MIT i Symbotic razvili AI sustav koji ubrzava rad skladišnih robota i smanjuje zagušenja u prometu robe

MIT i Symbotic predstavili AI sustav koji smanjuje zagušenja u skladištima s autonomnim robotima

U velikim automatiziranim skladištima stotine robota istodobno preuzimaju, prenose i raspoređuju robu kako bi odgovorili na stalni priljev narudžbi. U takvom okruženju i kratko usporavanje može se vrlo brzo pretvoriti u ozbiljan operativni problem: jedan zastoj povlači drugi, roboti gube optimalne rute, a ukupni kapacitet skladišta pada upravo onda kada je brzina najvažnija. Nova metoda koju su razvili istraživači s Massachusetts Institute of Technologyja i tvrtke Symbotic pokušava riješiti upravo taj problem, i to tako da sustav u stvarnom vremenu procjenjuje koji roboti u kojem trenutku trebaju imati prednost prolaska kako bi se izbjegla zagušenja prije nego što prerastu u usko grlo.

Prema dostupnim informacijama MIT-a, riječ je o hibridnom pristupu koji spaja duboko potkrepljeno učenje, odnosno deep reinforcement learning, s klasičnim algoritmima planiranja putanje. Takva kombinacija nije slučajna. U praksi se pokazuje da čisto ručno dizajnirani sustavi teško zadržavaju učinkovitost kada broj robota, broj naloga i gustoća prometa naglo porastu, dok potpuno strojno učenje bez dodatnih ograničenja često nije dovoljno pouzdano za složene logističke operacije. Novi model zato ne preuzima cijelo upravljanje skladištem, nego najprije uči kako odrediti prioritete među robotima, a zatim te odluke prenosi provjerenom sustavu za planiranje koji svakom robotu šalje izvedive upute kretanja.

Što je istraživački tim razvio

Vodeći autor rada Han Zheng, doktorand u Laboratoriju za informacijske i sustave odlučivanja pri MIT-u, zajedno s kolegama Yiningom Maom, Brandonom Arakijem, Jingkaijem Chenom i profesoricom Cathy Wu, razvio je sustav koji promatra stanje skladišta i procjenjuje gdje bi se promet mogao „slomiti” ako svi roboti nastave voziti prema trenutačno zadanim pravilima. Umjesto da reagira tek kada dođe do zastoja, model pokušava unaprijed prepoznati robote koji bi mogli ostati blokirani te im, prema potrebi, dati viši prioritet ili preusmjeriti tok kretanja.

Takav pristup posebno je važan u skladištima koja rade bez prekida i u kojima roboti ne obavljaju jednu unaprijed zadanu radnju, nego neprestano dobivaju nove zadatke čim dovrše prethodne. To znači da se prometna slika mijenja iz sekunde u sekundu. Sustav stoga ne optimizira samo jednu putanju od točke A do točke B, nego stalno iznova procjenjuje odnose među velikim brojem autonomnih jedinica koje dijele isti prostor, iste prolaze i ista križanja.

U objavljenom radu u časopisu Journal of Artificial Intelligence Research autori taj problem opisuju kroz okvir takozvanog lifelong multi-agent path findinga, područja koje se bavi dugotrajnim koordiniranjem više autonomnih agenata u promjenjivom prostoru. U prijevodu na jezik logistike, to znači da sustav ne planira promet samo za jedan kratak zadatak, nego za kontinuirani rad skladišta u kojem se novi nalozi pojavljuju stalno, a roboti ne smiju dolaziti u sukob ni kada se uvjeti na terenu mijenjaju vrlo brzo.

Kako radi kombinacija umjetne inteligencije i klasičnog planiranja

Središnji dio rješenja čini neuronska mreža trenirana u simulacijama koje oponašaju rasporede stvarnih skladišta elektroničke trgovine. Tijekom takvog učenja model metodom pokušaja i pogreške prima „nagradu” kada njegove odluke povećavaju propusnost sustava i istodobno smanjuju konflikte među robotima. Drugim riječima, algoritam ne uči samo kako da jedan robot stigne brže, nego kako da cijeli sustav isporuči više paketa uz manje međusobnog ometanja.

Nakon što model procijeni kojim robotima treba dati prednost, na scenu stupa klasični algoritam planiranja. Upravo je taj drugi sloj važan za industrijsku primjenu jer omogućuje brzo generiranje konkretnih i izvedivih ruta. Takva podjela posla između umjetne inteligencije i provjerenih optimizacijskih metoda upućuje na širi trend u suvremenoj robotici: najbolje rezultate često ne daje sustav koji sve prepušta jednom modelu, nego onaj koji strojnom učenju povjerava odluke u kojima ono može prepoznati obrasce, a formalnim planerima ostavlja dio posla u kojem su brzina, stabilnost i sigurnost presudni.

Prema MIT-u, model je pritom osmišljen tako da uzima u obzir i kratkoročne i dugoročne učinke odluka. Nije dovoljno, primjerice, osloboditi jedan uski prolaz ako će to nakon nekoliko sekundi stvoriti veći zastoj na drugome kraju skladišta. Sustav zato procjenjuje kako bi se sadašnje interakcije među robotima mogle preliti u buduća uska grla, pa pokušava reagirati prije nego što se problem potpuno razvije.

Rezultati: oko 25 posto veća propusnost u simulacijama

Najzvučniji rezultat istraživanja jest podatak da je nova metoda u simulacijama nadahnutima stvarnim rasporedima skladišta postigla oko 25 posto veću propusnost od uspoređenih pristupa. Prema opisu rada, usporedba je uključivala tradicionalne algoritme i nasumično pretraživanje, a mjerilo uspješnosti bio je broj isporučenih paketa po robotu. U sektoru logistike, gdje se konkurentska prednost često mjeri u sekundama, takav dobitak nije trivijalan. I sami autori ističu da u velikim skladištima i povećanje učinkovitosti od samo dva ili tri posto može imati osjetan poslovni učinak, pa rezultat od približno četvrtine veće propusnosti u simulacijskim uvjetima pokazuje zašto industrija sve više ulaže u ovakve sustave.

Važno je, međutim, zadržati mjeru u tumačenju takvih brojki. Istraživači izričito navode da je sustav još daleko od pune primjene u stvarnim skladištima. Simulacije mogu vrlo uvjerljivo prikazati raspored prolaza, gustoću prometa i logiku zadataka, ali ne mogu savršeno obuhvatiti svu nepredvidivost rada uživo, od hardverskih odstupanja i različitog trošenja opreme do neočekivanih prekida i sigurnosnih ograničenja. Zato rezultat od 25 posto nije jamstvo da će se isti učinak automatski ponoviti u svakoj konkretnoj hali, nego pokazatelj da pristup ima ozbiljan potencijal.

Zašto je problem složeniji nego što izgleda

Na prvi pogled može se činiti da je riječ tek o pitanju prometnih pravila za robote. No u stvarnosti je riječ o vrlo složenom optimizacijskom problemu. Što je više robota u istom prostoru, broj mogućih konflikata i međusobnih blokada raste izrazito brzo. Autori navode da se s rastom gustoće robota složenost problema povećava eksponencijalno, zbog čega tradicionalne metode počinju gubiti korak upravo u situacijama kada su najpotrebnije.

U klasičnim sustavima stručnjaci unaprijed osmišljavaju pravila kretanja, prioritete prolaska i logiku preusmjeravanja. Takvi sustavi mogu biti vrlo učinkoviti dok je okruženje relativno predvidivo. No suvremena skladišta, posebno ona povezana s e-trgovinom i distribucijom robe široke potrošnje, rade pod snažnim pritiskom promjenjive potražnje. Narudžbe ne dolaze ravnomjerno, artikli se razlikuju po veličini i položaju, a roboti se moraju brzo uključivati u nove zadatke. U takvim okolnostima unaprijed zadana pravila lako postaju previše kruta.

I tu dolazi do izražaja prednost modela koji se može prilagoditi drukčijem rasporedu skladišta, drukčijem broju robota i drukčijoj gustoći prometa. MIT navodi da se istrenirana neuronska mreža može prenijeti i na nova okruženja, što je za industriju posebno važno jer ne postoje dva potpuno ista distribucijska centra. Skladište robe široke potrošnje, farmaceutski distribucijski centar i logistički centar za e-trgovinu mogu imati sličnu osnovnu logiku, ali i bitno drukčije ritmove rada, raspored polica i kritične točke prometa.

Širi kontekst: od pametnih skladišta do otpornijih opskrbnih lanaca

Ovo istraživanje dolazi u trenutku kada automatizacija skladišta više nije izdvojeni eksperiment, nego važan dio šire transformacije opskrbnih lanaca. Symbotic na svojim službenim stranicama opisuje vlastiti sustav kao visokogustinsku, umjetnom inteligencijom vođenu platformu koja koordinira stotine autonomnih robota u skladišnim operacijama. U takvom poslovnom modelu pitanje protočnosti više nije samo tehnički detalj, nego izravno utječe na brzinu obrade robe, korištenje prostora, troškove rada i sposobnost tvrtke da odgovori na sezonske vrhunce potražnje.

U posljednjih nekoliko godina logistički sektor sve se više okreće ideji da skladište ne bude tek pasivni prostor za pohranu, nego dinamični sustav u kojem softver neprestano odlučuje što ima prioritet: koji artikl ide prvi, koja ruta je najsigurnija, koji robot treba preuzeti zadatak i gdje prijeti zagušenje. U tom smislu MIT-ov i Symboticov rad nije samo još jedan laboratorijski rezultat, nego dio šireg prijelaza sa statičke automatizacije na adaptivno upravljanje u stvarnom vremenu.

Takav pomak ima i gospodarsku dimenziju. Kada se u velikim distributivnim centrima smanji broj zastoja, učinak se ne vidi samo u bržem kretanju robota, nego i u stabilnijem ritmu isporuke, manjem riziku od kašnjenja i većoj predvidivosti rada. Za trgovce, proizvođače i prijevoznike to znači otporniji sustav u lancu koji je posljednjih godina često bio pod pritiskom poremećaja, od skokova potražnje do nedostatka radne snage.

Što istraživači još žele unaprijediti

Iako su rezultati ohrabrujući, autori otvoreno govore i o ograničenjima. Sljedeći korak, prema opisu istraživanja, nije samo bolje upravljanje prometom, nego uključivanje same dodjele zadataka u model odlučivanja. To je važno zato što zagušenje ne ovisi samo o tome kako se roboti kreću, nego i o tome kojem je robotu dodijeljen koji posao. Ako više robota istodobno dobije zadatke koji ih šalju prema istom uskom području skladišta, problem nastaje i prije nego što planiranje putanja uopće započne.

Zbog toga bi buduće verzije sustava trebale povezati dvije razine odluke koje se u praksi često razmatraju odvojeno: tko preuzima zadatak i kako se do njega kreće. U velikim sustavima to bi moglo biti presudno jer promet nije samo posljedica rasporeda prolaza, nego i posljedica načina na koji se posao raspoređuje kroz vrijeme. Istraživači također navode da žele sustav proširiti na veća skladišta s tisućama robota, što je logičan, ali tehnički vrlo zahtjevan korak.

Granica između akademskog rezultata i industrijske primjene

Jedno od važnijih pitanja za industriju jest koliko brzo ovakva rješenja mogu prijeći iz simulacija u stvarne objekte. Na temelju dostupnih podataka, odgovor je oprezan. Istraživanje pokazuje izvedivost i potencijal koristi, ali ne sugerira da je potpuna komercijalna implementacija odmah iza ugla. U skladištima u kojima roboti rade velikom brzinom svaki novi algoritam mora zadovoljiti stroge kriterije pouzdanosti, sigurnosti i predvidivosti ponašanja. Poslovni sustavi pritom ne traže samo maksimalnu učinkovitost, nego i vrlo nisku stopu pogreške.

Upravo zato hibridni pristup može biti privlačan industriji. Umjesto da tvrtke odjednom prepuste cijelo upravljanje dubokom učenju, mogu strojno učenje uvesti kao sloj koji pomaže u određivanju prioriteta, dok ostatak sustava i dalje ostaje pod kontrolom planera koji su već provjereni u operativnim uvjetima. Takva postupna integracija često je realniji put prema primjeni nego potpuno radikalna zamjena postojećih sustava.

Za akademsku zajednicu ovaj rad je zanimljiv i zato što pokazuje kako se metode razvijene za promet, optimizaciju i višeagentske sustave mogu uspješno prenijeti u logistiku. Za tržište je pak važan signal da umjetna inteligencija u skladištima ne mora nužno značiti samo računalni vid, prepoznavanje objekata ili prediktivno održavanje. Sve veći dio vrijednosti nastaje i u onom manje vidljivom sloju, u algoritamskom odlučivanju koje određuje tko se kada kreće, gdje usporava i kako cijeli sustav izbjegava da sam sebe zakoči.

Ako se rezultati iz simulacija barem djelomično potvrde u stvarnim operacijama, to bi moglo značiti novu fazu razvoja automatiziranih skladišta: onu u kojoj se uspjeh više neće mjeriti samo brojem robota ili stupnjem automatizacije, nego sposobnošću sustava da u gužvi donese bolju odluku od unaprijed zadanih pravila. U svijetu logistike, gdje nekoliko postotnih bodova učinkovitosti može značiti milijunske razlike, upravo bi ta sposobnost prilagodbe mogla postati jedna od ključnih prednosti.

Izvori:

• - MIT News Topics / Robotics – objava naslova i datuma članka o novom sustavu za upravljanje prometom skladišnih robota (link)
• - MIT News Topics / Artificial Intelligence – potvrda objave članka 26. ožujka 2026. i osnovnog opisa istraživanja (link)
• - Journal of Artificial Intelligence Research – zapis o radu “Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation”, s podacima o objavi u ožujku 2026. (link)
• - MIT News, 2024 – raniji kontekst istraživanja MIT-a o optimizaciji kretanja robota u skladištima (link)
• - Symbotic – službeni opis sustava automatizacije skladišta i koordinacije autonomnih robota (link)
• - Symbotic – službeni opis robotske flote i AI softvera koji koordinira kretanje autonomnih robota (link)