现代制造业中，我们日常使用的许多产品都由机器人制造——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。所有这些动作通常都需要人工编程，耗时可能达到数百甚至数千小时。现在，谷歌DeepMind团队开发了一名为RoboBallet的AI系统，让制造机器人能够自主决定如何工作。
传统编程的局限
制造业机器人工作的高效自动化规划极为困难。需要同时解决任务分配和调度问题——决定哪个机器人应该按什么顺序完成哪些任务。这就像是著名的旅行商问题的超级强化版。此外，还有运动规划的问题；需要确保所有这些机械臂不会相互碰撞，也不会与周围的设备发生冲突。
最终，面对无数可能的组合，我们需要同时解决三个计算上极其困难的问题，而非一个。谷歌DeepMind的研究工程师马修·莱（Matthew Lai）表示："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人工完成。我们工作中要解决的就是这三者的结合。"
从复杂问题到图结构
莱的团队首先生成了所谓的"工作单元"模拟样本，这是机器人团队在制造产品上执行任务的区域。工作单元包含一个称为工件的产品，在这个案例中，是需要由铝制支架在桌子上组装的产品。桌子周围随机放置了多达八台Franka Panda机械臂，每台具有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工件上正确的支架位置，并在2.5厘米范围内停留片刻，模拟执行工作。
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。莱解释道："我们选择最多八台机器人，因为这是在紧密排列机器人而不会相互阻挡的情况下，合理的最大数量。"团队还认为，让机器人在工件上执行40项任务代表了真实工厂的需求。
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。莱和他的同事找到了一种解决方法，将所有问题转化为图结构。
图神经网络的应用
在莱的模型中，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位置和任务完成情况。双向边连接机器人之间，因为每个机器人需要知道其他机器人在每个时间点的动作，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，通过沿着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：找到完成任务同时避开障碍物的最有效方法。在单个Nvidia A100 GPU上对随机生成的工作单元进行几天训练后，这个名为RoboBallet的新型工业规划AI能够在几秒钟内为复杂且前所未见的环境规划出看似可行的轨迹。
最重要的是，它具有很好的可扩展性。
计算复杂度的突破
将传统计算方法应用于复杂问题（如管理工厂机器人）的挑战在于，计算难度随系统中项目数量呈指数级增长。为一台机器人计算最优轨迹相对简单。为两台机器人做同样的事情则困难得多；当数量增加到八台时，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。）根据团队的说法，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生成的计划是否真的有效。为此，莱和同事在几个简化工作单元中计算了最优任务分配、调度和运动，并将结果与RoboBallet的结果进行了比较。在执行时间方面——这可能是制造业中最重要的指标——AI的结果非常接近人类工程师所能达到的水平。它并不比人类做得更好，只是提供答案的速度更快。
团队还在真实物理环境中测试了RoboBallet计划，使用四台Panda机器人处理铝制工件，结果与模拟中一样有效。但莱表示，它不仅能加速机器人编程过程。
工作设计的革新
根据DeepMind团队的说法，RoboBallet还能让我们设计更好的工作单元。莱表示："因为它运行速度极快，设计师可以几乎实时地尝试不同的布局以及机器人的不同放置或选择。"这样，工厂工程师就能准确了解通过在单元中添加另一台机器人或选择不同类型的机器人能节省多少时间。RoboBallet能做的另一件事是动态重新编程工作单元，允许其他机器人在一台机器人故障时接替工作。
尽管如此，在RoboBallet进入工厂之前，仍有一些问题需要解决。莱承认："我们做了几项简化。"第一，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，但许多可能的工件具有更有机的形状。莱表示："用更灵活的方式表示它们，如网格图或点云会更好。"然而，这可能会降低RoboBallet的惊人速度。
另一个问题是，莱的实验中的机器人是相同的，而现实世界的工作单元中，机器人团队通常是异构的。莱说："这就是为什么现实世界的应用需要针对特定类型应用进行额外的研究和工程。"但他补充说，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。
莱表示："系统需要获得工作单元模型、工件模型以及需要完成的任务列表——基于这些，RoboBallet将能够生成完整的计划。"
未来展望
RoboBallet代表了人工智能与制造业融合的重要一步。随着技术的不断成熟，我们可以预见更多工厂将采用这种智能协作系统，实现生产效率的飞跃和制造流程的柔性化。这不仅将改变工厂的生产方式，也将重新定义人与机器人在制造环境中的角色关系，开启智能制造的新篇章。
