Learning to Optimize Package Picking for Large-Scale, Real-World Robot Induction

要約

倉庫の自動化は、運用効率を高め、コストを最小限に抑え、労働力の変動に対する回復力を向上させる上で極めて重要な役割を果たします。
以前の研究では、機械学習（ML）モデルが高度なパッケージとパッケージに優先順位を付けることにより、大規模なロボット艦隊のピッキング成功率を高める可能性を実証していますが、これらの取り組みは主に、ヒューリスティックな方法を使用してサンプリングされたピックの成功確率の予測に焦点を当てています。
ただし、サンプルピックを直接最適化して、規模のパフォーマンスを向上させるために、データ駆動型のアプローチを活用することには限られた注意が払われています。
この研究では、変換調整を予測するMLベースのフレームワークと、サンプリングされたピックのマルチサクチャーエンドエフェクターの吸引カップの選択を改善して、成功の確率を高めることを提案します。
このフレームワークは、パッケージ操作に使用されるAmazon Roboticsのロボット誘導（Robin）艦隊の操作に似たテストワークセルに統合および評価されました。
200万を超えるピックで評価されたこの提案された方法は、ヒューリスティックベースのピックサンプリングベースラインと比較して、ピック故障率の20 \％の削減を実現し、大規模な倉庫自動化シナリオでの有効性を示しています。

要約(オリジナル)

Warehouse automation plays a pivotal role in enhancing operational efficiency, minimizing costs, and improving resilience to workforce variability. While prior research has demonstrated the potential of machine learning (ML) models to increase picking success rates in large-scale robotic fleets by prioritizing high-probability picks and packages, these efforts primarily focused on predicting success probabilities for picks sampled using heuristic methods. Limited attention has been given, however, to leveraging data-driven approaches to directly optimize sampled picks for better performance at scale. In this study, we propose an ML-based framework that predicts transform adjustments as well as improving the selection of suction cups for multi-suction end effectors for sampled picks to enhance their success probabilities. The framework was integrated and evaluated in test workcells that resemble the operations of Amazon Robotics’ Robot Induction (Robin) fleet, which is used for package manipulation. Evaluated on over 2 million picks, the proposed method achieves a 20\% reduction in pick failure rates compared to a heuristic-based pick sampling baseline, demonstrating its effectiveness in large-scale warehouse automation scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google