Impulsado por los datos históricos de la experiencia coincidentes, los estantes que se moverán se combinan con el robot móvil (AMR) uno por uno, y los valores de recompensa actuales y futuros se maximizan mediante la combinación de aprendizaje on-line y off-line. Entonces, la estrategia de combinación óptima se obtiene a través del aprendizaje iterativo continuo.
Rompiendo la limitación de la planificación de ruta tradiciónal, se adopta el algoritmo de aprendizaje de refuerzo profundo y programación dinámica para proceder a la planificación de rutas colaborativas distribuidas de múltiples agentes, a fin de llegar al destino en el menor tiempo posible garantizando la evitación segura de obstáculos.
Al extraer y analizar datos de pedidos históricos masivos y predecir pedidos futuros, se puede obtener la combinación de ondas de pedidos óptima a través de la extracción de características, el análisis de asociaciones y la agrupación en clústeres no supervisada.
Con base en el pronóstico de la demanda futura de pedidos, se calcula la probabilidad de que se transporten los estantes y se generan las tareas de manipulación del robot para ajustar los estantes a la posición más adecuada en el almacén, a fin de minimizar su distancia total de viaje.
Nota: Los bloques con color amarillo representan los estantes de alta rotación.
De acuerdo con la información de volumen de la mercancía solicitada, nuestros algoritmos recomiendan cajas de diferentes tamaños y, a través de la búsqueda heurística iterativa, minimizar el costo de los materiales de embalaje y mejorar la eficiencia del embalaje.
Se adopta un modelo de reabastecimiento de inventario de extremo a extremo basado en datos. A través del monitoreo en tiempo real del estado del almacén y las ventas de pedidos dentro del tiempo del ciclo, se utiliza una red neuronal profunda no sólo para generar planes de reabastecimiento de múltiples niveles y áreas, sino también para evitar el impacto del efecto látigo y mejorar en gran medida la precisión de reposición.
