Az emberszerű felejtés közel harmadával rövidíti az ipari AMR-ek útvonalát

A dél-koreai DGIST technológiai intézet kutatói olyan algoritmust fejlesztettek, amely az emberi felejtést modellezi, ezáltal pedig – érdekes módon – gyorsítja, illetve hatékonyabbá teszi a gyárakban és logisztikai központokban mozgó autonóm mobil robotok (AMR-ek) közlekedését.

Az útvonalak hosszának drasztikus csökkentése a vállalatok költségeit jelentősen redukálhatja.

Az új „fizikai AI” technológia az AMR-ek navigációját támogatja olyan környezetekben, mint a logisztikai központok vagy okosgyárak. És teszi ezt azáltal, hogy az emberi felejtéshez hasonló módon különbözteti meg a fontos, valós idejű adatokat az elavult információktól.

„Modelleztük a társadalmi elvet, amely szerint a fölösleges információt elfelejtjük, a fontosat viszont megtartjuk, hogy hatékony mozgást érjünk el. A kutatás azért jelentős, mert bemutatja, hogyan fejlődik a ’fizikai AI’ az emberi viselkedés irányába” – magyarázta Park Kjung Dzsun, a tanulmány vezető szerzője.

Az AMR-eknek nemcsak tanulniuk, hanem felejteniük is kell

Az Interesting Engineering által hivatkozott egyetemi közlemény azzal érvel a kutatás mellett, hogy miközben az AMR-ek számos területen – köztük a logisztikában és a gyártásban is – kulcsszerepet játszanak, a valós működésük során váratlan körülmények akadályozzák a mozgásukat.

Az AMR-eket általában arra tanítják, hogy módosítsák az útvonalukat, amikor akadályt, például targoncát vagy rosszul elhelyezett rakományt észlelnek, de mivel a gépek nem felejtenek, a kerülőutat akkor is folytatják, ha az akadály már elhárult.

Ez csökkenti a termelékenységet a kiemelt jelentőségű környezetekben, például a logisztikai központokban és az okosgyárakban.

A nem hatékony útvonalválasztás problémájára Park professzor csapata egy olyan kollektív intelligencia algoritmust alkalmazott, amely emberi társadalmi jelenségen alapul, és matematikailag modellezi, hogyan terjed gyorsan bizonyos információ, majd felejtődik el fokozatosan.

Ez a modellezés lehetővé teszi, hogy az AMR-ek azonnal megosszák egymással a kulcsfontosságú információkat, például egy hirtelen megjelenő akadály helyét. Ezzel egy időben persze elfelejtik az elavult adatokat – például azt, hogy hol van az akadály, ha az időközben elhárult.

Az útvonalak javítása és a késések csökkentése közvetlen megtakarítást hozhat a vállalatoknak az üzemeltetési költségekben, az energiafogyasztásban és a berendezések karbantartásában – állítják a tudósok.

A kollektív felejtés ipari bevezetése

A csapat a Gazebo szimulátorban tesztelte a modellt, egy logisztikai központot modellezve, és az eredmények egyértelmű teljesítménynövekedést mutattak. Az átlagos menetidő akár 30,1 százalékkal rövidült, a feladat végrehajtásának sebessége pedig akár 18 százalékkal nőtt.

A kutatók kiemelték: ez az eredmény „megmutatja, hogy a robotok már nem csupán akadálykerülő gépek, hanem a „fizikai AI” rendszerek irányába fejlődnek, ezáltal képesek társadalmi elvek megértésére és az önálló működésre.

A technológia másik erőssége a magas kompatibilitás és a könnyű alkalmazás. Csak 2D LiDAR-t igényel (további szenzorok nélkül), így alacsonyan tartja a hardverköltségeket, míg a kialakítása okán a berendezések módosítására sincs szükség, és közvetlenül integrálható az autonóm navigációs rendszerekbe.

Ez gyors bevezetést feltételez, akár különböző ipari környezetekben, például logisztikai robotoknál, önvezető járműveknél és drónrajoknál is.

A DGIST tudósai arra számítanak, hogy a technológia várhatóan fontos szerepet kap a szélesebb körű alkalmazásokban, például okosvárosok forgalomirányításában, valamint nagyszabású felderítő és mentési műveletekben.

Gábor János, NEW technology