[论文解读] Path planning for Robotic Mobile Fulfillment Systems

Marius Merschformann, Lin Xie+1 more|arXiv (Cornell University)|Jun 28, 2017

Advanced Manufacturing and Logistics Optimization参考文献 22被引用 11

一句话总结

本文提出了一种新颖的带运动学约束的多智能体路径规划（MAPFWR）框架，用于机器人移动补货系统（RMFS），将经典MAPF算法（如WHCA*、FAR、BCP、OD&ID、CBS）扩展以纳入真实机器人的动力学特性，如最大速度、加速度、减速度和转向时间。在RawSim-O中的仿真结果表明，带速度约束的WHCA*（$ ext{WHCA}^{*}_{v}$）在吞吐量、路径长度和搜索时间之间实现了最佳平衡，尽管存在可扩展性限制，仍优于其他算法。

ABSTRACT

This paper presents a collection of path planning algorithms for real-time movement of multiple robots across a Robotic Mobile Fulfillment System (RMFS). Robots are assigned to move storage units to pickers at working stations instead of requiring pickers to go to the storage area. Path planning algorithms aim to find paths for the robots to fulfill the requests without collisions or deadlocks. The state-of-the-art path planning algorithms, including WHCA*, FAR, BCP, OD&ID and CBS, were adapted to suit path planning in RMFS and integrated within a simulation tool to guide the robots from their starting points to their destinations during the storage and retrieval processes. Ten different layouts with a variety of numbers of robots, floors, pods, stations and the sizes of storage areas were considered in the simulation study. Performance metrics of throughput, path length and search time were monitored. Simulation results demonstrate the best algorithm based on each performance metric.

研究动机与目标

• 解决现有多智能体路径规划（MAPF）算法忽略真实机器人运动学约束（如最大速度、加速度、减速度和转向时间）的问题。
• 为具有集中控制和真实机器人动力学特性的机器人移动补货系统（RMFS）开发并评估改进的MAPF算法。
• 使用模拟框架对这些算法在不同仓库布局和机器人数量下的性能进行评估，该框架可真实模拟机器人运动。
• 在关键指标（吞吐量、路径长度和搜索时间）上识别出最有效的路径规划算法。
• 研究布局特征和系统规模对算法可扩展性和性能的影响。

提出的方法

• 形式化提出一种新的问题变体——面向仓储机器人的多智能体路径规划（MAPFWR），将运动学约束整合到路径规划阶段。
• 通过修改搜索启发式函数和冲突解决机制，将五种现有MAPF算法（WHCA*、FAR、BCP、OD&ID、CBS）改进以满足机器人运动学要求。
• 在RawSim-O仿真框架中实现改进后的算法，该框架可真实模拟机器人运动，包括转向时间及动态加减速行为。
• 采用集中式控制架构，所有机器人路径在执行前全局计算完成。
• 采用数学公式确保在由运动学约束定义的新搜索空间中，A*算法具有完备性和可采纳性。
• 在十个具有不同机器人数量、货位、工作站和地面布局的仓库布局上测量性能表现。

实验结果

研究问题

• RQ1 最大速度、加速度和转向时间等运动学约束如何影响经典MAPF算法在RMFS中的性能？
• RQ2 在真实RMFS仿真中，哪种改进的MAPF算法（如WHCA*、FAR、CBS）在吞吐量、路径长度和搜索时间之间达到最佳平衡？
• RQ3 随着系统规模和布局复杂度的增加，算法的可扩展性如何变化？
• RQ4 机器人运动的真实性（如转向时间、动态加减速）对路径质量和系统拥堵程度有何影响？
• RQ5 不同算法如何影响机器人运动的流畅性与拥堵模式，通过热力图可视化可观察到何种差异？

主要发现

• 带速度约束的WHCA*（$\text{WHCA}^{*}_{v}$）在仿真研究中于吞吐量、路径长度和搜索时间等指标上实现了整体最佳性能。
• FAR方法在实际运行时间上表现出更优的可扩展性，在大规模实例中仍保持高效，而其他算法（如CBS和BCP）在这些情况下频繁超时。
• CBS在大规模实例中表现出极高的运行时间开销并频繁超时，尽管在小规模问题上路径质量优异，但实用性受限。
• 热力图显示，与CBS相比，$\text{WHCA}^{*}_{v}$实现了更平滑、更流畅的机器人运动，显著减少了出站口和交叉路口的拥堵。
• 内存使用并非各算法的瓶颈，所有方法在现代硬件上均消耗合理且相近的内存。
• 仿真结果证实，将运动学约束纳入路径规划可显著提升实际可行性与系统性能。