AGVと機械学習の理解

自動化されたガイド付き車(AGV)は、現代の物流、製造、および倉庫の操作に不可欠になりました。これらの自動運転プラットフォームは、手動のドライバの必要性なく材料、パレット、および完成品を輸送し、人件費と職場の怪我を軽減します。初期AGVsは、床に埋め込まれた固定磁気テープまたはワイヤを追跡しました。今日のユニットは、LiDAR、カメラ、超音波センサー、および慣性測定ユニット(IMUS)などのセンサーの洗練された配列に依存しています。このようなローカルマッピング(AMS)と、このようなローカルマッピング(AM)。

マシンラーニング(ML)は、AGVが静的、事前プログラムされた動作を超えて動くことを可能にすることによって、これらの機能を高めます。 MLモデルは、車がデータを学習し、動的環境に適応し、リアルタイムの決定を下すことを可能にします。 MLの統合は、繰り返しマテリアルのトランジスタから、複雑な構造のないタスクを処理するインテリジェントなエージェントにAGVを変換します。 広範囲に、MLは、監視された学習(例えば、オブジェクトとルート予測のために)、非監視パターンを学習し、理解を深め、学習を促進します(または学習)。

マシン学習がAGV効率を改善する方法

最適化されたルーティングとパスプランニング

従来のAGVは、混雑、障害、レイアウト変更が起こるときに非効率なパスをフォローします。 MLアルゴリズム、特に強化学習(RL)とディープQ-networks、ダイナミックリルーティングを有効にします。 AGVは、継続的に環境から学び、ポリシーを更新して、旅行時間を最小限に抑え、エネルギー消費、キュー待ち時間を最小限にすることができます。 他のAGV、コンベアの状態、および倉庫管理システム(WMS)から、および倉庫管理システム(WMS)のリアルタイムデータを、ETLを集中的に予測するような方法で、ETLを直接調整することができます。

予測メンテナンス

解凍ダウンタイムは、AGV オペレーションの大きなコストです。 ML モデルは、振動センサー、温度モニター、バッテリー放電曲線、およびホイールエンコーダ読み取りから、コンポーネントの摩耗の早期兆候を検出します。 異常検知アルゴリズム - 分離の森、オートエンコーダ、または1-クラスのSVM - 通常の動作パターンからのフラグの逸脱。 事前のモーター、ベアリング、またはバッテリーの日が故障を予測することにより、メンテナンスチームは、非稼働時間(IEF)を中断または停止することができます。 [F] IEF] および [F] 寿命を制限する時間: [F] または [F] 寿命を制限] または [F] 温度範囲: [F] 温度範囲: [F] 温度範囲: [F] 温度範囲: [F] 温度範囲: [F] 温度範囲: [F] 温度範囲: [温度範囲: [温度範囲: [温度範囲: [温度範囲: [温度範囲: [温度範囲: [温度: [温度: [温度範囲:] 温度:] 温度: [温度: [温度:] 温度: [温度: 温度: 温度: [温度:

変化する環境における適応学習

倉庫は、新しいストレージラック、季節限定のプロモーション、または再構成によるレイアウト変更を頻繁に受けます。従来のシステムでは、各レイアウトの変更には、手動リマッピングやパスの再処理が必要です。 ML-enhanced AGVsは、転送学習とオンライン学習を使用して適応します。 同様の倉庫で事前訓練されたディープなロボティックナビゲーションモデルは、わずか数分の新しいセンサーデータで微調整できます。 強化された報奨学は、AGVが適応する計画をさらに効果的に発見することができます。 部分的な計画が、エンジニアリングのプロセスを完全に低減する場合でも、非常に効率的なレイアウトを削減することができます。

コンピュータビジョンによる安全性の向上

ヒューマン・ロボットのコラボレーションは、堅牢な安全メカニズムを要求します。 ML ベースのコンピューター・ビジョン・システムは、歩行者、フォークリフト、落下物体を高精度に検出します。 複雑なネットワーク(CNN)が、産業シーンの大きなデータセットで訓練された複雑なネットワークは、固定障害物から労働者を識別し、その軌跡を予測し、AGVの速度や経路を調節することができます。 2023 件の研究では、埋め込まれた GPU で実行される軽量 YOLOv7 モデルが、従来の LTV 基準値が 98% 未満で達成されるようにしました。 [ISO]

エネルギー最適化

バッテリーの寿命は、AGVの稼働時間と所有コストに直接影響します。 MLモデルは、さまざまなタスク間で各車両の電力プロファイルを学習することにより、エネルギーの使用量を最適化します。例えば、重負荷で加速し、ランプを登り、キュー内でアイドリングします。 ディープQ-networksは、比類な充電をスケジュールするために使用されてきました。 AGVは、予測された作業需要に基づいて、短時間で「トップアップ」充電を行うと、それにより、電圧を削減することができます。 さらに、AMLは、充電を1〜1〜2回以上削減することができます。

協調性フリートコーディネーション

大規模な展開では、数十または数百のAGVが競合することなく連携しなければなりません。 ML‐ベースのマルチエージェントシステムは、軽量メッセージングプロトコルを介して、隣人と通信するインテリジェントエージェントとして各AGVを処理します。 ディープマルチエージェントの補強学習(MARL)を使用して、フリートはタスクを割り当て、ボトルネックを避け、ワークロードのバランスをとります。 例えば、「アテンション」メカニズムは、AGVが、ほぼすべての車両をスケジュールし、または最小限のスケジュールを最小限にすることで、最も関連性の高い車両を配備することを可能にします。

課題と考察

データの要件と品質

MLモデルは、大きく、多様で、よくラベル付けされたデータセットに繁栄しています。 このようなデータを産業設定で取得することは、非有利です。 AGVsのセンサーログは、多くの場合、不均衡(例えば、まれな故障イベント)であり、すべての障害物または異常の手動ラベル付けは高価です。 データ集計、デジタルツインを用いた合成データ生成、およびセミ指示学習ヘルプは、この移行を緩和する。 しかし、スタートアップは、企業や企業が必要とする大量のデータを蓄積するのは、高価な可能性があります。

計算制約

現代のMLモデル、特に深いニューラルネットワークは、重要な計算力を必要とします。 AGVsは、通常、限られたGPU / CPUリソースを備えた組み込みシステムで実行します。 エッジの推論は、遅延に対する精度のバランスを取る必要があります。 量子化、剪定、およびモデル蒸留は、複雑なモデルをオンボードで実行するアクティブな研究領域です。 または、一部のアーキテクチャは、5GまたはWiFi - 6を介してセントラルサーバーに負荷をオフロードしますが、これはネットワークレイテンシビリティと信頼性の問題を紹介します。

サイバーセキュリティと信頼性

ML-driven AGVは、センサー入力の小さな知覚が誤った分類を引き起こす可能性がある - 攻撃を逆転させるのに脆弱です。例えば、停止記号にいくつかのステッカーを貼り付けると、CNNを強制的に速度制限記号として解釈することができます。AGVsはより自律的になるので、堅牢で安全なMLパイプラインが不可欠です。このようなアドバーサリアトレーニング、入力検証、モデル透かしなどの技術は、依然としてサイバーセキュリティプラクティスを探求しています。

既存システムとの統合

ほとんどの工場は倉庫管理システム(WMS)、企業資源計画(ERP)、プログラム可能なロジックコントローラ(PLC)を実行しています。 ML-ベースのAGVコントローラを統合すると、標準化されたAPIとミドルウェアレイヤー(例えば、ROS 2、MQTT)が必要です。 変更管理と従業員の再訓練も組織のハードルを提示します。 フェーズドロール - 簡単なルートで単一のAGVから始まり、デリスク統合に役立ちます。

今後の展望

AGVと機械学習の相乗効果は加速化されます。エッジAIハードウェア(NVIDIA Jetson、Google Coral、Intel Movidius)は、低電力のフットプリントでリアルタイムの推論を提供し、より洗練されたオンボードモデルを可能にします。プライベート5Gネットワークのロールアウトは、フリートワイドな連携のための低レイテンシ通信を提供し、モデルをハッティング操作なしでオーバーエアを更新することができます。

デジタルツインズ - 設備全体の仮想レプリカ - 訓練シミュレータとして機能します。AGVは、工場の床の1分前に強化学習を使用してシミュレーションで数千時間練習することができます、大幅にデプロイリスクを軽減します。さらに、自動運転ロボット(AMR)を備えたAGVの収束は、ガイドされたと完全に無料のローミングプラットフォーム間のラインを膨らませることができます。MLは、非構造の環境、および開いているドアをナビゲートするALMのためのキーアクセパとなります。

もう一つのフロンティアは、自然言語による人間ロボットのコラボレーションです。トランスベースのモデルで解釈される音声コマンドは、単に「アイル3からパレット47をブランディング」と言いながら、作業者がAGVをタスクできるようにすることができます。これらのモデルが縮小する(例えば、ティンバート)、彼らはオンボードを実行し、同僚に話しているように自然に相互作用を作ることができます。

コンテンツ

マシンラーニングは、AGVが達成できるものの根本的に再構築されています。最適化されたルーティング、予測保守、適応的な学習、強化された安全、エネルギー効率、およびフリート指向の調整を可能にすることにより、MLは、硬式オートマトンからインテリジェントパートナーにAGVを変換します。データ、計算、サイバーセキュリティ、および統合の課題は、エッジAI、シミュレーション、マルチエージェントシステムにおける迅速な進歩が、それらを克服しています。MLエンハンスメントに投資する産業は、今日の作業効率と、より大きな利益を向上し、より大きな利益を享受します。