麻省理工学院与科技公司 Symbotic 合作研发了一种新型人工智能系统，旨在解决大型自动化仓库中数百台机器人协同作业时的交通拥堵问题。该系统采用深度强化学习与快速规划算法相结合的混合模式，能够根据实时路况动态预测拥堵，并自动决定哪台机器人优先通行，从而提前调整路径，避免碰撞和停滞。 在模拟真实电商仓库布局的测试中，这套系统表现出卓越的性能，其吞吐量比传统算法高出约 25%。研究人员指出，即便吞吐量仅有 2% 到 3% 的提升，对庞大的仓储运营而言也意味着巨大的经济效益。此外，该系统具备极强的适应性，能够在面对不同规模的机器人数量或仓库布局变更时，迅速调整策略并维持高效运转。 麻省理工学院信息决策系统实验室的博士生郑汉是论文的主要作者。他强调，传统的制造和物流调度往往依赖人类专家编写的规则，而本系统展示了深度强化学习在解决复杂决策问题上可实现超越人类专家的性能。当机器人密度增加导致环境复杂度呈指数级上升时，传统方法容易失效，而该混合方法则能有效维持秩序。 该系统首先利用神经网络观察环境并做出优先级判断，随后通过经典优化算法生成具体移动指令。这种结合方式既发挥了机器学习的学习与适应能力，又保留了传统算法在求解特定优化问题上的稳定性。目前，该技术仍处于模拟测试阶段，尚未投入实际应用。研究团队计划在后续工作中纳入任务分配机制，并将系统扩展至容纳数千台机器人的超大型仓库。这项研究由 Symbotic 资助，相关成果已发表于《人工智能研究杂志》。