← أحدث الأبحاث
🤖 AI

HiRAD: A Flexible Large-Scale AGV Routing System

تقدم هذه الورقة HiRAD، وهو إطار عمل للتعلم التعزيزي الهرمي يتغلب على قيود القابلية للتوسع والوقت الفعلي لأنظمة توجيه المركبات الموجهة آلياً (AGV) الكلاسيكية والقائمة على التعلم التعزيزي الحالية، وذلك من خلال توظيف تمثيلات الفضاء المستمر، واستراتيجية تحكم مفككة، ومسار معالجة غير متزامن مدفوع بالأحداث لتقليل زمن الإنجاز وزمن انتقال الاستدلال بشكل كبير.

المؤلفون الأصليون: Yunjie Huang, Ruizhong Wu, Mengxuan Zhang, Frodo Kin Sun Chan, Yan Nei Law, Lei Li

نُشر 2026-09-10
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yunjie Huang, Ruizhong Wu, Mengxuan Zhang, Frodo Kin Sun Chan, Yan Nei Law, Lei Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في المستودعات الشاسعة ذات الطنين المستمر التي تُشغل التجارة الإلكترونية الحديثة، تندفع آلاف المركبات الصغيرة ذاتية القيادة عبر الأرضية، لتنقل الطرود من أرفف التخزين إلى محطات التعبئة. هذه الآلات، المعروفة باسم المركبات الموجهة آلياً، هي خيول العمل الصامتة في اللوجستيات العالمية، وهي قادرة على نقل مليارات القطع يومياً. ومع ذلك، فإن جعلها تتحرك معاً دون اصطدام هو مشكلة لطالما حيرت المهندسين. تتعامل الطرق التقليدية مع أرضية المستودع كأنها رقعة شطرنج عملاقة، حيث تقفز المركبات من مربع إلى آخر في خطوات جامدة ولحظية. وبينما يبسط هذا الرياضيات، فإنه يتجاهل واقع الفيزياء: فالمركبات الحقيقية لا يمكنها التوقف فوراً، ولا يمكنها أيضاً الدوران في مكانها بدقة متناهية. إنها تحتاج إلى مساحة للتسارع، والتباطؤ، والتوجيه. وعندما يتجاهل البرنامج هذه القيود الفيزيائية، غالباً ما تصطدم المركبات في العالم الحقيقي، أو يستغرق الكمبيوتر وقتاً طويلاً جداً في حساب مسار آمن لدرجة تجعل المركبات تقف ساكنة بانتظار التعليمات. هذه الفجوة بين الخريطة الرقمية المثالية والحركة المستمرة والفوضوية للآلات الحقيقية جعلت من الصعب نشر أساطيل كبيرة من هذه الروبوتات بكفاءة.

لقد نجح فريق من الباحثين الآن في جسر هذه الفجوة باستخدام نظام جديد يسمى "HiRAD"، المصمم لتوجيه مجموعات ضخمة من هذه المركبات عبر المستودعات المعقدة في الوقت الفعلي. وبدلاً من إجبار الروبوتات على التظاهر بأنها تقفز بين مربعات الشبكة، بنى الباحثون نموذجاً يحترم التدفق المستمر للحركة. وأدركوا أنه لجعل القرارات سريعة بما يكفي لمئات المركبات التي تتحرك في وقت واحد، كان على النظام التوقف عن محاولة التحكم في كل تفصيل صغير دفعة واحدة. ويتضمن حلهم تقسيم مهمة القيادة إلى طبقتين متميزتين؛ تعمل الطبقة الأولى كملاح رفيع المستوى، حيث تنظر إلى خريطة مبسطة وواسعة لتقرر الاتجاه العام الذي يجب أن تسلكه المركبة. أما الطبقة الثانية فهي متحكم محلي يتعامل مع الفيزياء الفعلية، ويدير كيفية تسارع المركبة، وسيرها، وكبحها للوصول إلى ذلك الاتجاه بسلاسة. ومن خلال الفصل بين "أين تذهب" و"كيف تتحرك"، يقلل النظام بشكل كبير من عدد الحسابات التي يجب إجراؤها في أي لحظة واحدة.

اختبر الباحثون هذا النهج في عمليات محاكاة شملت ما يصل إلى ألفي مركبة تتحرك عبر مخططات مستودعات مختلفة. ووجدوا أن نظامهم يمكنه إكمال المهام بشكل أسرع بكثير من الطرق السابقة، مما قلل الوقت الإجمالي المطلوب لإنهاء دفعة من الطلبات بنسبة تقارب النصف في بعض السيناريوهات. والأهم من ذلك، حافظ النظام على السلامة دون التضحية بالسرعة؛ فقد منع الاصطدامات حتى عندما كانت المركبات تتحرك بسرعات عالية وتتنقل في مساحات ضيقة. وخلافاً للأنظمة القديمة التي كانت تتجمد وتعيد حساب كل شيء إذا واجهت مركبة واحدة تأخيراً، يسمح هذا الإطار الجديد لبقية الأسطول بالاستمرار في الحركة، مع تعديل المركبات المعنية بالنزاع فقط. وتعني هذه المرونة أن النظام يمكنه التعامل مع العقبات غير المتوقعة، مثل تباطؤ مركبة أو وجود عائق مؤقت، دون إيقاف العملية بأكملة.

ولضمان قدرة النظام على العمل بسرعة كافية للاستخدام في العالم الحقيقي، قدم الفريق طريقة لاتخاذ القرار غير المتزامن. في الإعداد التقليدي، تنتظر كل مركبة قيام الكمبيوتر بفحص مسارها مقابل كل مركبة أخرى قبل التحرك، وهي عملية تصبح بطيئة بشكل مستحيل مع نمو الأسطول. يتخطى النظام الجديد هذه الفحوصات للمركبات التي تتحرك بالفعل بسلاسة، ولا يتوقف إلا عندما تحتاج المركبة إلى التوقف أو تغيير اتجاهها. وقد قلل هذا التحسين من العبء الحسابي بفعالية كبيرة لدرجة أن الوقت المستغرق لاتخاذ قرار أصبح أقصر من الوقت الذي تستغرقه المركبة للتحرك فعلياً. والنتيجة هي نظام يمكنه إدارة أساطيل واسعة النطاق بنفس السهولة التي يدير بها أسطولاً صغيراً، مما يثبت أنه من الممكن الجمع بين قدرة الذكاء الاصطناعي على التكيف والقوانين الفيزيائية الصارمة التي تحكم الآلات في العالم الحقيقي.

كما استكشفت الدراسة كيفية تدريب الذكاء الاصطناعي الذي يشغل الملاحة رفيعة المستوى. واكتشف الباحثون أن تعليم النظام على خرائط بسيطة وفارغة لم يكن كافياً؛ إذ كان على الذكاء الاصطناعي أن يتعلم على خرائط مليئة بالعقبات ومستويات متفاوتة من الصعوبة لكي يتمكن من التعميم بشكل جيد. ومن خلال زيادة تعقيد بيئة التدريب تدريجياً، تعلم النظام إيجاد مسارات فعالة حتى في المستودعات المزدحمة والفوضوية. وعند اختباره ضد الأساليب الرائدة الأخرى، تفوق النهج الجديد عليها باستمرار في كل من السرعة والموثوقية. وبينما كافحت الأنظمة الأخرى للتعامل مع أكثر من بضع مئات من المركبات أو فشلت في التكيف عندما تغيرت البيئة، تمكن هذا الإطار من التوسع بسلاسة ليشمل آلاف الوكلاء. وتشير النتائج إلى أن مستقبل أتمتة المستودعات لا يكمن في المسارات الجامدة والمخطط لها مسبقاً، بل في الأنظمة المرنة والمستمرة التي يمكنها التفاعل مع العالم كما يتحرك بالفعل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →