3D 二进宫装箱配置树的深入规划

在工业自动化领域广泛应用的在线 3D 二进宫装箱问题（3D-BPP）现有方法通常受限于空间离散分辨率，或难以处理复杂实际约束。我们提出通过在新型层次表示——装箱配置树（PCT）上进行学习，来增强在线 3D-BPP 的实际应用性。PCT 是一种对装箱状态与动作空间进行完整描述的结构，可支持基于深度强化学习（DRL）的装箱策略学习。装箱动作空间的大小与叶子节点数成正比，这使得 DRL 模型易于训练且即使在连续解空间中也能表现良好。我们进一步发现 PCT 作为基于树的规划器在解决具有工业意义的装箱问题（包括大规模装箱和不同的 BPP 变体）方面具有潜力。提出一种递归装箱方法，将大规模装箱分解为更小的子树，同时通过空间集合机制将局部解集成到全局。对于包括提前规划、缓冲和离线装箱等具有额外决策变量的不同 BPP 变体，我们提出统一的规划框架，实现即插即用问题求解。广泛的评估表明，我们的方法在现有在线 BPP baseline 上取得显著优势，且在纳入各种实际约束方面具有灵活性。该规划过程在大规模问题和多样问题变体中表现出色。我们开发了一个用于工业仓储的实际装箱机器人，精心设计以考虑受限放置和运输稳定性。该装箱机器人在未受保护的托盘上以每箱 10 秒的速度可靠且高效地运行。平均每托盘装箱 19 个箱子，空间利用率达 57.4%，适用于较大尺寸的箱子。