Simulações multimétodo para robôs autônomos de manuseio de materiais em grandes frotas

O desafio

Resumo

A implantação de grandes frotas de robôs móveis autônomos (AMRs) para manuseio de materiais tem desafios únicos que tornam uma abordagem de simulação de eventos puramente discreta insuficiente para capturar as operações de AMR. Neste estudo de caso, o uso de simulações de eventos discretos, baseadas em agentes e em física são usadas em conjunto para imitar as operações da fábrica, o comportamento do robô autônomo, bem como para entender o planejamento do caminho do robô e o desempenho da navegação. As aplicações da abordagem de simulação multimétodos são discutidas, pois se referem à solução de problemas comuns do mundo real de implantação de grandes frotas de AMRs, como dimensionamento de frota, viabilidade de navegação, problemas de tráfego e compreensão dos impactos do projeto de layout.

1. Introdução

Os AMRs utilizam algoritmos de percepção e navegação baseados em laser para se movimentar dinamicamente pelos espaços. Sua inteligência a bordo e seus recursos adaptativos em tempo real, combinados com a navegação sem infraestrutura, apoiam a crescente demanda do mercado por flexibilidade e agilidade para lidar com mudanças de produtos ou processos (Anandan 2017). As diferenças fundamentais na operação entre AMRs e AGVs ou transportadores tradicionais para manuseio de materiais levaram a alguns desafios exclusivos que a OTTO Motors vem enfrentando usando simulações de vários métodos. Neste estudo de caso, cada método de simulação é descrito e as aplicações de seu uso combinado são compartilhadas.

A solução

2. Metodologia de simulação

A modelagem baseada em agentes é usada para capturar a natureza altamente autônoma dos agentes individuais (robôs ou outros transportadores manuais), bem como as interações de tráfego entre os agentes. Esse é um uso bem estabelecido nos campos de transporte e tráfego rodoviário (Chouaki e Puchinger 2021). O exemplo a seguir demonstra o nível de autonomia do agente que essa abordagem permite: Um robô aceita um trabalho de entrega de material e, enquanto está a caminho de seu destino, diminui a velocidade para se planejar novamente em torno de um rebocador estacionado e, mais tarde, para para esperar que outro robô faça uma curva em um cruzamento. Quando ele retoma a viagem, obtém novas informações de que seu destino está ocupado no momento. Em vez de seguir para o destino, ele será redirecionado para um ponto de fila e seguirá para o destino original assim que ele estiver disponível. Quando a tarefa é concluída e não há outras missões na fila imediatamente, ele segue para um carregador para aproveitar a disponibilidade de um ponto de carregamento e seu estado ocioso. Enquanto o robô está carregando, ele fica sabendo que outro robô da frota tem uma necessidade mais urgente de carregar. Como não há outros carregadores disponíveis, ele deixa o carregador e segue para uma vaga de estacionamento até que outra missão seja solicitada.

Para capturar as interações de tráfego e o redirecionamento devido à disponibilidade de vagas, foram implementados mecanismos de controle de reserva e o espaço mínimo entre os robôs é rigorosamente aplicado. O espaço mínimo é determinado dinamicamente com base na velocidade atual e na carga útil de cada robô, bem como no tipo de robô. Por fim, o consumo e o carregamento da bateria são modelados como uma função de sua velocidade e carga útil atuais.

A modelagem de eventos discretos é usada para representar o fluxo do processo das operações e dos recursos da instalação. Os robôs interagem com as operações da instalação fornecendo ou removendo material de ou para um processo ou aguardando uma entrada da fábrica para tomar uma decisão sobre as próximas etapas. Uma biblioteca personalizada foi criada para os componentes do agente e integrada ao software de simulação de eventos discretos de uso geral, o Simio.

Por fim, a simulação baseada em física usa modelos de sensores e veículos, juntamente com uma instância do OTTO Fleet Manager, para testar o desempenho autônomo dos robôs em um ambiente previamente mapeado por um AMR no mundo real. Ela é usada para obter informações sobre o desempenho de navegação em espaços apertados, interações com cenários de vários robôs e planejamento de caminho de missão e tempo de ciclo. Também é usado para testar o design do mapa - o processo de projetar recursos sobrepostos em cima de um mapa para permitir que os AMRs conheçam as regras de trânsito e os principais pontos de passagem em uma instalação. A simulação baseada em física foi feita usando o Gazebo.

A simulação baseada em física é computacionalmente cara, portanto, quando usada nesse contexto, normalmente apenas uma pequena região da instalação é simulada e por um curto período de tempo. Posteriormente, suas descobertas são implementadas no modelo Simio por meio de código e parâmetros personalizados. O modelo Simio, computacionalmente mais leve, pode agora executar semanas de simulação para entender os impactos nos KPIs de produção, como o tempo de espera da produção, o rendimento da missão e o tempo de resposta do robô, ao mesmo tempo em que captura o comportamento do AMR com maior precisão.

O impacto nos negócios

3. Aplicativo

Essa abordagem de simulação multimétodo é usada para dar suporte a decisões de design e integração de sistemas. Muitas decisões de layout podem ser apoiadas por simulação, mas as questões mais comuns estão relacionadas aos caminhos de viagem, filas, estacionamento e utilização do espaço de carga do AMR. Cenários hipotéticos costumam ser executados para entender a troca entre um corredor unidirecional e bidirecional, para determinar a direcionalidade dos corredores unidirecionais e para entender o impacto que várias opções de largura de corredor têm sobre a velocidade de deslocamento dos AMRs e, mais importante, seus impactos nos KPIs de produção. Uma consideração frequentemente negligenciada é o estacionamento, as filas e os pontos de carregamento. A simulação é útil para avaliar a quantidade e a localização desses pontos, pois eles geralmente têm impacto sobre a utilização do robô, o fluxo de tráfego e os requisitos de espaço.

Outro insight que a simulação fornece é o tráfego previsto. Mapas de calor do tráfego podem ser gerados para identificar regiões de alto tráfego da instalação. Concentrando-se nas áreas de tráfego intenso, é possível capturar registros baseados no tempo de métricas como a "duração do bloqueio" da interseção ou o "número máximo de robôs na fila" para entender os piores cenários. Eventos como o replanejamento em torno de um obstáculo podem parecer insignificantes, mas, em altas frequências, podem levar a problemas de fluxo de tráfego. Quando problemas de fluxo de tráfego são observados na simulação, regras alternativas de tráfego, roteamento ou larguras de corredor podem ser testadas até que as condições sejam satisfatórias.

Por fim, o tamanho da frota é determinado por meio da execução de experimentos com um número crescente de robôs até que o critério de dimensionamento da frota desejado seja atendido. Um critério comum é que a frota atinja um determinado tempo de resposta da missão do robô, definido como o tempo desde o acionamento da missão até a conclusão da entrega. Esse é um resultado crítico que informa sobre o retorno do investimento do projeto.