Optimización de recursos intralogísticos en entornos industriales para su uso en vehículos autónomos

Abstract

(English) The introduction of autonomous vehicles in intralogistics has significantly increased in recent times. However, in the industry, a single autonomous vehicle is often not used, but several of them are needed to carry out logistical processes. This has led to the need for implementing Fleet management systems to effectively coordinate the vehicles, thereby improving performance and safety. Fleet management involves overseeing group of transport vehicles gathered under the same purpose by an organization, and its main goal is to increase the performance of the controlled vehicles according to the needs of each company. The main objective of this doctoral thesis is to reduce costs in the intralogistics environment through the development of an algorithm for Fleet management of autonomous vehicles. To achieve this objective, an evaluation of different Fleet management algorithms is first carried out through the design of a simulator capable of replicating the movement of autonomous vehicles, in order to determine the aspects that can reduce the costs of an autonomous vehicle fleet. The result of the evaluation of the Fleet management algorithms determines that the performance of an algorithm is affected by the place of operation. To address this problem and be able to reduce costs in Fleet management, the hypothesis is proposed that adaptive Fleet management algorithms that respond to the specific characteristics of each environment would allow a significant improvement in the overall performance of the fleet of vehicles managed by the Fleet management system, by efficiently adapting to the specific conditions of the environment in question. Consequently, an algorithm is proposed to generate other Fleet management algorithms specifically adapted to the environment, focusing on traffic management at intersections and route calculation. The objective of this adaptation is to maximize the performance of Fleet management according to the evaluation criteria of each environment. The algorithm uses a genetic learning approach to adapt the Fleet management algorithm to the facility, considering the vehicles, the map, and the tasks. To perform the adaptation evaluation, a fleet emulation algorithm is developed, considering various aspects such as its dynamics, perimeter sensors, intersection manager decisions, and route generation. This fleet emulation algorithm will also be used to predict the future position of the vehicles, allowing traffic to be taken into account in route calculation and traffic management. Once the Fleet management algorithm adapted to the environment is generated, it has a traffic manager at intersections optimized to maximize vehicle performance according to the specific evaluation criteria of each environment. In addition, the proposed route generator takes into account the generated traffic and the intersection traffic manager decisions. This is done by using time windows, where the delay generated by traffic at each specific location and time is added to the route calculation, using the previously generated position prediction. Finally, to validate that the objective of the thesis is met, the performance of the Fleet management algorithms generated in different use cases, including a real case, is compared with that of other algorithms that do not adapt to the environment. The validation is done through a hypothesis test, where the performance difference between the adapted and non-adapted algorithms is contrasted.

(Español) La introducción de vehículos autónomos en la intralogística ha aumentado significativamente en los últimos tiempos. Sin embargo, en la industria, a menudo no se utiliza un solo vehículo autónomo, sino que se necesitan varios de ellos para llevar a cabo los procesos logísticos. Esto ha llevado a la necesidad de implementar sistemas de Gestión de flotas para coordinar los vehículos de manera efectiva, mejorando así el rendimiento y la seguridad. El objetivo principal de esta tesis doctoral es reducir costes en el entorno intralogístico mediante el desarrollo de un algoritmo de Gestión de flotas de vehículos autónomos. Para alcanzar este objetivo, primero se lleva a cabo una evaluación de diferentes algoritmos de Gestión de flotas a través del diseño de un simulador capaz de replicar el movimiento de los vehículos autónomos, con el fin de determinar los aspectos que pueden reducir los costes de una flota de vehículos autónomos. El resultado de la evaluación de los algoritmos de Gestión de flotas determina que el rendimiento de un algoritmo se ve alterado por el lugar de actuación. Para abordar este problema y poder reducir los costes en la Gestión de flotas, se plantea la hipótesis que algoritmos adaptativos de Gestión de flotas que respondan a las características específicas de cada entorno, permitirían una mejora significativa en el rendimiento global de la flota de vehículos gestionada por el sistema de Gestión de flotas, al adaptarse de manera eficiente a las condiciones específicas del entorno en cuestión. En consecuencia, se propone un algoritmo para generar otros algoritmos de Gestión de flotas específicamente adaptados al entorno, centrándose en la gestión del tráfico en las intersecciones y el cálculo de rutas. Siendo el objetivo de esta adaptación maximizar el rendimiento de la Gestión de flotas según los criterios de evaluación de cada entorno. El algoritmo utiliza un enfoque de aprendizaje genético para adaptar el algoritmo de Gestión de flotas a la instalación, considerando los vehículos, el mapa y las tareas. Para realizar la evaluación de la adaptación, se desarrolla un algoritmo de emulación de flotas de vehículos, considerando varios aspectos como su dinámica, los sensores perimetrales, las decisiones del gestor de intersecciones y la generación de rutas. Este algoritmo de emulación de flotas de vehículos se utilizará adicionalmente para predecir la posición futura de los vehículos, lo que permite tener en cuenta el tráfico en el cálculo de rutas y la gestión del tráfico. Una vez generado el algoritmo de Gestión de flotas adaptado al entorno, este cuenta con un gestor de tráfico en las intersecciones optimizado para maximizar el rendimiento de los vehículos según los criterios de evaluación específicos de cada entorno. Además, el generador de rutas propuesto tiene en cuenta el tráfico generado y las decisiones del gestor de tráfico en las intersecciones. Esto se realiza mediante el uso de ventanas de tiempo, donde se añade al cálculo de una ruta, el retraso generado por el tráfico en cada localización y tiempo específico, utilizando la predicción de la posición generada previamente. Finalmente, para validar que se cumple con el objetivo de la tesis, se compara el rendimiento de los algoritmos de Gestión de flotas generados en diferentes casos de uso, incluyendo un caso real, con el de otros algoritmos que no se adaptan al entorno. La validación se realiza mediante una prueba de hipótesis, donde se contrasta la diferencia de rendimiento entre los algoritmos adaptados y los no adaptados.