論文の概要: Dynamic AGV Task Allocation in Intelligent Warehouses
- arxiv url: http://arxiv.org/abs/2312.16026v1
- Date: Tue, 26 Dec 2023 12:28:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:12:34.083627
- Title: Dynamic AGV Task Allocation in Intelligent Warehouses
- Title（参考訳）: インテリジェント倉庫における動的AGVタスク割り当て
- Authors: Arash Dehghan and Mucahit Cevik and Merve Bodur
- Abstract要約: 急成長するAGV業界は、その効率性、信頼性、費用対効果のために広く採用されている。
本稿では,AGVの戦略的利用を通じて,小規模・中規模の倉庫で普及するピッカー・ツー・パートシステムの向上に焦点をあてる。
本稿では,人間AGV労働者の混成チームをコーディネートするためのニューラル動的プログラミング手法を提案する。
- 参考スコア（独自算出の注目度）: 1.519321208145928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper explores the integration of Automated Guided Vehicles (AGVs) in
warehouse order picking, a crucial and cost-intensive aspect of warehouse
operations. The booming AGV industry, accelerated by the COVID-19 pandemic, is
witnessing widespread adoption due to its efficiency, reliability, and
cost-effectiveness in automating warehouse tasks. This paper focuses on
enhancing the picker-to-parts system, prevalent in small to medium-sized
warehouses, through the strategic use of AGVs. We discuss the benefits and
applications of AGVs in various warehouse tasks, highlighting their
transformative potential in improving operational efficiency. We examine the
deployment of AGVs by leading companies in the industry, showcasing their
varied functionalities in warehouse management. Addressing the gap in research
on optimizing operational performance in hybrid environments where humans and
AGVs coexist, our study delves into a dynamic picker-to-parts warehouse
scenario. We propose a novel approach Neural Approximate Dynamic Programming
approach for coordinating a mixed team of human and AGV workers, aiming to
maximize order throughput and operational efficiency. This involves innovative
solutions for non-myopic decision making, order batching, and battery
management. We also discuss the integration of advanced robotics technology in
automating the complete order-picking process. Through a comprehensive
numerical study, our work offers valuable insights for managing a heterogeneous
workforce in a hybrid warehouse setting, contributing significantly to the
field of warehouse automation and logistics.
- Abstract（参考訳）: 本稿では,倉庫業務における重要かつコスト集約的な側面である倉庫注文ピッキングにおける自動誘導車(agvs)の統合について検討する。
新型コロナウイルス(COVID-19)のパンデミックで加速しているAGV業界は、倉庫の自動化における効率性、信頼性、費用効果などにより、広く普及している。
本稿では,AGVの戦略的利用を通じて,小規模・中規模の倉庫で普及するピッカー・ツー・パートシステムの向上に焦点をあてる。
本稿では, 各種倉庫業務におけるAGVのメリットと応用について論じ, 運用効率向上の変革的可能性を強調した。
本稿では,業界の主要企業によるAGVの展開について検討し,倉庫管理における各種機能を示す。
人間とagvsが共存するハイブリッド環境での運用性能の最適化に関する研究のギャップに対処し,本研究は動的ピッカー・ツー・パートの倉庫シナリオへと発展する。
本稿では,人間とagvの作業員の混合チームを協調させ,注文スループットと運用効率を最大化するための新しいアプローチであるニューラル近似動的プログラミング手法を提案する。
これは、非神秘的な意思決定、注文バッチ、バッテリー管理のための革新的なソリューションを含む。
また、自動注文処理における高度なロボティクス技術の統合についても論じる。
総合的な数値研究を通じて,雑貨倉庫における異種労働者の管理に有用な知見を提供し,倉庫の自動化とロジスティクスの分野に大きく貢献した。
関連論文リスト
- Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses [1.2810395420131764]
MAPF(Multi-Agent Path Finding)は、自動倉庫や工場にロボットを配置する際の重要な最適化問題である。
ロボットの群れが各注文の商品を棚からワークステーションに届ける倉庫において、オンラインでの注文配達の現実的な問題を考える。
これにより、相互依存型ピックアップおよびデリバリタスクのストリームが生成され、関連するMAPF問題は、現実的な衝突のないロボット軌道の計算によって構成される。
論文 参考訳（メタデータ） (2024-08-26T15:13:38Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - Cooperative Cognitive Dynamic System in UAV Swarms: Reconfigurable Mechanism and Framework [80.39138462246034]
UAVスワムの管理を最適化するための協調認知力学システム(CCDS)を提案する。
CCDSは階層的かつ協調的な制御構造であり、リアルタイムのデータ処理と意思決定を可能にする。
さらに、CCDSは、UAVスワムのタスクを効率的に割り当てるための生体模倣機構と統合することができる。
論文 参考訳（メタデータ） (2024-05-18T12:45:00Z) - Random Network Distillation Based Deep Reinforcement Learning for AGV Path Planning [0.0]
本稿では,AGVの継続的な動作と位置を考慮したAGV経路計画のシミュレーション環境について述べる。
提案手法により,AGV は環境内の連続的な動作を伴う経路計画タスクをより高速に完了できることを示す。
論文 参考訳（メタデータ） (2024-04-19T02:52:56Z) - Learning Efficient and Fair Policies for Uncertainty-Aware Collaborative Human-Robot Order Picking [11.997524293204368]
協調的な人間ロボットのオーダーピッキングシステムでは、人間のピッカーと自律移動ロボット(AMR)は倉庫内を独立して移動し、ピッカーがアイテムをAMRに積む場所で会う。
本稿では,多目的深層強化学習(DRL)アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-09T11:45:16Z) - Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。
倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。
その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T20:00:06Z) - Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with Robotic and Human Co-Workers [41.293077032127904]
我々は、多数の移動ロボットと人間のピッカーが協力して倉庫内でアイテムを収集、配達する倉庫について検討する。
私たちが取り組んだ根本的な問題は、これらの作業員がこの作業においてパフォーマンスを最大化するために、倉庫内での動きと動作をどのように調整する必要があるかである。
我々は,マネージャエージェントが労働者エージェントに目標を割り当てる階層的MARLアルゴリズムを開発し,グローバルな目標の最大化に向けて,マネージャと労働者の方針を協調的に訓練する。
論文 参考訳（メタデータ） (2022-12-22T06:18:41Z) - DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in
Complex Environments [55.204450019073036]
本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。
本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。
ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
論文 参考訳（メタデータ） (2022-09-07T00:35:27Z) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳（メタデータ） (2021-03-03T20:54:19Z) - Dynamic Dispatching for Large-Scale Heterogeneous Fleet via Multi-agent
Deep Reinforcement Learning [10.835960004409708]
本研究では,鉱業における動的問題を解決するための新しい深層強化学習手法を提案する。
まず,実地雷のパラメータを校正したイベントベースマイニングシミュレータを開発した。
そこで我々は,異種エージェントから記憶を学習するための,新しい抽象的状態/行動表現を用いた体験共有型ディープQネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-24T21:29:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。