คลังสินค้าอัตโนมัติขนาดใหญ่มักเผชิญปัญหา 'จราจรติดขัด' ของหุ่นยนต์ที่อาจทำให้ระบบหยุดชะงัก นักวิจัยจาก MIT และบริษัท Symbotic จึงได้ร่วมกันพัฒนาระบบควบคุมหุ่นยนต์แบบใหม่ที่สามารถเรียนรู้การจัดลำดับความสำคัญของหุ่นยนต์แต่ละตัวได้โดยอัตโนมัติ
ระบบนี้ใช้เทคนิค Deep Reinforcement Learning ในการทำความเข้าใจความหนาแน่นของการจราจรและคาดการณ์ปัญหาคอขวดล่วงหน้า จากนั้นจะส่งข้อมูลไปยังอัลกอริทึมการวางแผนที่รวดเร็วเพื่อสั่งการหุ่นยนต์ ผลการทดสอบในสภาพจำลองพบว่าระบบนี้สามารถเพิ่มอัตราการขนส่งสินค้า (Throughput) ได้ถึง 25% เมื่อเทียบกับอัลกอริทึมแบบเดิม และสามารถปรับตัวเข้ากับแผนผังคลังสินค้าหรือจำนวนหุ่นยนต์ที่เปลี่ยนไปได้อย่างดีเยี่ยม
