Le déploiement d'une grande flotte de robots mobiles autonomes (AMR) pour la manutention présente des défis uniques qui rendent une approche de simulation à événements discrets insuffisante pour capturer les opérations AMR. Dans cette étude de cas, l'utilisation de simulations à événements discrets, à base d'agents et à base de physique est utilisée conjointement pour imiter les opérations de l'usine, le comportement des robots autonomes ainsi que pour comprendre la planification du chemin du robot et la performance de la navigation. Les applications de l'approche de simulation multi-méthodes sont discutées, car elles permettent de résoudre les problèmes courants du monde réel liés au déploiement d'une grande flotte d'AMR, tels que le dimensionnement de la flotte, la faisabilité de la navigation, les problèmes de trafic et la compréhension de l'impact de la conception de l'aménagement.
Les AMR utilisent des algorithmes de perception et de navigation basés sur le laser pour se déplacer dynamiquement dans les espaces. Leur intelligence embarquée et leurs capacités d'adaptation en temps réel, combinées à une navigation sans infrastructure, répondent à la demande croissante du marché en matière de flexibilité et d'agilité pour gérer les changements de produits ou de processus (Anandan 2017). Les différences fondamentales de fonctionnement entre les AMR et les AGV ou convoyeurs traditionnels pour la manutention ont conduit à des défis uniques auxquels OTTO Motors s'est attaqué en utilisant des simulations multi-méthodes. Dans cette étude de cas, chaque méthode de simulation est décrite et les applications de leur utilisation combinée sont partagées.
La modélisation basée sur les agents est utilisée pour capturer la nature hautement autonome des agents individuels (robots ou autres transporteurs manuels) ainsi que les interactions du trafic entre les agents. Il s'agit d'un usage bien établi dans les domaines du transport et de la circulation routière (Chouaki et Puchinger 2021). L'exemple suivant illustre le niveau d'autonomie des agents que cette approche permet d'atteindre : Un robot accepte une mission de livraison de matériaux et, alors qu'il est en route vers sa destination, il ralentit pour contourner un remorqueur en stationnement et s'arrête ensuite pour attendre qu'un autre robot termine un virage à une intersection. Lorsqu'il reprend sa route, il apprend que sa destination est actuellement occupée. Au lieu de se rendre à sa destination, il se redirige vers une file d'attente et se rend à sa destination initiale dès qu'elle se libère. Lorsque la tâche est terminée et qu'aucune autre mission n'est en file d'attente, le robot se dirige vers un chargeur pour profiter de la disponibilité d'un emplacement et de son état d'inactivité. Pendant que le robot se recharge, il se rend compte qu'un autre robot de la flotte a un besoin plus urgent de se recharger. Aucun autre chargeur n'étant disponible, il quitte le chargeur et se rend à une place de parking jusqu'à ce qu'une autre mission soit demandée.
Pour tenir compte des interactions et des réacheminements dus à la disponibilité des places, des mécanismes de contrôle des réservations ont été mis en place et un espace minimum entre les robots est strictement respecté. L'espace minimum est déterminé dynamiquement par Yue en fonction de la vitesse et de la charge utile de chaque robot, ainsi que du type de robot. Enfin, la consommation et le chargement de la batterie sont modélisés en fonction de la vitesse et de la charge utile du robot.
La modélisation d'événements discrets est utilisée pour représenter le flux des opérations et des ressources de l'installation. Les robots interagissent avec les opérations de l'installation en fournissant ou en retirant des matériaux d'un processus ou en attendant une entrée de l'usine pour prendre une décision sur les étapes suivantes. Une bibliothèque personnalisée a été créée pour les composants de l'agent et intégrée dans le logiciel de simulation d'événements discrets à usage général, Simio.
Enfin, la simulation basée sur la physique utilise des modèles de capteurs et de véhicules ainsi qu'une instance du gestionnaire de flotte OTTO pour tester les performances autonomes des robots dans un environnement préalablement cartographié par un AMR dans le monde réel. Elle permet de mieux comprendre les performances de navigation dans les espaces restreints, les interactions avec des scénarios multi-robots, la planification de la trajectoire de la mission et le temps de cycle. Il est également utilisé pour tester la conception de cartes - le processus de conception de caractéristiques superposées sur une carte pour permettre aux AMR de prendre conscience des règles de circulation et des points de passage clés au sein d'une installation. La simulation basée sur la physique a été réalisée à l'aide de Gazebo.
La simulation basée sur la physique est coûteuse en termes de calcul, c'est pourquoi, lorsqu'elle est utilisée dans ce contexte, seule une petite région de l'installation est simulée et ce, pendant une courte durée. Ensuite, les résultats sont mis en œuvre dans le modèle Simio par le biais d'un code et de paramètres personnalisés. Le modèle Simio, plus léger sur le plan informatique, peut maintenant exécuter des semaines de simulation pour comprendre les impacts sur les indicateurs clés de performance de la production tels que le temps d'inactivité de la production, les débits des missions et le temps de réponse des robots, tout en capturant le comportement de l'AMR avec une plus grande précision.
Cette approche de simulation multi-méthodes est utilisée pour soutenir la conception du système et les décisions d'intégration. De nombreuses décisions d'aménagement peuvent être étayées par la simulation, mais les questions les plus courantes concernent les trajets des AMR, les files d'attente, le stationnement et l'utilisation de l'espace de chargement. Des scénarios de simulation sont souvent exécutés pour comprendre le compromis entre une allée à sens unique et une allée à double sens, pour déterminer la directionnalité des allées à sens unique et pour comprendre l'impact des différentes options de largeur d'allée sur la vitesse de déplacement des AMR et, plus important encore, son impact sur les indicateurs clés de performance de la production. Le stationnement, les files d'attente et les bornes de recharge sont des éléments souvent négligés. La simulation est utile pour évaluer la quantité et l'emplacement de ces éléments, car ils ont souvent un impact sur l'utilisation des robots, la fluidité du trafic et les besoins en espace.
La simulation permet également de mieux comprendre le trafic prévu. Des cartes thermiques du trafic peuvent être générées pour identifier les zones les plus fréquentées de l'installation. En se concentrant sur les zones à fort trafic, des journaux temporels de mesures telles que la "durée de blocage" des intersections ou le "nombre maximum de robots en file d'attente" peuvent être capturés pour comprendre les pires scénarios. Des événements tels que la replanification autour d'un obstacle peuvent sembler insignifiants mais, à une fréquence élevée, ils peuvent entraîner des problèmes de fluidité du trafic. Lorsque des problèmes de circulation sont observés dans la simulation, d'autres règles de circulation, itinéraires ou largeurs d'allée peuvent être testés jusqu'à ce que les conditions soient satisfaisantes.
Enfin, la taille de la flotte est déterminée en effectuant des expériences avec un nombre croissant de robots jusqu'à ce que les critères de taille de la flotte soient remplis. Un critère courant est que la flotte atteigne un certain temps de réponse aux missions des robots, défini comme le temps écoulé entre le déclenchement d'une mission et l'achèvement de la livraison. Il s'agit d'un résultat critique qui renseigne sur le retour sur investissement du projet.