Algorithm_german
Typische Algotithmusanwendung 01

Aufgabenabgleich

Basierend auf historischen Abgleichs-und Erfahrungsdaten werden die zu bewegenden Regale mit den mobilen Robotern (AMR) abgeglichen. Die aktuellen sowie zukünftigen Belohnungswerte werden durch die Kombination von Online- und Offline-Lernen maximiert. So erhalten Sie die optimale Übereinstimmungsstrategie durch kontinuierliches, interaktives Lernen. 

online-planning-step
Typische Algorithmusanwendung 02

Pfadplanung

Um die Grenzen der traditionellen Art der Pfadplanung zu überwinden, wenden wir einen Algorithmus des deep reinforcement learning und der dynamischen Programmierung an, um eine verteilte kollaborative Pfadplanung mit mehreren Agenten zu realisieren. Dadurch können Ziele in kürzester Zeit erreicht und gleichzeitig eine zuverlässige Vermeidung von Hindernissen gewährleistet werden.

Path Planning Img
Typische Algotithmusanwendung 03

Auftragsgruppierung

Durch die Analyse historischer Auftragsdaten und Vorhersagen zu künftigen Aufträgen kann die optimale Kombination von Auftragswellen ermittelt werden. Möglich ist dies durch Merkmalsextraktion, Assoziationsanalyse und Clustering.

Order Grouping Img
Typische Algorithmusanwendung 04

Regaleinstellung

Basierend auf der Vorhersage des zukünftigen Auftragsbedarfs wird berechnet, ob bzw. wie wahrscheinlich die Regale transportiert werden müssen. Gleichzeitig werden die Aufgaben für die Roboter generiert, um die Regale an die am besten geeignete Position im Lager anzupassen und damit den Gesamtfahrweg zu minimieren.

work-station

Hinweis: Die Blöcke mit gelber Farbe repräsentieren die High-Hit-Regale

Typische Algorithmusanwendung 05

3D Verpackungs-empfehlung

Unsere Algorithmen empfehlen unterschiedliche Kartongrößen entsprechend den Volumeninformationen der bestellten Waren, wodurch die Kosten für Verpackungsmaterialien minimiert und die Verpackungseffizienz durch wiederholte heuristische Suche verbessert werden.

3D Bin Packing
Typische Algorithmusanwendung 06

Intelligente Auffüllung

Ein datengesteuertes End-to-End-Modell für die Bestandsauffüllung wird übernommen. Basierend auf der Echtzeitüberwachung des Lagerstatus und des Auftragsverkaufs innerhalb der Zykluszeit wird ein neuronales Netzwerk verwendet, um mehrstufige und bereichsübergreifende Nachschubpläne zu erstellen. Damit überwinden Sie effektiv die Auswirkungen des Bullwhip-Effekts und erhöhen die Genauigkeit des Nachschubs.

Smart Replenishment