麻省理工学院和Symbotic公司的研究人员开发出一种新方法，旨在优化自动化仓库中机器人的运行效率。该系统通过预防交通堵塞和碰撞，帮助机器人车队保持顺畅运作，从而提升整体吞吐量。

这项研究结合了深度强化学习和规划算法，以动态调整机器人的优先通行顺序，提前重新规划路线以避免瓶颈。在模拟测试中，该方法相比其他策略实现了约25%的吞吐量提升，并能快速适应不同仓库布局和机器人数量。

主要作者Han Zheng表示：“在制造和物流领域，很多公司依赖人类专家设计的算法。我们证明，借助深度强化学习的力量，可以实现超人类性能。这是一种非常有前景的方法，因为在这些巨型仓库中，即使吞吐量增加2%或3%也能产生巨大影响。”合著者包括Yining Ma、Brandon Araki、Jingkai Chen和资深作者Cathy Wu，研究成果已发表于《Journal of Artificial Intelligence Research》。

研究人员利用神经网络模型观察仓库环境，通过深度强化学习训练系统，使其能高效协调机器人并预测拥堵。与传统算法相比，这种混合方法在机器人密度增加时表现更优，生成可行的路径规划。尽管系统尚未实际部署，但演示了机器学习在仓库自动化中的潜力。未来工作将扩展至任务分配和更大规模仓库。

出版详情：作者：Adam Zewe, Massachusetts Institute of Technology；标题：《AI system learns to prevent warehouse robot traffic jams, boosting throughput 25%》；发表于：《Journal of Artificial Intelligence Research》(2026)。