[论文解读] 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 9

一句话总结

RAWSim-O 是一个用于机器人移动补货系统（RMFS）的仿真框架，支持在多层仓库环境中对机器人运动、任务分配和路径规划进行详细、基于代理的事件驱动建模。该框架将真实世界的机器人原型（例如 iRobot Create 2）与仿真系统集成，用于验证决策策略，提供一种可扩展的开源工具，通过逼真的运动学建模和混合仿真-真实世界测试，优化 RMFS 性能。

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.

研究动机与目标

• 为解决当前缺乏全面的机器人移动补货系统（RMFS）仿真工具的问题，这些工具能够对机器人任务分配、路径规划和货箱分配等实时决策问题进行建模。
• 在现有仿真框架（如 'Alphabet Soup'）的基础上进行扩展，支持通过电梯连接的多层布局以及包含转向时间与加速度/减速度限制的逼真机器人运动学。
• 通过将低成本机器人原型（如 iRobot Create 2）与仿真环境集成，实现混合仿真-真实世界验证，以实际测试控制与路径规划算法。
• 通过揭示决策策略之间的协同效应与副作用（如路径规划选择导致的拥堵），支持对系统整体优化的研究。
• 提供一种基于 C# 的开源仿真框架，兼容高性能计算集群，促进可复现的研究与算法开发。

提出的方法

• 该框架采用基于代理的事件驱动仿真方法，以时间连续的方式详细建模单个机器人、货箱、工作站和电梯。
• 引入逼真的机器人动力学特性，包括 5.5 秒的转向时间以及 ±0.5 m/s² 的加速度/减速度限制，以提升仿真保真度。
• 路径规划采用 MAPFWR 求解器，生成无碰撞、无死锁且时间高效的轨迹，并将其转换为适用于真实机器人的离散指令（直行、左转/右转）。
• 通过配备 ASUS Eee PC、摄像头用于循迹、RFID 标签读取器用于航点检测以及 WiFi 通信的 iRobot Create 2 平台，实现真实机器人集成。
• 采用基于 OpenCV 的 PID 控制器进行循迹，通过二值化滤波和形态学操作降低噪声，实现对中心线的精确跟踪。
• 通过记录 RFID 航点数据并将其与预期的仿真状态对齐，维持仿真与真实机器人运动之间的同步，以最小化误差累积。

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

实验结果

研究问题

• RQ1 在多层 RMFS 中，机器人任务分配、路径规划和货箱分配的实时决策策略如何相互作用并影响整体系统效率？
• RQ2 在仿真框架中，多大程度上可以对真实机器人运动学（包括转向时间与加速度约束）进行建模，以提升其在真实场景中的适用性？
• RQ3 使用低成本机器人原型（如 iRobot Create 2）的混合仿真-真实世界设置，能否有效验证 RMFS 的路径规划与控制算法？
• RQ4 在优化单个组件（如机器人路径规划或工作站流程）时，性能权衡与副作用（如拥堵或瓶颈）如何体现？
• RQ5 仿真框架如何支持可扩展的多层仓库控制策略的开发与评估，特别是涉及电梯作为潜在瓶颈的情况？

主要发现

• RAWSim-O 能够成功建模复杂的 RMFS 动态，包括带电梯的多层布局，支持对垂直空间利用率和与电梯相关的瓶颈进行分析。
• 将真实 iRobot Create 2 机器人与仿真框架集成，实现了在噪声环境下的路径规划与控制算法验证，并通过同步运动追踪提升了可靠性。
• 采用逼真的机器人运动学特性（如 5.5 秒转向时间与 ±0.5 m/s² 加速度）显著提升了仿真保真度，并揭示了理想化模型中未捕捉的实际约束。
• 混合仿真-真实世界设置表明，基于 PID 的循迹方法结合 OpenCV 图像处理可实现稳定的机器人导航，且通过状态同步有效缓解了误差累积。
• 该框架能够检测系统级副作用，如次优路径规划引发的拥堵，这对整体性能评估至关重要。
• RAWSim-O 在 GitHub 上开源发布，包含控制器与算法，支持可复现研究，加速了 RMFS 优化领域的创新。

(a) Overview of the simulation process.