Исследователи представили метод Stigmergic Graph Memory (SGM) для оптимизации логистики в автоматизированных складах. Подход решает задачу Many-to-Many Multi-Agent Pickup and Delivery (MAPD), позволяя агентам эффективно распределять задачи и избегать заторов в динамической среде. Система использует принципы стигмергии для координации действий множества роботов без необходимости централизованного управления на каждом этапе планирования маршрутов.
В традиционных системах MAPD контроллер должен одновременно выбирать исполнителя, точку погрузки и место назначения, что создает вычислительную нагрузку при масштабировании. Метод SGM переносит часть логики принятия решений в структуру графовой памяти, которая учитывает текущую загруженность среды. Это позволяет агентам адаптироваться к изменениям в реальном времени, минимизируя время ожидания и вероятность возникновения «пробок» в узких проходах склада.
Технология опирается на концепцию «окружающей памяти», где информация о состоянии системы распределена по графу путей. Агенты считывают эти данные, чтобы корректировать свои траектории, основываясь на следах, оставленных другими участниками процесса. Такой подход значительно снижает сложность планирования для крупных парков робототехники, сохраняя при этом высокую пропускную способность складских операций.
Ключевые факты
- Метод ориентирован на решение задачи Many-to-Many MAPD, где запросы привязаны к товарным единицам, а не к фиксированным координатам.
- Использование стигмергии позволяет децентрализовать процесс навигации, снижая нагрузку на центральный планировщик.
- Система динамически учитывает плотность трафика, что критически важно для предотвращения блокировок в автоматизированных логистических центрах.
- Подход демонстрирует эффективность в сценариях с высокой интенсивностью заказов, где классические алгоритмы поиска пути часто приводят к неоптимальному распределению ресурсов.