[논문 리뷰] Artificial intelligence empowered multi-AGVs in manufacturing systems

D. M. Li, Bo Ouyang외 2명|arXiv (Cornell University)|2019. 09. 08.

Advanced Manufacturing and Logistics Optimization참고 문헌 19인용 수 10

한 줄 요약

이 논문은 전통적인 사전 장애 방지 스케줄링과 LSTM 기반 작업 예측을 융합한 AI 강화 다중 AGV 시스템을 제안한다. 다음 작업의 시작 위치를 예측하고 공백 중인 AGV를 사전에 그곳으로 길 안내함으로써 대기 시간을 줄여, 기존 방법 대비 최대 20–30% 향상된 작업 완료 효율성을 달성한다.

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%.

연구 동기 및 목표

• AGV가 작업 시작 위치에 도달하기까지 발생하는 공백 대기로 인한 다중 AGV 시스템의 비효율성을 해결하기 위해.
• 시스템 지연 시간을 줄이고 자동화된 제조 환경에서의 전체 작업 완료 시간을 향상시키기 위해.
• 딥 러닝을 전통적 스케줄링 알고리즘과 융합하여 사전 장애 방지를 유지하면서 성능을 향상시키기 위해.
• 작업 순서 패턴 기반 예측적 AGV 라우팅이 시스템 효율성에 상당한 기여를 한다는 것을 검증하기 위해.

제안 방법

• 시스템은 전통적인 사전 장애 방지 스케줄링 알고리즘(DPSTW 또는 GREEDY)과 LSTM 기반 신경망을 융합한 하이브리드 아키텍처를 사용한다.
• LSTM 모델은 이전 작업 시퀀스를 기반으로 다음 작업의 시작 노드를 예측하며, 작업 간 상관관계를 모델링하기 위해 마르코프 체인을 활용한다.
• 결정 규칙(식 2)은 다음 작업의 예측된 시작 노드로 공백 중인 AGV를 사전에 파견할지를 판단한다.
• 예측이 잘못된 경우, 운영자로부터 실제 작업이 확인되면 사전에 할당된 작업을 취소한다.
• 예측된 작업이 확인된 이후에야 예측 결과가 AGV 작업 큐에 통합되므로, 안전성과 일관성을 보장한다.
• 성능 평가에는 평균 작업 완료 시간을 사용하며, 제안된 방법을 기준 스케줄링 알고리즘과 비교한다.

실험 결과

연구 질문

• RQ1 LSTM 기반의 향후 AGV 작업 예측이 다중 AGV 시스템에서의 공백 대기 시간을 줄일 수 있는가?
• RQ2 예측된 작업 시작 위치로 사전에 AGV를 라우팅하는 것이 전체 시스템 효율성에 어떤 영향을 미치는가?
• RQ3 딥 러닝과 전통적 스케줄링을 융합함으로써 사전 장애 방지를 해치지 않으면서 성능을 얼마나 향상시킬 수 있는가?
• RQ4 작업 간 상관관계는 예측적 AGV 라우팅의 정확도와 효과성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 DPSTW 및 GREEDY와 같은 전통적 스케줄링 알고리즘 대비 작업 완료 효율을 최대 20–30% 향상시킨다.
• 성능 향상은 중간 수준의 시스템 부하에서 가장 두드러지며, 시스템이 매우 바쁠 경우(예: 시간당 250건 이상)에는 점차 감소한다.
• LSTM 예측과 사전 장애 안전 스케줄링의 융합은 시스템 안전성을 유지하면서도 AGV가 작업 시작 지점에 도달하기까지의 대기 시간을 줄인다.
• 예측 오류는 실제 운영자가 생성한 작업과의 검증을 통해 효과적으로 처리되며, 잘못된 사전 할당 작업은 취소된다.
• 모든 테스트된 가이드패스 구성에서 제안된 방법을 사용할 경우 평균 작업 완료 시간이 일관되게 낮아지며, 특히 바쁜 상황이 아닌 경우에 두드러진다.