在智能工厂中为自动引导车辆采用基于机器学习的接入点选择策略
Fumiko Ohori1,2, Hirozumi Yamaguchi2, Satoko Itaya1
1National Institute of Information and Communications Technology, Yokosuka 239-0847, Japan.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
本研究引入了用于自动引导车辆 (AGV) 的新机器学习方法,以改进无线接入点 (AP) 切换. 该技术将通信持续时间提高1.34倍,减少制造环境中的停机时间.
科学领域:
- 工业自动化 工业自动化
- 无线通信系统无线通信系统
- 机器学习应用 机器学习应用
背景情况:
- 自动引导车辆 (AGV) 在制造业中越来越多地被部署,以提高移动性和灵活性.
- 无线通信对于AGV运行至关重要,需要在多个接入点 (AP) 之间进行无过渡.
- 基于接收信号强度指标 (RSSI) 的现有AP选择方法在动态制造环境中由于信号不稳定性而不可靠.
研究的目的:
- 为在制造环境中运行的AGV开发先进的AP选择技术.
- 在AP切换期间最大限度地减少通信停机时间,以实现可靠的AGV监控和控制.
- 在不稳定的无线环境中克服传统的基于 RSSI 的方法的局限性.
主要方法:
- 利用AGV运动模式 (位置,轨迹,方向) 来预测最佳的AP连接.
- 利用机器学习从AP中学习特定位置,轨迹和方向的RSSI.
- 通过来自独特数据集的真实世界工厂数据验证方法.
主要成果:
- 与传统的基于信号强度的切换相比,提出的方法将每条路线的潜在通信持续时间延长1.34倍.
- 在通信稳定性方面,与标准Wi-Fi驱动程序相比显著改进.
- 减少了对无线传播路径进行广泛的手动调查的需要.
结论:
- 基于机器学习的新型AP选择技术有效地提高了制造业的AGV无线通信.
- 该方法为AP切换提供了比当前行业实践更强大,更有效的解决方案.
- 无线环境的自动评估和调整简化了AGV适应现有的AP基础设施.
