Integrierte Aufgabenverteilung und Pfadkoordination für großangelegte Roboternetzwerke mit Unsicherheiten

Künstlich-intelligente, autonome unbemannte Systeme, wie großangelegte autonome Roboternetzwerke, werden häufig in Logistik- und Industrieanwendungen eingesetzt. In diesem Artikel behandeln wir das integrierte Aufgabenmanagement, die Pfadplanung und das Koordinationsproblem, das für großangelegte Roboternetzwerke mit bestehenden Unsicherheiten angewendet wird. Insbesondere wird ein neuartiger verallgemeinerter Konfliktgraph entworfen, der die Reisekosten des folgenden Pfadergebnisses jeder Aufgaben-Roboter-Zuordnung kodiert und auch die vorhergesagten Pfadkonflikte jeder zwei Zuweisungen beinhaltet. Ein integriertes Optimierungsproblem, das darauf abzielt, die Gesamtreisekosten und potenzielle Pfadkonflikte gleichzeitig zu minimieren, wird zunächst formuliert und dann in einen linearen Programmierungsansatz umgewandelt, um die optimale Lösung zu erhalten. Um die Echtzeitanforderungen in großangelegten Systemen zu erfüllen, wird eine gierige Lösung vorgestellt, die eine annähernd optimale Leistung bietet, jedoch die rechnerische Komplexität um Größenordnungen verringern kann. Die Optimalität, Skalierbarkeit, Robustheit und Effizienz unseres Ansatzes werden durch umfassende Vergleiche mit bestehenden hochmodernen Ansätzen demonstriert. Hinweis für Praktiker – Mit der Entwicklung von Techniken der Künstlichen Intelligenz werden großangelegte autonome Roboternetzwerke zunehmend in Lagerhäusern, unbemannten Containerterminals und intelligenten Transportsystemen eingesetzt. Dieser Artikel betrachtet die großangelegten Netzwerke mit hunderten oder sogar tausenden von unbemannten Robotern, die in lebenslangen Transportsystemen implementiert sind, in denen Unsicherheiten im praktischen Ausführungsprozess bestehen. Unser Hauptkonzept besteht darin, die Gesamtdauer aller Aufgaben und die potenziellen Bewegungszustände unter allen Robotern in der nachfolgenden Ausführungsphase gleichzeitig zu minimieren, wodurch Roboterstaus, unausgewogene Verkehrsverteilungen vermindert, die Systemeffizienz erhöht und die Robustheit und Skalierbarkeit verbessert werden. Lebenslange Simulationen mit tausend Robotern zeigen, dass unser Ansatz mehr als 30 % der für die Koordination von Robotermotionskonflikten benötigten Zeitschritte reduzieren kann, während gleichzeitig der Durchsatz und die Gesamtbetriebseffizienz verbessert werden. Simulationsergebnisse zeigen jedoch, dass die Systemverbesserung in Anwesenheit extremer Unsicherheiten (wie vorübergehender Bewegungs- und Kommunikationsausfälle des Roboters) abnimmt, aufgrund der ungenauen Konfliktvorhersage in der integrierten Optimierungsphase. Unsere zukünftige Arbeit umfasst die auf Deep Learning basierende Verkehrsprognose und die Online-Neuzuteilung und -planung in stark dynamischen Szenarien.