Multimethodische Simulationen für autonome Materialtransportroboter in großen Flotten

Die Herausforderung

Zusammenfassung

Der Einsatz einer großen Flotte autonomer mobiler Roboter (AMR) für den Materialtransport stellt besondere Herausforderungen dar, die einen rein ereignisdiskreten Simulationsansatz für die Erfassung von AMR-Vorgängen unzureichend machen. In dieser Fallstudie werden diskrete Ereignissimulationen, agentenbasierte und physikbasierte Simulationen gemeinsam eingesetzt, um den Fabrikbetrieb und das Verhalten autonomer Roboter zu simulieren sowie die Pfadplanung und Navigationsleistung der Roboter zu verstehen. Die Anwendungen des Multimethoden-Simulationsansatzes werden erörtert, da sie sich auf die Lösung gängiger Probleme beim Einsatz großer AMR-Flotten beziehen, wie z. B. Flottendimensionierung, Durchführbarkeit der Navigation, Verkehrsprobleme und Verständnis der Auswirkungen des Layout-Designs.

1. Einführung

AMRs nutzen laserbasierte Wahrnehmungs- und Navigationsalgorithmen, um sich dynamisch durch Räume zu bewegen. Ihre bordseitige Intelligenz und ihre adaptiven Echtzeitfähigkeiten in Verbindung mit infrastrukturfreier Navigation unterstützen die steigende Marktnachfrage nach Flexibilität und Agilität, um Produkt- oder Prozessänderungen zu bewältigen (Anandan 2017). Die grundlegenden Unterschiede im Betrieb von AMRs im Vergleich zu herkömmlichen FTS oder Förderern für den Materialtransport haben zu einigen einzigartigen Herausforderungen geführt, die OTTO Motors mit Hilfe von Multimethodensimulationen angegangen ist. In dieser Fallstudie werden die einzelnen Simulationsmethoden beschrieben und die Anwendungen ihrer kombinierten Nutzung vorgestellt.

Die Lösung

2. Die Simulationsmethodik

Die agentenbasierte Modellierung wird verwendet, um die hochgradige Autonomie der einzelnen Agenten (Roboter oder andere manuelle Transporter) sowie die Verkehrsinteraktionen zwischen den Agenten zu erfassen. Diese Methode ist in den Bereichen Transport und Straßenverkehr gut etabliert (Chouaki und Puchinger 2021). Das folgende Beispiel zeigt, welchen Grad an Agentenautonomie dieser Ansatz ermöglicht: Ein Roboter nimmt einen Materiallieferungsauftrag an und wird auf dem Weg zu seinem Ziel langsamer, um einen geparkten Schlepper umzuplanen und später anzuhalten, um auf einen anderen Roboter zu warten, der an einer Kreuzung abbiegt. Als er seine Fahrt fortsetzt, erhält er neue Informationen darüber, dass sein Ziel derzeit besetzt ist. Anstatt zum Zielort zu fahren, wird er zu einem Platz in der Warteschlange umgeleitet und fährt zum ursprünglichen Zielort, sobald dieser frei wird. Wenn der Auftrag abgeschlossen ist und keine weiteren Aufträge in der Warteschlange anstehen, begibt er sich zu einer Ladestation, um die Verfügbarkeit eines Ladeplatzes und seinen Ruhezustand zu nutzen. Während der Roboter auflädt, stellt er fest, dass ein anderer Roboter in der Flotte dringender aufgeladen werden muss. Da keine weiteren Ladestationen verfügbar sind, verlässt er die Ladestation und begibt sich zu einem Parkplatz, bis ein weiterer Einsatz angefordert wird.

Um die Interaktionen im Verkehr und die Umleitung aufgrund der Verfügbarkeit von Plätzen zu erfassen, wurden Mechanismen zur Reservierungskontrolle implementiert, und der Mindestabstand zwischen den Robotern wird streng eingehalten. Der Mindestabstand wird von Yue dynamisch auf der Grundlage der aktuellen Geschwindigkeit und Nutzlast der einzelnen Roboter sowie des Robotertyps bestimmt. Schließlich werden Batterieverbrauch und -aufladung als Funktion der aktuellen Geschwindigkeit und Nutzlast modelliert.

Die diskrete Ereignismodellierung wird verwendet, um den Prozessfluss der Anlagenabläufe und Ressourcen darzustellen. Die Roboter interagieren mit den Vorgängen in der Anlage, indem sie entweder Material in einen Prozess einbringen oder aus einem Prozess entnehmen oder indem sie auf eine Eingabe der Fabrik warten, um eine Entscheidung über die nächsten Schritte zu treffen. Für die Agentenkomponenten wurde eine benutzerdefinierte Bibliothek erstellt und in die Allzweck-Software für diskrete Ereignissimulation, Simio, integriert.

Die physikbasierte Simulation schließlich verwendet Sensor- und Fahrzeugmodelle zusammen mit einer Instanz des OTTO Fleet Managers, um die autonome Leistung von Robotern in einer Umgebung zu testen, die zuvor von einem AMR in der realen Welt kartiert wurde. Sie wird eingesetzt, um Erkenntnisse über die Navigationsleistung in engen Räumen, die Interaktion mit Multi-Roboter-Szenarien sowie die Planung von Missionspfaden und die Zykluszeit zu gewinnen. Es wird auch verwendet, um das Kartendesign zu testen - den Prozess der Gestaltung von überlagerten Merkmalen auf einer Karte, um den AMRs das Bewusstsein für Verkehrsregeln und wichtige Wegpunkte innerhalb einer Einrichtung zu ermöglichen. Die physikbasierte Simulation wurde mit Gazebo durchgeführt.

Die physikalische Simulation ist sehr rechenintensiv, daher wird in diesem Zusammenhang in der Regel nur ein kleiner Bereich der Anlage für eine kurze Zeit simuliert. Anschließend werden die Ergebnisse in das Simio-Modell mittels benutzerdefiniertem Code und Parametern implementiert. Das rechenschwächere Simio-Modell kann nun wochenlange Simulationen durchführen, um die Auswirkungen auf Produktions-KPIs wie Produktionsstillstandszeiten, Auftragsdurchsatz und Roboterreaktionszeit zu verstehen und gleichzeitig das AMR-Verhalten mit höherer Genauigkeit zu erfassen.

Die geschäftlichen Auswirkungen

3. Anwendung

Dieser Multi-Methoden-Simulationsansatz wird zur Unterstützung von Systemdesign- und Integrationsentscheidungen eingesetzt. Viele Layout-Entscheidungen können durch Simulation unterstützt werden, aber die häufigsten Fragen beziehen sich auf AMR-Fahrwege, Warteschlangen, Parken und die Nutzung von Ladeflächen. Was-wäre-wenn-Szenarien werden oft durchgeführt, um den Kompromiss zwischen einem Einbahn- und einem Zweibahngang zu verstehen, um die Richtungsabhängigkeit von Einbahngängen zu bestimmen und um die Auswirkungen verschiedener Gangbreitenoptionen auf die Fahrgeschwindigkeit der AMRs und, was noch wichtiger ist, deren Auswirkungen auf die Produktions-KPIs zu verstehen. Ein häufig übersehener Aspekt sind Parkplätze, Warteschlangen und Ladestellen. Die Simulation ist nützlich, um die Anzahl und den Standort dieser Plätze zu bewerten, da sie oft Auswirkungen auf die Roboterauslastung, den Verkehrsfluss und den Platzbedarf haben.

Ein weiterer Einblick, den die Simulation bietet, ist das erwartete Verkehrsaufkommen. Mit Hilfe von Heatmaps lassen sich stark frequentierte Bereiche der Anlage ermitteln. In Bereichen mit hohem Verkehrsaufkommen können zeitbasierte Protokolle von Metriken wie der "Blockadedauer" von Kreuzungen oder der "maximalen Anzahl von Robotern in der Warteschlange" erstellt werden, um Worst-Case-Szenarien zu verstehen. Ereignisse wie das Umfahren eines Hindernisses mögen unbedeutend erscheinen, können aber bei hoher Häufigkeit zu Problemen im Verkehrsfluss führen. Wenn in der Simulation Probleme mit dem Verkehrsfluss beobachtet werden, können alternative Verkehrsregeln, Streckenführungen oder Gangbreiten getestet werden, bis die Bedingungen zufriedenstellend sind.

Schließlich wird die Flottengröße bestimmt, indem Experimente mit einer steigenden Anzahl von Robotern durchgeführt werden, bis die gewünschten Kriterien für die Flottengröße erfüllt sind. Ein gängiges Kriterium ist, dass die Flotte eine bestimmte Reaktionszeit für Robotereinsätze erreicht, definiert als Zeit vom Auslösen eines Einsatzes bis zum Abschluss der Lieferung. Dies ist ein wichtiges Ergebnis, das Aufschluss über die Rentabilität des Projekts gibt.