在当今制造业中，我们日常使用的许多产品很大程度上是由机器人制造的——这些多自由度机械臂沿着传送带排列，以精确同步的动作完成生产任务。所有这些动作通常需要手动编程，耗费数百至数千小时。如今，谷歌DeepMind团队开发了一种名为RoboBallet的AI系统，使制造机器人能够自主决定如何完成任务。
机器人协作的复杂挑战
规划制造机器人如何高效完成任务是一项极其困难的自动化挑战。你需要解决任务分配和调度问题——决定哪个机器人应该以什么顺序执行哪些任务。这就像著名的旅行商问题的加强版。此外，还有运动规划的问题；你需要确保所有这些机械臂不会相互碰撞，也不会与周围设备发生冲突。
最终，你面临的是无数种可能的组合，需要同时解决三个计算上极为困难的问题。"有一些工具可以自动化运动规划，但任务分配和调度通常需要手动完成，"谷歌DeepMind的研究工程师Matthew Lai表示。"解决所有这三个问题的结合正是我们在工作中要解决的问题。"
图神经网络解决方案
Lai的团队首先生成了所谓工作单元的模拟样本，这是机器人团队在制造产品上执行任务的区域。工作单元包含一个工件——机器人要在其上工作的产品，在这种情况下是放置在桌子上由铝制支架构成的结构。桌子周围随机放置了多达八个Franka Panda机械臂，每个具有7个自由度，需要在工件上完成多达40项任务。每项任务都需要机械臂的末端执行器以正确角度接近正确支架的指定位置，并在2.5厘米范围内停留片刻，模拟执行某些工作。
为了增加难度，团队在每个工作单元中随机放置了障碍物，机器人需要避开它们。"我们选择最多八个机器人，因为这是在不相互阻挡的情况下紧密打包机器人的合理最大数量，"Lai解释道。要求机器人在工件上执行40项任务也是团队认为在真实工厂中具有代表性的要求。
使用最强大的强化学习算法处理这样的设置将是一场噩梦。Lai和他的同事通过将所有问题转化为图找到了解决方法。
图模型中的复杂关系
在Lai的模型中，图由节点和边组成。机器人、任务和障碍物被视为节点。它们之间的关系被编码为单向或双向边。单向边连接机器人与任务和障碍物，因为机器人需要了解障碍物的位置以及任务是否完成。双向边连接机器人之间，因为每个机器人在每个时间步都需要知道其他机器人在做什么，以避免碰撞或重复任务。
为了读取和理解这些图，团队使用了图神经网络，这是一种人工智能，通过沿节点间的连接边传递消息来提取节点间的关系。这简化了数据，使研究人员能够设计一个专注于最重要事项的系统：找到完成任务和避开障碍物的最有效方法。在单个Nvidia A100 GPU上使用随机生成的工件训练几天后，新的工业规划AI RoboBallet能够在几秒钟内为复杂且未见过的环境规划出看似可行的轨迹。
规模经济效应
将传统计算方法应用于复杂问题（如管理工厂中的机器人）的挑战在于，计算难度随系统中项目数量呈指数级增长。为一个机器人计算最优轨迹相对简单。为两个机器人做同样的事情要困难得多；当数量增加到八个时，问题变得几乎无法解决。
使用RoboBallet，计算复杂度也随系统复杂度增长，但速度慢得多。（计算量随任务和障碍物数量线性增长，随机器人数量二次增长。）据团队称，这些计算应该使该系统在工业规模应用中变得可行。
然而，团队希望测试他们AI生成的计划是否有效。为了验证这一点，Lai和他的同事在几个简化的工作单元中计算了最优任务分配、调度和运动，并与RoboBallet的结果进行了比较。在执行时间方面——这可能是制造中最重要的指标——AI的结果非常接近人类工程师所能达到的水平。它并不比他们做得更好，只是提供答案的速度更快。
团队还在四个Panda机器人处理铝制工件的现实物理设置上测试了RoboBallet计划，其效果与模拟中一样好。但Lai表示，它不仅能加快机器人编程过程。
重新定义工作单元设计
根据DeepMind团队的说法，RoboBallet还能让我们设计更好的工作单元。"因为它运行速度非常快，设计师几乎可以实时尝试不同的布局以及机器人的不同放置或选择，"Lai说。这样，工厂工程师就能准确看到通过在单元中添加另一个机器人或选择不同类型的机器人可以节省多少时间。RoboBallet可以做的另一件事是即时重新编程工作单元，允许其他机器人在其中一个发生故障时接替工作。
尽管如此，在RoboBallet进入工厂之前，还有一些问题需要解决。"我们做了几项简化，"Lai承认。首先是障碍物被分解为立方体。工件本身也是立方体。虽然这在某种程度上代表了真实工厂中的障碍物和设备，但有许多可能的工件具有更有机的形状。"最好用更灵活的方式表示它们，如网格图或点云，"Lai说。然而，这可能会导致RoboBallet惊人的速度下降。
另一点是，Lai实验中的机器人是相同的，而在现实世界的工作单元中，机器人团队通常非常多样化。"这就是为什么现实世界的应用需要针对特定类型的应用进行额外的研究和工程，"Lai说。他补充说，当前的RoboBallet已经考虑了此类适应性——可以轻松扩展以支持它们。一旦完成，他希望这将使工厂更快且更加灵活。
未来展望
"系统需要提供工作单元模型、工件模型以及需要完成的任务列表——基于这些信息，RoboBallet将能够生成完整的计划，"Lai说。
RoboBallet代表了AI与制造业融合的重要一步。随着技术的不断成熟，我们可以期待看到更多智能、自适应的机器人系统在工厂中发挥作用，不仅提高效率，还能增强生产灵活性，使制造商能够更快地响应市场需求变化。
这项技术的潜在应用远不止于汽车制造。从电子产品组装到食品加工，RoboBallet的原理可以被应用于各种需要精确协调多个机器人系统的场景中。随着算法的进一步优化和硬件性能的提升，我们可能会看到更加复杂的机器人协作系统出现，这些系统能够处理更精细的任务，适应更动态的生产环境。
然而，要实现这一愿景，仍需克服一些技术挑战。包括更精确的环境建模、更高效的实时决策算法，以及确保系统在各种异常情况下的鲁棒性。此外，随着AI系统在生产中扮演越来越重要的角色，还需要解决相关的安全和伦理问题，确保这些技术能够负责任地部署和使用。
尽管存在这些挑战，RoboBallet的成功展示了AI在解决复杂工业问题方面的巨大潜力。随着研究团队不断改进系统，并解决当前的限制，我们可以期待看到这项技术在未来的制造业中发挥越来越重要的作用，推动生产方式向更智能、更高效的方向发展。
