部署大型自主移动机器人（AMR）进行物料搬运具有独特的挑战，纯粹的离散事件模拟方法不足以捕捉 AMR 的操作。在本案例研究中，将离散事件模拟、基于代理的模拟和基于物理的模拟结合使用，以模拟工厂运营、自主机器人行为，并了解机器人路径规划和导航性能。本文讨论了多方法仿真方法的应用，因为它涉及到解决部署大型机群 AMR 的常见实际问题，如机群规模、导航可行性、交通问题以及了解布局设计的影响。
AMR 利用基于激光的感知和导航算法在空间中动态移动。其机载智能和实时自适应能力，结合无基础设施导航，支持了市场对灵活性和敏捷性的日益增长的需求，以应对产品或流程的变化（Anandan，2017 年）。AMR 与传统 AGV 或用于物料搬运的输送机在操作上的根本区别导致了一些独特的挑战，OTTO Motors 一直在使用多种方法模拟来应对这些挑战。在本案例研究中，将介绍每种模拟方法，并分享其综合应用。
基于代理的建模用于捕捉单个代理（机器人或其他手动运输机）的高度自主性以及代理之间的交通互动。这在运输和道路交通领域已得到广泛应用（Chouaki 和 Puchinger，2021 年）。下面的例子展示了这种方法所能实现的代理自主水平：一个机器人接受了一项材料运送任务，在前往目的地的途中，它放慢速度，绕过一辆停在路边的拖车重新规划，然后停下来等待另一个机器人在十字路口完成转弯。当它恢复行驶时，获得了新的信息，即目的地目前有人。这时，它不会继续前往目的地，而是改道前往一个排队点，一旦有空位，再前往原来的目的地。当任务完成且没有其他任务需要立即排队时，机器人会前往充电器，以利用充电器的可用性和空闲状态。当机器人正在充电时，它意识到车队中的另一个机器人有更迫切的充电需求。由于没有其他充电器可用，因此它离开充电器，前往一个停车点，直到有其他任务请求。
为了捕捉由于停车点可用性而导致的交通互动和重新规划，我们实施了预约控制机制，并严格执行机器人之间的最小空间。最小空间是根据各个机器人当前的速度、有效载荷以及机器人类型动态确定的。最后，电池消耗和充电被模拟为当前速度和有效载荷的函数。
离散事件建模用于表示设施操作和资源的流程。机器人通过向某个流程提供或从中移除材料，或者通过等待工厂的输入来决定下一步操作，从而与工厂的操作进行交互。我们为代理组件创建了一个自定义库，并将其集成到通用离散事件仿真软件 Simio 中。
最后，基于物理的模拟使用传感器和车辆模型以及 OTTO 车队管理器实例，测试机器人在先前由 AMR 在现实世界中绘制的环境中的自主性能。它可用于深入了解狭小空间内的导航性能、与多机器人场景的交互以及任务路径规划和周期时间。它还用于测试地图设计--在地图上设计叠加特征的过程，以便让 AMR 意识到交通规则和设施内的关键航点。使用 Gazebo 进行基于物理的模拟。
基于物理的模拟计算成本较高，因此在这种情况下使用时，通常只对设施的一小块区域进行短时间模拟。然后，通过自定义代码和参数在 Simio 模型中实施模拟结果。计算量较少的 Simio 模型现在可以运行数周的仿真，以了解对生产关键绩效指标（如生产饥饿时间、任务吞吐量和机器人响应时间）的影响，同时以更高的精度捕捉 AMR 行为。
这种多方法模拟方法可用于支持系统设计和集成决策。许多布局决策都可以通过模拟来支持，但最常见的问题与 AMR 的行进路线、排队、停车和充电空间利用率有关。通常会进行假设情景模拟，以了解单向与双向通道之间的权衡，确定单向通道的方向性，并了解各种通道宽度选项对 AMR 行驶速度的影响，更重要的是对生产关键绩效指标的影响。一个经常被忽视的考虑因素是停车、排队和充电点。仿真有助于评估这些地点的数量和位置，因为它们通常会对机器人的利用率、交通流量和空间需求产生影响。
模拟提供的另一个洞察力是预期流量。可以生成交通热图，以确定设施的高交通流量区域。以高流量区域为重点，可以捕捉基于时间的指标日志，如交叉路口 "堵塞持续时间 "或 "排队机器人的最大数量"，以了解最坏的情况。绕过障碍物重新规划等事件看似微不足道，但如果发生频率较高，就会导致交通流量问题。在模拟中观察到交通流问题时，可以测试替代交通规则、路线或通道宽度，直到条件令人满意为止。
最后，通过增加机器人数量的实验来确定车队规模，直到达到所需的车队规模标准。一个常见的标准是车队达到一定的机器人任务响应时间，即从触发任务到完成交付的时间。这是项目投资回报的关键产出。