درک AGVs و یادگیری ماشین

وسایل نقلیه راهنمای خودکار (AGVs) در تدارکات مدرن، تولید و عملیات انبارداری ضروری شده اند.این سیستم عامل های متحرک خودکار مواد حمل و نقل، و کالاهای به پایان رسید بدون نیاز به رانندگان دستی، کاهش هزینه های کار و آسیب های محل کار. AGV های اولیه پس از نوار مغناطیسی ثابت یا سیم های جاسازی شده در کف. امروز واحد ها بر یک آرایه پیچیده از سنسورهای نقشه برداری، و اندازه گیری های صوتی (ISLI) تکیه می کنند.

یادگیری ماشین (ML) این توانایی ها را با فعال کردن AGV ها برای حرکت فراتر از رفتارهای استاتیک، پیش برنامه ریزی شده، مدل های ML اجازه می دهد تا وسایل نقلیه از داده ها یاد بگیرند، سازگار با محیط های پویا، و تصمیم گیری های زمان واقعی را برای یکپارچه سازی ML تبدیل AGV ها از حرکت های تکراری مواد به عوامل هوشمند قادر به انجام کارهای پیچیده، غیر ساختاری، به طور منظم یادگیری (برای مثال تشخیص نمونه) و پیش بینی نشده (به طور منظم).

چگونه یادگیری ماشین بهبود کارایی AGV

بهینه سازی Routing و Path Planning

AGV های سنتی از مسیرهای پیش تعریف شده پیروی می کنند که وقتی تراکم، موانع یا تغییرات طرح به طور مداوم اتفاق می افتد، الگوریتم ML، به ویژه یادگیری تقویت (RL) و شبکه های Q-شبکه های عمیق، فعال سازی پویا می شوند.The AGV به طور مداوم از محیط زیست خود یاد می گیرد، به روز رسانی سیاست آن برای به حداقل رساندن زمان سفر، مصرف انرژی و صف انتظار می رود داده های زمان واقعی از دیگر AGV، و سیستم های مرکزی (مدیریت خودکار) را به سرعت می تواند با استفاده از سیستم های ذخیره سازی سیستم های ذخیره سازی و یا سیستم های ذخیره سازی سیستم های ذخیره سازی را پیش بینی کند.

پیش بینی نگهدارنده

خرابی های غیر مجاز هزینه عمده ای در عملیات AGV است. مدل های ML داده ها را از سنسورهای ارتعاش، مانیتورهای دما، منحنی تخلیه باتری و خواندن کدر چرخ برای تشخیص نشانه های اولیه از سایش جزء - الگوریتم های تشخیص مجدد آنژکس - مانند جنگل های انزوا، خودکارسازیها یا یک کلاس SVM - انحراف پرچم از الگوهای عملیاتی طبیعی جلوگیری می کند (معمولاً سیستم های تعمیر و نگهداری مجدد را کاهش می دهد)

یادگیری تطبیقی در تغییر محیط

انبارها اغلب تحت تغییرات طرح به دلیل قفسه های ذخیره سازی جدید، ارتقاء فصلی یا بازسازی مجدد قرار می گیرند.در سیستم های معمولی، هر تغییر طرح نیاز به بازنویسی دستی یا دوباره تخصیص مسیرها دارد. ML-enhanced AGVs استفاده از انتقال و یادگیری آنلاین برای انطباق تا حدودی.یک مدل ناوبری رباتیک عمیق پیش آموزش دیده در یک انبار مشابه می تواند به طور دقیق با استفاده از تنظیمات تعمیر و یا تعمیر و نگهداری اطلاعات جدید حتی اجازه دهد تا حدودی.

افزایش ایمنی از طریق Computer Vision

همکاری انسان-ربع به مکانیسم های ایمنی قوی نیاز دارد. سیستم های بینایی کامپیوتری ML (P) عابران پیاده، لودرها و اشیاء سقوط با دقت بالا را تشخیص می دهند. شبکه های عصبی کانولولو (CNNs) آموزش داده شده در مجموعه داده های بزرگ صحنه های صنعتی می توانند کارگران را از موانع ثابت متمایز کنند، پیش بینی مسیر خود را، و تنظیم سرعت AGV یا مسیر مسیر مسیر بر اساس مطالعه A 2023 نشان داد که یک مدل تشخیص سبک YOv7 (RFF-زمان با سرعت واقعی ردیابی به دست آورد: 98٪ از طریق GPU های ساده).

بهینه سازی انرژی

عمر باتری به طور مستقیم بر روی AGV تا به حال و هزینه کل مالکیت تاثیر می گذارد. مدل های ML استفاده از انرژی را با یادگیری مشخصات قدرت هر وسیله نقلیه در سراسر وظایف مختلف بهینه سازی می کنند - به عنوان مثال، سرعت با افزایش بار سنگین، افزایش زمان بالا رفتن، یا تشخیص در یک صف. Deep Qشبکه به طور دقیق برای برنامه ریزی شارژ فرصت طلبانه استفاده شده است: AGV تصمیم می گیرد که به طور خودکار برای کاهش هزینه های کلی (به عنوان مثال تخلیه عمیق تر از طریق شارژ کردن شارژ کردن شارژ کردن شارژ باتری) و جلوگیری از طریق شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن شارژ کردن با استفاده می تواند پیش بینی شده توسط MLF.

هماهنگی ناوگان همکاری

در استقرار های بزرگ، ده ها یا صدها AGV باید بدون درگیری همکاری کنند. سیستم های چند عاملی مبتنی بر ML هر AGV را به عنوان یک عامل هوشمند که از طریق یک پروتکل پیام رسانی سبک با همسایگان ارتباط برقرار می کند، با استفاده از یک سیستم تقویت چند عامل عمیق (MARL)، ناوگان یاد می گیرد تا وظایف را اختصاص دهد، از تنگناها و تعادل برای مثال، "در مورد نیاز به حداکثر رساندن زمان در انتظار برای افزایش نمونه، به حداقل رساندن نمونه، در یک سیستم ترافیک و یا به حداکثر رساندن نمونه، زمانی که در انتظار می رود که به حداکثر رساندن نمونه، به حداقل رساندن نمونه، به حداکثر رساندن نمونه، به سرعت نمونه، به سرعت در یک سیستم های مربوط به سرعت در انتظار می شود.

چالش ها و ملاحظات

الزامات داده ها و کیفیت

مدل های ML در مجموعه داده های بزرگ، متنوع و به خوبی برچسب شده رشد می کنند.به دست آوردن چنین داده ها در تنظیمات صنعتی غیر مناسب است. log های سنسور از AGVs اغلب عدم تعادل هستند (به عنوان مثال، حوادث شکست نادر)، و برچسب دستی از هر مانع یا ناهنجاری گران است. تکنیک هایی مانند تقویت داده ها، نسل مصنوعی با استفاده از دوقلوها دیجیتال، و راه اندازی نیمه ضروری برای جمع آوری داده های بالا و کاهش حجم بالا، ممکن است کمک به شرکت های متوسط.

محدودیت های محاسباتی

مدل های مدرن ML، به ویژه شبکه های عصبی عمیق، نیاز به قدرت محاسباتی قابل توجهی دارند. AGVs به طور معمول بر روی سیستم های جاسازی شده با منابع محدود GPU / CPU اجرا می شود. Edge inference نیاز به تعادل دقت در برابر تاخیر. Quantization، ⁇ و تقطیر مدل، مناطق تحقیقاتی فعال هستند که مدل های پیچیده را برای اجرای در جایگزین، برخی از معماری ها از محدودیت های سنگین در یک سرور مرکزی از طریق Wi-Fi یا تاخیر 6، اما این شبکه های اطمینان و یا تاخیر شبکه 6، هشدار شبکه را معرفی می کنند.

امنیت سایبری و قابلیت اطمینان

یک AGV مبتنی بر ML در برابر حملات مجاور آسیب پذیر است - اختلالات کوچک در ورودی های سنسور می تواند باعث ایجاد طبقه بندی های نادرست شود.به عنوان مثال، نگه داشتن چند برچسب در یک علامت توقف می تواند CNN را به تفسیر آن به عنوان یک علامت محدودیت سرعت، زیرا AGVs تبدیل به استقلال، اطمینان قوی، امن، خطوط لوله ML تکنیک های حیاتی مانند آموزش ورودی جستجو، و مدل اطمینان از آب، هنوز هم است.

ادغام با سیستم های موجود

اکثر کارخانه ها سیستم های مدیریت انبار (WMS)، برنامه ریزی منابع سازمانی (ERP)، و کنترل کننده های منطقی برنامه ریزی شده (PLC) را اجرا می کنند که یک کنترل کننده AGV مبتنی بر ML نیاز به API های استاندارد و اغلب یک لایه واسطه (به عنوان مثال، ROS 2، MQTT) و آموزش کارکنان نیز موانع سازمانی را ارائه می دهد.

آینده آینده آینده

هم افزایی بین AGV ها و یادگیری ماشین آماده سرعت بخشیدن است. Edge AI سخت افزار (به عنوان مثال NVIDIA Jetson، Google Coral، Intel Movidius) در حال حاضر ارائه می دهد زمان واقعی در یک رد پای کم قدرت، فعال سازی بیشتر در مدل های داخلی خصوصی 5G شبکه های خصوصی، ارتباطات کم عمق برای توقف عملیات ناوگان و بدون اجازه توقف عملیات به روز رسانی.

دوقلوهای دیجیتال - تکرارهای مجازی کل تاسیسات - به عنوان شبیه ساز آموزش عمل می کنند. An AGV می تواند میلیون ها ساعت در شبیه سازی با استفاده از یادگیری تقویت قبل از یک دقیقه در کف کارخانه عمل کند، به طور چشمگیری کاهش خطر استقرار، علاوه بر این، همگرایی AGV با روبات های تلفن همراه مستقل (AMRs) خط بین سیستم عامل های هدایت شده و کاملا آزاد را روشن می کند.

مرز دیگر همکاری انسان ربات از طریق زبان طبیعی است. دستورات صوتی تفسیر شده توسط مدل های مبتنی بر ترانسفورماتور می تواند به کارگران اجازه دهد تا با گفتن "من را به من پالت 47 از aisle 3" به عنوان این مدل ها کوچک (به عنوان مثال، TinyBERT)، آنها می توانند بر روی تخته کار کنند، و تعامل به عنوان طبیعی به عنوان صحبت با یک همکار.

نتیجه گیری

یادگیری ماشین اساساً تغییر شکل می دهد که AGVs می تواند به آن دست یابد.با فعال کردن مسیریابی بهینه، تعمیر و نگهداری پیش بینی شده، یادگیری تطبیقی، ایمنی پیشرفته، بهره وری انرژی و هماهنگی ناوگان، ML تبدیل AGV از وسایل نقلیه سفت و سخت به شرکای هوشمند در حالی که چالش های اطراف داده، محاسبات، امنیت سایبری، و ادغام باقی مانده، پیشرفت سریع در AI، شبیه سازی، و سیستم های چند عامل به طور مداوم بهره وری بیشتر در محیط زیست امروز به آنها کمک می کند.