MIT und Symbotic haben ein KI-System entwickelt, das die Arbeit von Lagerrobotern beschleunigt und Staus im Warenfluss reduziert

MIT und Symbotic stellen ein KI-System vor, das Staus in Lagern mit autonomen Robotern reduziert

In großen automatisierten Lagern übernehmen Hunderte von Robotern gleichzeitig das Aufnehmen, Transportieren und Sortieren von Waren, um auf den ständigen Eingang von Bestellungen zu reagieren. In einer solchen Umgebung kann selbst eine kurze Verlangsamung sehr schnell zu einem ernsthaften operativen Problem werden: Ein Stopp zieht den nächsten nach sich, Roboter verlieren ihre optimalen Routen, und die Gesamtkapazität des Lagers sinkt genau dann, wenn Geschwindigkeit am wichtigsten ist. Eine neue Methode, die Forschende des Massachusetts Institute of Technology und des Unternehmens Symbotic entwickelt haben, versucht genau dieses Problem zu lösen, indem das System in Echtzeit bewertet, welche Roboter zu welchem Zeitpunkt Vorrang bei der Durchfahrt haben sollten, um Staus zu vermeiden, bevor sie zu einem Engpass werden.

Nach den verfügbaren Informationen des MIT handelt es sich um einen hybriden Ansatz, der Deep Reinforcement Learning mit klassischen Algorithmen der Pfadplanung verbindet. Eine solche Kombination ist nicht zufällig. In der Praxis zeigt sich, dass rein manuell entworfene Systeme die Effizienz nur schwer aufrechterhalten können, wenn die Zahl der Roboter, die Zahl der Aufträge und die Verkehrsdichte sprunghaft ansteigen, während vollständig maschinelles Lernen ohne zusätzliche Einschränkungen für komplexe Logistikoperationen oft nicht zuverlässig genug ist. Das neue Modell übernimmt daher nicht die gesamte Steuerung des Lagers, sondern lernt zunächst, wie Prioritäten unter den Robotern festgelegt werden, und übergibt diese Entscheidungen anschließend an ein bewährtes Planungssystem, das jedem Roboter umsetzbare Bewegungsanweisungen sendet.

Was das Forschungsteam entwickelt hat

Der Hauptautor der Arbeit, Han Zheng, Doktorand im Laboratory for Information and Decision Systems des MIT, entwickelte gemeinsam mit den Kollegen Yining Mao, Brandon Araki, Jingkai Chen und Professorin Cathy Wu ein System, das den Zustand des Lagers beobachtet und abschätzt, wo der Verkehr „zusammenbrechen“ könnte, wenn alle Roboter weiter nach den derzeit festgelegten Regeln fahren. Anstatt erst zu reagieren, wenn es zu einem Stau kommt, versucht das Modell im Voraus jene Roboter zu erkennen, die blockiert werden könnten, und ihnen bei Bedarf eine höhere Priorität zu geben oder den Bewegungsfluss umzuleiten.

Ein solcher Ansatz ist besonders wichtig in Lagern, die ohne Unterbrechung arbeiten und in denen Roboter nicht eine einzige im Voraus festgelegte Handlung ausführen, sondern ständig neue Aufgaben erhalten, sobald sie die vorherigen abgeschlossen haben. Das bedeutet, dass sich das Verkehrsbild von Sekunde zu Sekunde verändert. Das System optimiert daher nicht nur eine einzelne Route von Punkt A nach Punkt B, sondern bewertet fortlaufend die Beziehungen zwischen einer großen Zahl autonomer Einheiten neu, die sich denselben Raum, dieselben Gänge und dieselben Kreuzungen teilen.

In der veröffentlichten Arbeit in der Zeitschrift Journal of Artificial Intelligence Research beschreiben die Autoren dieses Problem im Rahmen des sogenannten lifelong multi-agent path finding, eines Fachgebiets, das sich mit der langfristigen Koordinierung mehrerer autonomer Agenten in einem sich verändernden Raum befasst. In die Sprache der Logistik übersetzt bedeutet das, dass das System den Verkehr nicht nur für eine einzelne kurze Aufgabe plant, sondern für den kontinuierlichen Betrieb eines Lagers, in dem ständig neue Aufträge erscheinen und Roboter auch dann nicht in Konflikt geraten dürfen, wenn sich die Bedingungen vor Ort sehr schnell ändern.

Wie die Kombination aus künstlicher Intelligenz und klassischer Planung funktioniert

Den zentralen Teil der Lösung bildet ein neuronales Netz, das in Simulationen trainiert wurde, die die Anordnungen realer E-Commerce-Lager nachbilden. Während eines solchen Lernprozesses erhält das Modell durch Versuch und Irrtum eine „Belohnung“, wenn seine Entscheidungen den Durchsatz des Systems erhöhen und gleichzeitig Konflikte zwischen den Robotern verringern. Mit anderen Worten: Der Algorithmus lernt nicht nur, wie ein einzelner Roboter schneller ans Ziel kommt, sondern wie das gesamte System mehr Pakete mit weniger gegenseitiger Behinderung ausliefern kann.

Nachdem das Modell bewertet hat, welchen Robotern Vorrang eingeräumt werden sollte, tritt der klassische Planungsalgorithmus auf den Plan. Gerade diese zweite Ebene ist für die industrielle Anwendung wichtig, weil sie die schnelle Erzeugung konkreter und umsetzbarer Routen ermöglicht. Eine solche Arbeitsteilung zwischen künstlicher Intelligenz und bewährten Optimierungsmethoden weist auf einen breiteren Trend in der modernen Robotik hin: Die besten Ergebnisse liefert oft nicht ein System, das alles einem einzigen Modell überlässt, sondern eines, das dem maschinellen Lernen jene Entscheidungen anvertraut, in denen es Muster erkennen kann, und formalen Planern den Teil der Arbeit überlässt, bei dem Geschwindigkeit, Stabilität und Sicherheit entscheidend sind.

Laut MIT ist das Modell dabei so konzipiert, dass es sowohl kurzfristige als auch langfristige Auswirkungen von Entscheidungen berücksichtigt. Es reicht beispielsweise nicht aus, einen engen Durchgang freizumachen, wenn dadurch wenige Sekunden später am anderen Ende des Lagers ein größerer Stau entsteht. Das System schätzt deshalb ab, wie sich gegenwärtige Interaktionen zwischen Robotern auf künftige Engpässe auswirken könnten, und versucht zu reagieren, bevor sich das Problem vollständig entwickelt.

Ergebnisse: rund 25 Prozent höherer Durchsatz in Simulationen

Das auffälligste Ergebnis der Forschung ist die Angabe, dass die neue Methode in Simulationen, die von realen Lageranordnungen inspiriert waren, rund 25 Prozent höheren Durchsatz erreichte als die verglichenen Ansätze. Nach der Beschreibung der Arbeit umfasste der Vergleich traditionelle Algorithmen und eine zufällige Suche, und das Erfolgskriterium war die Zahl der pro Roboter ausgelieferten Pakete. Im Logistiksektor, in dem der Wettbewerbsvorteil oft in Sekunden gemessen wird, ist ein solcher Gewinn nicht trivial. Die Autoren selbst betonen, dass in großen Lagern bereits eine Effizienzsteigerung von nur zwei oder drei Prozent spürbare geschäftliche Auswirkungen haben kann, sodass ein Ergebnis von ungefähr einem Viertel höherem Durchsatz unter Simulationsbedingungen zeigt, warum die Industrie zunehmend in solche Systeme investiert.

Wichtig ist jedoch, bei der Interpretation solcher Zahlen Maß zu halten. Die Forschenden weisen ausdrücklich darauf hin, dass das System noch weit von einer vollständigen Anwendung in realen Lagern entfernt ist. Simulationen können die Anordnung von Gängen, die Verkehrsdichte und die Logik von Aufgaben sehr überzeugend darstellen, sie können aber nicht die gesamte Unvorhersehbarkeit des Echtbetriebs perfekt erfassen – von Hardwareabweichungen und unterschiedlichem Verschleiß der Ausrüstung bis hin zu unerwarteten Unterbrechungen und Sicherheitsbeschränkungen. Daher ist das Ergebnis von 25 Prozent keine Garantie dafür, dass sich derselbe Effekt automatisch in jeder konkreten Halle wiederholt, sondern ein Hinweis darauf, dass der Ansatz ernstes Potenzial hat.

Warum das Problem komplexer ist, als es aussieht

Auf den ersten Blick könnte es so erscheinen, als gehe es lediglich um Verkehrsregeln für Roboter. In Wirklichkeit handelt es sich jedoch um ein hochkomplexes Optimierungsproblem. Je mehr Roboter sich im selben Raum befinden, desto schneller wächst die Zahl möglicher Konflikte und gegenseitiger Blockaden. Die Autoren führen an, dass mit wachsender Roboterdichte die Komplexität des Problems exponentiell zunimmt, weshalb traditionelle Methoden gerade in den Situationen ins Hintertreffen geraten, in denen sie am dringendsten benötigt werden.

In klassischen Systemen entwerfen Fachleute im Voraus Bewegungsregeln, Vorranglogiken und Umlenkungsmechanismen. Solche Systeme können sehr wirksam sein, solange die Umgebung relativ vorhersehbar ist. Moderne Lager, insbesondere solche im Zusammenhang mit E-Commerce und der Distribution von Konsumgütern, arbeiten jedoch unter starkem Druck schwankender Nachfrage. Bestellungen treffen nicht gleichmäßig ein, Artikel unterscheiden sich in Größe und Position, und Roboter müssen schnell in neue Aufgaben eingebunden werden. Unter solchen Umständen werden im Voraus festgelegte Regeln leicht zu starr.

Und genau hier zeigt sich der Vorteil eines Modells, das sich an eine andere Lageranordnung, eine andere Zahl von Robotern und eine andere Verkehrsdichte anpassen kann. Das MIT erklärt, dass das trainierte neuronale Netz auch auf neue Umgebungen übertragen werden kann, was für die Industrie besonders wichtig ist, weil es keine zwei völlig gleichen Distributionszentren gibt. Ein Lager für Konsumgüter, ein pharmazeutisches Distributionszentrum und ein E-Commerce-Logistikzentrum können eine ähnliche Grundlogik haben, aber auch deutlich unterschiedliche Arbeitsrhythmen, Regalanordnungen und kritische Verkehrspunkte.

Der breitere Kontext: von intelligenten Lagern zu widerstandsfähigeren Lieferketten

Diese Forschung kommt zu einem Zeitpunkt, an dem Lagerautomatisierung kein isoliertes Experiment mehr ist, sondern ein wichtiger Teil der breiteren Transformation von Lieferketten. Symbotic beschreibt auf seinen offiziellen Seiten sein eigenes System als eine hochverdichtete, KI-gesteuerte Plattform, die Hunderte autonomer Roboter in Lageroperationen koordiniert. In einem solchen Geschäftsmodell ist die Frage des Durchflusses nicht mehr nur ein technisches Detail, sondern wirkt sich direkt auf die Geschwindigkeit der Warenbearbeitung, die Raumnutzung, die Arbeitskosten und die Fähigkeit des Unternehmens aus, auf saisonale Nachfragespitzen zu reagieren.

In den letzten Jahren wendet sich der Logistiksektor zunehmend der Idee zu, dass ein Lager nicht nur ein passiver Lagerraum sein sollte, sondern ein dynamisches System, in dem Software ständig darüber entscheidet, was Vorrang hat: welcher Artikel zuerst geht, welche Route am sichersten ist, welcher Roboter die Aufgabe übernehmen sollte und wo eine Überlastung droht. In diesem Sinne ist die Arbeit von MIT und Symbotic nicht nur ein weiteres Laborergebnis, sondern Teil eines breiteren Übergangs von statischer Automatisierung zu adaptiver Steuerung in Echtzeit.

Ein solcher Wandel hat auch eine wirtschaftliche Dimension. Wenn in großen Distributionszentren die Zahl der Störungen reduziert wird, zeigt sich der Effekt nicht nur in schnelleren Bewegungen der Roboter, sondern auch in einem stabileren Lieferrhythmus, einem geringeren Risiko von Verzögerungen und einer größeren Vorhersehbarkeit des Betriebs. Für Händler, Hersteller und Transportunternehmen bedeutet das ein widerstandsfähigeres System in einer Kette, die in den letzten Jahren häufig unter Druck stand – von Nachfragesprüngen bis hin zu Arbeitskräftemangel.

Was die Forschenden noch verbessern wollen

Obwohl die Ergebnisse ermutigend sind, sprechen die Autoren auch offen über die Einschränkungen. Der nächste Schritt besteht laut Beschreibung der Forschung nicht nur in einer besseren Verkehrssteuerung, sondern auch darin, die Zuweisung der Aufgaben selbst in das Entscheidungsmodell einzubeziehen. Das ist wichtig, weil Überlastung nicht nur davon abhängt, wie sich Roboter bewegen, sondern auch davon, welchem Roboter welche Aufgabe zugewiesen wird. Wenn mehrere Roboter gleichzeitig Aufgaben erhalten, die sie in denselben engen Bereich des Lagers schicken, entsteht das Problem bereits, bevor die Pfadplanung überhaupt beginnt.

Deshalb sollten künftige Versionen des Systems zwei Entscheidungsebenen verbinden, die in der Praxis oft getrennt betrachtet werden: wer übernimmt die Aufgabe und wie bewegt er sich dorthin. In großen Systemen könnte das entscheidend sein, weil Verkehr nicht nur eine Folge der Anordnung der Gänge ist, sondern auch eine Folge davon, wie Arbeit über die Zeit verteilt wird. Die Forschenden geben außerdem an, dass sie das System auf größere Lager mit Tausenden von Robotern ausweiten wollen, was ein logischer, aber technisch sehr anspruchsvoller Schritt ist.

Die Grenze zwischen akademischem Ergebnis und industrieller Anwendung

Eine der wichtigeren Fragen für die Industrie ist, wie schnell solche Lösungen aus Simulationen in reale Anlagen übergehen können. Auf Grundlage der verfügbaren Daten fällt die Antwort vorsichtig aus. Die Forschung zeigt Machbarkeit und potenziellen Nutzen, legt aber nicht nahe, dass die vollständige kommerzielle Implementierung unmittelbar bevorsteht. In Lagern, in denen Roboter mit hoher Geschwindigkeit arbeiten, muss jeder neue Algorithmus strenge Kriterien hinsichtlich Zuverlässigkeit, Sicherheit und Vorhersehbarkeit des Verhaltens erfüllen. Geschäftssysteme verlangen dabei nicht nur maximale Effizienz, sondern auch eine sehr niedrige Fehlerquote.

Gerade deshalb könnte der hybride Ansatz für die Industrie attraktiv sein. Anstatt dass Unternehmen die gesamte Steuerung sofort dem Deep Learning überlassen, können sie maschinelles Lernen als Schicht einführen, die bei der Priorisierung hilft, während der Rest des Systems weiterhin unter der Kontrolle von Planern bleibt, die sich unter Betriebsbedingungen bereits bewährt haben. Eine solche schrittweise Integration ist oft ein realistischerer Weg zur Anwendung als ein völlig radikaler Ersatz bestehender Systeme.

Für die akademische Gemeinschaft ist diese Arbeit auch deshalb interessant, weil sie zeigt, wie Methoden, die für Verkehr, Optimierung und Multi-Agenten-Systeme entwickelt wurden, erfolgreich auf die Logistik übertragen werden können. Für den Markt ist wiederum das wichtige Signal, dass künstliche Intelligenz in Lagern nicht zwangsläufig nur Computer Vision, Objekterkennung oder vorausschauende Wartung bedeuten muss. Ein immer größerer Teil des Werts entsteht auch in jener weniger sichtbaren Schicht, in der algorithmischen Entscheidungsfindung, die bestimmt, wer sich wann bewegt, wo verlangsamt und wie das gesamte System vermeidet, sich selbst auszubremsen.

Wenn sich die Ergebnisse aus den Simulationen zumindest teilweise in realen Operationen bestätigen, könnte dies eine neue Phase in der Entwicklung automatisierter Lager bedeuten: eine Phase, in der der Erfolg nicht mehr nur an der Zahl der Roboter oder dem Grad der Automatisierung gemessen wird, sondern an der Fähigkeit des Systems, im Gedränge bessere Entscheidungen zu treffen als im Voraus festgelegte Regeln. In der Welt der Logistik, in der wenige Prozentpunkte an Effizienz Unterschiede in Millionenhöhe bedeuten können, könnte genau diese Anpassungsfähigkeit zu einem der entscheidenden Vorteile werden.

Quellen:

• - MIT News Topics / Robotics – Veröffentlichung von Überschrift und Datum des Artikels über das neue System zur Steuerung des Verkehrs von Lagerrobotern (Link)
• - MIT News Topics / Artificial Intelligence – Bestätigung der Veröffentlichung des Artikels am 26. März 2026 und der grundlegenden Beschreibung der Forschung (Link)
• - Journal of Artificial Intelligence Research – Eintrag zur Arbeit „Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation“ mit Angaben zur Veröffentlichung im März 2026 (Link)
• - MIT News, 2024 – früherer Kontext der MIT-Forschung zur Optimierung der Bewegung von Robotern in Lagern (Link)
• - Symbotic – offizielle Beschreibung des Lagerautomatisierungssystems und der Koordination autonomer Roboter (Link)
• - Symbotic – offizielle Beschreibung der Roboterflotte und der KI-Software, die die Bewegung autonomer Roboter koordiniert (Link)