现代制造业中，我们日常使用的许多产品都由机器人制造——这些具有多自由度的机械臂沿着传送带排列，以精确同步的动作完成生产任务。然而，这些复杂的运动轨迹通常需要人工编程，耗时可能长达数百至数千小时。谷歌DeepMind团队最新开发的AI系统RoboBallet，正改变这一现状，让制造机器人能够自主规划工作流程。
机器人协作的复杂挑战
规划制造机器人的高效工作流程是一项极其困难的自动化任务。工程师需要同时解决三个核心问题：任务分配（决定哪些任务由哪个机器人完成）、任务调度（确定任务执行顺序）以及运动规划（确保机器人不会相互碰撞或与周围设备发生冲突）。
"这就像旅行商问题的加强版，"谷歌DeepMind的研究工程师Matthew Lai解释道，"我们不仅要解决路径规划，还要同时处理任务分配和调度问题。目前市场上有些工具可以自动化运动规划，但任务分配和调度通常仍需人工完成。我们工作的创新之处在于，首次将这三个问题整合解决。"
从模拟到现实：RoboBallet的工作原理
Lai的团队首先创建了称为"工作单元"的模拟环境，这是多机器人团队协作完成制造产品的区域。每个工作单元包含一个工件（即被加工的产品）——在这种情况下，是由铝制支架组成的结构，放置在桌子上。桌子周围随机分布着多达八个Franka Panda机械臂，每个机械臂具有7个自由度，需要在工件上完成多达40个任务。
每个任务要求机械臂的末端执行器以正确角度接近工件上特定位置，距离不超过2.5厘米，然后保持静止片刻，模拟实际工作过程。团队还在工作单元中随机放置了障碍物，增加挑战性。"我们选择最多八台机器人，因为这是在紧密排列情况下，机器人不会频繁相互阻挡的合理上限，"Lai解释道。
面对如此复杂的系统，即使是最强大的强化学习算法也难以应对。Lai及其团队找到了创新解决方案：将整个问题转化为图结构。
图神经网络：机器人协作的新语言
在RoboBallet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，它们之间的关系通过单向或双向边编码。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任务。
团队使用图神经网络处理这些图结构，这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，使研究人员能够专注于最关键的问题：在避开障碍物的同时找到最高效的任务完成方式。
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运动轨迹。
突破传统计算瓶颈
传统计算方法应用于工厂机器人管理时的主要问题是，计算复杂度随系统中的元素数量呈指数级增长。为一台机器人计算最优轨迹相对简单，但增加到两台机器人时难度显著提升，当数量达到八台时，问题实际上变得难以解决。
RoboBallet的优势在于，其计算复杂度虽然随系统复杂度增长，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）。团队表示，这种计算特性使该系统具备工业应用的可行性。
为了验证RoboBallet的规划质量，Lai及其团队在几个简化的工作单元中计算了最优的任务分配、调度和运动方案，并与RoboBallet的结果进行了比较。在执行时间这一制造领域最重要的指标上，AI的结果与人类工程师非常接近。虽然AI并未超越人类工程师，但它提供了更快速的解决方案。
从虚拟到现实：真实环境验证
团队还在四个Panda机器人处理铝制工件的真实物理环境中测试了RoboBallet的规划方案，效果与模拟中同样出色。Lai表示，RoboBallet不仅能加速机器人编程过程，还能实现更多功能。
重塑工厂设计
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，设计师可以几乎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了解添加另一台机器人或选择不同类型机器人能节省多少时间。RoboBallet的另一优势是能够即时重新编程工作单元，在某一机器人故障时让其他机器人接替工作。
挑战与未来方向
尽管RoboBallet前景广阔，但仍有一些问题需要在工厂应用前解决。"我们做了几项简化，"Lai承认。首先，障碍物被分解为立方体，工件本身也是立方体形状。虽然这在一定程度上代表了真实工厂的障碍物和设备，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，但这可能导致RoboBallet的惊人速度下降。
另一个挑战是实验中的机器人都是相同的，而实际工作单元中的机器人团队通常是异构的。"这就是为什么实际应用需要针对特定类型应用进行额外的研究和工程开发，"Lai说。他补充道，当前的RoboBallet已考虑了此类适应性，可以轻松扩展以支持异构机器人。一旦实现这一目标，他希望这将使工厂更快且更加灵活。
"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。
结语
RoboBallet代表了人工智能与机器人技术融合的又一重要突破。通过将复杂的机器人协作问题转化为图结构并利用图神经网络处理，DeepMind不仅解决了工业机器人编程的效率问题，还为工厂设计带来了前所未有的灵活性。随着技术的进一步完善，特别是在处理异构机器人和复杂形状物体方面的进步，RoboBallet有望引领制造业进入一个更加智能、高效和自适应的新时代。这一创新不仅将改变工厂的生产方式，也将重新定义人与机器在工业环境中的协作关系。
