Intervista a Rodrigo Hermosilla e Willem Guter, del MIT CTL

“La nuova generazione di AMR trasformerà i magazzini in un modello più proattivo”

Riguardo il progetto di ricerca

Gli AMR sono veicoli intelligenti che si muovono all’interno del magazzino, automatizzando e rendendo più flessibile il trasporto interno delle merci. Uno degli obiettivi della collaborazione di ricerca tra il Massachusetts Institute of Technology e Mecalux è il loro controllo e la loro ottimizzazione. Rodrigo Hermosilla e Willem Guter del Center for Transportation & Logistics del MIT sono i ricercatori di questa iniziativa dell'Intelligent Logistics Systems Lab, che mira a sfruttare l'intelligenza collettiva per consentire agli AMR di rendere magazzini e centri di distribuzione ancora più agili ed efficienti.

Mecalux intervista Rodrigo Hermosilla e Willem Guter, ricercatori del MIT CTL, per saperne di più sul loro progetto che cerca di rendere gli AMR più agili ed efficienti, insieme a Mecalux.

State partecipando a un progetto di innovazione sugli AMR. Come state addestrando i robot che lavorano in autonomia?

Rodrigo Hermosilla: Questo progetto di ricerca ha lo scopo di migliorare il funzionamento dei robot mobili autonomi nei magazzini. Stiamo aumentando la loro efficienza ed evitando collisioni in tempo reale.

Willem Guter: Utilizziamo l’apprendimento per rinforzo per aiutare gli AMR a comprendere i magazzini a un livello interdipendente. Questo significa che i robot possono visualizzare dove devono essere in ogni momento, ma anche anticipare l’arrivo dei prossimi ordini e gli indirizzi di consegna, il che permette di ottimizzare sempre più processi.

Stiamo utilizzando l'apprendimento per rinforzo per aiutare gli AMR a comprendere i magazzini a livello interdipendente
Che progressi porterà con sé questo nuovo algoritmo di controllo degli AMR?

W. Guter: Questo nuovo algoritmo apporta progressi in due aree a livello di magazzino. In primo luogo, posticipa l'invio degli incarichi agli AMR per ridurre i possibili colli di bottiglia nei punti di raccolta e di consegna, nonché durante gli spostamenti. In secondo luogo, migliora le prestazioni di posizionamento, in quanto l'algoritmo sa o prevede dove arriveranno gli ordini e può collocare in anticipo gli AMR in base alle necessità o mantenere gli AMR già in quella posizione.

R. Hermosilla: Stiamo sviluppando banchi di prova insieme a Mecalux in modo che siano il più realistici possibili, non solo nella rappresentazione del layout del magazzino, ma anche nei comportamenti fisici, come l'accelerazione, la velocità o eventuali vincoli.
In che modo questo modello sfrutterà l’IA predittiva per anticipare le richieste?

W. G.: Il modello che stiamo costruendo utilizzerà il deep learning per prevedere l’origine dei prodotti, sviluppando la pianificazione sia a breve termine sia in periodi concreti dell’anno. Imparando dai dati precedenti, è possibile determinare la provenienza e la destinazione di questi articoli in un contesto più ampio.
Come fanno gli AMR a ottimizzare sé stessi?

R. H.: Nella nostra ricerca, gli AMR vengono creati come agenti intelligenti. In altre parole, abbiamo una rappresentazione logica di ogni robot, che può servirsi delle informazioni disponibili per prendere decisioni e condividere alcuni vincoli o eventi derivati dall’ambiente. Pertanto, dobbiamo addestrare questi modelli in modo che gli altri AMR imparino e rispondano con una soluzione adatta non solo a loro, ma all’intero gruppo.
In che modo questa nuova generazione di AMR rivoluzionerà i magazzini?

R. H.: Il vantaggio più evidente di questo tipo di tecnologia è il tempo di elaborazione necessario per ottenere una soluzione ottimale. L’apprendimento automatico può generare soluzioni in tempo reale ed è più agile rispetto ad altri algoritmi.

W. G.: La nuova generazione di AMR e gli algoritmi di controllo avanzati stanno spostando i magazzini da un modello reattivo a uno più proattivo. Ciò significa che i robot anticipano il loro posizionamento, identificano l’origine e la destinazione degli articoli e ottimizzano il flusso di lavoro. Il risultato è un magazzino più efficiente, sostenibile e redditizio.