在当今制造业中，我们日常使用的大部分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。这些动作通常需要人工编程，耗时从数百到数千小时不等。谷歌DeepMind团队开发的RoboBallet AI系统，正彻底改变这一现状，让制造机器人能够自主决定如何高效协作完成任务。
机器人协作的复杂挑战
规划制造机器人如何高效完成任务是一项极其困难的自动化任务。这需要同时解决三个核心问题：任务分配、调度和运动规划。具体来说，就是决定哪个机器人应该执行什么任务，以及按什么顺序执行。
这就像著名的旅行商问题(Traveling Salesman Problem)的复杂升级版。在此基础上，还需要确保所有机械臂不会相互碰撞，也不会与周围的设备发生冲突。最终，面对的是无数种可能的组合，需要同时解决这三个计算复杂度极高的问题。
"有一些工具可以实现运动规划自动化，但任务分配和调度通常仍需人工完成，"DeepMind研究工程师Matthew Lai表示，"我们工作的核心挑战在于同时解决这三个问题。"
从模拟到现实：RoboBallet的工作原理
Lai的团队首先生成了一种称为"工作单元"的模拟样本，这是指机器人团队在制造产品上执行任务的区域。每个工作单元包含一个"工件"——即机器人需要在其上进行操作的产品，在这个案例中，是放置在桌子上由铝制支架组成的产品。桌子周围随机分布着多达8台Franka Panda机械臂，每台都有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以正确角度接近工件上特定位置2.5厘米范围内，然后保持静止片刻，模拟实际操作过程。为了增加难度，团队在每个工作单元中随机放置了障碍物，机器人需要避开这些障碍物。
"我们选择最多8台机器人，因为这是紧密排列而不相互阻挡的合理上限，"Lai解释道。同时，让机器人在工件上执行40个任务也被视为代表实际工厂需求的典型场景。
图神经网络：解决复杂关系的关键
面对如此复杂的场景，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形结构。
在他们的模型中，图形由节点和边组成。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。双向边连接不同机器人，因为每台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(GNN)来读取和理解这些图形。图神经网络是一种专门设计的人工智能，通过沿节点间连接的边传递消息来提取节点间的关系。这种方法简化了数据处理，使研究人员能够设计出专注于最重要问题的系统：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上对随机生成的工作单元进行训练，这款名为RoboBallet的新型工业规划AI系统能在几秒钟内为复杂、前所未见的环境规划出看似可行的轨迹。
线性扩展：RoboBallet的突破性优势
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，两台则困难得多，而当数量增加到8台时，问题实际上变得难以解决。
RoboBallet的计算复杂度虽然也随系统复杂度增长，但速度要慢得多。(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。)据团队称，这种计算特性使该系统在工业规模应用中具有可行性。
为了验证AI生成的计划质量，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。虽然并未超越人类，但它提供答案的速度要快得多。
团队还在真实环境中测试了RoboBallet的规划：四台Panda机器人操作铝制工件，结果与模拟中同样出色。但Lai表示，RoboBallet不仅能加速机器人编程过程。
重塑制造业：更灵活、更高效的生产单元
DeepMind团队认为，RoboBallet还能帮助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、机器人放置或选择，"Lai表示。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的另一项功能是动态重新编程工作单元，使其他机器人在一台机器人故障时能够接替其工作。
然而，在RoboBallet真正应用于工厂之前，仍有一些问题需要解决。"我们做了几项简化，"Lai承认。首先是障碍物被分解为立方体，甚至连工件本身也是立方体。虽然这在某种程度上代表了工厂中的障碍物和设备，但许多工件具有更复杂的有机形状。"用更灵活的方式表示它们，如网格图或点云会更好，"Lai表示，但这可能会降低RoboBallet的惊人速度。
另一个问题是，Lai实验中的机器人是相同的，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应用类型进行额外的研究和工程，"Lai说。不过，他补充道，当前的RoboBallet已经考虑了这类适应性扩展，可以轻松支持这些功能。一旦完成，他的希望是这将使工厂更快、更灵活。
未来展望：智能制造的新篇章
"系统需要提供工作单元模型、工件模型以及需要执行的任务清单——基于这些信息，RoboBallet能够生成完整的计划，"Lai描述道。随着这项技术的不断完善，它有望彻底改变制造业的生产方式，使工厂能够更灵活地应对变化，更高效地利用资源，最终实现真正意义上的智能制造。
RoboBallet不仅是一项技术创新，更是制造业向更智能、更自动化方向发展的催化剂。它代表了人工智能与物理世界融合的前沿探索，预示着一个机器人协作更加高效、生产更加灵活的新时代即将到来。
