[論文レビュー] RAWSim-O: A Simulation Framework for Robotic Mobile Fulfillment Systems

Marius Merschformann, Lin Xie+1 more|Multilingual Matters (Channel View Publications)|Oct 12, 2017

Advanced Manufacturing and Logistics Optimization参考文献 4被引用数 9

ひとこと要約

RAWSim-O は、マルチフロアの倉庫環境におけるロボット移動、タスク割り当て、経路計画の詳細なエージェントベースでイベント駆動型のモデル化を可能にするロボット移動型受発注システム（RMFS）のシミュレーションフレームワークである。実世界のロボットプロトタイプ（例：iRobot Create 2）をシミュレーテッドシステムと統合することで意思決定戦略の検証が可能となり、現実の運動学的モデルとハイブリッドシミュレーション・実世界テストを組み合わせたスケーラブルでオープンソースのツールとして、RMFSのパフォーマンス最適化を実現する。

ABSTRACT

This paper deals with a new type of warehousing system, Robotic Mobile Fulfillment Systems (RMFS). In such systems, robots are sent to carry storage units, so-called "pods", from the inventory and bring them to human operators working at stations. At the stations, the items are picked according to customers' orders. There exist new decision problems in such systems, for example, the reallocation of pods after their visits at work stations or the selection of pods to fulfill orders. In order to analyze decision strategies for these decision problems and relations between them, we develop a simulation framework called "RAWSim-O" in this paper. Moreover, we show a real-world application of our simulation framework by integrating simple robot prototypes based on vacuum cleaning robots.

研究の動機と目的

• ロボットタスク割り当て、経路計画、ポッド割り当てといったリアルタイム意思決定問題をモデル化する、包括的なシミュレーションツールの不足に対処すること。
• 「アルファベットスープ」のような既存のシミュレーションフレームワークを拡張し、エレベーターで接続されたマルチフロアレイアウトと、旋回時間や加速度／減速度を含む現実的なロボット運動学をサポートすること。
• 低価格のロボットプロトタイプ（例：iRobot Create 2）をシミュレーション環境と統合することで、制御および経路計画アルゴリズムの実世界での実践的テストを可能にするハイブリッドシミュレーション・実世界検証を可能にすること。
• 意思決定戦略の相乗効果や副作用（例：経路計画の選択による混雑）を露呈することで、包括的なシステム最適化に関する研究を支援すること。
• スケーラブルでオープンソースの C# ベースのシミュレーションフレームワークを提供し、高性能クラスタと互換性を持たせることで、再現可能性の高い研究とアルゴリズム開発を促進すること。

提案手法

• フレームワークはエージェントベースでイベント駆動型のシミュレーションを用い、ロボット、ポッド、作業ステーション、エレベーターを時間連続的に詳細にモデル化する。
• シミュレーションの忠実度を向上させるために、5.5秒の旋回時間と±0.5 m/s²の加速度／減速度制限を含む現実的なロボットダイナミクスを組み込む。
• 経路計画には MAPFWR ソルバーを用い、衝突なし、デッドロックなし、時間的に効率的な軌道を生成し、それを実ロボット用の離散命令（まっすぐ進む、左/右に曲がる）に変換する。
• 実世界のロボット統合は、ASUS Eee PC を搭載した iRobot Create 2 プラットフォームを用い、ラインフォローリング用のウェブカメラ、ウェイポイント検出用の RFID タグリーダー、WiFi 通信を実装することで実現する。
• ラインフォローリングには、OpenCV を用いた PID コントローラーを採用し、二値フィルタリングとモルフォロジカル操作によりノイズを低減し、正確な中央線追跡を可能にする。
• RFID ウェイポイントのデータをログ記録し、シミュレーションの期待される状態と一致させることで、シミュレーテッドと実ロボットの動きの同期を維持し、誤差の蓄積を最小限に抑える。

Figure 1 : The central process of an RMFS (see [ 7 ] )

実験結果

リサーチクエスチョン

• RQ1 マルチフロアの RMFS において、ロボットタスク割り当て、経路計画、ポッド割り当てのリアルタイム意思決定戦略は、どのように相互作用し、全体のシステム効率に影響を与えるか？
• RQ2 旋回時間や加速度制限を含む現実的なロボット運動学を、シミュレーションフレームワークでどの程度正確にモデル化できるか、実世界への適用可能性はどの程度向上するか？
• RQ3 低価格のロボットプロトタイプ（例：iRobot Create 2）を用いたハイブリッドシミュレーション・実世界セットアップは、RMFS の経路計画および制御アルゴリズムの検証に効果的に機能するか？
• RQ4 ロボットルーティングやステーションワークフローの個々のコンponent最適化において、混雑やボトルネックといった性能上のトレードオフや副作用はどのようなものか？
• RQ5 エレベーターが潜在的なボトルネックとなる場合、特にマルチフロアの制御戦略を支援するためのシミュレーションフレームワークは、どのようにスケーラブルな制御戦略の開発と評価を可能にするか？

主な発見

• RAWSim-O は、エレベーターを備えたマルチフロアレイアウトを含む複雑な RMFS ダイナミクスを効果的にモデル化でき、垂直空間の活用状況やエレベーター関連のボトルネックの分析が可能となった。
• 実際の iRobot Create 2 ロボットをシミュレーションフレームワークに統合することで、ノイズの多い実世界環境でも経路計画および制御アルゴリズムの検証が可能となり、同期された動き追跡が実現した。
• 5.5秒の旋回時間や±0.5 m/s²の加速度といった現実的なロボット運動学の使用により、シミュレーションの忠実度が向上し、理想化されたモデルでは捉えきれない実用的制約が明らかになった。
• ハイブリッドシミュレーション・実世界セットアップの結果、OpenCV を用いた PID ベースのラインフォローリングにより、安定したロボットナビゲーションが実現した。誤差の蓄積は、状態同期によって効果的に抑制された。
• フレームワークは、最適でない経路計画による混雑といった、システムレベルの副作用の検出を可能にし、包括的なパフォーマンス評価に不可欠な要因を明らかにした。
• GitHub での RAWSim-O のオープンソースリリース（コントローラーおよびアルゴリズムを含む）により、再現可能な研究が促進され、RMFS 最適化分野におけるイノベーションが加速した。

(a) Overview of the simulation process.