Forscher des Massachusetts Institute of Technology (MIT) und des Technologieunternehmens Symbotic haben ein neues KI-System entwickelt, das den automatischen Verkehr von Robotern in riesigen Lagerhallen reibungslos gestaltet. In solchen Umgebungen, in denen hunderte autonome Roboter gleichzeitig Waren sammeln und verteilen, können selbst minimale Verkehrsbehinderungen oder Kollisionen zu massiven Verlangsamungen der gesamten Logistik führen. Um eine solche Kettenreaktion von Ineffizienzen zu verhindern, nutzt das neue Verfahren maschinelles Lernen, um in Echtzeit zu entscheiden, welche Roboter zuerst fahren sollen. Das System analysiert, wo sich Staus bilden, und priorisiert Roboter, die kurz vor einer Blockade stehen, um Routen proaktiv zu ändern. Das hybride System kombiniert Deep Reinforcement Learning, eine leistungsstarke KI-Methode zur Lösung komplexer Probleme, mit einem schnellen und zuverlässigen Planungsalgorithmus. Während das Lernmodell entscheidet, welcher Roboter Vorrang hat, sorgt der Algorithmus für die schnelle Ausführung der Bewegungsanweisungen. Dies ermöglicht es den Robotern, schnell auf sich ständig ändernde Bedingungen zu reagieren. In Simulationen, die echten E-Commerce-Lagerlayouts nachempfunden sind, erreichte dieser Ansatz einen Durchsatzgewinn von etwa 25 Prozent im Vergleich zu anderen Methoden. Ein entscheidender Vorteil ist die Anpassungsfähigkeit des Systems an neue Umgebungen, unabhängig von der Anzahl der Roboter oder der spezifischen Lagerstruktur. Han Zheng, Doktorand am Labor für Informations- und Entscheidungssysteme (LIDS) am MIT und Hauptautor der Studie, betonte, dass viele Entscheidungsprobleme in der Fertigung und Logistik derzeit auf von menschlichen Experten entwickelte Algorithmen angewiesen sind. Mit Deep Reinforcement Learning habe man jedoch übermenschliche Leistungen erzielen können. Selbst kleine Steigerungen des Durchsatzes von nur zwei bis drei Prozent hätten in großen Lagern enorme wirtschaftliche Auswirkungen. Die Studie, an der auch Postdoktoranden und Mitarbeiter von Symbotic beteiligt waren, wurde im Journal of Artificial Intelligence Research veröffentlicht. Die Koordination Hunderte von Robotern gleichzeitig ist besonders anspruchsvoll, da das Lager eine dynamische Umgebung ist. Roboter erhalten ständig neue Aufgaben und müssen sich neu orientieren, wenn sie den Boden betreten oder verlassen. Traditionelle Algorithmen, die von Experten programmiert wurden, stoßen bei Staus oft an ihre Grenzen. In solchen Fällen müssen ganze Lagerhallen oft stundenlang stillgelegt werden, um das Problem manuell zu lösen. Das neue KI-Modell trifft Entscheidungen basierend auf der Vorhersage zukünftiger Interaktionen, um Staus zu vermeiden, bevor sie entstehen. Nach der Priorisierung durch das neuronale Netz nutzt das System bewährte Optimierungsmethoden, um den Weg für jeden Roboter zu planen. Diese Kombination aus maschinellem Lernen und klassischen Optimierungsansätzen vereint die Stärken beider Welten. Cathy Wu, Senior-Autorin der Studie und Professorin für Bauingenieurwesen am MIT, erklärte, dass reine KI-Methoden oft Schwierigkeiten mit komplexen Optimierungsproblemen haben, während die Entwicklung effektiver Methoden durch Menschen extrem zeit- und arbeitsintensiv ist. Zusammengefasst können expertenentworfene Methoden die Aufgabe des maschinellen Lernens erheblich vereinfachen. Nach dem Training des neuronalen Netzwerks testeten die Forscher das System in Simulationsumgebungen, die vom Training abwichen. Trotz unterschiedlicher Bedingungen erreichte der Ansatz durchschnittlich 25 Prozent mehr Durchsatz als herkömmliche Algorithmen oder zufällige Suchverfahren. Besonders bei hoher Roboterdichte, wo die Komplexität exponentiell ansteigt und traditionelle Methoden versagen, erweist sich der neue Ansatz als viel effizienter. Obwohl das System noch nicht direkt in der realen Welt eingesetzt wird, unterstreichen die Ergebnisse die Machbarkeit eines KI-gesteuerten Ansatzes in der Lagerautomation. Zukünftig planen die Forscher, auch die Aufgabenverteilung in die Problemstellung einzubeziehen und das System auf Lagerhallen mit Tausenden von Robotern zu skalieren. Die Forschung wurde von Symbotic finanziert.