JP6937054B1

JP6937054B1 - 物流における立体自動倉庫

Info

Publication number: JP6937054B1
Application number: JP2020068918A
Authority: JP
Inventors: 嵩登奥戸; 知樹奥村
Original assignee: Datumix
Current assignee: Datumix
Priority date: 2020-04-07
Filing date: 2020-04-07
Publication date: 2021-09-22
Anticipated expiration: 2040-04-07
Also published as: JP2021165926A

Abstract

【課題】出庫処理において、時間を最小限に短縮できるものとし、しかも前記組み合わせ爆発を起こす状況下においても、容易に自動処理する。【解決手段】注文データの受信Ａと、出庫トレイと出庫ステーションの決定Ｂと、全ての荷物を１個の通路に面している棚の仮置きスペースに集めるＣことと、ピッキングステーションへ出荷するＤことと、作業者が梱包するＥことと、及び出荷Ｆとからなる出庫の流れにおいて、出庫に係る説明変数が人工知能の入力層１１に入り、それぞれが隠れ層１２にて判断し、出力層１３から集約予測時間を出力するディープラーニングと決定木をベースとしたＬｉｇｈｔＧＢＭによる予測手段によって、前記出庫トレイと出庫ステーションの決定を行わせ、引当てられる出庫トレイを出庫ステーションの１個の通路に面している棚に集約する。【選択図】図１

Description

本発明は、出庫・入庫・再入庫の中で特に出庫に係る物流における立体自動倉庫に関する。

近時、インターネットを利用した通販ビジネス（Ｅコマース）が隆盛中であるが、このようなビジネスの物流センターの仕組みは、売れ筋商品は高頻度出庫で対応するとともに、めったに注文のこないニッチ商品（低頻度のロングテール品）も数多く取りそろえることにより、顧客の多様な要求に応えてきた。このため、物流センターの敷地は可能な限り広く確保したいところであるが、東京、大阪などの大市場周辺では土地の価格が高く、用地取得がままならない。そこで、売れ筋商品出荷の仕組みは、ロングテール品の保管場所確保のため可能な限り狭い空間で効率的に行うことが求められ、その要求に応えるマテハン機器として、物品を一時的に保管し、高速順立て出庫ができる高能力の立体自動倉庫を、出荷時の荷揃え作業に利用する仕組みが考案された。この立体自動倉庫の装置構成は、複数段の棚からなる保管ラックと、複数の保管ラックの間に設けられた通路と、その通路を利用して各段の物品をピックアップするため各段に設けられる走行台車と、複数段の保管ラックの縦方向の移動をつかさどる昇降装置から構成されるものであり、出庫された物品を早く適正に荷揃えするＧｏｏｄｓｔｏＰｅｒｓｏｎ（ＧＴＰ）ステーションと組み合わせて運用されるものが多い。

このような立体自動倉庫に一時保管された物品を出庫する場合の基本動作は、棚に保管されている物品に対し、倉庫管理システム（ＷａｒｅｈｏｕｓｅＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍＷＭＳという）から出庫対象物品に対する出庫命令が発せられ、これを物流センター内の立体自動倉庫、コンベヤ、ソータなどの各種マテハン機器を制御している倉庫制御システム（ＷａｒｅｈｏｕｓｅＣｏｎｔｒｏｌＳｙｓｔｅｍＷＣＳという）に伝わり、立体自動倉庫内に保管されている出庫対象物品（対象物品は立体自動倉庫内のアトランダムな場所に複数保管されている場合もあり得る）のうち、立体自動倉庫から出庫するためのスループットの高い物品をピックアップし、出庫動作を開始する。まず、対象物品の棚と同じ段の走行台車が対象物品をピックアップするため対象物品の棚前まで走行し、走行台車内に設けている伸縮自在の腕部を使って対象物品をピックアップし、走行台車内に移載する。走行台車は当該段に設けられた一時待機用のコンベヤまで走行し、当該物品を一時待機用コンベヤに移載する。一時待機用コンベヤに移載された物品は、その後上下方向に走行可能な昇降装置と昇降装置内に設けられた腕部によりピックアップされ、出庫用搬送ラインが設けられた段まで昇降し、当該段に設けられた一時待機用コンベヤに移載する。移載された物品は、荷揃えをするために設けられたＧｏｏｄｓｔｏＰｅｒｓｏｎ（ＧＴＰ）ステーションまで出庫用搬送ラインに移載されて届けられる。届けられた物品はＧＴＰステーションで作業者によりピックアップされて出庫作業が完了する。

この立体自動倉庫への入庫作業は、各種物品がトラックにより輸送されて物流センターに到着すると開梱作業ののち、物品保管庫に保管される。その後、物流センターの出庫計画に従い、物品保管庫からその日の出庫計画に従って対象物品が順次出庫されて荷揃え作業用立体自動倉庫内に保管される。保管の道程は、ＷＭＳから入庫対象物品に対する入庫命令が出され、物品を立体自動倉庫の特定の場所に入庫させるためにその多くは、入庫用搬送ライン、一時待機コンベヤ、昇降装置、一時待機コンベヤ、走行台車の順に物品をリレーしながら目的の保管ラックの棚の間口まで搬送する。間口に到着した物品は走行台車の腕部により棚に保管されて入庫作業が完了する。

次に、立体自動倉庫には、アイル間を跨いで特定のアイルに物品を集約し、出庫することで出庫作業のトータルでの効率化を図る仕組みが存在する。アイル間を跨ぐ仕組みには各アイルの外側に設けられたコンベヤを使用して、跨いで集約する方法と、各アイル間で走行台車の腕部を利用し、保管ラック内に保管されている物品をとなりのアイルの走行台車（以後、シャトルと称す）にピックアップさせ、さらに隣のアイルの走行台車にピックアップをさせる・・・という作業を繰り返す、棚間移動を行う仕組みの２通り存在する。

上記のように、近時、立体自動倉庫の仕組みは複雑化し、集約作業にコンベヤを利用して立体自動倉庫の外側で行う方法と、棚間移動を行う方法の両方が存在する場合と、で、最終的なスループットはどちらの方法を、どの程度用いる場合が高くなるのか？また繁忙期と閑散期ではどうなのか？など、いろいろ問題が出てきた。特に、立体自動倉庫のアイル数が多くなる場合、出荷ルートの組み合わせは膨大な数となり、これを人間がプログラミングで解決しようとしても最適解を導きだすことは極めて困難になってきた。そこで、このような問題解決のため人工知能を用いることが求められている。

この立体自動倉庫において、出庫の流れとしては、注文データの受信と、出庫物品が入った通い箱（出庫トレイ）と出庫担当ラックの先に設けられた出庫ステーションの決定と、全ての荷物を１個の通路に面している棚の仮置きスペースに集めることと、ＧＴＰステーション（ピッキングステーション）へ出荷することと、作業者が梱包すること、及び出荷とからなる。

特になし

しかしながら、従来の出庫トレイと出庫ステーションの決定においては、立体自動倉庫内の出庫トレイの最短移動距離をもとに独自のロジックに基づいて演算処理され、このうちの最短時間が得られる決定を数個の説明変数を用いて人為的に選んでいた。より正確に最短時間を得るためには必要な説明変数の数が数十個必要である。決定において必要な説明変数がＮ個あった場合、それぞれの説明変数による条件分岐が３つあった場合、説明変数が１０個で約６０，０００個（3のN乗個）、２０個で３，０００，０００，０００個であるというように説明変数の数が増えるたびに計算処理量はＮ（説明変数の数）乗に増えるという組み合わせ爆発を起こすために、前記演算処理の結果から最短時間の決定を人間が行うということは処理能力の面では非常に困難であった。

出庫トレイと出庫ステーションの決定では、出庫トレイを出庫ステーションに集約するトレイ集約ステップと、集約済みトレイをピッキングステーションに出庫するというステーション出庫ステップと、を有し、このうちトレイ集約にかかる時間は、出庫処理全体の８４．６％を占める。そのため、トレイ集約を短縮することが出庫速度の向上に不可欠である。

そこで、本発明は、叙上のような従来存した諸事情に鑑み案出されたもので、出庫処理において、時間を最小限に短縮できるものとし、しかも前記組み合わせ爆発を起こす状況下においても、容易に自動処理することができる物流における立体自動倉庫を提供することを目的とする。

上述した課題を解決するために、本発明にあっては、注文データの受信と、出庫トレイと出庫ステーションの決定と、全ての荷物を１個の通路に面している棚の仮置きスペースに集めることと、ピッキングステーションへ出荷することと、作業者が梱包すること、及び出荷とからなる出庫の流れにおいて、出庫に係る説明変数が人工知能の入力層に入り、それぞれが隠れ層にて重要な説明変数を判断し、出力層から最適な集約予測時間を出力（目的変数）するディープラーニングや決定木をベースとしたＬｉｇｈｔＧＢＭによる予測手段によって、前記出庫トレイと出庫ステーションの決定を行わせ、現在のオーダーの商品毎に決定されて引当られる出庫トレイを出庫ステーションの１個の通路に面している棚に集約することを特徴とする。

本構成によれば、人工知能の採用により、出庫トレイと出庫ステーションをディープラーニングやＬｉｇｈｔＧＢＭによる学習に応じて自動的に決定するので、立体自動倉庫において出庫処理時間を最小限に短縮することができる。

予測推定手段は、ディープラーニングやＬｉｇｈｔＧＢＭを利用して、走行台車棚間移動と棚外コンベア移動とをそれぞれ分けてモデルを学習し、複数個の説明変数から人工知能を介して目的変数である集約予測時間を出力することで、出庫処理時間の短い、入出庫部と保管ラック間のアイルを走行する走行台車を備えた倉庫を実現可能にした。

本構成によれば、人工知能はパターン化して学習してくれるので、Ｎ個の説明変数から人工知能を介して目的変数である集約予測時間を出力するという処理を迅速に行うことができる。

本発明によれば、出庫処理において、時間を最小限に短縮できるものとし、しかも組み合わせ爆発を起こす状況下においても、容易に自動処理することができる物流における立体自動倉庫を提供することができる。

本発明を実施するための一形態における出庫の流れをフローチャートとともに示す斜視図である。本発明を実施するための一形態における集約時間予測モデルを示す概略図である。本発明を実施するための一形態における走行台車棚間移動時間予測モデルの説明変数を示す図である。本発明を実施するための一形態における棚外コンベア移動時間予測モデルの説明変数を示す図である。本発明を実施するための一形態における走行台車棚間移動モデル目的変数と説明変数の相関関係を示す図である。本発明を実施するための一形態における棚外コンベア移動モデル目的変数と説明変数の相関関係を示す図である。

以下、図面を参照して本発明の実施の一形態に係る立体自動倉庫を詳細に説明する。

本実施形態に係る立体自動倉庫のロジックは大きく出庫・入庫・再入庫に分類される。このうち、出庫に限定して説明を行う。まず、図１に示すように、入出庫部と保管ラック間の通路（アイル）を走行する走行台車とを有する立体自動倉庫において、隣り合う保管ラック間に水平方向に走行を行う搬送機構が高さ方向に各段に配置されている。そして、出庫トレイが出庫部に移動する際に、搬送機構は、左右方向に位置する保管ラックの双方に出庫トレイを出し入れ可能なピッキング機構を有している。

本実施形態では、全ての荷物を出庫通路の仮置きスペースに集めるための出庫トレイと出庫ステーションの決定の人工知能である特にディープラーニングやＬｉｇｈｔＧＢＭに係るもので、注文データの受信Ａ、人工知能化された出庫トレイと出庫ステーションの決定Ｂ、全ての荷物を１個の通路に面している棚の仮置きスペースに集めるＣ、ピッキングステーションへ出荷Ｄ、作業者が梱包Ｅ、出荷Ｆとで構成される。

すなわち、入出庫部と保管ラック間の通路を走行する走行台車の制御、隣り合う保管ラック間に水平方向に走行を行う搬送機構の制御、引当てられる出庫トレイが出庫部に移動する際に、搬送機構に設けた、左右方向に位置する保管ラックの双方に出庫トレイを出し入れ可能なピッキング機構の制御、とがすべて人工知能（特にディープラーニングやＬｉｇｈｔＧＢＭ）により決定される。引当られる出庫トレイとは、現在のオーダーの商品毎に決定されたトレイである。

従来では出庫処理は次の２段階で行われる。出庫トレイを出庫ステーションに集約するトレイ集約ステップと、集約済みトレイをピッキングステーションに出庫するステーション出庫ステップとがある。これらのうちのトレイ集約ステップに着目し、本実施形態ではこれを人工知能（ＡＩ）を使って、特にディープラーニングやＬｉｇｈｔＧＢＭによる予測推定手段で行う。これまでは、トレイ集約にかかる時間は、出庫処理全体の８４．６％を占めていた。そのため、トレイ集約を短縮することが出庫速度の向上に不可欠であると考えられる。

また、トレイ集約のためのロジックとしては、予め決まったプログラムに基づく出庫ステーションの決定において、まず１個の通路に面している走行台車棚間移動、及び棚外コンベア移動に対するトレイのパスや予測集約時間を算出する。これは、集約可能な条件を満たしたトレイから処理量が閾値以下の棚への集約時間を予想するもので、全てのトレイと全ての棚に対して算出する。なお、ここで考えるトレイは全て集約が可能なトレイである。

出庫に関するＷＣＳのプログラムはルールベースといって人間が多数の条件を勘案しながらプログラムを作成するものを基本とし、引当可能な出庫トレイ数の算出、ブロック決定、アイル決定、引当られる出庫トレイの集約決定の順で実行され、出庫トレイの集約決定では、下記の優先順位で現在のオーダーの商品毎にトレイの決定を行う。まず、単一トレイ引当では、商品の要求数以上の在庫を持つトレイを対象として検索を行い、集約対象にする。複数の引当対象の出庫トレイでは、商品の要求数を満たすトレイがない場合、引当数が要求数を満たすまで該当商品を１つ以上持つトレイの検索を行い、集約対象にする。欠品の出庫トレイでは、複数トレイの引当でも商品の要求数を満たさない場合、該当商品を持つ欠品トレイを検索し、集約対象にする。

１個の通路に面している棚ごとの出庫トレイの決定においては、最もパスや予測集約時間が短くなる出庫トレイを全ての棚、全プロダクトＩＤに対して求めるが（１個の通路に面している棚、プロダクトＩＤ、トレイ）、走行台車棚間移動による出庫トレイと棚外コンベア移動による出庫トレイとでは、決められたルールベースの基ではスループットが極大化してしまう。

ここで、出庫ＡＩは集約時間が最も短くなるように集約アイルと出庫トレイを決定する。ここで集約アイルとは、１個の通路（アイル）に面している棚に出庫トレイを集約する際に走行台車が走行するアイルである。この集約時間は直接分からないため、モデルを用いて過去のデータから予測するもので、モデル予測のために様々な情報を考慮する。ルールベースは、最も移動距離が小さくなるように集約アイルと出庫トレイを決定する。集約アイル選択では、引当可能な出庫トレイ数の多さ、処理量（出庫待機数）の少なさ、インデックスの若さを順番に考慮するもので、トレイ選択では集約アイルからの近さを考慮する。

集約時間を短くするためには移動距離を小さくするだけでは不十分である。そこで本実施形態では、次の集約時間予測モデルによる予測推定手段を扱う。これは予測精度の高さ及び分析の容易さを重視し、出庫ＡＩには脳神経に類似したモデルであるディープラーニングか、あるいはＬｉｇｈｔＧＢＭを利用する。走行台車棚間移動、棚外コンベア移動それぞれ分けてモデルを学習する。すなわち、図２に示すように、説明変数１、説明変数２、説明変数３、・・・説明変数Ｎが人工知能の入力層１１に入り、それぞれがＮ個の第１隠れ層１２ａ、第２隠れ層１２ｂにて重要な説明変数を判断する。そして、出力層１３から目的関数である集約予測時間を出力（目的変数）する。

予測推定手段では、集約アイル候補と引当られる出庫トレイ候補のペアを作成し、ペアそれぞれに対してＡＩモデルにより集約時間を予測する。このとき、走行台車棚間移動モデルと棚外コンベア移動モデルとに使い分け、集約時間を予測し、最短のペアの集約アイルと出庫トレイを決定する。

次に、以上のように構成された形態についての使用・動作の一例について説明する。

図３は走行台車棚間移動時間予測モデルの説明変数であり、説明変数名とこれに対応する英語名がある。すなわち、予測推定手段は、次の説明変数が人工知能の入力層１１に入り、第１隠れ層１２ａ、第２隠れ層１２ｂにて重要な説明変数を判断したのち、出力層１３から集約予測時間を出力（目的変数）し、出庫処理時間の短い立体自動倉庫を実現可能にする。
（１）移動元通路[ｆｒｏｍ＿ａｉｓｌｅ]
（２）移動先通路[ｔｏ＿ａｉｓｌｅ]
（３）通路間距離［ａｉｓｌｅ＿ｄｉｓｔａｎｃｅ］
（４）移動元通路の昇降装置移動距離［ｆｒｏｍ＿ｆｌｏｏｒ＿ｄｉｓｔａｎｃｅ］
（５）移動先通路の昇降装置移動距離［ｔｏ＿ｆｌｏｏｒ＿ｄｉｓｔａｎｃｅ］
（６）通路の走行台車の入庫タスク数（移動元、仲介、移動先）［ｒｅｃｅｉｐｔ＿ｔａｓｋ＿ｎｕｍ＿ｋ（ｋは０〜８、０が移動元、８が移動先）］
（７）通路の走行台車の棚間移動タスク数（移動元、仲介、移動先）［ｉｎｔｅｒ＿ａｉｓｌｅ＿ｔａｓｋ＿ｎｕｍ＿ｋ（ｋは０〜８、０が移動元、８が移動先）］
（８）通路の走行台車の出庫タスク数（移動元、仲介、移動先）［ｒｅｔｒｉｅｖａｌ＿ｔａｓｋ＿ｎｕｍ＿ｋ（ｋは０〜８、０が移動元、８が移動先）］
（９）走行台車の初期位置とトレイの距離［iｎｉｔｉａｌ＿ｓｈｕｔｔｌｅ＿ｄｏｓｔａｎｃｅ］
（１０）トレイを取り出すために配替え間口へ移動させる必要があるトレイ数［ｉｓ＿ｎｕｍ］
（１１）出庫バッファに存在するトレイ数［ｒｅｔｒｉｅｖａｌ＿ｂｕｆｆｅｒ＿ｏｃｃｕｐａｎｃｙ］
（１２）繁忙時間帯かどうかのフラグ（０：ｎｏ、１：ｙｅｓ）［ｂｕｓｙ＿ｔｉｍｅ］
（１３）曜日［ｗｅｅｋｄａｙ］
（１４）日［ｄａｙ］
（１５）移動元通路の待機数［ｆｒｏｍ＿ａｉｓｌｅ＿ｗａｉｔｉｎｇ＿ｎｕｍ］
（１６）移動先通路の待機数［ｔｏ＿ａｉｓｌｅ＿ｗａｉｔｉｎｇ＿ｎｕｍ］
（１７）出庫待機トレイ数（ＳＴへ持っていく仮置きスペースに置かれたトレイ数）［ｗａｉｔｉｎｇ＿ｐｉｃｋｉｎｇ＿ｎｕｍ］
（１８）移動元通路における入庫指示数［ｆｒｏｍ＿ａｉｓｌｅ＿ｓｔｏｒａｇｅ＿ｃｏｍｍａｎｄ＿ｎｕｍ］
（１９）移動元通路における出庫指示数［ｆｒｏｍ＿ａｉｓｌｅ＿ｒｅｔｒｉｅｖａｌ＿ｃｏｍｍａｎｄ＿ｎｕｍ］
（２０）１０分以内の立体自動倉庫全体の合計入庫リクエスト数［ｔｏｔａｌ＿ｓｔｏｒａｇｅ＿ｒｅｑｕｅｓｔ］
（２１）１０分以内の立体自動倉庫全体の合計出庫リクエスト数［ｔｏｔａｌ＿ｒｅｔｒｉｅｖａｌ＿ｒｅｑｕｅｓｔ］
（２２）移動元通路で引き当てられている入庫トレイ数［ｆｒｏｍ＿ａｉｓｌｅ＿ｓｔｏｒａｇｅ＿ｒｅｑｕｅｓｔ］
（２３）移動元通路で引き当てられている出庫トレイ数［ｆｒｏｍ＿ａｉｓｌｅ＿ｒｅｔｒｉｅｖａｌ＿ｒｅｑｕｅｓｔ］
（２４）移動先通路で引き当てられている入庫トレイ数［ｔｏ＿ａｉｓｌｅ＿ｓｔｏｒａｇｅ＿ｒｅｑｕｅｓｔ］
（２５）移動先通路で引き当てられている出庫トレイ数［ｔｏ＿ａｉｓｌｅ＿ｒｅｔｒｉｅｖａｌ＿ｒｅｑｕｅｓｔ］

図４は棚外コンベア移動時間予測モデルの説明変数であり、説明変数名とこれに対応する英語名がある。すなわち、予測推定手段は、次の説明変数が人工知能の入力層１１に入り、第１隠れ層１２ａ、第２隠れ層１２ｂにて判断したのち、出力層１３から集約予測時間を出力（目的変数）し、出庫処理時間の短い立体自動倉庫を実現可能にする。
（１）移動元通路［ｆｒｏｍ＿ａｉｓｌｅ］
（２）移動先通路［ｔｏ＿ａｉｓｌｅ］
（３）通路間距離［ａｉｓｌｅ＿ｄｉｓｔａｎｃｅ］
（４）棚間移動の開始時点で、通過するすべての走行台車が抱える未処理の入庫タスク数［ｒｅｃｅｉｐｔ＿ｔａｓｋ＿ｎｕｍ］
（５）棚間移動の開始時点で、通過するすべての走行台車が抱える未処理の棚間移動のタスク数［ｉｎｔｅｒ＿ａｉｓｌｅ＿ｔａｓｋ＿ｎｕｍ］
（６）棚間移動の開始時点で、通過するすべての走行台車が抱える未処理の出庫タスク数［ｒｅｔｒｉｅｖａｌ＿ｔａｓｋ＿ｎｕｍ］
（７）走行台車初期位置（前タスク完了位置）からＲａｃｋ位置までの距離（ｉｎｔｅｇｅｒ差分の絶対値）［ｉｎｔｉａｌ＿ｓｈａｕｔｔｌｅ＿ｄｉｓｔａｎｃｅ］
（８）棚間移動のラック（近い方）までの距離（ラック数の差の絶対値）［ｎｅａｒ＿ｒａｃｋ＿ｄｉｓｔａｎｃｅ］
（９）棚間移動のラック（遠い方）までの距離（ラック数の差の絶対値）［ｆａｒ＿ｒａｃｋ＿ｄｉｓｔａｎｃｅ］
（１０）対象トレイを取り出すためにａｌｔｅｒｎａｔｉｖｅｓｐａｃｅへ移動させる必要があるトレイの数（＝邪魔している荷物の数。０，１，２）［ｉｓ＿ｎｕｍ］
（１１）出庫バッファに存在するトレイ数［ｒｅｔｒｉｅｖａｌ＿ｂｕｆｆｅｒ＿ｏｃｃｕｐａｎｃｙ］
（１２）曜日［ｗｅｅｋｄａｙ］
（１３）日［ｄａｙ］
（１４）移動元通路の待機数［ｆｒｏｍ＿ａｉｓｌｅ＿ｗａｉｔｉｎｇ＿ｎｕｍ］
（１５）移動先通路の待機数［ｔｏ＿ａｉｓｌｅ＿ｗａｉｔｉｎｇ＿ｎｕｍ］
（１６）出庫待機トレイ数（ＳＴへ持っていく仮置きスペースに置かれたトレイ数）［ｗａｉｔｉｎｇ＿ｐｉｃｋｉｎｇ＿ｎｕｍ］
（１７）移動元通路で引き当てられている入庫トレイ数［ｆｒｏｍ＿ａｉｓｌｅ＿ｓｔｏｒａｇｅ＿ｃｏｍｍａｎｄ＿ｎｕｍ］
（１８）移動元通路で引き当てられている出庫トレイ数［ｆｒｏｍ＿ａｉｓｌｅ＿ｒｅｔｒｉｅｖａｌ＿ｃｏｍｍａｎｄ＿ｎｕｍ］
（１９）移動先通路で引き当てられている入庫トレイ数［ｔｏ＿ａｉｓｌｅ＿ｓｔｏｒａｇｅ＿ｒｅｑｕｅｓｔ］
（２０）移動先通路で引き当てられている出庫トレイ数［ｔｏ＿ａｉｓｌｅ＿ｒｅｔｒｉｅｖａｌ＿ｒｅｑｕｅｓｔ］

集約時間予測モデルにおける説明変数と目的変数との間の相関関係について説明する。まず、走行台車棚間移動モデル目的変数と説明変数の相関関係では、Ｃｏｒｒｅｌａｔｉｏｎは相関係数を示し、−１〜＋１の値を取る。Ｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅは目的変数の予測のためにその変数がどの程度寄与したかを示すもので、０〜１の値を取り、この値が大きいほど寄与している。図中、Ｃｏｒｒｅｌａｔｉｏｎは、「０．６９」のアイル間距離［ａｉｓｌｅ＿ｄｉｓｔａｎｃｅ］のパスが最も大きく、Ｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅは「１」の待機するピッキング数［ｗａｉｔｉｎｇ＿ｐｉｃｋｉｎｇ＿ｎｕｍ］が最も大きい。

次に、棚外コンベア移動モデルの目的変数と説明変数との相関関係では、同様にしてＣｏｒｒｅｌａｔｉｏｎは相関係数を示し、−１〜＋１の値を取る。Ｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅは目的変数の予測のためにその変数がどの程度寄与したかを示すもので、０〜１の値を取り、この値が大きいほど寄与している。図中、Ｃｏｒｒｅｌａｔｉｏｎは「０．８２」のアイル間距離［ａｉｓｌｅ＿ｄｉｓｔａｎｃｅ］のパスが最も大きく、Ｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅは「１」の待機するピッキング数［ｗａｉｔｉｎｇ＿ｐｉｃｋｉｎｇ＿ｎｕｍ］が最も大きい。

集約時間予測モデルの性能評価指標と、集約時間予測モデルの予測時間の精度について説明する。まず、ＡＩモデル性能の検証環境としては、走行台車棚間移動による集約時間モデルで、５−ｆｏｌｄ考査検証法を用い、データを訓練データとテストデータに分けて検証を行う。これの平均予測時間は１４０．８１秒で、平均誤差は３６．９８秒であり、平均誤差／平均予測時間＝２２．５％となる。

棚外コンベア移動による集約時間モデルでは、５−ｆｏｌｄ交差検証法を使い、データを訓練データとテストデータに分けて検証を行う。これの平均予測時間は２１９．２５秒で、平均誤差は２７．５７秒であり、平均誤差／平均予測時間＝１１．１％となる。

以上、説明したように、本実施形態では、出庫処理において、時間を最小限に短縮できるものとし、しかも組み合わせ爆発を起こしても、容易に自動処理することができる立体自動倉庫を提供することができる。

Ａ…注文データの受信
Ｂ…人工知能化された出庫トレイと出庫ステーションの決定
Ｃ…全ての荷物を１個の通路に面している棚の仮置きスペースに集める
Ｄ…ピッキングステーションへ出荷
Ｅ…作業者が梱包
Ｆ…出荷
１１…入力層
１２…隠れ層
１３…出力層

Claims

注文データが受信されると、出庫対象物品が入っている出庫トレイのうち前記注文データに係るどの出庫トレイをどの集約アイルに集約させるかが予測推定手段によって決定され、前記注文データに係る全ての荷物について前記決定された出庫トレイが前記決定された集約アイルに集められ、集められた前記出庫トレイがピッキングステーションへ出荷され、前記ピッキングステーションに出荷された前記出庫トレイから前記出庫対象物品が取り出され梱包されて、前記梱包された前記出庫対象物品が出荷される、立体自動倉庫であって、
前記予測推定手段は、走行台車棚間移動モデル及び棚外コンベア移動モデルを有し、前記走行台車棚間移動モデル及び前記棚外コンベア移動モデルにおいて、集約可能な集約アイル候補と引当られる出庫トレイ候補のペアを作成し、出庫に係る説明変数として、移動元通路、移動先通路、通路間距離、通路の走行台車の棚間移動タスク数、出庫バッファに存在するトレイ数、曜日、日、移動元通路の待機数、移動先通路の待機数、出庫待機トレイ数、移動先通路で引き当てられている入庫トレイ数、移動先通路で引き当てられている出庫トレイ数、を少なくとも有する説明変数が人工知能の入力層に入り、それぞれの前記説明変数が隠れ層にて判断され、出力層から集約予測時間を出力するディープラーニング、或いは、決定木をベースとしたＬｉｇｈｔＧＢＭによって、前記集約予測時間が最短となる前記ペアに係る出庫トレイ及び集約アイルを決定することを特徴とする物流における立体自動倉庫。
入出庫部をさらに備えた請求項１記載の物流における立体自動倉庫。