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

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

该研究提出了一个 RHCR-based 方法，称之为 Terraforming MAPD，旨在解决机器人在仓库的货物存取问题中，只限于完成特定任务且无法动态移动其他货物对路径规划的限制。该方法可以提高仓库的吞吐量和服务质量，而不会显著影响运行时间。

May, 2023

自动化仓库操作可以降低物流成本，最终降低消费者的最终价格，提高交付速度，并增强对市场波动的适应能力。本文展示了亚马逊机器人的大规模包裹处理系统，以及其使用的启发式方法和利用实际生产数据训练的拣选成功预测器的后继方法。据作者所知，这是第一个在实际生产系统中大规模部署学习拣选质量评估方法的工作。

Sep, 2023

本文提出了一种基于视觉的室内微型飞行器(MAV)导航解决方案，主要关注其在自动化仓库中的应用。我们的工作集中于使用单个相机作为主要传感器，用于检测、定位和路径规划等任务。为了实现这些目标，我们实施了HSV颜色检测和霍夫线变换，以在仓库环境中有效地进行线检测。将卡尔曼滤波器集成到我们的系统中，可以可靠地跟踪黄线。我们通过在Gazebo 11平台上进行各种MAV飞行测试来评估我们基于视觉的线追踪算法的性能，使用ROS Noetic。这些模拟的结果表明系统能够成功地导航狭窄的室内空间。我们提出的系统有潜力显著降低劳动成本并增强仓储操作的整体生产力。这项工作对于自动化仓库中MAV应用领域的发展具有重要意义，解决了高效物流和供应链解决方案的需求。

Oct, 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

在智能仓储系统中，自动引导车(Automated Guided Vehicle, AGV)的技术经历了快速发展，而路径规划是其中的关键挑战。此研究通过引入随机网络蒸馏(Random Network Distillation, RND)以及连续动作和位置的模拟环境，提出了一种改善AGV路径规划性能的方法，实验结果表明该方法能够在稀疏奖励环境中更快地完成路径规划任务。

Apr, 2024

本研究解决了现代仓库管理中的动态订单拣选问题，传统方法在面对订单流动性时存在不足。通过采用深度强化学习（DRL），我们优化了拣选设备的路径，显著减少了订单处理时间，尤其在高订单到达率情况下。实验结果显示，我们的方法在减少未完成订单和提高效率方面具有显著优势。

Aug, 2024

本研究解决了在快速发展的全球电子商务背景下仓库自动拣货效率和准确性不足的问题。通过深度学习和强化学习技术的应用，论文提出了一种集成机器学习模型，显著提升了机器人拣货性能并适应复杂环境。研究表明，该方法有效降低了系统故障率，提升了物流效率，为未来物流自动化提供了创新解决方案和理论基础。

Aug, 2024

本研究解决了机器人仓储中订单工作站分配、物品存储分配和订单履行调度优化的问题。通过采用一种新的先学习后优化的方法，该论文利用机器学习预测目标改进，从而生成新的子问题，显著提高了机器人系统的效率，特别是在与亚马逊机器人合作中，展示了比现有技术更强的解决方案。

Aug, 2024