數秒內算出 8 個機器人運動路徑！Google DeepMind 和 Intrinsic、倫敦大學開發新 AI 模型
在製造業，運動規劃是機器人能否順利協作的關鍵。傳統演算法雖能為單一機器人生成可靠路徑，但當多台機器人需要在狹窄、充滿障礙的空間中同時運作，計算難度急遽上升。工程師往往需要花費大量時間，為演算法設定參數、甚至手動調整軌跡，以避免機器人互相碰撞。
《The Robot Report》指出，程式設計所耗費的時間，是自動化發展的主要障礙之一。為了解決這個痛點，Google DeepMind Robotics、Alphabet 旗下的 Intrinsic 和倫敦大學學院正在聯手，試圖尋求突破。
讓機器人「和諧跳舞」，RoboBallet 系統登場
他們合作開發了一套名為 「RoboBallet」 的 AI 模型，並將研究成果發表於科學期刊《Science Robotics》。這套 AI 模型運用強化學習和圖神經網路（Graph Neural Networks, GNN），能自動為共同空間中的多個機器人產生無碰撞的運動規劃。
研究團隊將機器人、任務、障礙物轉化為圖上的節點，透過強化學習反覆嘗試，在數百萬個模擬案例中學習最佳策略。Intrinsic 表示，一旦訓練完成，該 AI 模型可以直接從 CAD 檔與任務描述產生運動規劃，不需要繁瑣的手動程式設計。
倫敦大學電腦科學系與 Google DeepMind 研究員 Matthew Lai 比喻，RoboBallet 把工業機器人技術轉化為精心編排的舞蹈，每個機械臂都能像舞者一樣精準、有目的並能感知隊友的動作。
效率暴增！幾秒完成 8 機協作，軌跡品質提升 25%
在實驗中，RoboBallet 可以針對多達 8 個機器人進行運動規劃，並且通常能在幾秒鐘內得出最佳的解決方案──不需逐步指令，並能自動決定任務順序與對應路徑，這在傳統上需要數天工作時間。根據 Intrinsic，與傳統方法相比，這種基於 AI 的方法，在軌跡品質方面提高了約 25%。
值得關注的是，當機器人數量從 4 台增加到 8 台時，RoboBallet 的任務執行時間平均縮短 60%。Intrinsic 表示，這顯示出效率不只不會隨複雜度下降，反而可能隨著系統擴展而提高。
Lai 認為 RoboBallet 系統的獨特之處在於規模和速度，非常適合用於汽車產線，因為這類生產線通常使用多組機器人來焊接零件。此外，研究人員也指出這套系統優點在於學習了一般性原則，而不是記憶特定場景，因此具備大規模工業應用所需的適應能力。
目前 RoboBallet 仍停留在實驗階段，尚未部署至真實產線，但學界與產業界視為一個重要里程碑。Intrinsic 科學長 Torsten Kroeger 表示，這是「將自適應、高效率規劃技術導入機器人和製造業的關鍵一步」。麻省理工學院教授、豐田研究院副總裁 Russ Tedrake 也指出，雖然該技術上不算「驚天動地」，但其計算效率的提升與應用潛力「極具價值」。
AI 機器人浪潮來襲！立即免費下載《AI 機器人全球 7 大勢力關鍵報告》，解鎖各國 AI 機器人發展重點
＊本文開放合作媒體轉載，資料來源：《The Robot Report》、《Science Robotics》、《Financial Times》，首圖來源：Intrinsic