[논문 리뷰] RAWSim-O: A Simulation Framework for Robotic Mobile Fulfillment Systems

Marius Merschformann, Lin Xie외 1명|Multilingual Matters (Channel View Publications)|2017. 10. 12.

Advanced Manufacturing and Logistics Optimization참고 문헌 4인용 수 9

한 줄 요약

RAWSim-O는 다층 창고 환경에서 로봇 이동, 작업 할당, 경로 계획을 상세하고 에이전트 기반, 이벤트 기반으로 모델링할 수 있는 로봇 이동 충족 시스템(RMFS)을 위한 시뮬레이션 프레임워크이다. 이 프레임워크는 실제 로봇 프로토타입(예: iRobot Create 2)을 시뮬레이션 시스템과 통합하여 의사결정 전략을 검증하며, 현실적인 운동학 모델링과 하이브리드 시뮬레이션-현장 테스트를 통해 RMFS 성능을 최적화할 수 있는 확장성 있고 오픈소스 도구를 제공한다.

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.

연구 동기 및 목표

• 로봇 작업 할당, 경로 계획, 팟 할당과 같은 실시간 의사결정 문제를 모델링할 수 있는 종합적인 시뮬레이션 도구의 부족을 해결하기 위해.
• 에스컬레이터로 연결된 다층 레이아웃과 현실적인 로봇 운동학(예: 회전 시간, 가속/감속)을 지원하는 기존의 시뮬레이션 프레임워크(예: 'Alphabet Soup')를 확장하기 위해.
• 저비용 로봇 프로토타입(예: iRobot Create 2)을 시뮬레이션 환경과 통합하여 제어 및 경로 계획 알고리즘의 실질적 테스트를 가능하게 하기 위해 시뮬레이션-현장 하이브리드 검증을 가능하게 하기 위해.
• 결정 전략의 상호작용과 부작용(예: 경로 계획 선택으로 인한 혼잡)을 폭넓게 드러내어 전체 시스템 최적화 연구를 지원하기 위해.
• 고성능 클러스터와 호환되는 오픈소스 C# 기반 시뮬레이션 프레임워크를 제공하여 재현 가능한 연구와 알고리즘 개발을 촉진하기 위해.

제안 방법

• 프레임워크는 시간 연속적인 방식으로 개별 로봇, 팟, 작업대, 엘리베이터를 상세하게 모델링하기 위해 에이전트 기반, 이벤트 기반 시뮬레이션을 사용한다.
• 시뮬레이션 정밀도를 향상시키기 위해 5.5초의 회전 시간과 ±0.5 m/s²의 가속/감속 제한을 포함한 현실적인 로봇 역학을 통합한다.
• 경로 계획은 충돌 없고 死록업 없이 시간 효율적인 궤적을 생성하는 MAPFWR 솔버를 사용하며, 이를 실제 로봇에 적합한 이산 명령(직진, 좌/우회전)으로 변환한다.
• 실세계 로봇 통합은 ASUS Eee PC, 웹캠(라인 패턴 추적용), RFID 태그 리더(웨이포인트 감지용), WiFi 통신 기능을 탑재한 iRobot Create 2 플랫폼을 통해 구현된다.
• 라인 패턴 추적에는 OpenCV 기반 이미지 처리를 사용하는 PID 제어기가 사용되며, 이중 필터링 및 형태학적 연산을 통해 노이즈를 감소시키고 정확한 중심선 추적을 가능하게 한다.
• RFID 웨이포인트 데이터를 로깅하고 시뮬레이션 상태와 정렬함으로써 시뮬레이션과 실제 로봇 이동 간의 동기화를 유지하여 오차 누적이 최소화되도록 한다.

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

실험 결과

연구 질문

• RQ1 실시간 의사결정 전략(로봇 작업 할당, 경로 계획, 팟 할당)이 다층 RMFS의 전체 시스템 효율성에 어떻게 상호작용하고 영향을 미치는가?
• RQ2 회전 시간과 가속 제약을 포함한 현실적인 로봇 운동학은 시뮬레이션 프레임워크에서 얼마나 정확하게 모델링될 수 있으며, 이는 실제 적용 가능성에 어떤 영향을 미치는가?
• RQ3 저비용 로봇 프로토타입(예: iRobot Create 2)을 사용한 하이브리드 시뮬레이션-현장 환경이 RMFS의 경로 계획 및 제어 알고리즘 검증에 효과적으로 기여할 수 있는가?
• RQ4 로봇 라우팅이나 스테이션 워크플로우와 같은 개별 구성 요소 최적화 시, 혼잡 또는 병목 현상과 같은 성능 트레이드오프와 부작용은 무엇인가?
• RQ5 어떻게 시뮬레이션 프레임워크가 엘리베이터가 병목이 될 수 있는 잠재적 요소를 포함한 확장 가능한 다층 창고 제어 전략 개발과 평가를 지원할 수 있는가?

주요 결과

• RAWSim-O는 엘리베이터가 있는 다층 레이아웃을 포함한 복잡한 RMFS 동역학을 성공적으로 모델링하여 수직 공간 활용도와 엘리베이터 관련 병목 현상 분석이 가능해졌다.
• 실제 iRobot Create 2 로봇을 시뮬레이션 프레임워크와 통합함으로써, 노이즈가 많은 실제 환경에서 경로 계획 및 제어 알고리즘 검증이 가능했으며, 동기화된 이동 추적 기능이 구현되었다.
• 실제로 5.5초의 회전 시간과 ±0.5 m/s²의 가속/감속을 포함한 현실적인 로봇 운동학을 사용함으로써 시뮬레이션 정밀도가 향상되었고, 이상화된 모델에서 포착되지 않는 실질적 제약이 드러났다.
• 하이브리드 시뮬레이션-현장 환경을 통해 PID 기반 라인 패턴 추적과 OpenCV 기반 이미지 처리가 안정적인 로봇 주행을 가능하게 하였으며, 상태 동기화를 통해 오차 누적이 효과적으로 감소되었다.
• 이 프레임워크는 최적화된 경로 계획으로 인한 혼잡과 같은 체계적 부작용을 탐지할 수 있었으며, 이는 종합적인 성능 평가에 매우 중요하다.
• RAWSim-O의 오픈소스 배포(깃허브 기반)와 함께 제어기 및 알고리즘까지 제공되어 재현 가능한 연구를 지원하고 RMFS 최적화 분야의 혁신을 가속화하고 있다.

(a) Overview of the simulation process.