SOAR: Framework di Deep Reinforcement Learning per l'Ottimizzazione in Tempo Reale dei Magazzini

Uno studio recente presenta SOAR, un framework completo di Deep Reinforcement Learning progettato per l'ottimizzazione congiunta in tempo reale dell'allocazione degli ordini e della pianificazione dei robot all'interno dei Sistemi di Prelievo Mobile Robotici (RMFS). Questi sistemi utilizzano robot mobili per il trasporto automatizzato dell'inventario, ma il compito di ottimizzare l'allocazione degli ordini insieme alla pianificazione dei robot risulta difficile a causa delle stringenti richieste in tempo reale e della complessa interdipendenza delle decisioni multifase. Gli approcci attuali o suddividono il problema in sotto-compiti separati, compromettendo l'ottimalità globale per risposte più rapide, o dipendono da costosi modelli di ottimizzazione globale che non si adattano a contesti industriali dinamici. SOAR colma questa lacuna integrando l'allocazione degli ordini e la pianificazione dei robot in un unico processo, utilizzando allocazioni morbide degli ordini come osservazioni. Stabilisce un Processo Decisionale di Markov basato su Eventi per la pianificazione concorrente in risposta a eventi asincroni. Questa ricerca è disponibile su arXiv con identificatore 2605.03842.