学习优化大规模真实场景下Robot Induction的包裹拣选

仓库自动化在提升运营效率、降低成本以及增强应对劳动力波动的韧性方面发挥着关键作用。虽然先前研究已证明机器学习模型可通过优先选择高概率拣选和包裹来提升大规模机器人车队的拣选成功率，但这些工作主要聚焦于使用启发式方法采样拣选后预测其成功概率。然而，对于利用数据驱动方法直接优化采样拣选以在大规模场景下获得更好性能，研究关注却十分有限。在本研究中，我们提出了一种基于机器学习的框架，该框架预测变换调整并优化多吸盘末端执行器的吸盘选择，以提升采样拣选的成功概率。该框架被集成并在与亚马逊机器人公司Robot Induction（Robin）车队操作类似的测试工作单元中进行了评估。在超过200万次拣选上的评估结果表明，所提方法相比基于启发式的拣选采样基线方法将拣选失败率降低了20%，证明了其在大规模仓库自动化场景中的有效性。