现代制造业中，我们日常使用的许多产品都由机器人组装——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。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团队开发的RoboBallet AI系统，让制造机器人能够自主决定如何高效完成工作。
旅行商问题的超级挑战
为制造机器人规划高效工作流程是一项极其复杂的自动化任务。这需要同时解决三个核心问题：任务分配（哪个任务由哪个机器人完成）、时间规划（任务执行的先后顺序）以及运动规划（确保机器人之间不会相互碰撞，也不会与周围设备发生冲突）。
"有一些工具可以自动化运动规划，但任务分配和时间规划通常仍需人工完成，"谷歌DeepMind研究工程师Matthew Lai表示，"我们工作的核心就是同时解决这三个问题。"
Lai的团队首先创建了被称为"工作单元"的模拟环境，即多机器人团队在制造产品上执行任务的区域。这些工作单元包含一个工件（机器人进行加工的产品），在这个案例中，是由铝制支架组成的结构，放置在桌子上。桌子周围随机放置了最多8个Franka Panda机械臂，每个具有7个自由度，需要在工件上完成最多40个任务。
每个任务要求机械臂的末端执行器到达支架上正确位置的2.5厘米范围内，从正确角度接近，然后保持静止片刻，模拟实际工作过程。团队还在每个工作单元中随机放置了障碍物，增加任务的复杂性。
"我们选择最多8个机器人，因为这是在紧密排列机器人而不相互阻挡的情况下合理的最大数量，"Lai解释道。同时，让机器人在工件上执行40个任务的设定也被视为真实工厂需求的代表。
图神经网络：复杂关系的解构者
面对如此复杂的系统，即使是强大的强化学习算法也难以应对。Lai和他的团队找到了一种创新方法——将整个问题转化为图结构来解决。
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，它们之间的关系则编码为单向或双向边。单向边连接机器人与任务、障碍物，因为机器人需要了解障碍物位置和任务完成状态；双向边连接机器人之间，因为每个机器人需要实时了解其他机器人的动作以避免碰撞或重复工作。
团队使用图神经网络（GNN）来解读这些图关系。GNN是一种专门设计用于通过节点间连接的边传递消息来提取节点关系的人工智能。这种方法简化了数据处理，使研究人员能够设计一个专注于核心问题的系统：在导航障碍物的同时找到完成任务的最有效方式。
经过几天在单个Nvidia A100 GPU上对随机生成工作单元的训练，名为RoboBallet的新工业规划AI系统能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。
线性扩展：计算效率的突破
传统计算方法在解决工厂机器人管理这类复杂问题时面临的主要挑战是：计算复杂度随系统中的元素数量呈指数级增长。为一个机器人计算最优轨迹相对简单，两个机器人则困难得多，而当数量增加到8个时，问题几乎变得无法解决。
RoboBallet的优势在于其计算复杂度虽然也会随系统复杂度增长，但速率慢得多（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）。根据团队的研究，这种计算特性使该系统在工业规模应用中变得可行。
为了验证AI生成的规划质量，Lai和同事在几个简化工作单元中计算了最优任务分配、时间规划和运动路径，并将其与RoboBallet的结果进行了比较。在执行时间这一制造业最重要的指标上，AI的表现非常接近人类工程师的水平。它并非比人类做得更好，而是能更快地提供解决方案。
团队还在真实物理环境中测试了RoboBallet的规划——四个Panda机器人处理铝制工件，结果与模拟环境中一样有效。但Lai表示，RoboBallet不仅能加速机器人编程过程。
重新定义工厂设计
DeepMind团队认为，RoboBallet还能帮助设计更好的工作单元。"由于其运行速度极快，设计师几乎可以实时尝试不同的布局、机器人位置或选择，"Lai说。这样，工厂工程师能够精确看到添加更多机器人或选择不同类型机器人能节省多少时间。
RoboBallet的另一项优势是能够动态重新编程工作单元，当某个机器人发生故障时，其他机器人可以立即接替其工作。
仍需改进的领域
尽管前景广阔，RoboBallet在应用于工厂前仍需解决几个问题。"我们做了几项简化，"Lai承认。首先是障碍物被分解为立方体，甚至工件本身也是立方形状。虽然这在一定程度上代表了真实工厂中的障碍物和设备，但许多工件具有更复杂的有机形状。
"用更灵活的方式表示这些物体，如网格图或点云会更好，"Lai表示，但这可能会降低RoboBallet的运行速度。
另一个限制是实验中的机器人都是同类型的，而现实世界的工作单元中，机器人团队通常是异构的。"这就是为什么现实应用需要针对特定应用类型进行额外的研究和工程开发，"Lai说。但他补充道，当前的RoboBallet已经考虑到这种适应性，可以轻松扩展以支持异构机器人。
"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能够生成完整的规划方案，"Lai总结道。
未来展望
随着技术的不断成熟，RoboBallet有望彻底改变制造业的面貌。未来的工厂将更加智能化、自适应，能够根据生产需求动态调整机器人配置和工作流程。这种灵活性将使制造商能够更快地响应市场变化，提高生产效率，同时降低运营成本。
图神经网络在机器人协调领域的成功应用，也为其他复杂系统的优化提供了新的思路。从物流配送到能源管理，这种AI驱动的优化方法都有广阔的应用前景。
制造业的数字化转型正在加速，而像RoboBallet这样的创新技术正是这一转型的关键驱动力。它们不仅提高了生产效率，还重新定义了人与机器在工业环境中的协作方式，为未来的智能制造铺平了道路。
