問題
売上高が世界トップの小売業であるウォルマートは、急成長中のオンライン食料品事業において、より迅速かつ低コストで注文を完了するのに役立つ自動化テクノロジーを探していました。彼らの目的は、マルチレベルストレージ内の3次元すべてで動作可能な自律モバイルカートを使用して食料品のピックアッププロセスを自動化できる、Alert InnovationのGoods-to-Person（GTP）コンセプトであるAlphabot（AGVまたはロボットベースシステム）の評価です。Alphabotロボット（「ボット」）は、高密度ストレージシステム内の周囲温度、冷却温度、および凍結温度ゾーンにアイテムを収集し、個々のアイテムを選択して顧客の注文を処理する従業員に運ぶことができる自動運転車両です。この技術は、オンラインでの注文処理プロセスをより効率的にするためのものでした。
ウォルマートは、システム開発に向けて多額の投資を行う前に、Alphabotコンセプトが実現可能かを評価したかったためです。Alert Innovation社は既にプロジェクトをスプレッドシート計算で行っていましたが、Alert Innovation社とウォルマートの双方とも、システムの複雑さと需要と実行のばらつきのためにスプレッドシートでは実証できないと意見が一致しました。ウォルマートの店舗にシステムを導入する前に、シミュレーションコンサルティング会社のMOSIMTECに、この技術の実現可能性について評価するために必要な、マテリアルハンドリングシミュレーションモデルの設計を委託しました。この初期モデリング評価の目標は次のとおりです。
- ピーク顧客需要期間中のAlphabotシステムのスループットとターンアラウンドタイム機能を理解し、サービスレベルを評価します。
- 現実的な需要データと変動性を備えたAlphabotシステムの潜在的なパフォーマンスの弱点を理解する。
- ラック構造、自動化されたボット、さまざまな店舗プロファイルに必要な各ピッキングワークステーションなど、マテリアルハンドリングシステムの最適な設計を特定します。
- シミュレーションモデルとスプレッドシートで予測される設備投資要件を比較します。
- モデルのスループットと所要時間の結果を使用して、Alert Innovation社のAlphabotの提案されたパフォーマンスを、業界をリードする他の自動ストレージおよび検索システム（ASRS）およびGoods-to-Person（GTP）テクノロジーと比較します。
マテリアルハンドリングシミュレーションは、現実世界でシステムを展開する実際のコストを理解するのに役立つだけでなく、将来的にウォルマートの多数の店舗にAlphabotを展開するための店舗固有の要件を特定します。
解決策
現実世界の複雑さと可変性を備えたコンピューターシミュレーション環境でのAlphabotの動作とオペレーションをモデル化するために、MOSIMTECは、本プロジェクトでAnyLogicマテリアルハンドリングデザインシミュレーション機能を選択しました。MOSIMTECおよびAnyLogicは、レイアウトの変更のたびに開発環境を守勢するのではなく、データ入力から施設レイアウトを動的に構築できるため、モデルの開発時間を大幅に短縮し、複数のAlphabot構成の迅速な評価を可能にします。これにより、複数のウォルマートエンジニアがマテリアルハンドリングデザインモデルを実行できるようになり、類まれのない展開を提供しました。AlphaBotシステムには広範な人工知能と制御アルゴリズムが必要になるため、この点でもAnyLogicが選択されました。AnyLogicのJavaとの統合機能により、適切なスクリプト言語とプログラマーが希望するフォーマットでアルゴリズムのアイデアをやり取りするために費やす余分な時間がなくなりました。
ステージ1：マテリアルハンドリングシミュレーションモデル AGVシミュレーションを含むアニメーション
ウォルマートの最初の目標は、Alphabotプロジェクトの立ち上げに関する決定を下すことでした。MOSITMECは7週間でシステムを学習し、ボットの意思決定のための初期制御アルゴリズムを設計し、マテリアルハンドリングシミュレーションモデルを構築し、結果を分析し、その結果をウォルマートの責任者に提示することができました。
最終的な配信モデルでは、ウォルマートのマネージャーは、ボットの数、長さ、幅、加速度、さまざまなエリアの速度など、さまざまな入力を指定できます。通路の数、レベル、レベル間のスペース、ワークステーション層の数などの物理的なラック構成は、このシステムの他の物理的なコンポーネントとともに、すべてモデル入力パラメーターで構成できました。さまざまな作業割り当てアプローチからの選択やさまざまなしきい値の設定を含む制御ロジックパラメーターも公開され、ウォルマートが独自の分析を実行できるようになりました。
ステージ2：マテリアルハンドリングシミュレーションモデル AGVシミュレーションを含むアニメーション
ユーザーがモデルを簡単に構成して実行できるように、モデルの入出力統計がExcelフロントエンドに統合されました。この概念評価段階で、MOSIMTECは、ユーザーがExcel内で定義したレイアウトに基づいてスケーリングされた基本的な3Dモデルアニメーションを組み込みました。Excelの出力結果には、主要なメトリック、ログファイル、シナリオ比較、チャート、グラフを含むサマリーレポートが含まれます。
システム機能の独立した分析を完了した後、MOSIMTECはAnyLogicマテリアルハンドリング設計シミュレーションモデルをAlert Innovationに移行し、最終的な生産展開のためのソフトウェア制御アルゴリズムの微調整に長期間使用しました。ステージ1の結果に基づいて、ウォルマートはAlphabot製品開発への投資を進めました。Alertのエンジニアは、ステージ1のモデルをステージ2の基盤として使用し、詳細レベルを上げ、さまざまな制御アルゴリズムをテストして、さまざまなシステム設計の選択肢をシミュレートしました。組み込まれたモデルの機能強化には：
- AnyLogicエージェントベースのモデリングとJava機能を使用した、ボットパス、予約、衝突回避ロジック、移動プロファイル等、ボット固有のより多くの移動ロジック
- ストレージシステム内の常温品、冷蔵品、及び冷凍品の個別の温度ゾーンのロジック
- システム内のすべてのアイテムを追跡するためのラック内のインベントリ追跡機能
- ボットシーケンスロジックは、アイテムをソートするロボットをシミュレートします。
アップデートしたマテリアルハンドリングシステムモデルにより、エンジニアは元のシステム設計の仮定を検証し、Alphabot製品開発チームにフィードバックを提供することができました。
AGVシミュレーションを含むAlphabotシステムモデル
結果
さまざまな所要時間のしきい値を満たすために必要な機器要件を推定することにより、初期のマテリアルハンドリング設計モデルからの出力は、ウォルマートの小売ネットワークのさまざまな店舗にAlphabotを展開するためのビジネスケースを報告しました。シミュレーションモデルは、設定制約のない需要条件下でシステムパフォーマンスを定量化し、その限界をベンチマークしました。このモデルは、Alphabotが注文の95％を8分未満でピッキングでき、平均ピッキング時間は5分未満であることを示しました。
初期モデルは後に、更新および拡張され、さまざまな詳細設計の代替案の影響を理解することができましました。このモデルは、Alertが将来の店舗のためにシステムをより適切にサイジングするとともに、どの設計代替案が最大のROIをもたらすかを決定するのに役立ちました。
ウォルマートand Alert Innovationは、アーカンソー州ベントンビルの旗艦店とともに、ニューハンプシャー州セーラムのウォルマートスーパーセンターでAlphabotのパイロット導入を開始しました。
The AnyLogic Conferenceでこのケーススタディを紹介しているAmy Brown Greer, Dr. Christian Hammel and John Lertのビデオをご覧いただくか、プレゼンテーションをダウンロードしてください。
