现代制造业中，我们使用的许多产品主要由机器人制造——这些多自由度机械臂沿着传送带排列，以精确同步的动作进行壮观的生产表演。所有这些动作通常需要人工编程，耗时可达数百至数千小时。谷歌DeepMind团队开发了一种名为RoboBallet的AI系统，让制造机器人能够自主决定如何完成任务。
旅行商问题的复杂变体
规划制造机器人如何高效完成任务是一项极其难以自动化的挑战。您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执行哪些任务。这就像是著名的旅行商问题(Traveling Salesman Problem)的加强版。此外，还有运动规划的问题；您需要确保所有这些机械臂不会相互碰撞，也不会撞到周围的各种设备。
最终，您面临的是无数可能的组合，必须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手动完成。我们工作中解决的就是这三个问题的组合。"
Lai的团队首先生成了所谓的"工作单元"的模拟样本，这些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，是放置在桌面上需要由铝制支架构建的产品。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个任务。每个任务都需要机械臂的末端执行器以正确的角度接近正确支架上的正确位置，距离在2.5厘米以内，然后保持静止片刻，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，机器人必须避开它们。Lai解释道："我们选择最多处理8台机器人，因为这是在不相互阻挡的情况下紧密排列机器人的合理最大数量。"团队认为让机器人在工件上执行40个任务也能代表真实工厂的需求。
即使是使用最强大的强化学习算法，这样的设置也难以处理。Lai和他的同事找到了一种解决方法，即将所有问题转化为图结构。
复杂关系的图表示
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，因为每个机器人都需要知道其他机器人在每个时间步的动向，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，通过在连接的边之间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：在避开障碍物的同时找到完成任务的最有效方法。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，它的扩展性非常好。
规模经济效应
将传统计算方法应用于复杂问题（如管理工厂机器人）的挑战在于，计算难度会随着系统中项目数量的增加而呈指数级增长。为一台机器人计算最优轨迹相对简单。为两台做同样工作则困难得多；当数量增加到八台时，问题实际上变得难以解决。
使用RoboBallet，计算复杂度虽然也随着系统复杂度的增加而增长，但速度要慢得多。（计算量随任务和障碍物的数量线性增长，随机器人数量的增长呈二次方增长。）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，团队想要测试他们AI生成的计划是否有效。为此，Lai和他的同事在几个简化的工作单元中计算了最优的任务分配、调度和运动路径，并将其与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能做到的水平。它并不比人类做得更好，只是提供答案的速度更快。
团队还在一个真实的物理设置中测试了RoboBallet的计划，四台Panda机器人在铝制工件上工作，效果与模拟中一样好。但Lai表示，它不仅能加速机器人编程过程。
应对故障情况
根据DeepMind团队的说法，RoboBallet还能让我们设计更好的工作单元。Lai表示："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。"这样，工厂的工程师就能准确看到通过在工作单元中增加一台机器人或选择不同类型的机器人可以节省多少时间。RoboBallet能做的另一件事是即时重新编程工作单元，当一台机器人发生故障时，让其他机器人接替工作。
尽管如此，在RoboBallet进入工厂之前，仍有一些问题需要解决。Lai承认："我们做了几项简化。"首先是障碍物被分解为立方体。工件本身也是立方体的。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。Lai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，这可能会导致RoboBallet惊人的速度下降。
另一个问题是Lai实验中的机器人是相同的，而在现实世界的工作单元中，机器人团队通常是异构的。Lai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。"不过，他补充说，当前的RoboBallet已经考虑到了这些适应性设计——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。
Lai表示："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，RoboBallet将能够生成完整的计划。"
技术创新与未来展望
RoboBallet代表了人工智能在制造业自动化领域的重要突破。通过将复杂的机器人协调问题转化为图结构并利用图神经网络，DeepMind团队成功解决了传统方法难以应对的多重计算挑战。这一技术的核心创新在于其能够同时处理任务分配、调度和运动规划这三个相互关联的问题，而传统方法通常需要分别解决这些挑战。
图：工业机器人在生产线上协作制造汽车框架
在实际应用中，RoboBallet的快速响应能力为制造业带来了前所未有的灵活性。工程师可以实时测试不同的生产线配置，快速评估增加机器人或更换不同类型机器人的效果。这种能力在传统方法中是不可能实现的，因为人工编程和优化需要大量时间。
此外，RoboBallet的容错特性也使其在工业环境中具有显著优势。当生产线上的某台机器人发生故障时，系统可以迅速重新规划任务分配，让其他机器人接替工作，最大限度地减少生产中断。这种动态调整能力对于提高生产线的整体可靠性和效率至关重要。
技术挑战与解决方案
尽管RoboBallet取得了显著进展，但仍面临一些技术挑战需要克服。首先是障碍物表示的局限性。当前系统将障碍物和工件都简化为立方体，这在处理具有复杂形状的真实世界物体时可能不够精确。未来的改进方向可能包括使用更灵活的表示方法，如网格图或点云，但这可能会影响系统的响应速度。
另一个挑战是处理异构机器人团队。现实工厂中的机器人通常来自不同制造商，具有不同的能力和规格。虽然当前的RoboBallet架构已经考虑到了这种扩展性，但需要进一步的研究和工程开发来实现完全支持。
图：机器人在新能源汽车生产线上协作
DeepMind团队正致力于解决这些挑战，并相信RoboBallet有潜力彻底改变制造业的生产方式。随着技术的不断成熟，我们可以期待看到更多工厂采用这种AI协调系统，实现更高的生产效率、灵活性和可靠性。
行业影响与前景
RoboBallet的出现标志着制造业自动化进入了一个新阶段。传统的机器人编程方法需要大量专业知识，耗时耗力，且难以适应生产需求的变化。而AI驱动的协调系统则能够快速响应变化，优化生产流程，降低人力成本。
随着工业4.0概念的深入发展，像RoboBallet这样的智能系统将成为智能制造的核心组成部分。它们不仅能够提高生产效率，还能通过数据分析提供生产优化的见解，帮助企业实现数字化转型。
未来，我们可能会看到RoboBallet技术扩展到更多领域，如物流、仓储和服务机器人。随着算法的进步和计算能力的提升，AI协调的机器人系统将在更多场景中发挥重要作用，推动整个行业的创新和发展。
结论
DeepMind的RoboBallet代表了人工智能与制造业结合的重要突破。通过创新的图神经网络方法，该系统成功解决了机器人协调中的多重复杂挑战，为制造业带来了前所未有的灵活性和效率。尽管仍需克服一些技术障碍，但RoboBallet已经展示了在工业规模应用的巨大潜力，预示着智能制造的未来发展方向。随着技术的不断成熟，我们可以期待看到更多工厂采用这种AI协调系统，实现生产方式的革命性变革。
