大規模なAMR(自律走行搬送ロボット)フリート運用の最適化

大規模なAMR(自律走行搬送ロボット)フリート運用の最適化

自動車業界のリーダーは、生産性を向上させるために、生産施設で自律走行搬送ロボット(AMR)を使用しています。このケーススタディでは、Tesla Material Flow Engineerと元BMW Group PhD StudentおよびAMR研究者のMaximilian Selmairが、大規模な輸送フリートを展開する際の標準的な業界慣行について説明し、AnyLogicクラウドベースのシミュレーションが最適なタスク割り当てアルゴリズムの開発にどのように役立つかをご紹介します。

なぜAGVではなくAMRなのか?

自律走行搬送ロボット(AMR)は、より複雑であるため、無人搬送車(AGV)よりも機能が優れています。AMRは、より優れたソフトウェア機能を備えており、ガイドワイヤやストリップを必要とせずにマップを使用してナビゲートするため、AGVのような固定ルートに制限されません。その結果、AMRは実行できるタスクの柔軟性が高まり、ソフトウェアの更新のみで迅速に再展開できます。

AGVと比較して、最新のAMRテクノロジーは、インフラストラクチャ要件の削減と、生産の中断を引き起こさない迅速な展開で、より費用対効果が高いと見なされています。

問題:自動化されたフリートにタスクを効率的に割り当てる方法

生産ライントランスポーター運用の最適化には2つの目的があります。第一に、最適化によってタスク遅れを回避し、第二に、生産施設のトラフィック密度を最小限に抑える必要があります。

遅いタスクは、効率を低下させ、コストを増加させる遅延につながります。BMWにとって、生産停止を回避することが、トランスポーター運用最適化作業の主な目的でした。

生産施設では、通路に利用できるスペースが限られているため、自律トランスポーターは人や他の車両とルートを共有する必要があります。トラフィックの削減には、安全性の向上、混雑の緩和、遅延タスクの削減など、いくつかの望ましい効果があります。

この研究は、作業の遅延が無く、トランスポーターの運転を最小限に抑える、という目標の達成を目的としています。割り当ての問題として広く特徴付けることができる課題です。

解決策:AMRタスク割り当て方法をテストするためのシミュレーション

割り当ての問題を解決するために、車両生産ライン施設のハイブリッドシミュレーションモデルにより、さまざまな方法をテストすることが可能になりました。マルチメソッドモデリング機能と組み込みのマテリアルハンドリングライブラリを備えたAnyLogicシミュレーションソフトウェアにより、自動トランスポーターの追加など、ワークスペースの迅速なモデリングが可能になりました。シミュレーションでは、エージェントベースと離散イベントモデリング両方のアプローチを使用します。


AnyLogicシミュレーションモデルでの自律走行搬送ロボットタスク割り当てアルゴリズムのテスト。

自律走行搬送ロボットのタスク割り当てアルゴリズムをテストするためのシミュレーションモデル(クリックして拡大)。クラウドモデルの例

AnyLogicには、トランスポーターにタスクを割り当てるためのさまざまなメソッドが含まれていますが、カスタムコードを含める柔軟性もあります。カスタムコードを使用すると、AMRタスク割り当ての問題を最もよく解決できる割り当てアルゴリズムのテストが可能になります。テストでは、ヒューリスティックと厳密法(exact methods)の両方が分析されました。厳密法は、線形最適化など、常に1つの最適解を生成するアルゴリズムです。対照的に、ヒューリスティックメソッドは近似に基づいており、完全に正確ではない場合がありますが、通常は高速です。


自律走行搬送ロボットのタスク割り当てアルゴリズムを設計するときにテストされた方法(クリックして拡大)。

自律走行搬送ロボットのタスク割り当てアルゴリズムを設計するときにテストされた方法(クリックして拡大)。

AnyLogicシミュレーションモデルでさまざまな方法をテストした研究結果(英語)は、車両生産施設のトランスポーターにタスクを割り当てる場合、Jonker-Volgenant-Castanon(JVC)割り当てアルゴリズムが優れていることを示しています。

クラウドベースのシミュレーションによるより高速なAMRシナリオ分析

さまざまな割り当て方法をテストするためのシミュレーションモデルを作成した後、多くのシミュレーションを実行する必要がありました。各割り当て方法では、パラメーターのバリエーションを使用して、さまざまなシナリオでテストする必要がありました。

この場合、40の異なるフリートサイズが異なる割り当て方法に対してテストされました。また、1回の実行で9時間のシミュレーションを計算するのに2時間かかるため、プロセスを高速化できるソリューションが歓迎されました。

AnyLogicクラウドプラットフォームは、並列実行を可能にするスケーラブルなコンピューティング環境です。このコンピューティング機能により、パラメーターの迅速な変更と複数のシナリオのテストが可能になりました。たとえば、40のフリートサイズすべてのシミュレーション実行を同時に実行できます。また、コンピューティングはクラウドサーバーで行われるため、シミュレーションモデラーは障害なく自由に自身のコンピューターを使用し続けることができます。

結果:最適なAMRタスク割り当てアルゴリズム

最も近いエージェントに基づいてタスクを割り当てるベースラインシナリオと比較して、JVC割り当てアルゴリズムから開発された方法では、必要なAMRの数が30%削減されます。

7,500タスクのシナリオ例では、従来の方法では、遅延タスクが3つの場合で58台のトランスポーターが必要でした。テストと研究から得られたアルゴリズムでは、同じ数の遅延タスクの場合で必要なトランスポーターは42台だけでした。

AGVや手動の方法と比較して、AMRの初期費用が高いため、望むレベルのサービスに必要なAMRトランスポーターの数をこのように減らすことは重要です。

7,500タスク内で遅いタスクを三つまでに収めるために必要なAMRの数を最小化すことは、トラフィック密度を最小化するという目標を達成するのにも役立ちます。

テスト環境を作成するためのシミュレーションと、実験を実行するためのクラウドコンピューティングの組み合わせにより、車両生産施設でのAMRタスク割り当て用のカスタム割り当てアルゴリズムの迅速な開発が可能になりました。アルゴリズムは、標準の最も近いエージェントの割り当てを30%改善し、遅いタスク率を低くし、トラフィック密度を下げるという目標を達成しました。

Maximilian Selmairは、AnyLogic Conference 2021において英語で研究を発表しました:



クラウドベースのシミュレーションの詳細については、専用のAnyLogic Cloudページをご覧ください。

同様のケーススタディ

その他のケーススタディ

各業界のケーススタディが記載されたパンフレットを入手(英語)

ダウンロード