Dentro de um gigantesco armaz\u00e9m aut\u00f4nomo, centenas de rob\u00f4s se movem entre corredores para atender pedidos. Pequenos congestionamentos podem provocar lentid\u00e3o em cadeia, afetando o fluxo de itens.<\/p>\n
Pesquisadores do MIT e a empresa Symbotic prop\u00f5em um m\u00e9todo que decide, a cada momento, qual rob\u00f4 tem prioridade. O objetivo \u00e9 evitar gargalos e aumentar a vaz\u00e3o de pacotes.<\/p>\n
O sistema aprende com congest\u00f5es emergentes e prioriza rob\u00f4s que est\u00e3o prestes a ficar presos. Assim, pode redirecionar rotas com anteced\u00eancia para manter o fluxo est\u00e1vel.<\/p>\n
A abordagem h\u00edbrida combina aprendizado por refor\u00e7o profundo com um algoritmo de planejamento r\u00e1pido. Primeiro, o modelo decide a prioridade; depois, as instru\u00e7\u00f5es s\u00e3o enviadas aos rob\u00f4s.<\/p>\n
Em simula\u00e7\u00f5es inspiradas em layouts reais de dep\u00f3sitos, o m\u00e9todo atingiu ganho de cerca de 25% na vaz\u00e3o em rela\u00e7\u00e3o a m\u00e9todos tradicionais.<\/p>\n
O modelo neural observa o ambiente, aprende com feedback de simula\u00e7\u00f5es e adapta-se a armaz\u00e9ns com layouts diferentes, variando o n\u00famero de rob\u00f4s.<\/p>\n
Ao decidir quem avan\u00e7a, o sistema antecipa intera\u00e7\u00f5es entre rob\u00f4s e evita conflitos futuros, reduzindo atrasos causados por colis\u00f5es.<\/p>\n
A segunda etapa utiliza um algoritmo de planejamento comprovado para orientar movimentos entre pontos, permitindo resposta r\u00e1pida a mudan\u00e7as.<\/p>\n
Em cen\u00e1rios simulados, a abordagem h\u00edbrida superou algoritmos tradicionais e busca por pacotes por rob\u00f4, aumentando a efici\u00eancia de entrega.<\/p>\n
Segundo os autores, a densidade alta de rob\u00f4s eleva a complexidade, mas o m\u00e9todo demonstra maior confiabilidade diante de gargalos que surgem.<\/p>\n
Embora ainda longe da implementa\u00e7\u00e3o real, os testes destacam a viabilidade de IA orientada para otimizar opera\u00e7\u00f5es em armaz\u00e9ns de larga escala.<\/p>\n
O estudo \u00e9 liderado por Han Zheng, da LIDS do MIT, com participa\u00e7\u00e3o de Yining Ma, Brandon Araki e Jingkai Chen da Symbotic, e Cathy Wu como orientadora s\u00eanior.<\/p>\n
O artigo foi publicado no Journal of Artificial Intelligence Research. O financiamento veio da Symbotic.<\/p>\n","protected":false},"excerpt":{"rendered":"