Phần lớn những thứ chúng ta sử dụng ngày nay được sản xuất chủ yếu bởi robot—những cánh tay với nhiều bậc tự do được đặt dọc theo băng chuyền di chuyển trong một màn trình diễn chuyển động đồng bộ chính xác. Tất cả chuyển động này thường được lập trình thủ công, có thể mất hàng trăm đến hàng nghìn giờ. Nhóm DeepMind của Google đã phát triển một hệ thống AI có tên RoboBallet cho phép robot sản xuất tự tìm ra cách thực hiện công việc của chúng.

Người Bán Hàng Rong

Việc lập kế hoạch cho robot sản xuất nên làm gì để hoàn thành công việc một cách hiệu quả thực sự khó tự động hóa. Bạn cần giải quyết cả phân bổ nhiệm vụ và lập lịch trình—quyết định nhiệm vụ nào nên được thực hiện bởi robot nào theo thứ tự nào. Nó giống như bài toán người bán hàng rong nổi tiếng nhưng phức tạp hơn nhiều. Trên hết, còn có vấn đề lập kế hoạch chuyển động; bạn cần đảm bảo tất cả những cánh tay robot này sẽ không va chạm với nhau hoặc với tất cả thiết bị xung quanh chúng.

Cuối cùng, bạn đang đối mặt với vô số kết hợp có thể có khi bạn phải giải quyết không phải một mà là ba bài toán khó về mặt tính toán cùng một lúc. "Có một số công cụ cho phép bạn tự động hóa lập kế hoạch chuyển động, nhưng phân bổ nhiệm vụ và lập lịch trình thường được thực hiện thủ công," Matthew Lai, kỹ sư nghiên cứu tại Google DeepMind cho biết. "Giải quyết cả ba vấn đề này kết hợp là những gì chúng tôi đã giải quyết trong công việc của mình."

Nhóm của Lai bắt đầu bằng cách tạo ra các mẫu mô phỏng của cái gọi là ô công việc, các khu vực nơi các nhóm robot thực hiện nhiệm vụ của chúng trên một sản phẩm đang được sản xuất. Các ô công việc chứa thứ gọi là phôi gia công, một sản phẩm mà robot làm việc trên đó, trong trường hợp này là thứ gì đó được xây dựng từ các thanh nhôm đặt trên bàn. Xung quanh bàn, có tối đa tám cánh tay robot Franka Panda được đặt ngẫu nhiên, mỗi cái có 7 bậc tự do, được cho là hoàn thành tối đa 40 nhiệm vụ trên một phôi gia công. Mỗi nhiệm vụ yêu cầu đầu cuối của cánh tay robot phải đến trong vòng 2,5 cm từ điểm đúng trên thanh đúng, tiếp cận từ góc chính xác, sau đó ở đó, đóng băng, trong một khoảnh khắc. Việc tạm dừng mô phỏng việc thực hiện một số công việc.

Để làm cho mọi thứ khó khăn hơn, nhóm đã rắc mỗi ô công việc với các chướng ngại vật ngẫu nhiên mà robot phải tránh. "Chúng tôi chọn làm việc với tối đa tám robot, vì đây là mức tối đa hợp lý để đóng gói robot gần nhau mà không bị chặn lẫn nhau mọi lúc," Lai giải thích. Buộc robot thực hiện 40 nhiệm vụ trên một phôi gia công cũng là điều mà nhóm coi là đại diện cho những gì được yêu cầu tại các nhà máy thực tế.

Một thiết lập như thế này sẽ là cơn ác mộng để giải quyết ngay cả khi sử dụng các thuật toán học tăng cường mạnh nhất. Lai và các đồng nghiệp đã tìm ra cách giải quyết bằng cách biến tất cả thành đồ thị.

Mối Quan Hệ Phức Tạp

Đồ thị trong mô hình của Lai bao gồm các nút và cạnh. Những thứ như robot, nhiệm vụ và chướng ngại vật được coi như các nút. Mối quan hệ giữa chúng được mã hóa như các cạnh một chiều hoặc hai chiều. Các cạnh một chiều kết nối robot với nhiệm vụ và chướng ngại vật vì robot cần thông tin về vị trí của chướng ngại vật và liệu nhiệm vụ đã hoàn thành hay chưa. Các cạnh hai chiều kết nối robot với nhau, vì mỗi robot phải biết robot khác đang làm gì tại mỗi bước thời gian để tránh va chạm hoặc trùng lặp nhiệm vụ.

Để đọc và hiểu các đồ thị, nhóm đã sử dụng mạng nơ-ron đồ thị, một loại trí tuệ nhân tạo được thiết kế để trích xuất mối quan hệ giữa các nút bằng cách truyền thông điệp dọc theo các cạnh của kết nối giữa chúng. Điều này làm sạch dữ liệu, cho phép các nhà nghiên cứu thiết kế một hệ thống tập trung độc quyền vào những gì quan trọng nhất: tìm ra những cách hiệu quả nhất để hoàn thành nhiệm vụ trong khi điều hướng chướng ngại vật. Sau vài ngày huấn luyện trên các ô công việc được tạo ngẫu nhiên bằng một GPU Nvidia A100 duy nhất, AI lập kế hoạch công nghiệp mới, được gọi là RoboBallet, có thể đưa ra các quỹ đạo có vẻ khả thi thông qua các môi trường phức tạp, chưa từng thấy trước đó trong vài giây.

Tuy nhiên, quan trọng nhất, nó mở rộng quy mô thực sự tốt.

Kinh Tế Quy Mô

Vấn đề với việc áp dụng các phương pháp tính toán truyền thống cho các vấn đề phức tạp như quản lý robot tại nhà máy là thách thức tính toán tăng theo cấp số nhân với số lượng mục bạn có trong hệ thống của mình. Tính toán quỹ đạo tối ưu nhất cho một robot tương đối đơn giản. Làm điều tương tự cho hai robot khó hơn đáng kể; khi số lượng tăng lên tám, vấn đề trở nên thực tế không thể giải quyết được.

Với RoboBallet, độ phức tạp của tính toán cũng tăng theo độ phức tạp của hệ thống, nhưng với tốc độ chậm hơn nhiều. (Các tính toán tăng tuyến tính với số lượng nhiệm vụ và chướng ngại vật tăng, và tăng bậc hai với số lượng robot.) Theo nhóm, những tính toán này sẽ làm cho hệ thống khả thi cho việc sử dụng quy mô công nghiệp.

Tuy nhiên, nhóm muốn kiểm tra xem các kế hoạch mà AI của họ tạo ra có tốt không. Để kiểm tra điều đó, Lai và các đồng nghiệp đã tính toán phân bổ nhiệm vụ, lịch trình và chuyển động tối ưu nhất trong một vài ô công việc đơn giản hóa và so sánh những kết quả đó với kết quả được RoboBallet cung cấp. Về mặt thời gian thực hiện, có thể nói là chỉ số quan trọng nhất trong sản xuất, AI đã đến rất gần với những gì các kỹ sư con người có thể làm. Nó không tốt hơn họ—nó chỉ cung cấp câu trả lời nhanh hơn.

Nhóm cũng đã thử nghiệm các kế hoạch RoboBallet trên thiết lập vật lý thực tế của bốn robot Panda làm việc trên một phôi nhôm, và chúng hoạt động tốt như trong mô phỏng. Nhưng Lai nói nó có thể làm được nhiều hơn là chỉ tăng tốc quá trình lập trình robot.

Khập Khiễng

RoboBallet, theo nhóm DeepMind, cũng cho phép chúng ta thiết kế các ô công việc tốt hơn. "Vì nó hoạt động rất nhanh, một nhà thiết kế có thể thử các bố cục khác nhau và vị trí hoặc lựa chọn robot khác nhau gần như thời gian thực," Lai nói. Bằng cách này, các kỹ sư tại nhà máy sẽ có thể thấy chính xác họ sẽ tiết kiệm được bao nhiều thời gian bằng cách thêm một robot khác vào ô hoặc chọn một robot loại khác. Điều khác mà RoboBallet có thể làm là lập trình lại ô công việc ngay lập tức, cho phép robot khác thay thế khi một trong số chúng bị hỏng.

Tuy nhiên, vẫn có một vài điều cần được giải quyết trước khi RoboBallet có thể đến với các nhà máy. "Có một số đơn giản hóa mà chúng tôi đã thực hiện," Lai thừa nhận. Đầu tiên là các chướng ngại vật được phân tách thành hình hộp chữ nhật. Ngay cả bản thân phôi gia công cũng có hình khối. Mặc dù điều này có phần đại diện cho các chướng ngại vật và thiết bị trong nhà máy thực tế, có rất nhiều phôi gia công có thể có với hình dạng hữu cơ hơn. "Sẽ tốt hơn nếu biểu diễn những cái đó theo cách linh hoạt hơn, như đồ thị lưới hoặc đám mây điểm," Lai nói. Tuy nhiên, điều này có thể có nghĩa là tốc độ chớp nhoáng của RoboBallet sẽ giảm.

Điều khác là robot trong các thí nghiệm của Lai đều giống hệt nhau, trong khi trong ô công việc thực tế, các nhóm robot thường khá không đồng nhất. "Đó là lý do tại sao các ứng dụng thực tế sẽ yêu cầu nghiên cứu và kỹ thuật bổ sung cụ thể cho loại ứng dụng," Lai nói. Tuy nhiên, ông thêm rằng RoboBallet hiện tại đã được thiết kế với những thích ứng như vậy trong tâm trí—nó có thể dễ dàng được mở rộng để hỗ trợ chúng. Và một khi điều đó được thực hiện, hy vọng của ông là nó sẽ làm cho các nhà máy nhanh hơn và linh hoạt hơn nhiều.

"Hệ thống sẽ phải được cung cấp các mô hình ô công việc, mô hình phôi gia công, cũng như danh sách các nhiệm vụ cần được thực hiện dựa trên đó, RoboBallet sẽ có thể tạo ra một kế hoạch hoàn chỉnh," Lai nói.