ثورة في التخطيط الزمني: خوارزمية ذكية لتحسين التعاون بين البشر والروبوتات في الإنتاج!

في عالم الصناعة المتقدم، يشكل التعاون بين البشر والروبوتات أساس نجاح الإنتاجية. لكن كما تعلمون، فإن التخطيط وتخصيص المهام (Task Planning and Allocation - TPA) يعدان ضروريين لتحقيق أعلى مستويات الكفاءة. ومع ذلك، تواجه هذه العملية تحديات كبيرة، خاصة في بيئات التصنيع الديناميكية والمعقدة.

في هذا السياق، تم تقديم خوارزمية جديدة تدمج مبدأ التعلم المعزز (Reinforcement Learning) لتبسيط عملية التخطيط الزمني. من خلال تجزئة المهام الإنتاجية إلى مهام فرعية يمكن التحكم فيها، تم تطوير خوارزمية تسهم في تحسين توزيع المهام بين البشر والروبوتات.

تم تصميم الخوارزمية لتشمل وكيلين: وكيل عالي المستوى للتخطيط لوضع المهام، ووكيل منخفض المستوى لتخصيص المهام. وتعتمد الخوارزمية العالية المتطورة على طريقة تعلّم Q العميق القائمة على الذاكرة (Efficient Buffer-based Deep Q-Learning Method - EBQ)، والتي تسهم في تقليل وقت التدريب وتعزيز الأداء عند مواجهة مشاكل الإنتاج ذات المكافآت طويلة الأمد ونادرة الحدوث.

أما الخوارزمية المنخفضة المستوى، فهي تعتمد على التخطيط المكاني (Spatially Aware Method - SAP) لتخصيص المهام للموارد المناسبة، سواء كانت بشرية أو روبوتية، مما يسهل إكمال المهام الفرعية بصورة سلسة.

أظهرت التجارب التي أجريت في عملية إنتاج معقدة باستخدام محاكاة ثلاثية الأبعاد، أن الطريقة المقترحة EBQ&SAP تعالج بنجاح مشاكل تخطيط وتخصيص المهام بين البشر والروبوتات، مما يعكس أهمية الذكاء الاصطناعي في تحسين الإنتاجية وكفاءة العمل.