IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

基于移动机器人的拣货系统研究进展

已有 2954 次阅读 2022-4-1 09:35 |系统分类:博客资讯

引用本文


徐翔斌, 马中强. 基于移动机器人的拣货系统研究进展. 自动化学报, 2022, 48(1): 1−20 doi: 10.16383/j.aas.c190728

Xu Xiang-Bin, Ma Zhong-Qiang. Robotic mobile fulfillment systems: State-of-the-art and prospects. Acta Automatica Sinica, 2022, 48(1): 1−20 doi: 10.16383/j.aas.c190728

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190728?viewType=HTML


文章简介


关键词


基于移动机器人的拣货系统, 订单拣选, 物至人, 调度优化, 智能体, 仓储机器人


摘   要


基于移动机器人的拣货系统(Robotic mobile fulfillment systems, RMFS)作为一种新型物至人的拣货系统, 相比人工拣货系统和AS/RS拣货系统(下文统称传统拣货系统)具有更高的拣货效率、更好的系统可扩展性和柔性. 为全面了解RMFS的运行模式及其优化方向, 本文首先回顾了RMFS的工作流程及优化理论框架, 然后对RMFS的货位指派、订单分批、任务分配、路径规划以及建模方法等问题进行了文献回顾和总结, 并指出了RMFS与传统拣货系统在拣货过程方面的异同及当前研究的不足. 最后, 讨论了RMFS的几个重要研究方向, 为RMFS的理论研究和应用实践提供参考.


引   言


订单拣选是将商品从其存储位置拣出以满足客户订单需求的过程, 订单拣选是典型的劳动密集型作业, 占仓库运作总成本的60% ~ 70%. 随着客户需求从大批量少批次向小批量个性化转变, 客户对订单的配送时限和服务质量要求越来越高, 提升订单拣选效率已成为当今学术界和工业界共同关心的难题. 基于移动机器人的拣货系统(Robotic mobile fulfillment systems, RMFS)的订单拣选效率是传统拣货系统的2 ~ 3倍, 彻底颠覆了传统仓库的拣货作业模式, 为仓库的广泛应用和研究开辟了新途径.


RMFS系统2003年由Kiva公司最先开发, 2012年亚马逊收购Kiva后在其北美各大配送中心开始部署, 国内已有菜鸟、京东和快仓等公司成功应用RMFS. RMFS的核心思想是利用移动机器人将存储商品的移动式货架搬运到拣货站台, 拣货人员拣取商品后再由机器人将货架送回存储区存储. 相比传统拣货系统, RMFS提高了拣货效率、准确性以及仓库空间利用率, 缩短了仓库部署和调试时间, 并可根据客户需求的变化实时、动态调整仓库布局结构, 特别适合需求波动性大、时效性强的电商企业的订单拣选.


与传统拣货系统类似, RMFS也面临货位指派、订单分批、任务分配以及路径规划等方面的问题, 但在实际运作过程中, RMFS与传统拣货系统相比存在诸多不同, 面临一些新的亟需解决的问题. 鉴于此, 本文对RMFS订单拣选过程的几个关键问题进行综述研究, 并给出未来的研究方向, 为RMFS的实践应用及学术研究提供参考.


10.16383-j.aas.c190728-Figure6.jpg

图 6  RMFS订单分批示意图


10.16383-j.aas.c190728-Figure7.jpg

图 7  RMFS的货架与机器人分配示意图


10.16383-j.aas.c190728-Figure12.jpg

图 12  基于Agent的RMFS多机器人运作结构


3.   进一步研究方向


有关RMFS的研究起步较晚, 现有文献研究主要集中在系统分析、设计优化以及运作规划与控制方面, Azadeh等给出了系统分析、设计优化、运作策略以及系统比较4个主要的研究方向, 本文则提出以下更为具体的研究方向.


3.1   RMFS仓库布局及配置研究


从提升RMFS系统拣货效率的角度出发, 针对RMFS的仓库布局及配置设计和各种设计方案的系统绩效评估, 提出的进一步的研究方向有: 


1)仓库存储区形状对拣货效率的影响研究. RMFS存储区普遍为矩形布置方式(例如图1(b)所示), 在拣货和补货站台位置固定的情况下, 仓库存储区的长宽比一方面可能会影响拣货过程机器人的路径规划和拥堵情况, 导致拣货效率下降; 另一方面当拣货站台一侧对应的存储区宽度较窄时, 将造成较多存储畅销商品的货架只能存储在距离拣货站台较远的储位, 最终导致拣货过程机器人搬运货架的距离加长、拣货效率降低. 因此, 对仓库存储区布局的优化是提升RMFS拣货效率的重要研究方向. 


2)拣货站台与补货站台的比例对拣货效率的影响研究. 拣货站台与补货站台的数量比对订单拣选效率、拣货与补货的平衡关系以及拣货/补货员的作业负荷都具有重要影响, 例如拣货站台较少, 则可能出现拣货员作业负荷过大、订单拣选时间长以及部分补货站台空闲的情况; 若补货站台较少, 则会出现补货员作业负荷过大、库存商品短缺、订单拣选时间长以及部分拣货站空闲的情况; 因此, 拣货站台和补货站台比例优化对提升RMFS的拣货效率具有重要意义. 


3)机器人数量、速度、利用率、待命停泊点以及充电策略等因素对拣货效率的影响研究. 在拣货过程中, 机器人的数量和速度决定了一次性最多能搬运的货架数量和机器人的行走时间; 机器人停泊点则对连续作业机器人的行走距离具有重要影响; 机器人充电策略则决定了机器人充电过程的调度方式, 对机器人的可用率和货架搬运效率都具有重要影响. 因此, 在考虑拣货成本、资源限制及利用率等因素的情况下, 如何合理配置机器人数量、速度以及规划机器人的充电策略将是未来的重要研究方向. 


4)机器人结构设计与操作效能的提升研究. RMFS机器人的结构设计可分为硬件结构设计和控制系统结构设计, 其中硬件结构设计决定了机器人搬运货架的方式、可承载的最大重量、行驶速度以及充电方式, 控制系统结构设计则涉及机器人控制方式(集中控制或分散控制)、避障规则、充电策略以及通信切换等问题. 操作效能的提升涉及货架的一体化设计、拣货/补货人员的技能熟练程度等人因问题研究. 这方面涉及运筹优化、机械设计以及人因工程的交叉学科研究, 对提升RMFS拣货效率具有重要意义.


3.2   考虑随机因素及动态情况的RMFS优化研究


从减少理想化假设条件、考虑随机因素影响和动态情况出发, 提出的主要研究方向有: 


1)考虑动态情况下的货位指派、订单分批、任务分配、路径规划研究. 相比静态问题的研究, 动态货位指派比一次性货位优化更具优势, 更能反映拣货过程随时间的变化规律; 动态货位指派也更加符合实际情况, 例如在线订单分批能根据客户的动态需求进行更加合理的订单分批. 因此, 针对RMFS的商品和货架储位动态指派、在线订单分批、动态任务分配以及动态路径规划等问题的研究将是重要的优化方向. 


2)考虑机器人死锁、损坏等突发情况的研究. 在拣货过程中, 机器人出现故障是难免的, 为了保证拣货过程顺利进行并提高机器人的利用率, 对拣货过程机器人死锁、损坏等突发情况的研究十分必要. 


3)考虑订单取消、插单、退货等情况的研究. 在电商环境下, 客户可能因多种原因出现取消订单、催单(订单加急)以及退货等情况, 虽然已有文献对RMFS的静态订单分批问题进行了初步研究, 但未考虑订单取消、插单等情况, 建议在RMFS拣货优化过程中考虑订单取消、插单、退货等情况, 此外订单取消、插单对系统绩效的影响评估也可作为一个重点研究方向. 


4)考虑拣货和补货人员工作负荷、人因以及技能熟练程度对拣货效率的影响研究. 拣货和补货人员的工作负荷、人因以及技能熟练程度对拣货效率具有重要影响, 例如较少的工作负荷容易造成拣货和补货人员空闲, 较多则会引发疲劳、压力过大等情况的出现; 长时间固定姿势的劳作容易造成人体机能和器官的损伤(例如拣货和补货人员经常弯腰); 拣货人员和补货人员的技能熟练程度决定了拣货站台和补货站台的服务速率, 对站台区域的拥堵情况和拣货效率具有重要影响. 虽然人因、技能熟练程度等指标难以量化, 但这方面的研究却十分必要.


3.3   RMFS的资源调度研究


RMFS的调度问题涉及货架、机器人、订单、商品、拣货站台以及补货站台等多种资源, 针对RMFS系统的资源调度问题, 提出的主要研究方向有: 


1)考虑需求关联性的商品及货架储位调度研究. 将需求关联性强的商品指派到相同货架存储, 可减少货架搬运次数; 将存储畅销商品的货架指派到靠近拣货站台的位置存储, 可降低货架搬运距离, 因此考虑需求关联性的商品及货架的储位调度研究是提高拣货效率的重要优化方向, 这方面研究重点关注商品需求关联性计算, 货架储位动态调度等. 


2)订单的分批策略及规则研究. 是采用在线订单分批还是离线订单分批、或者同时考虑这二者的混合策略, 是将订单分配给拣货站台后再分批还是先分批再分配给拣货站台, 是根据订单的相似程度分批还是根据搬运的货架分批, 都是目前RMFS订单分批优化中亟需解决的问题; 并且在线订单分批需考虑订单的动态变化关系, 相比离线订单分批更加复杂. 


3)机器人与货架、拣货/补货站台以及充电设施的协同调度策略及规则研究. 机器人是RMFS的主要搬运工具, 在拣货过程中, 机器人与货架、拣货/补货站台以及充电设施之间存在复杂的协同调度关系, 包括机器人任务分配和充电设施分配调度等一系列问题, 因此, 机器人与货架、拣货/补货站台以及充电设施的协同调度策略及规则研究是RMFS系统优化必须面对的问题.


3.4   多问题协同优化研究


RMFS作为复杂决策系统, 货位指派、订单分批、任务分配以及路径规划等问题之间存在紧密的内在联系, 例如任务分配之前必须完成货位指派和订单分批, 路径规划必须考虑商品及货架的存储位置. 因此, 多个问题的协同优化更加符合RMFS的运作过程, 是实现系统全局最优的关键, 将成为RMFS优化研究的重要趋势, 但多个问题的协同优化研究在问题描述、模型构建、算法设计以及问题求解等方面都更加复杂, 后续可重点对多目标(问题)协同优化模型构建、算法设计及问题求解进行深入研究.


3.5   优化方法研究


针对RMFS的优化方法研究提出两点主要的研究方向: 1)在现有的RMFS仿真软件的基础上应开发新的算法和优化模块. RMFS的系统效能评估、各因素对拣货效率的影响等问题可能无法构建精确的优化模型, 只能通过离散仿真的方法进行研究. 因此, 类似Alphabet Soup、RAWSim-O等仿真软件的开发和应用是必不可少的. 2)设计针对RMFS的求解大规模问题的智能优化算法. RMFS的应用背景通常是大型电商企业(例如亚马逊、京东), 系统所包含的货架、机器人、订单等资源的数量庞大, 尤其在面临类似“双十一”等促销活动时, 对RMFS的运作效率和服务质量都是极大的挑战, 因此, 研究求解大规模问题的智能优化算法尤为重要.


3.6   RMFS与新一代人工智能的交叉研究


随着通信和信息技术的发展, 人工智能发展进入了新阶段, 2017年7月国务院发布的《新一代人工智能发展规划》将人工智能定位为国家战略, 明确指出“人工智能技术应用成为改善民生的新途径”、“人工智能成为带动我国产业升级和经济转型的主要动力”. 2014年10月国务院发布的《物流业发展中长期规划(2014—2020年)》中将物流业定义为支撑国民经济发展的基础性、战略性产业, 而RMFS作为一种新型的智能物流仓储系统, 是智能物流的一个重要研究方向, 也是我国物流业降本增效、产业升级的主要动力, 其研究和应用离不开机器学习、多智能体、大数据、计算机视觉及自然语言处理等新一代人工智能技术的支撑. RMFS与新一代人工智能交叉的研究方向有: 


1)基于深度强化学习(Deep reinforcement learning, DRL)的优化研究. 强化学习能够解决无模型序列决策问题, 但在处理高维变量问题时常常会面临巨大挑战, 而深度学习则具备从高维变量中自动学习表征的能力, DRL则将这两者结合起来, 为RMFS这类复杂高维问题的决策和优化提供了端到端的解决方案, 让RMFS在需求多变的复杂环境中高效完成任务; 此外RMFS是一个典型的多Agent系统, 这些Agent之间相互合作或竞争, 单一Agent系统无法满足RMFS系统决策的需要, 因此可进一步基于多主体的深度强化学习(Multi-agent deep reinforcement learning, MARL)研究RMFS, 对RMFS系统中Agent之间的感知发现、知识获取、竞争合作以及演化进行深入研究, 这将成为RMFS智能优化的研究热点. 


2) RMFS机器人操作技能学习研究. RMFS机器人在完成拣货和上架任务时, 需要执行移动、避障、抓取、放置、拆垛与码垛等一系列复杂的动作, RMFS机器人的操作技能、执行动作的精确度和效率是RMFS高效运行的关键, 目前机器人技能大多通过人工预定义的规则实现, 无法应对动态复杂的物流场景, 让RMFS机器人通过与环境交互得到经验数据, 从经验数据中自主学习, 一方面可以让RMFS机器人具有自我优化的能力, 同时让RMFS的任务部署更加灵活和用户友好. RMFS机器人操作技能自主学习涉及构建机器人操作技能模型、设计学习策略等关键问题, 已有文献从动力学与学习算法相结合、DRL等方面开展研究, 后续研究可关注RMFS机器人高效学习和模型的可解释, 在此基础上构建RMFS机器人操作技能学习框架. 


3) RMFS系统自主学习能力研究. RMFS机器人在高度动态、复杂多变的环境(商品装卸、货架搬运以及各机器人动态移动)下工作, 经常会出现碰撞、失效、电量不足等突发情况, 如何使RMFS机器人在长期运行中与复杂多变的环境相适应是RMFS的一个研究热点, 这方面涉及到RMFS机器人的环境地图构建与动态维护、重定位及动态场景感知与理解等基础任务能力的研究. 在RMFS的环境表征的研究方面, 可基于数据融合与信息增强, 通过多层次传感器数据融合得到的环境信息来提升RMFS环境表征能力, 为RMFS机器人提供更可靠的决策信息, 在此基础上利用DRL的方法在RMFS机器人与环境的交互的基础上进行学习, 提升RMFS机器人自主环境适应能力, 这需要解决机器人基于在线获取的弱标注数据进行学习这一问题, 它是使RMFS机器人具有长期自主环境适应能力的关键; 在场景感知与理解方面建议基于深层次语义信息挖掘来获取RMFS场景中物体间的属性关联, 来提升RMFS移动机器人场景认知能力. 


4)基于计算机视觉技术和自然语言处理的优化研究. 近年来, 机器视觉和自然语言处理研究均取得了重大的理论突破, 并分别成功地运用于自动驾驶和机器翻译等领域, 计算机视觉技术可提升RMFS机器人识别商品的准确度; 基于语音识别的人机交互技术可提升拣货效率, 例如RMFS机器人通过语音与拣货员(补货员)交互降低拣货(补货)差错. 5)基于大数据的优化研究. 大数据是实现智能决策的重要支撑, 大数据分析可实现客户画像构建、商品销售分析以及RMFS系统存储决策优化, 因而是RMFS优化研究的重要方向, 例如可利用数据挖掘的聚类和关联规则等算法得到商品销售频率和需求关系性, 来优化RMFS的订单分批和货位指派.


4.   结论


RMFS作为一种新型的“物至人”拣货系统, 相比传统拣货系统具有拣货效率高、柔性强等诸多优势, 随着电子商务的迅猛发展, RMFS已在物流行业取得成功的应用, 同时针对RMFS的优化研究已成为热点研究领域. 本文主要针对RMFS的货位指派、订单分批、任务分配、路径规划以及建模方法等问题进行了文献总结和述评, 并给出了未来的研究方向. 以上工作抛砖引玉, 以期促进RMFS拣货效率的进一步提升, 使其更好地为电子商务的订单拣选服务.


作者简介


徐翔斌

华东交通大学交通运输与物流学院教授. 2015年获得中南大学工学博士学位. 主要研究方向为物流与供应链管理, 本文通信作者.

E-mail: champagnewq@aliyun.com


马中强

中南大学交通运输工程学院博士研究生. 主要研究方向为仓库拣货优化, 智能优化算法.

E-mail: mzq11302@163.com


相关文章


[1]  高志伟, 代学武, 郑志达. 基于运动控制和频域分析的移动机器人能耗最优轨迹规划. 自动化学报, 2020, 46(5): 934-945. doi: 10.16383/j.aas.c180399

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180399?viewType=HTML


[2]  孙长银, 穆朝絮. 多智能体深度强化学习的若干关键科学问题. 自动化学报, 2020, 46(7): 1301−1312 doi: 10.16383/j.aas.c200159

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200159?viewType=HTML


[3]  曹风魁, 庄严, 闫飞, 杨奇峰, 王伟. 移动机器人长期自主环境适应研究进展和展望. 自动化学报, 2020, 46(2): 205-221. doi: 10.16383/j.aas.c180493

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180493?viewType=HTML


[4]  李勇, 李坤成, 孙柏青, 张秋豪, 王义娜, 杨俊友. 智能体Petri网融合的多机器人−多任务协调框架. 自动化学报, 2021, 47(8): 2029-2049. doi: 10.16383/j.aas.c190400

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190400?viewType=HTML


[5]  曹政才, 殷龙杰, 付宜利, 刘天龙. 基于预测控制的非完整移动机器人视觉伺服镇定. 自动化学报, 2013, 39(8): 1238-1245. doi: 10.3724/SP.J.1004.2013.01238

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01238?viewType=HTML


[6]  李天成, 孙树栋. 采用双重采样的移动机器人Monte Carlo定位方法. 自动化学报, 2010, 36(9): 1279-1286. doi: 10.3724/SP.J.1004.2010.01279

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.01279?viewType=HTML


[7]  周火凤, 马保离, 宋丽辉, 张芳芳. 离轴式带拖车移动机器人的路径跟踪控制. 自动化学报, 2010, 36(9): 1272-1278. doi: 10.3724/SP.J.1004.2010.01272

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.01272?viewType=HTML


[8]  庄严, 陈东, 王伟, 韩建达, 王越超. 移动机器人基于视觉室外自然场景理解的研究与进展. 自动化学报, 2010, 36(1): 1-11. doi: 10.3724/SP.J.1004.2010.00001

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00001?viewType=HTML


[9]  刘士才, 谈大龙, 刘光军. 移动机器人的队形控制及其主动避障. 自动化学报, 2007, 33(5): 529-535. doi: 10.1360/aas-007-0529

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0529?viewType=HTML


[10]  原魁, 李园, 房立新. 多移动机器人系统研究发展近况. 自动化学报, 2007, 33(8): 785-794. doi: 10.1360/aas-007-0785

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0785?viewType=HTML


[11]  徐玉如, 肖坤. 智能海洋机器人技术进展. 自动化学报, 2007, 33(5): 518-521. doi: 10.1360/aas-007-0518

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0518?viewType=HTML


[12]  谭冠政, 贺欢, SLOMAN A. 基于ACS算法的移动机器人实时全局最优路径规划. 自动化学报, 2007, 33(3): 279-285. doi: 10.1360/aas-007-0279

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0279?viewType=HTML


[13]  曾慧, 吴福朝, 胡占义. 基于平面激光测量的移动机器人自定位方法. 自动化学报, 2007, 33(2): 138-144. doi: 10.1360/aas-007-0138

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0138?viewType=HTML


[14]  徐德, 涂志国, 谭民. 基于单应性矩阵的室内移动机器人视觉定位研究. 自动化学报, 2005, 31(3): 464-469.

http://www.aas.net.cn/cn/article/id/15885?viewType=HTML


[15]  陈卫东, 顾冬雷, 席裕庚. 基于多模式交互的多移动机器人分布式合作系统. 自动化学报, 2004, 30(5): 671-678.

http://www.aas.net.cn/cn/article/id/16304?viewType=HTML


[16]  钟伟才, 刘静, 焦李成. 多智能体遗传算法用于线性系统逼近. 自动化学报, 2004, 30(6): 933-938.

http://www.aas.net.cn/cn/article/id/16265?viewType=HTML


[17]  徐德, 谭民. 移动机器人的在线实时定位研究. 自动化学报, 2003, 29(5): 716-725.

http://www.aas.net.cn/cn/article/id/13895?viewType=HTML


[18]  曹志强, 张斌, 王硕, 谭民. 未知环境中多移动机器人协作围捕的研究. 自动化学报, 2003, 29(4): 536-543.

http://www.aas.net.cn/cn/article/id/13908?viewType=HTML


[19]  张启忠, 蒋静坪. 用于机器人信息融合的RS智能系统. 自动化学报, 2002, 28(5): 797-801.

http://www.aas.net.cn/cn/article/id/15622?viewType=HTML


[20]  王硕, 范永, 谭民. 基于遗传算法的参数优化在多移动机器人系统中的应用. 自动化学报, 2002, 28(4): 642-645.

http://www.aas.net.cn/cn/article/id/15561?viewType=HTML


[21]  吴卫国, 陈辉堂, 王月娟. 移动机器人的全局轨迹跟踪控制. 自动化学报, 2001, 27(3): 326-331.

http://www.aas.net.cn/cn/article/id/16485?viewType=HTML


[22]  董文杰, 霍伟. 受非完整约束移动机器人的跟踪控制. 自动化学报, 2000, 26(1): 1-6.

http://www.aas.net.cn/cn/article/id/16055?viewType=HTML


[23]  孙树栋, 林茂. 基于遗传算法的多移动机器人协调路径规划. 自动化学报, 2000, 26(5): 672-676.

http://www.aas.net.cn/cn/article/id/16576?viewType=HTML




https://blog.sciencenet.cn/blog-3291369-1331984.html

上一篇:工业铸件缺陷无损检测技术的应用进展与展望
下一篇:数据驱动的保证收敛速率最优输出调节
收藏 IP: 159.226.181.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-11-26 21:41

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部