现代制造业中，我们日常使用的产品大多由机器人生产——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令人惊叹的表演。所有这些动作通常需要人工编程，耗时可能长达数百至数千小时。谷歌DeepMind团队开发的RoboBallet AI系统，正让制造机器人能够自主决定如何高效完成任务。
旅行商问题的超级挑战
实现制造机器人的高效任务规划自动化极其困难。这需要解决任务分配和调度两大核心问题——确定哪个机器人应该以何种顺序执行哪些任务。这就像旅行商问题的超级强化版。在此基础上，还需解决运动规划问题，确保所有机械臂不会相互碰撞或与周围的设备发生冲突。
最终，我们面临的是无数种可能的组合，需要同时解决三个计算难度极高的复杂问题。"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的组合。"
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。这些工作单元包含一个工件，即机器人进行加工的产品，在这种情况下，是放置在桌面上需要组装的铝制支架。桌子周围随机放置了多达8台Franka Panda机械臂，每台都有7个自由度，需要完成工件上的多达40个任务。每个任务都要求机械臂的末端执行器以正确的角度接近正确的支架位置，并在2.5厘米范围内保持静止片刻，模拟实际工作过程。
为了增加难度，团队还在每个工作单元中随机放置了障碍物，机器人需要避开这些障碍物。"我们选择最多8台机器人，因为这是紧密排列机器人而不相互阻塞的合理上限，"Lai解释道。要求机器人完成40个任务也被团队视为代表实际工厂需求的典型场景。
使用最强大的强化学习算法解决这样的设置也将是一场噩梦。Lai及其同事通过将问题转化为图结构找到了解决方案。
复杂关系的图解
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及障碍物，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知道其他机器人在每个时间步的动作，以避免碰撞或重复任务。
为了理解和解析这些图，团队使用了图神经网络，这是一种通过在节点间连接边上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，使研究人员能够设计一个专注于最重要因素的系统：在避开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上对随机生成的工作单元进行训练后，这款名为RoboBallet的新型工业规划AI系统，能够在数秒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，该系统具有出色的可扩展性。
规模经济效应
将传统计算方法应用于工厂机器人管理等复杂问题的挑战在于，计算难度随着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，为两个机器人做同样工作则困难得多；当数量增加到8个时，问题实际上变得难以解决。
而RoboBallet的计算复杂度虽然也会随着系统复杂度增长，但增长速度慢得多。（计算复杂度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，这种计算特性使该系统具备工业级应用的可行性。
然而，团队希望测试其AI生成的计划是否真正有效。为此，Lai和同事在几个简化的工作单元中计算了最优任务分配、调度和运动方案，并将其与RoboBallet的结果进行了比较。在执行时间这一制造业中 arguably 最重要的指标上，AI的表现非常接近人类工程师的水平。它并没有比人类做得更好，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的计划——四台Panda机器人处理铝制工件，结果与模拟中同样良好。但Lai表示，它不仅能加速机器人编程过程。
灵活应对设备故障
据DeepMind团队称，RoboBallet还能帮助我们设计更好的工作单元。"由于它运行速度极快，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增加一台机器人或选择不同类型机器人能节省多少时间。RoboBallet的另一功能是即时重新编程工作单元，使其他机器人在一台机器人故障时能够接替工作。
尽管如此，在RoboBallet进入工厂之前，仍有一些问题需要解决。"我们做了几个简化假设，"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形状。虽然这在某种程度上代表了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。"用更灵活的方式表示这些物体，如网格图或点云会更好，"Lai说。然而，这可能会导致RoboBallet的惊人速度下降。
另一点是，Lai实验中的机器人是相同的，而在实际工作单元中，机器人团队通常具有异构性。"这就是为什么实际应用需要针对特定应用类型进行额外的研究和工程，"Lai说。但他补充道，当前的RoboBallet在设计时已考虑到这些适应性，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。
"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——基于这些信息，RoboBallet将能够生成完整的计划，"Lai说。
技术突破与实际应用
RoboBallet的核心创新在于其图神经网络架构，它能够同时处理任务分配、调度和运动规划三大问题。传统方法通常需要分别解决这些问题，然后再整合结果，这往往导致次优解。而RoboBallet通过将整个工作环境建模为图，能够同时考虑所有约束条件和优化目标，生成全局最优的解决方案。
在实际应用中，这项技术带来的变革是多方面的。首先，它大幅缩短了机器人编程的时间，从传统的数千小时缩短到几秒钟。这不仅降低了成本，还使工厂能够更快地响应市场变化，调整生产流程。其次，RoboBallet的实时重新编程能力意味着工厂可以在不停止生产的情况下适应设备故障或临时任务，大大提高了生产系统的鲁棒性。
工业机器人在生产线上协同工作
未来发展与挑战
尽管RoboBallet取得了显著进展，但仍有几个关键挑战需要解决。首先是更复杂几何形状的处理。当前系统将所有障碍物和工件简化为立方体，而实际工厂环境中的形状往往更加复杂。开发能够处理任意形状的算法而不牺牲速度，是该技术广泛应用的关键。
其次，异构机器人系统的支持也是未来的重要方向。实际工厂中，不同类型的机器人往往具有不同的能力和限制，如何让RoboBallet能够协调这些差异化的机器人，将大大扩展其应用范围。
最后，系统的实时性和可靠性也需要进一步提升。在高速生产环境中，任何延迟或错误都可能导致严重的后果。确保RoboBallet能够在毫秒级别响应并做出准确决策，是其工业化的必要条件。
行业影响与前景
RoboBallet的出现标志着制造业智能化的一个重要里程碑。随着劳动力成本上升和个性化需求增加，传统制造业面临巨大压力。而机器人协作AI技术的成熟，将使工厂能够以更低的成本、更高的灵活性和效率进行生产。
在汽车制造、电子产品组装、航空航天等复杂制造领域，RoboBallet的应用前景尤为广阔。这些行业通常需要多个机器人协同完成复杂任务，传统编程方法难以满足快速变化的生产需求。而RoboBallet的自主规划能力，将使这些行业能够实现真正的智能制造。
汽车制造生产线上的机器人协同工作
结论
DeepMind的RoboBallet代表了机器人协作技术的一次重大突破。通过创新的图神经网络架构，它成功解决了制造业中长期存在的机器人协调难题。虽然仍面临一些挑战，但其潜在价值已经显现。随着技术的不断成熟和完善，我们有理由相信，RoboBallet将成为未来智能工厂的核心技术之一，推动制造业进入一个更加高效、灵活和智能的新时代。
