Terraforming — Environment Manipulation during Disruptions for Multi-Agent Pickup and Delivery

要約

自動倉庫では、移動ロボットのチームが、密に詰め込まれたポッドによって形成される狭い通路を移動しながら、在庫ポッドを指定されたワークステーションに移送することで梱包プロセスを実行します。
この問題は通常、マルチエージェント集配 (MAPD)​​ 問題としてモデル化され、ローリング ホライゾン衝突解決 (RHCR) アルゴリズムのように、固定グラフ上でエージェントの衝突のない経路を繰り返し計画することで解決されます。
ただし、既存のアプローチでは、エージェントは現在のタスクに対応するポッドのみを移動でき、他のポッドは静止した障害物と見なされます (すべてのポッドが移動可能であるにもかかわらず) という限定的な前提が設けられています。
この動作により、不必要に長いパスが発生する可能性がありますが、ポッド操作によって追加の廊下を開くことで回避できます。
この目的を達成するために、エージェントにポッドを動的に再配置する柔軟性を与えることの意味を調査します。
私たちはこの新しい問題を Terraforming MAPD (tMAPD)​​ と呼び、それに取り組むための RHCR ベースのアプローチを開発します。
テラフォーミングのさらなる柔軟性には多大な計算コストがかかるため、ソリューションの品質に大きな影響を与える可能性がある状況を特定して、この機能を慎重に利用しています。
特に、アイテムがポッドから落下したときやエージェントが誤動作したときなど、自動倉庫で頻繁に発生する混乱に対応してテラフォーミングを呼び出します。
経験的に、中断が確率的プロセスを介してモデル化される tMAPD のアプローチを使用すると、スループットが 10% 以上向上し、最大サービス時間 (ポッドのドロップオフ時間とピックアップ時間の差) が 10% 以上短縮されます。
MAPD 設定と比較して、実行時間を大幅に増加させることなく 50%。

要約(オリジナル)

In automated warehouses, teams of mobile robots fulfill the packaging process by transferring inventory pods to designated workstations while navigating narrow aisles formed by tightly packed pods. This problem is typically modeled as a Multi-Agent Pickup and Delivery (MAPD) problem, which is then solved by repeatedly planning collision-free paths for agents on a fixed graph, as in the Rolling-Horizon Collision Resolution (RHCR) algorithm. However, existing approaches make the limiting assumption that agents are only allowed to move pods that correspond to their current task, while considering the other pods as stationary obstacles (even though all pods are movable). This behavior can result in unnecessarily long paths which could otherwise be avoided by opening additional corridors via pod manipulation. To this end, we explore the implications of allowing agents the flexibility of dynamically relocating pods. We call this new problem Terraforming MAPD (tMAPD) and develop an RHCR-based approach to tackle it. As the extra flexibility of terraforming comes at a significant computational cost, we utilize this capability judiciously by identifying situations where it could make a significant impact on the solution quality. In particular, we invoke terraforming in response to disruptions that often occur in automated warehouses, e.g., when an item is dropped from a pod or when agents malfunction. Empirically, using our approach for tMAPD, where disruptions are modeled via a stochastic process, we improve throughput by over 10%, reduce the maximum service time (the difference between the drop-off time and the pickup time of a pod) by more than 50%, without drastically increasing the runtime, compared to the MAPD setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google