Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search

要約

ロボット技術を迅速に展開するには、多数の自律エージェントを管理するための専用の最適化アルゴリズムが必要です。
このペーパーは、注文とワークステーションの割り当て、品目とポッドの割り当て、およびワークステーションでの注文履行スケジュールを最適化することにより、倉庫保管におけるロボットによる部品からピッカーへの作業をサポートします。
このモデルは、ワークステーションでの人員の作業負荷と施設内の混雑を管理しながら、スループットを最大化します。
私たちは、部分問題を生成するための新しい学習してから最適化するアプローチを使用して、大規模な近傍検索によってこの問題を解決します。
このアルゴリズムは、部分問題の特徴に基づいて客観的な改善を予測するオフライン機械学習手順と、各反復で新しい部分問題を生成するオンライン最適化モデルに依存しています。
Amazon Robotics との協力により、私たちのモデルとアルゴリズムが、実際の問題に対して最先端のアプローチよりもはるかに強力なソリューションを生成することを示します。
特に、当社のソリューションは、人間のオペレーターが一度に複数のアイテムを選択するためのロボットタスクを調整したり、施設内の混雑を回避するためにロボットのルートを調整したりすることにより、ロボットフリートの利用を強化します。

要約(オリジナル)

The rapid deployment of robotics technologies requires dedicated optimization algorithms to manage large fleets of autonomous agents. This paper supports robotic parts-to-picker operations in warehousing by optimizing order-workstation assignments, item-pod assignments and the schedule of order fulfillment at workstations. The model maximizes throughput, while managing human workload at the workstations and congestion in the facility. We solve it via large-scale neighborhood search, with a novel learn-then-optimize approach to subproblem generation. The algorithm relies on an offline machine learning procedure to predict objective improvements based on subproblem features, and an online optimization model to generate a new subproblem at each iteration. In collaboration with Amazon Robotics, we show that our model and algorithm generate much stronger solutions for practical problems than state-of-the-art approaches. In particular, our solution enhances the utilization of robotic fleets by coordinating robotic tasks for human operators to pick multiple items at once, and by coordinating robotic routes to avoid congestion in the facility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google