DeepFleet：アマゾンAIモデルがロボット交通を予測し効率向上

アマゾンは、世界中のフルフィルメントセンターと仕分けセンターに100万台目のロボットを配備し、産業用モバイルロボットの世界最大の運用事業者としての地位を確立するという重要なマイルストーンを達成しました。この目覚ましい拡大は、これらの膨大なロボットフリート間の協調を強化するために設計された画期的なAI基盤モデルスイートであるDeepFleetの発表と同時に行われました。数十億時間にわたる実際の運用データで訓練されたこれらのモデルは、ロボットの動きを最適化し、混雑を大幅に削減し、全体的な効率を最大10%向上させる態勢が整っています。

言語およびビジョンAIで注目を集めた基盤モデルの概念は、大規模なデータセットを訓練して一般的なパターンを学習し、それを多数の特定のタスクに適応させることを含みます。アマゾンは現在、この強力なアプローチをロボット工学に適用しています。動的な倉庫環境で数千台のロボットを協調させるという課題は、従来のシミュレーションが提供できるレベルをはるかに超える予測インテリジェンスを要求します。フルフィルメントセンターでは、ロボットは在庫棚を人間の作業者に輸送するために不可欠であり、仕分け施設では、配達 destined の荷物を効率的に処理します。フリートが数十万台に及ぶ場合、交通渋滞やデッドロックのような運用上のボトルネックが一般的であり、プロセス全体を遅らせます。DeepFleetは、ロボットの軌道と相互作用を正確に予測することで、これらの問題に直接対処し、プロアクティブな計画と介入を可能にします。

これらのモデルは、数百万ロボット時間にわたる信じられないほど豊富で多様なデータセットを活用しており、さまざまな倉庫レイアウト、ロボット世代、および運用サイクルを網羅しています。この広範なデータにより、DeepFleetは混雑の波などの複雑な創発的行動を捉え、大規模言語モデルが新しいクエリに適応するように、多様なシナリオに一般化することができます。

DeepFleetは、マルチロボットのダイナミクスを理解するための独自のPアプローチで設計された4つの異なるモデルアーキテクチャに基づいて構築されています。たとえば、ロボット中心（RC）モデルは、近くのロボット、物体、マーカーなどのローカルな近隣データに基づいて個々のロボットの行動を予測する、焦点を絞った観察者のように機能します。9700万という比較的控えめなサイズのパラメータにもかかわらず、このモデルは評価中に位置と状態の予測において優れた精度を示しました。対照的に、ロボットフロア（RF）モデルはより広い視野を取り、個々のロボットの状態を頂点やエッジなどのグローバルなフロア特徴と統合し、ローカルな相互作用と倉庫全体のコンテキストのバランスをとる同期予測を可能にします。8億4000万パラメータを持つこのより大きなモデルは、タイミング予測で強力なパフォーマンスを発揮しました。3番目のアプローチであるイメージフロア（IF）モデルは、畳み込みエンコーディングを使用して倉庫をマルチチャネル画像として視覚化しようとしましたが、大規模での正確なピクセルレベルのロボット相互作用を捉えるのが難しいためか、パフォーマンスが劣りました。最後に、グラフフロア（GF）モデルは、倉庫フロアを時空間グラフとして表現することで、計算効率の高いソリューションを提供します。これにより、グローバルな関係を効率的に処理し、わずか1300万パラメータでアクションと状態を予測できるため、軽量でありながら非常に競争力があります。これらの多様な設計は、時間的（同期対イベントベース）および空間的（ローカル対グローバル）アプローチが異なり、アマゾンが大規模な予測に最適な方法をテストすることを可能にします。

未見の倉庫データに対する性能評価では、軌道精度のための動的時間伸縮（DTW）や、運用リアリズムのための混雑遅延誤差（CDE）などの指標が使用されました。RCモデルが全体的にリードし、位置のDTWスコアは8.68、CDEは0.11%を達成しました。一方、GFモデルは、計算複雑度が大幅に低いにもかかわらず、強力な結果を示しました。スケーリング実験では、より大規模なデータセットで訓練された大規模モデルが予測損失を一貫して削減することがさらに確認され、他の基盤モデルで観察された傾向を反映しています。GFモデルの場合、外挿により、660万エピソードで訓練された10億パラメータのバージョンが最適な計算効率を達成できる可能性が示唆されています。このスケーラビリティは、アマゾンの膨大なロボットフリートが比類のない量の運用データを提供するため、極めて重要な利点です。DeepFleetの初期のアプリケーションには、混雑予測と適応ルーティングが含まれ、将来的な可能性は自動タスク割り当てとデッドロック防止にまで及んでいます。

DeepFleetは、日本での最近の展開を含む、世界中の300以上の施設に広がるアマゾンのグローバルネットワークにすでに具体的な影響を与えています。ロボットの移動効率を向上させることで、この技術は直接的に迅速な荷物処理と運用コストの削減に貢献し、最終的には顧客に利益をもたらします。効率性に加え、アマゾンは2019年以来、70万人以上の従業員をロボット工学およびAI関連の職務でスキルアップさせてきた労働力開発へのコミットメントも強調しています。この統合は、肉体的に困難なタスクを機械に委ねることで、より安全な仕事を生み出すことを目指しています。