[论文解读] 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 10

一句话总结

本文提出了一种结合传统死锁预防调度与基于LSTM的任务预测的AI增强型多AGV系统，以提升效率。通过预测下一个任务的起始位置并提前将空闲AGV调度至该位置，该方法减少了等待时间，在传统方法基础上实现了最高达20–30%的任务完成效率提升。

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%.

研究动机与目标

• 解决多AGV系统中AGV因等待抵达任务起始位置而造成的效率低下问题。
• 降低系统延迟，改善自动化制造环境中整体任务完成时间。
• 将深度学习与传统调度算法相结合，在保障死锁安全的同时提升性能。
• 验证基于任务序列模式的预测性AGV路径规划能否显著提升系统效率。

提出的方法

• 系统采用混合架构，结合传统的死锁预防调度算法（DPSTW或GREEDY）与基于LSTM的神经网络进行任务预测。
• LSTM模型基于历史任务序列预测下一个任务的起始节点，使用马尔可夫链建模任务相关性。
• 通过一个决策规则（公式2）判断是否应提前将空闲AGV派往预测的下一个任务起始节点。
• 若预测错误，系统在确认操作员实际下达的任务后，将取消预分配的任务。
• 仅在预测任务被确认后，才将预测结果整合至AGV任务队列，确保安全与一致性。
• 系统通过平均任务完成时间评估性能，并将所提方法与基线调度算法进行对比。

实验结果

研究问题

• RQ1 基于LSTM的未来AGV任务预测能否减少多AGV系统中的空闲等待时间？
• RQ2 将AGV主动调度至预测的任务起始位置，对整体系统效率有何影响？
• RQ3 在不损害死锁预防的前提下，将深度学习与传统调度相结合，能在多大程度上提升性能？
• RQ4 任务相关性对预测性AGV路径规划的准确性和有效性有何影响？

主要发现

• 与传统的DPSTW和GREEDY调度算法相比，所提方法可将任务完成效率提升最高达20–30%。
• 在中等系统负载下性能增益最为显著，当系统负载极高时（例如>250个任务/小时），效率提升幅度开始减小。
• 将LSTM预测与死锁安全调度相结合，在保障系统安全的同时，有效减少了AGV抵达任务起始点的等待时间。
• 系统通过将预测结果与实际由操作员创建的任务进行验证，有效处理预测错误，并取消错误的预分配任务。
• 在所有测试的导引路径配置下，使用所提方法的任务平均完成时间均更低，尤其在非高负载场景下表现更优。