Entrevista a Rodrigo Hermosilla y Willem Guter, del MIT CTL

Mecalux entrevista a Rodrigo Hermosilla y Willem Guter, investigadores del MIT CTL, para conocer más sobre su proyecto que busca dotar de mayor agilidad y eficiencia a los AMR junto con Mecalux.

• Participan en un proyecto de innovación sobre los AMR. ¿Cómo están entrenando los robots para que trabajen de forma interdependiente?

  Rodrigo Hermosilla: Este proyecto de investigación tiene como objetivo mejorar el funcionamiento de los robots móviles autónomos en los almacenes. Estamos incrementando su eficiencia y evitando colisiones en tiempo real.

  Willem Guter: Utilizamos el aprendizaje por refuerzo para ayudar a los AMR a comprender los almacenes a un nivel interdependiente. Esto quiere decir que los robots pueden visualizar dónde deben estar en cada momento, pero también anticipar la llegada de los próximos pedidos y sus destinos de entrega, lo que les permite optimizar aún más sus procesos.

  Estamos utilizando el aprendizaje por refuerzo para ayudar a los AMR a comprender los almacenes a un nivel interdependiente

• ¿Qué avances traerá consigo este nuevo algoritmo de control de los AMR?

  Willem Guter: Este nuevo algoritmo aporta avances en dos vertientes a pie de almacén. En primer lugar, pospone el envío de tareas a los AMR para reducir posibles atascos en los puntos de recogida y entrega, así como durante los desplazamientos. En segundo lugar, mejora el rendimiento en cuanto a posicionamiento, ya que el algoritmo conoce o predice dónde van a llegar los pedidos y puede colocar de manera anticipada los AMR que sean necesarios o mantener allí los que ya se encuentran en esa posición.

  Rodrigo Hermosilla: Estamos desarrollando bancos de pruebas conjuntamente con Mecalux a fin de que sean lo más realistas posibles. No solo en cuanto a la representación de la disposición del almacén, sino también en otros comportamientos físicos como la aceleración, la velocidad o las posibles restricciones, entre otros.

• ¿Cómo empleará este modelo la IA predictiva para anticiparse a las solicitudes?

  Willem Guter: El modelo que estamos construyendo utilizará deep learning para predecir el origen de los pedidos, desarrollando la planificación tanto a corto plazo como en períodos concretos del año. Al aprender de los datos históricos, permite determinar de dónde vienen y a dónde irán esos artículos en un contexto más amplio.

• ¿Cómo logran que los AMR se optimicen a sí mismos?

  

  Rodrigo Hermosilla: En nuestra investigación, los AMR se crean como agentes inteligentes. Es decir, tenemos una representación lógica de cada robot, y estos pueden usar la información disponible para tomar decisiones y compartir algunas restricciones o eventos derivados del entorno. Por lo tanto, necesitamos entrenar estos modelos para que otros AMR aprendan y respondan con una solución idónea no solo para ellos, sino para el grupo completo.

• ¿Cómo revolucionará los almacenes esta nueva generación de AMR?

  Rodrigo Hermosilla: El beneficio más obvio de este tipo de tecnología es el tiempo de procesamiento requerido para obtener una solución óptima. El aprendizaje automático puede generar soluciones en tiempo real y es más ágil en comparación con otros algoritmos.

  Willem Guter: La nueva generación de AMR y los algoritmos de control avanzado están haciendo que los almacenes evolucionen de un modelo reactivo a uno más proactivo. Esto significa que los robots anticipan su posicionamiento, identifican el origen y destino de los artículos y optimizan el flujo de trabajo. El resultado son almacenes más eficientes, sostenibles y rentables.