Multi-Robot Coordination and Layout Design for Automated Warehousing

要約

マルチエージェント経路探索（MAPF）の急速な進歩に伴い、研究者は、大規模な自動倉庫で数百台のロボットを調整するためにMAPFアルゴリズムを展開する方法について研究している。多くの研究は、より優れたMAPFアルゴリズムの開発によって、そのような倉庫のスループットを向上させようとしているが、我々は、倉庫のレイアウトを最適化することによってスループットを向上させることに焦点を当てる。我々は、最先端のMAPFアルゴリズムを用いたとしても、一般的に人間が設計したレイアウトは、多数のロボットを有する倉庫では混雑を引き起こし、したがってスケーラビリティに限界があることを示すものである。我々は、既存のシナリオ自動生成法を拡張し、倉庫レイアウトを最適化する。その結果、最適化された倉庫レイアウトは、(1)交通渋滞を減らし、スループットを向上させる、(2)場合によってはロボット数を2倍にすることで自動倉庫の拡張性を向上させる、(3)ユーザーが指定した多様性尺度でレイアウトを生成できることが示されました。ソースコードは https://github.com/lunjohnzhang/warehouse_env_gen_public に掲載しています。

要約(オリジナル)

With the rapid progress in Multi-Agent Path Finding (MAPF), researchers have studied how MAPF algorithms can be deployed to coordinate hundreds of robots in large automated warehouses. While most works try to improve the throughput of such warehouses by developing better MAPF algorithms, we focus on improving the throughput by optimizing the warehouse layout. We show that, even with state-of-the-art MAPF algorithms, commonly used human-designed layouts can lead to congestion for warehouses with large numbers of robots and thus have limited scalability. We extend existing automatic scenario generation methods to optimize warehouse layouts. Results show that our optimized warehouse layouts (1) reduce traffic congestion and thus improve throughput, (2) improve the scalability of the automated warehouses by doubling the number of robots in some cases, and (3) are capable of generating layouts with user-specified diversity measures. We include the source code at: https://github.com/lunjohnzhang/warehouse_env_gen_public

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL