01-1 (1)
典型算法示例 01

任务匹配

以历史匹配经验数据作为驱动,将需要搬运的货架与空闲机器人
(AMR)进行一一匹配,使用在线与离线学习相结合的方式最大化当
前和未来奖励值,不断迭代学习得到最优匹配策略。

online-planning-step
典型算法示例 02

路径规划

打破传统路径规划的局限,采用深度强化学习结合动态规划的算法使多智能体进行分布式协同路径规划,在保证安全避障的同时以最短的时间为目标到达目的地

Path Planning Img
典型算法示例 03

订单组波

对海量历史订单数据进行挖掘和分析,同时对未来订单进行预测,通过特征提取、关联性分析和无监督聚类,综合得到最优的订单波次组合。

Order Grouping Img
典型算法示例 04

货架调整

基于对各种商品未来订单需求的预测,对货架可能被搬运的次数(即货架的热度)进行识别,通过生成机器人搬运任务让不同热度的货架调整到最适合的位置,从而最小化预期的货架总体搬运距离。

注:颜色黄色的方块代表热门的货架。

work-station
典型算法示例 05

箱型推荐

根据订单商品体积信息进行不同尺寸的箱型推荐,通过不断迭代的启发式搜索,最小化包材使用成本,同时提高打包效率。

3D Bin Packing
典型算法示例 06

智能补货

采用数据驱动的端到端库存补货模型,通过实时监控周期时间内的仓库状态和订单销量,使用深度神经网络直接生成多层级、多区域的补货计划,有效克服牛鞭效应的影响,大幅度提升补货准确性。

Smart Replenishment