机器人仓储作业：面向大规模邻域搜索的先学习后优化方法
机器人学
2024-09-02 v1 机器学习
最优化与控制
摘要
机器人技术的快速部署需要专门的优化算法来管理大规模自主智能体集群。本文通过优化订单-工作站分配、物品-货架分配以及工作站的订单履行调度，支持仓储中的机器人“货到人”作业。该模型最大化吞吐量，同时管理工作站的人员工作负荷和设施内的拥堵。我们通过大规模邻域搜索来求解该问题，并采用一种新颖的先学习后优化方法进行子问题生成。该算法依赖于离线机器学习程序，基于子问题特征预测目标改进，以及在线优化模型在每次迭代中生成新的子问题。通过与Amazon Robotics合作，我们展示了我们的模型和算法为实际问题生成的解远强于最先进的方法。具体而言，我们的解决方案通过协调机器人任务使人类操作员能够一次拣选多个物品，并通过协调机器人路线避免设施内的拥堵，从而提高了机器人集群的利用率。
引用
@article{arxiv.2408.16890,
title = {Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search},
author = {Cynthia Barnhart and Alexandre Jacquillat and Alexandria Schmid},
journal= {arXiv preprint arXiv:2408.16890},
year = {2024}
}