An Efficient Deep Reinforcement Learning Model for Online 3D Bin Packing Combining Object Rearrangement and Stable Placement

要約

このペーパーでは、オンライン 3D ビン パッキング (3D-BPP) のための効率的な深層強化学習 (DRL) フレームワークを紹介します。
3D-BPP は、物流、倉庫保管、輸送において重要な NP 困難な問題であり、箱内の物体の最適な配置が関係します。
従来のヒューリスティック アルゴリズムでは、リアルタイム シナリオにおける動的および物理的な制約に対処できないことがよくあります。
信頼性の高い物理ヒューリスティック アルゴリズムとオブジェクトの再配置と安定した配置を統合する新しい DRL フレームワークを紹介します。
私たちの実験では、提案されたフレームワークがより少ないトレーニング エポックで無駄なスペースの量を効果的に最小限に抑え、より高いスペース利用率を達成することを示しています。

要約(オリジナル)

This paper presents an efficient deep reinforcement learning (DRL) framework for online 3D bin packing (3D-BPP). The 3D-BPP is an NP-hard problem significant in logistics, warehousing, and transportation, involving the optimal arrangement of objects inside a bin. Traditional heuristic algorithms often fail to address dynamic and physical constraints in real-time scenarios. We introduce a novel DRL framework that integrates a reliable physics heuristic algorithm and object rearrangement and stable placement. Our experiment show that the proposed framework achieves higher space utilization rates effectively minimizing the amount of wasted space with fewer training epochs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google