Sur la base des données historiques d'expérience de mise en correspondance, les étagères à déplacer sont mises en correspondance avec le robot mobile (AMR) une par une, et les valeurs de récompense actuelles et futures sont maximisées par la combinaison de l'apprentissage en ligne et hors ligne. Ensuite, la stratégie d'appariement optimale est obtenue par un apprentissage itératif continu.
Dépassant les limites de la méthode traditionnelle de planification de la trajectoire, l'algorithme d'apprentissage par renforcement profond et de programmation dynamique est adopté pour procéder à une planification collaborative distribuée multi-agents de la trajectoire, afin d'atteindre la destination dans le temps le plus court tout en assurant un évitement sûr des obstacles.
En extrayant et en analysant des données historiques massives sur les commandes, et en prédisant les commandes futures, la combinaison optimale des ondes de commande peut être obtenue par l'extraction de caractéristiques, l'analyse d'association et le regroupement non supervisé.
Sur la base de la prévision de la demande de commandes futures, les étagères susceptibles d'être transportées sont calculées, et les tâches de manipulation du robot sont générées pour ajuster les étagères à la position la plus appropriée dans l'entrepôt, de manière à minimiser leur distance de déplacement globale.
Note: Les blocs de couleur jaune représentent les étagères les plus sollicitées
Nos algorithmes recommandent différentes tailles de boîtes en fonction des informations sur le volume des marchandises commandées, ce qui minimise le coût des matériaux d'emballage et améliore l'efficacité de l'emballage par une recherche heuristique répétée.
Un modèle de réapprovisionnement des stocks de bout en bout piloté par les données est adopté. Sur la base du suivi en temps réel de l'état de l'entrepôt et des ventes de commandes dans le temps de cycle, un réseau neuronal profond est utilisé pour non seulement générer des plans de réapprovisionnement multi-niveaux et multi-zones, mais aussi pour éviter l'impact de l'effet de fouet et améliorer considérablement la précision du réapprovisionnement.
