El despliegue de grandes flotas de Robots Móviles Autónomos (AMR) para la manipulación de materiales presenta retos únicos que hacen que un enfoque de simulación de eventos puramente discreto sea insuficiente para capturar las operaciones de los AMR. En este estudio de caso, el uso de simulaciones de eventos discretos, basadas en agentes y basadas en la física se utilizan conjuntamente para imitar las operaciones de la fábrica, el comportamiento del robot autónomo, así como para comprender la planificación de la trayectoria del robot y el rendimiento de la navegación. Se discuten las aplicaciones del enfoque de simulación multi-método, ya que se refiere a la resolución de problemas comunes del mundo real en el despliegue de grandes flotas de AMRs, tales como el tamaño de la flota, la viabilidad de la navegación, los problemas de tráfico, y la comprensión de los impactos del diseño de la disposición.
Los AMR utilizan algoritmos de percepción y navegación basados en láser para desplazarse dinámicamente por los espacios. Su inteligencia a bordo y sus capacidades de adaptación en tiempo real, combinadas con la navegación sin infraestructura, respaldan la creciente demanda del mercado de flexibilidad y agilidad para manejar los cambios de productos o procesos (Anandan 2017). Las diferencias fundamentales en el funcionamiento entre los AMR y los AGV o transportadores tradicionales para la manipulación de materiales han dado lugar a algunos desafíos únicos que OTTO Motors ha estado abordando utilizando simulaciones multimétodo. En este estudio de caso, se describe cada método de simulación y se comparten las aplicaciones de su uso combinado.
El modelado basado en agentes se utiliza para capturar la naturaleza altamente autónoma de los agentes individuales (robots u otros transportistas manuales), así como las interacciones de tráfico entre los agentes. Se trata de un uso bien establecido en los campos del transporte y el tráfico por carretera (Chouaki y Puchinger 2021). El siguiente ejemplo demuestra el nivel de autonomía de los agentes que permite este enfoque: Un robot acepta un trabajo de entrega de material y, mientras se dirige a su destino, reduce la velocidad para volver a planificar alrededor de un remolcador aparcado y, más tarde, se detiene para esperar a que otro robot complete un giro en una intersección. Al reanudar la marcha, recibe información de que su destino está ocupado. En lugar de dirigirse al destino, se desviará a un punto de cola y se dirigirá al destino original una vez que esté disponible. Cuando el trabajo se ha completado y no hay otras misiones en cola inmediatamente, se dirige a un cargador para aprovechar la disponibilidad de un punto de carga y su estado de inactividad. Mientras el robot se está cargando, se da cuenta de que otro robot de la flota tiene una necesidad más urgente de cargarse. No hay más cargadores disponibles, por lo que abandona el cargador y se dirige a una plaza de aparcamiento hasta que se solicite otra misión.
Para captar las interacciones de tráfico y los cambios de ruta debidos a la disponibilidad de plazas, se han implementado mecanismos de control de reservas y se aplica estrictamente el espacio mínimo entre robots. El espacio mínimo se determina dinámicamente en función de la velocidad actual y la carga útil de cada robot, así como del tipo de robot. Por último, el consumo y la carga de la batería se modelan en función de su velocidad y carga útil actuales.
El modelado de eventos discretos se utiliza para representar el flujo de procesos de las operaciones y los recursos de las instalaciones. Los robots interactúan con las operaciones de la instalación suministrando o retirando material de un proceso o esperando una entrada de la fábrica para tomar una decisión sobre los pasos siguientes. Se creó una biblioteca personalizada para los componentes de los agentes y se integró en el software de simulación de eventos discretos de uso general Simio.
Por último, la simulación basada en la física utiliza modelos de sensores y vehículos, junto con una instancia del gestor de flotas OTTO, para probar el rendimiento autónomo de los robots en un entorno previamente cartografiado por un AMR en el mundo real. Se utiliza para obtener información sobre el rendimiento de la navegación en espacios reducidos, las interacciones con escenarios multi-robot, y la planificación de la ruta de la misión y el tiempo de ciclo. También se utiliza para probar el diseño de mapas, es decir, el proceso de diseñar elementos superpuestos a un mapa para que los AMR conozcan las normas de tráfico y los puntos clave de una instalación. La simulación física se ha realizado con Gazebo.
La simulación basada en la física es costosa desde el punto de vista informático, por lo que, cuando se utiliza en este contexto, normalmente sólo se simula una pequeña región de la instalación y durante un breve periodo de tiempo. Después, sus resultados se aplican en el modelo Simio mediante código y parámetros personalizados. El modelo Simio, más ligero desde el punto de vista informático, puede ejecutar ahora simulaciones durante semanas para comprender el impacto en los KPI de producción, como el tiempo de inactividad de la producción, el rendimiento de las misiones y el tiempo de respuesta de los robots, al tiempo que captura el comportamiento de AMR con mayor precisión.
Este enfoque de simulación multimétodo se utiliza para respaldar las decisiones de diseño e integración de sistemas. La simulación puede servir de apoyo a muchas decisiones de diseño, pero las cuestiones más comunes están relacionadas con las rutas de desplazamiento de los AMR, las colas, el aparcamiento y la utilización del espacio de carga. Los escenarios hipotéticos se ejecutan a menudo para comprender el equilibrio entre un pasillo de un sentido y uno de dos sentidos, para determinar la direccionalidad de los pasillos de un sentido y para comprender el impacto que las distintas opciones de anchura de pasillo tienen en la velocidad de desplazamiento de los AMR y, lo que es más importante, su impacto en los KPI de producción. Un aspecto que a menudo se pasa por alto es el aparcamiento, las colas y los puntos de recarga. La simulación es útil para evaluar la cantidad y la ubicación de estos elementos, ya que suelen influir en la utilización de los robots, el flujo de tráfico y las necesidades de espacio.
Otra información que proporciona la simulación es el tráfico previsto. Pueden generarse mapas de calor del tráfico para identificar las zonas de mayor tráfico de la instalación. Centrándose en las zonas de alto tráfico, pueden capturarse registros temporales de métricas como la "duración del bloqueo" de la intersección o el "número máximo de robots en cola" para comprender los peores escenarios. Sucesos como volver a planificar alrededor de un obstáculo pueden parecer insignificantes, pero a altas frecuencias, pueden provocar problemas de flujo de tráfico. Cuando se observan problemas de flujo de tráfico en la simulación, pueden probarse reglas de tráfico, rutas o anchos de pasillo alternativos hasta que las condiciones sean satisfactorias.
Por último, el tamaño de la flota se determina realizando experimentos con un número creciente de robots hasta que se cumplan los criterios de tamaño de flota deseados. Un criterio habitual es que la flota alcance un determinado tiempo de respuesta de la misión del robot, definido como el tiempo que transcurre desde que se activa una misión hasta que se completa la entrega. Se trata de un resultado crítico que informa sobre el rendimiento de la inversión del proyecto.