优化机器人移动交货系统,以基于深度强化学习的方法进行订单采购.
Zhenyi Zhu1, Sai Wang2,3, Tuantuan Wang3
1School of Science, Wuhan University of Technology, Wuhan 430070, China.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
深度增强学习 (DRL) 增强机器人移动履行系统 (RMFSs) 大规模订单. 这种先进的方法提高了复杂的仓库环境中的效率和稳定性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 运营研究 运营研究
背景情况:
- 机器人移动履行系统 (RMFS) 在管理大规模订单和复杂的操作环境方面面临重大挑战.
- 关键的决策问题包括订单分配,货架选择和机器人调度,影响系统的整体效率和稳定性.
研究的目的:
- 将深度强化学习 (DRL) 集成到RMFS中,以应对高效的订单处理和系统稳定的挑战.
- 为关键的RMFS阶段开发和评估基于DRL的解决方案:订单分配/分类,货架选择和机器人调度.
主要方法:
- 对于三个关键的RMFS阶段中的每一个,都建立了数学模型.
- 深度强化学习 (DRL) 用于解决复杂的决策问题,并使用遗传算法和群优化来进行大规模的订单处理.
- 进行模拟实验以评估性能指标,如货架访问频率和总处理时间.
主要成果:
- 与传统方法相比,拟议的DRL集成算法在处理大规模订单时表现出优异的性能.
- 该系统实现了高吞吐量,能够每小时完成大约110个任务.
- 评估的绩效指标显示,效率和系统稳定性显著改善.
结论:
- DRL集成为提高RMFS性能提供了强大的解决方案,特别是在大规模订单履行方面.
- 开发的算法为机器人履行中复杂的决策提供了传统方法的优越替代方案.
- 未来的工作应该专注于综合决策模型和高效的启发式算法,以进一步优化.


