Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
자동화 창고의 로봇 레이아웃 최적화를 위해 시뮬레이션 없이 다항 시간 내에 결과를 도출하는 SRA 알고리즘을 제안합니다. 기존 진화적 최적화 방식보다 훨씬 적은 연산 자원과 시간으로 더 높은 처리량과 확장성을 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기우리는 수백에서 수천 대의 로봇이 패키지 운송을 위해 협업하는 자동화 창고의 물리적 레이아웃을 최적화하는 문제를 연구합니다. 이전 연구들은 창고 레이아웃(예: 저장 선반의 물리적 위치)을 최적화하는 것이 처리량(throughput)을 크게 향상시킨다는 것을 보여주었습니다. 그러나 최첨단 레이아웃 최적화 접근 방식은 진화적 최적화(evolutionary optimization) 방법에 기반하고 있으며, 이는 창고 전체를 블랙박스(black box)로 취급하고 고품질 레이아웃을 찾기 위해 무작위 변이(random mutation)에 의존합니다. 최적화 결과는 유망하지만, 이러한 방법들은 후보 솔루션을 평가하기 위해 방대한 양의 시뮬레이션(simulations)을 필요로 하므로 샘플 효율성(sample-efficiency)이 떨어집니다. 본 논문에서 우리는 다항 시간 시뮬레이션 프리(polynomial-time simulation-free) 레이아웃 최적화 알고리즘인 Stress-Relief Annealing (SRA)를 제시합니다. SRA는 작업 수요를 창고 내에서 트래픽이 집중될 위치를 예측하는 정점별(per-vertex) extit{응력장(stress field)}으로 변환하며, 이 필드의 정점(peak)은 처리량의 상한을 증명 가능하게 제한합니다. 우리의 실험 결과는 다음과 같습니다: (1) SRA는 사람이 설계한 창고의 처리량과 확장성(scalability)을 모두 개선하여, 수용 가능한 로봇의 수를 대략 두 배로 늘립니다. (2) SRA는 64코어 머신에서 25,000회의 시뮬레이션과 25시간이 소요되는 진화적 베이스라인(evolutionary baselines)과 비교했을 때, 단일 CPU 코어에서 19분 만에 해당 베이스라인과 대등하거나 더 높은 처리량을 달성합니다. (3) 이러한 이점은 다양한 다중 에이전트 경로 탐색(Multi-Agent Path Finding, MAPF) 알고리즘, 비균일한 작업 수요, 그리고 크기가 두 배로 늘어난 창고에서도 일반화됩니다.