Outrider está usando aprendizado por reforço para melhorar o rendimento em pátios de caminhões. Fonte: Outrider
disse hoje que implantou técnicas avançadas de aprendizagem por reforço, ou RL, para maximizar o rendimento de carga nas instalações dos clientes. A empresa disse que seus modelos RL podem aumentar a velocidade de planejamento de trajetória em 10x e permitir que o Sistema Outrider mova cargas com mais eficiência e segurança através de pátios de distribuição complexos e movimentados.
“Usando os mais recentes avanços em IA, a Outrider está diminuindo continuamente o tempo de giro de reboques movidos de forma autônoma em pátios logísticos”, disse Vittorio Ziparo, diretor de tecnologia e vice-presidente executivo de engenharia. “Ao treinar e avaliar o desempenho do nosso sistema com RL em simulação e cenários do mundo actual, nossos clientes veem melhorias incrementais na velocidade e eficiência com nossa tecnologia.”
Outrider está focado em automatizar quintal operações para centros logísticos para ajudar grandes empresas a melhorar a segurança e aumentar a eficiência. Com sede em Brighton, Colorado empresa disse que trabalha com empresas para eliminar tarefas manuais perigosas e repetitivas.
Aprendizagem por reforço para melhorar a eficiência do pátio
Empresas no transporte de pacotes, comércio eletrônico e varejobens de consumo embalados e fabricação procuram automatizar tarefas manuais em pátios logísticos para aumentar a eficiência e melhorar a segurança. Ao usar o aprendizado por reforço, Outrider afirmou que permite logística os clientes percebam os benefícios da inteligência synthetic no mundo físico mais rapidamente.
“Nossas parcerias com clientes prioritários estão facilitando esses grandes avanços do setor”, acrescentou Ziparo.
Outrider disse que seus recursos baseados em IA são complementados por recursos redundantes segurança mecanismos, combinando os benefícios de IA com abordagens tradicionais de segurança funcional usadas para operações industriais. A empresa disse que abordou mais de 200.000 cenários de segurança, e vários especialistas em segurança terceirizados e clientes da Fortune 500 validaram seu caso de segurança.
As técnicas de RL envolvem a criação de um modelo que melhora a tomada de decisões ao longo do tempo.
Usando anos de amostras de dados de comportamento, Outrider desenvolveu um currículo RL de dificuldade crescente para o modelo aprender. Esta técnica reforça comportamentos preferenciais, como seguir as regras de trânsito e manter distâncias seguras de outros veículos, e desencoraja comportamentos indesejáveis.
Uma vez que os modelos RL são testados extensivamente em simulação e no veículo no Superior Testing Facility da Outrider, o modelo e o código são implantados em operações autônomas nas instalações dos clientes.
“Os pátios dos nossos clientes Fortune 500 são complexos, com centenas de caminhões, reboques, outros veículos e pedestres operando diariamente no native”, acrescentou Ziparo. “A RL é elementary para automatizar esses pátios em escala porque permite que nosso sistema comercial lide com ambientes cada vez mais complexos e diversos – desde pátios de distribuição e fabricação até terminais intermodais e portuários.”
A empresa implantou sistemas de emissão zero para impulsionar a adoção de transporte de carga sustentável. “Outrider é a primeira solução de automação de pátio do mercado que realiza movimentos de reboque totalmente autônomos e com emissão zero”, afirmou.
Outrider usa modelos em nuvem híbrida
As técnicas de aprendizado por reforço do Outrider usam milhões de pontos de dados proprietários específicos de pátios, coletados e rotulados em vários pátios de distribuição grandes e complexos em vários setores. Esses pontos de dados alimentam os modelos de aprendizagem profunda (DL) e RL proprietários da Outrider para criar redes neurais que automatizam tarefas de pátio com inteligência, precisão e velocidade crescentes.
O processamento desses pontos de dados por meio de modelos DL e RL requer {hardware} de computação sofisticado e um ambiente de treinamento econômico em um híbrido de nuvens de IA públicas e privadas. A implantação de nuvem privada de IA do Outrider usa NVIDIAunidades de processamento gráfico (GPUs) DGX H200 da empresa instaladas em um information heart seguro baseado em Denver, de propriedade e operado pela Equinix.
“Ao lidar com quantidades exponencialmente crescentes de dados para treinar modelos DL e RL, a velocidade de processamento e a velocidade de treinamento por dólar gasto são importantes”, disse Tom Baroch, diretor sênior de parcerias globais da Outrider.
“A NVIDIA, investidora da Outrider, nos ajudou a garantir o {hardware} de ponta necessário para dobrar nossa velocidade de treinamento DL e implantamos o ambiente de treinamento em nuvem híbrida, que aumentou a velocidade de treinamento por dólar em seis vezes”, disse ele. “Adotando essa abordagem, a Outrider agrega valor ainda maior aos nossos clientes mais rapidamente.”
O empresa disse que a RL facilita seus movimentos de reboque totalmente autônomos, incluindo engate, ré, conexão da linha de freio do reboque, rastreamento de estoque de pátio e integração com sistemas de gerenciamento de armazém, pátio e transporte.
A empresa disse que a implantação de modelos RL encerra um ano cheio de conquistas. Os destaques de 2024 incluíram a garantia de múltiplos concessões de patentes e subindo US$ 62 milhões em financiamento da Série D.