汽车行业的领导者在他们的生产设施中使用自主移动机器人（AMR）来提高生产力。在本案例研究中，特斯拉物流工程师、前宝马集团博士生和AMR研究员Maximilian Selmair介绍了部署大型运输车队时的标准行业实践，并演示了基于AnyLogic云的仿真如何帮助开发最佳任务分配算法。
为什么是AMR而不是AGV？
自主移动机器人（AMR）比自动导引车（AGV）更复杂，因此其能力更强。AMR拥有更强大的软件功能，可以使用地图导航并且无需导线或导带，因此它们不像AGV那样局限于固定路线。因此，AMR在可以执行的任务方面更加灵活，而且只需更新软件即可快速重新部署。
与AGV相比，现代AMR技术被认为更具成本效益，这得益于减少了基础设施需求，并加快了部署速度，不会造成生产中断。
问题：如何有效地将任务分配给自动化车队
生产线运输机操作的优化有两个目标。首先，优化应该不会导致任务延迟。其次，生产设施中的交通密度应该最小化。
延迟的任务会导致延期，从而降低效率并增加成本。对于宝马而言，避免停产是与运输操作相关的优化工作的主要目标。
在生产设施中，可用于通道的空间是有限的资源，因此，自动运输工具必须与人和其他车辆共享路线。交通量的减少有几个理想的效果，包括增加安全性、减少拥堵和减少任务延迟。
这项研究的目的是以最少的运输车驾驶来实现任务不延迟到的目标。这一挑战可以概括为分配问题。
解决方案：仿真测试AMR任务分配方法
为了解决分配问题，车辆生产线设施的混合仿真模型使测试各种方法成为可能。AnyLogic仿真软件具有多方法建模功能和内置的物料搬运库，能够快速建模工作区，包括添加自动运输工具。仿真使用基于智能体和离散事件的建模方法。
尽管AnyLogic包含多种将任务分配给传输程序的方法，但它也具有进行自定义代码的灵活性。使用自定义代码可以测试任何可能最好地解决AMR任务分配问题的分配算法。在测试中，分析了启发式和精确算法。精确算法是总是产生一个最优解的算法，例如线性优化。相比之下，启发式算法基于近似，可能不如精确算法准确，但通常更快。
在AnyLogic车辆生产工厂仿真模型中对各种算法进行测试的研究结果表明，Jonker-Volgenant Castanon（JVC）分配算法在向运输商分配任务时具有优越性。
通过基于云的仿真加快AMR预测分析
在创建仿真模型以测试不同的分配方法后，需要进行多次仿真运行。每种分配方法都需要在不同的场景中进行参数变化测试。
在这种情况下，针对不同的分配方法测试了40种不同的车队规模。而且，由于每次运行需要两个小时来计算九个小时的仿真，因此一个可以加快过程的解决方案是很受欢迎的。
AnyLogic云平台是一个可扩展的计算环境，允许并行运行执行。这种计算能力允许快速的参数变化和多场景测试。例如，所有40个车队规模的仿真可以同时运行。此外，随着计算在云服务器上进行，仿真建模人员可以自由地继续使用他们的计算机而不受阻碍。
结果：优化了AMR任务分配算法
与基于最近智能体分配任务的基线方案相比，根据JVC分配算法开发的方法将所需的AMR数量减少了30%。
在一个拥有7500个任务的示例场景中，传统方法需要58个运输车来完成总共三个延迟任务。对于测试和研究得出的算法，只需要42个运输车就可以完成相同数量的延迟任务。
与 AGV 和手动方法相比，由于 AMR 的前期成本较高，因此所需服务水平需要的 AMR 运输车数量的减少意义重大。
减少在 7,500 个任务中仅完成三个延迟任务所需的 AMR 数量也有助于实现最小化流量密度的目标。
将用于创建测试环境的仿真与用于运行实验的云计算相结合，可以快速开发用于车辆生产设施中AMR任务分配的自定义分配算法。该算法比标准的最近智能体分配算法效率提高了30%，达到了降低延迟任务率和降低车流密度的目的。
Maximilian Selmair在2021 AnyLogic会议上发表了这项研究成果：
