[論文レビュー] Artificial intelligence empowered multi-AGVs in manufacturing systems

D. M. Li, Bo Ouyang+2 more|arXiv (Cornell University)|Sep 8, 2019

Advanced Manufacturing and Logistics Optimization参考文献 19被引用数 10

ひとこと要約

本稿では、伝統的なデッドロック防止スケジューリングとLSTMベースのタスク予測を組み合わせることで、効率を向上させるAI強化型のマルチAGVシステムを提案する。次のタスクの開始位置を予測し、空き状態のAGVを事前にその場所にルーティングすることで、待機時間を短縮し、従来の手法に比べてタスク完了効率が最大20–30%向上する。

ABSTRACT

AGVs are driverless robotic vehicles that picks up and delivers materials. How to improve the efficiency while preventing deadlocks is the core issue in designing AGV systems. In this paper, we propose an approach to tackle this problem.The proposed approach includes a traditional AGV scheduling algorithm, which aims at solving deadlock problems, and an artificial neural network based component, which predict future tasks of the AGV system, and make decisions on whether to send an AGV to the predicted starting location of the upcoming task,so as to save the time of waiting for an AGV to go to there first when the upcoming task is created. Simulation results show that the proposed method significantly improves the efficiency as against traditional method, up to 20% to 30%.

研究の動機と目的

• AGVがタスクの開始位置に到着するまでの待機時間の無駄を解消し、マルチAGVシステムの非効率性を是正すること。
• システムの遅延を低減し、自動化された製造環境におけるタスク完了時間全体を改善すること。
• ディープラーニングを伝統的なスケジューリングアルゴリズムと統合し、デッドロック防止を維持しながら性能を向上させること。
• タスクシーケンスのパターンに基づく予測的AGVルーティングが、システム効率を顕著に向上させることを検証すること。

提案手法

• 本システムは、伝統的なデッドロック防止スケジューリングアルゴリズム（DPSTWまたはGREEDY）と、LSTMベースのニューラルネットワークによるタスク予測を組み合わせたハイブリッドアーキテクチャを採用する。
• LSTMモデルは、履歴的なタスクシーケンスに基づいて、次のタスクの開始ノードを予測し、タスクの相関関係をモデル化するためにマルコフ連鎖を用いる。
• 決定ルール（式2）により、次のタスクの予測開始ノードに事前に空きAGVを出動させるタイミングを判断する。
• 予測が誤りである場合、オペレータから実際のタスクが確認された時点で、事前に割り当てたタスクをキャンセルする。
• 予測されたタスクが確認された場合にのみ、予測結果をAGVタスクキューに統合することで、安全性和一貫性を保証する。
• 本手法の性能評価には、平均タスク完了時間を用い、提案手法とベースラインスケジューリングアルゴリズムを比較する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの将来のAGVタスク予測は、マルチAGVシステムにおける待機時間の短縮に寄与するか？
• RQ2 予測されたタスク開始位置に事前にAGVをルーティングすることは、全体のシステム効率にどのように影響するか？
• RQ3 ディープラーニングと伝統的スケジューリングを統合することで、デッドロック防止を損なわず、性能をどの程度向上できるか？
• RQ4 タスクの相関関係は、予測的AGVルーティングの精度と有効性にどのような影響を及ぼすか？

主な発見

• 提案手法は、DPSTW や GREEDY などの従来のスケジューリングアルゴリズムに比べ、タスク完了効率を最大20–30%向上させる。
• 性能向上は、中程度のシステム負荷下で顕著であり、システムが極めて忙しくなった場合（例：1時間あたり250タスク以上）には、改善効果がやや低下する。
• LSTM予測とデッドロック安全なスケジューリングの統合により、AGVがタスク開始地点に到着するまでの待機時間を短縮しながら、システムの安全性を維持できる。
• 本手法は、予測誤りを効果的に処理する。予測結果を実際のオペレータが作成したタスクと照合し、誤った事前割り当てをキャンセルする。
• すべてのテストされたガイドパス構成において、提案手法を用いることでタスクの平均完了時間が一貫して短縮され、特に混雑していない状況下で顕著な改善が得られる。