Aug, 2024

机器人仓储操作：一种先学习后优化的大规模邻域搜索方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 智能分拣中心目标分配和路径规划的空闲时间优化

    研究了自动分拣中心中一次分配分拣站点和路径规划问题，并提出了基于最小成本最大流形式化算法的有效解决方案。该方案不仅适用于一次性问题，还可用于长期问题。在真实数据和运动学模型的工业模拟器上进行的实验表明了该方案的高效性和有效性。

    Nov, 2019

  • 大规模仓库中的双层多智能体取送货：多机器人重排布

    介绍了一个新的问题，由MAPF-DECOMP解决了自动仓库中的DD-MAPD问题，该问题将多机器人货架重排问题建模，可以在大规模实例中以高效和高质量的方式获得解决方案。

    Apr, 2023

  • 自动化仓储的多机器人协同和布局设计

    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

  • 利用学习度量选择成功率进行大规模包装操作

    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

  • 大规模包裹操作的挑选规划策略

    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

  • 智能仓库中的动态AGV任务分配

    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

  • 多机器人接货和交货的最优综合任务和路径规划及其应用

    我们提出了一个通用的多机器人规划机制，它将最优任务规划器和最优路径规划器相结合，以提供可扩展的解决方案来解决复杂的多机器人规划问题。

    Mar, 2024

  • 学习高效且公平的不确定性感知人机协作拣货策略

    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

  • 考虑真实机器人动态和相互依赖任务的多智能体路径规划用于自动化仓库

    本研究解决了自动化仓库中机器人路径规划的现实问题，尤其是考虑到在线订单交付过程中相互依赖的取货和送货任务。论文提出了一种扩展的优先规划算法和一种新的VP*算法，以计算符合动态要求的机器人轨迹，避免移动障碍物，最终验证了该方法的完整性及其在真实仓库中的有效性。

    Aug, 2024

  • 利用机器学习优化仓库机器人自动拣货系统

    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