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