embalaje y env\u00edo. Sin embargo, llevar y traer 800 robots a sus destinos de manera eficiente y al mismo tiempo evitar que choquen entre s\u00ed no es una tarea f\u00e1cil. Un grupo de investigadores del … Sigue leyendo El MIT desarrolla un algoritmo que descongestiona el tr\u00e1fico de los robots en los almacenes<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-23295","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/23295","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=23295"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/23295\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=23295"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=23295"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=23295"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}