[论文解读] Review of Autonomous Mobile Robots for the Warehouse Environment

Russell Keith, Hung Manh La|arXiv (Cornell University)|Jun 12, 2024

Advanced Manufacturing and Logistics Optimization被引用 4

一句话总结

本文综述了仓库环境中自主移动机器人（AMR）的技术进展，重点涵盖硬件、机器人控制（定位、路径规划、人工智能）以及系统级控制（调度、资源管理、人机协作）。研究指出，通过传感器融合、先进算法和优化的仓库布局，AMRs 能够减少动作浪费、提升效率，并实现可扩展的去中心化作业模式。

ABSTRACT

Autonomous mobile robots (AMRs) have been a rapidly expanding research topic for the past decade. Unlike their counterpart, the automated guided vehicle (AGV), AMRs can make decisions and do not need any previously installed infrastructure to navigate. Recent technological developments in hardware and software have made them more feasible, especially in warehouse environments. Traditionally, most wasted warehouse expenses come from the logistics of moving material from one point to another, and is exhaustive for humans to continuously walk those distances while carrying a load. Here, AMRs can help by working with humans to cut down the time and effort of these repetitive tasks, improving performance and reducing the fatigue of their human collaborators. This literature review covers the recent developments in AMR technology including hardware, robotic control, and system control. This paper also discusses examples of current AMR producers, their robots, and the software that is used to control them. We conclude with future research topics and where we see AMRs developing in the warehouse environment.

研究动机与目标

• 分析 AMR 技术在仓库自动化中的最新进展。
• 识别 AMR 部署中的关键挑战，包括路径规划、电池管理以及人机协作。
• 评估人工智能、传感器融合与去中心化控制在提升 AMR 可扩展性与性能方面的作用。
• 研究优化 AMR 车队效率的仓库布局与区域划分策略。
• 识别当前研究中的空白，特别是关于人因因素和 AMR 系统中动态任务分配的问题。

提出的方法

• 通过 IEEE Xplore 和 Google Scholar 进行文献综述，筛选 2013 至 2024 年间以 'AMR'、'warehouse'、'path planning'、'scheduling' 和 'decentralized' 等关键词发表的论文。
• 将研究分类为硬件（传感器、处理器、电池）、机器人控制（定位、人工智能、路径规划）以及系统控制（资源管理、调度、人机拣选方法）。
• 评估亚马逊（Kiva 机器人）等公司实际部署的 AMR 系统，分析其软件与控制架构。
• 回顾优化技术，如模拟退火、遗传算法以及混合方法（例如 NSGA-II 与禁忌搜索结合），用于布局与路径设计。
• 评估性能指标，包括交货提前期、行驶距离、延迟率与 AMR 调度与路径规划中的运营效率。
• 探索非传统仓库布局，采用算法生成的设计偏离标准网格模式，以提升吞吐量。

Figure 1: Human-robot collaboration in the warehouse [ 5 ]

实验结果

研究问题

• RQ1 现代 AMR 如何在无需预装基础设施的情况下实现导航与定位？哪些传感器技术支撑了这一能力？
• RQ2 人工智能技术（如深度强化学习与遗传算法）在优化 AMR 路径规划与调度中发挥何种作用？
• RQ3 去中心化调度与动态区域划分如何提升大规模 AMR 车队的可扩展性并减少拥堵？
• RQ4 与传统仓库布局相比，非传统、算法优化的布局在关键性能指标上存在哪些权衡？
• RQ5 为何人因因素与人体工学考量在当前基于 AMR 的订单拣选系统中仍被严重忽视？

主要发现

• AMRs 显著减少了仓库中的动作浪费，通过最小化人工行走距离，提升了效率并减轻了人工协作人员的疲劳。
• 通过融合 LiDAR、2D/3D 相机与惯性传感器，实现实时精确定位与环境建图，无需依赖固定基础设施。
• 去中心化调度与动态区域划分策略在将 AMR 车队扩展至 10 台以上时展现出巨大潜力，但极少有研究涉及真实场景中数百台机器人的部署。
• 通过优化算法（如模拟退火或混合元启发式方法）生成的非传统仓库布局可提升吞吐量，通过消除固定通道并优化物品布局实现。
• 遗传算法与混合方法（如 NSGA-II 与禁忌搜索结合）在多排仓库配置中有效降低了物料搬运成本，优化了 AGV/AMR 路径流量。
• 尽管技术不断进步，但 AMR 集成订单拣选系统中的人因因素（如工作量分配、疲劳与人体工学）仍严重缺乏研究。

Figure 2: Amazon’s Kiva robot [ 6 ]