Индустрия · 12 октября 2026 г.
DeepFleet: модели для координации флота роботов Amazon
Amazon Robotics опубликовала DeepFleet — набор foundation models для планирования и координации мобильных роботов; в работе описаны четыре архитектуры и их сравнительная оценка на данных реальных складов.
О DeepFleet
Amazon Robotics опубликовала на arXiv технический отчёт DeepFleet — набор foundation models для координации и планирования больших флотов мобильных роботов. Документ содержит данные о позициях, целях и взаимодействиях сотен тысяч роботов из реальных складских операций и ставит задачу понять, какие индуктивные допущения помогают улучшить предсказание и планирование поведения агентов (статья на arXiv). (Документ: arXiv:2508.08574, версия v3 от 13 Apr 2026.)
Архитектуры и результаты
В работе описаны четыре архитектуры: robot-centric (RC) — авторегрессивный decision transformer, оперирующий локальными окрестностями отдельных роботов; robot-floor (RF) — трансформер с кросс‑вниманием между роботами и представлением пола склада; image-floor (IF) — свёрточное кодирование многоканровой сцены; graph-floor (GF) — сочетание временного внимания с графовыми нейросетями для учёта пространственных связей. Авторы оценивают влияние каждого архитектурного выбора на задачу предсказания и планирования.
Эксперименты показывают, что RC и GF, использующие асинхронные обновления состояний и учитывающие локальную структуру взаимодействий, демонстрируют наилучшие показатели и эффективнее масштабируются на большие наборы данных (см. arXiv-статью).
Контекст и ограничения
Отдельно репортаж Ars Technica подтверждает, что Amazon применяет foundation models для координации мобильных роботов в операциях на складах и использует похожие подходы для прогнозирования заторов и управления флотом (Ars Technica).
Технический отчёт подробно описывает архитектуры и эмпирические результаты, но вопросы промышленной интеграции, масштабного развёртывания и влияния на рабочие процессы остаются предметом отдельного анализа и обсуждения в профильных источниках.