本文阐述了亚马逊机器人的 Robot Induction (Robin) 良品挑选系统通过人工智能技术的最新进展，成功实现了从大规模、无结构货堆中抓取所需产品，以此推动仓库自动化、实现物流成本节约的目标。

May, 2023

移动自主机器人在制造过程中具有改革性潜力。我们提出了一个完整的算法堆栈，用于解决制造中的挑战，并能够在几分钟内为成千上万个零部件设计复杂的装配计划。

Oct, 2023

该论文总结了首届 Amazon Picking Challenge 的概述，以及对 26 个参赛团队进行的一项调查的摘要。 挑战的目标是设计一个自主机器人来从仓库货架上取物品。 我们对团队进行了 28 个问题的调查，以了解每个团队的背景，机制设计，感知设备，规划和控制方法。 最后，通过分析数据，该论文指出机器人将提高效率和降低成本的希望。

Jan, 2016

本文提出了一个利用强化学习框架来优化传送带速度以最小化对系统其他部分的干扰，并使生产力、控制平滑和减少计算时间等方面有了显著提高的智能制造自动化解决方案。

Mar, 2023

本论文研究了如何通过优化仓库布局提高多智能体路径规划算法在自动化仓库中的吞吐量，并通过扩展现有自动生成场景方法来优化仓库布局，从而降低拥堵和提高自动化仓库的可扩展性，该方法能生成具有用户指定多样性指标的布局。

May, 2023

在协作式人机拣货系统中，通过仓库独立移动的人工拣货员和自主移动机器人（AMRs）在拣货位置汇合，拣货员将物品装上 AMRs。本文考虑在这种系统中在随机环境下将拣货员分配给 AMRs 的优化问题，提出了一种新颖的多目标深度强化学习（DRL）方法，以学习有效的分配策略，既最大化拣货效率，又提高人工拣货员的工作负载公平性。我们的方法使用图模型来建模仓库的状态，并定义了一个能够捕捉区域信息并有效提取与效率和工作负载相关表征的神经网络架构。我们开发了一个离散事件模拟模型，用于训练和评估提出的 DRL 方法。实验中，我们证明了我们的方法能够找到非支配策略集，从而在公平性和效率目标之间获得良好的权衡。训练的策略在效率和公平性方面优于基准线，并且在不同仓库大小的场景中展现出良好的可迁移性。

Apr, 2024

该研究论文探讨了自动引导车（AGV）在仓库拣货中的应用，着重于提高小型到中型仓库中的拣选系统通过战略使用 AGV，以提高操作效率，并通过协调人类和 AGV 工人的混合团队最大化订单吞吐量和操作效率。

Dec, 2023

利用单个图像，我们的算法可以自动识别物流运输单元的特征、数量和排列方式，并以大约 85％的测试用例正确识别包装结构，特别是最常见的包装类型，其基础是深度学习模型、卷积神经网络和计算机视觉方法。

Aug, 2020

本文使用增强学习方法和视觉技术在真实环境中完成对复杂物体进行叠放的任务，重点研究了这种方法的优越性和训练问题。

Oct, 2021

仓库操作管理中的拣货路径规划是一个关键问题。由于问题的复杂性和快速解决的需求，实践中经常使用次优算法。然而，强化学习提供了传统启发式方法的一个有吸引力的替代方案，潜在地在速度和准确性方面优于现有方法。我们介绍了一种基于注意力机制的神经网络模型来建模拣货路线，该模型使用强化学习进行训练。我们的方法在一系列问题参数上与现有启发式方法进行了评估，以展示其效力。我们提出的方法的一个关键优势是可以降低路径的感知复杂性。

Feb, 2024