Interview mit Rodrigo Hermosilla und Willem Guter vom MIT CTL

„Mit der neuen Generation Autonomer Mobiler Roboter (AMR) werden Lager zu einem proaktiveren Modell“

Über das Forschungsprojekt

AMR sind intelligente Fahrzeuge, die durch das Lager navigieren und den internen Warentransport automatisieren und flexibler gestalten. Eines der Ziele der Forschungszusammenarbeit zwischen dem Massachusetts Institute of Technology und Mecalux ist die Steuerung und Optimierung des Systems. Rodrigo Hermosilla und Willem Guter vom MIT Center for Transportation & Logistics sind Forscher der Initiative des Intelligent Logistics Systems Lab, die darauf abzielt, kollektive Intelligenz zu nutzen, um Lager und Vertriebszentren durch AMR noch flexibler und effizienter zu machen.

Mecalux interviewt Rodrigo Hermosilla und Willem Guter, Forscher am MIT CTL, um mehr über ihr Projekt, AMR gemeinsam mit Mecalux flexibler und effizienter zu machen, zu erfahren.

Sie sind an einem Innovationsprojekt zu AMR beteiligt. Wie trainieren Sie die Roboter, damit sie zusammenarbeiten?

Rodrigo Hermosilla: Dieses Forschungsprojekt zielt darauf ab, die Leistung von Autonomen Mobilen Robotern in Lagern zu verbessern. Wir steigern die Effizienz der Roboter und vermeiden Kollisionen in Echtzeit.

Willem Guter: Wir verwenden Reinforcement Learning, um AMR dabei zu unterstützen, Lager auf einer voneinander abhängenden Ebene zu verstehen. Das bedeutet, dass die Roboter nicht nur sehen können, wo sie gerade sein müssen, sondern auch die Ankunft der nächsten Aufträge und deren Lieferziele vorhersehen können, was ihnen eine weitere Optimierung ihrer Prozesse ermöglicht.

Wir verwenden Reinforcement Learning und Deep Learning, um AMR dabei zu unterstützen, Lager auf einer voneinander abhängenden Ebene zu verstehen
Welche Entwicklungen wird dieser neue Steuerungsalgorithmus der AMR mit sich bringen?

Willem Guter: Dieser neue Algorithmus bringt in zweierlei Hinsicht Fortschritte für das Lager. Erstens werden Aufgaben auf die AMR verzögert verteilt, um mögliche Stauungen an den Abhol- und Zustellpunkten sowie während der Bewegungen zu verringern. Zweitens wird die Leistungsfähigkeit bei der Positionsbestimmung verbessert, da der Algorithmus weiß oder vorhersagen kann, wo Aufträge eintreffen werden, und er kann AMR je nach Bedarf vorpositionieren oder an der Position halten, wo sie sich bereits befinden.

Rodrigo Hermosilla: Wir entwickeln zusammen mit Mecalux komplexe Testsysteme, um sie so realistisch wie möglich zu gestalten. Nicht nur in Bezug auf die Wiedergabe des Lagerlayouts, sondern auch in Bezug auf andere physische Verhaltensweisen wie unter anderem Beschleunigung, Geschwindigkeit oder eventuelle Einschränkungen.
Wie wird dieses Modell prädiktive KI nutzen, um Aufträge zu antizipieren?

Willem Guter: Das Modell, das wir aufbauen, wird Deep Learning nutzen, um die Herkunft von Aufträgen vorherzusagen und sowohl kurzfristig als auch für bestimmte Zeiträume im Jahr eine Planung zu entwickeln. Dadurch, dass es von Daten aus der Historie lernt, kann festgestellt werden, woher diese Artikel kommen und wohin sie in einem umfassenderen Kontext gehen werden.
Wie bringen Sie AMR dazu, sich selbst zu optimieren?

Wir trainieren diese Modelle, damit andere AMR lernen und mit einer Lösung reagieren, die nicht nur sie selbst betrifft, sondern für die gesamte Gruppe sinnvoll ist

Rodrigo Hermosilla: In unserer Forschung werden AMR als intelligente Agenten geschaffen. Das heißt, jeder Roboter verfügt über eine logische Darstellung. Diese können die verfügbaren Informationen nutzen, um Entscheidungen zu treffen und einige Beschränkungen oder Ereignisse aus der Umgebung zu teilen. Daher müssen wir diese Modelle trainieren, damit andere AMR lernen und mit einer Lösung reagieren, die nicht nur sie selbst betrifft, sondern für die gesamte Gruppe sinnvoll ist.
Wie wird diese neue Generation der AMR die Lagerhaltung revolutionieren?

Rodrigo Hermosilla: Der offensichtlichste Vorteil dieser Art von Technologie ist die Verarbeitungszeit, die erforderlich ist, um eine optimale Lösung zu finden. Maschinelles Lernen kann Lösungen in Echtzeit entwickeln und ist im Vergleich zu anderen Algorithmen agiler.

Willem Guter: Mit der neuen Generation von AMR und fortschrittlichen Steuerungsalgorithmen werden die Lager von einem reaktiven zu einem eher proaktiven Modell. Das bedeutet, dass Roboter ihre Positionierung vorhersehen, den Ursprung und den Bestimmungsort von Artikeln erkennen und den Arbeitsablauf optimieren. Das Ergebnis sind effizientere, nachhaltigere und rentablere Lager.