Otimização de Frota Multiagente de AGVs

Introdução

Em centros logísticos de alto volume, pacotes irregulares ou que não podem seguir pela esteira precisam ser movimentados por Veículos Guiados Automatizados (AGVs). À medida que a densidade da frota aumenta em rotas e pontos de descarga compartilhados, as heurísticas convencionais baseadas em regras muitas vezes não dão conta das interações dinâmicas entre os veículos, o que leva a congestionamentos e gargalos de vazão.

O desafio estava em sincronizar uma frota grande de AGVs despachados de várias docas. Uma programação estática não bastava para lidar com a natureza estocástica da liberação de pacotes e com as variações de trânsito em tempo real.

Metodologia

A solução foi um motor prescritivo baseado em otimização matemática, que gerencia os movimentos da frota como um todo, e não veículo por veículo. O motor recalibra a programação periodicamente com base em dados dos veículos em tempo real e na demanda das estações de carregamento.

• Descoberta e mapeamento de restrições: definimos os limites da operação, incluindo as limitações físicas de trânsito, as prioridades de atracação e as restrições de latência dos dados.
• EDA e definição do esquema de dados: analisamos os dados históricos para identificar as variáveis que pesam na programação. Estabelecemos um esquema de dados formal para representar a topologia da instalação e os estados dos veículos dentro do modelo de otimização.
• Modelagem e validação: usamos Programação Inteira Mista (MIP) para resolver o problema de roteamento multiagente. O modelo prescreve rotas ótimas e livres de colisão avaliando ao mesmo tempo o estado da frota inteira, e minimiza a função objetivo global (tempo total de trânsito e congestionamento).
• Implantação e integração: a solução foi entregue como um pacote em Python com interface de linha de comando (CLI). Foi pensada para execução com baixa latência, para apoiar o planejamento sob demanda e o reroteamento rápido durante os turnos.

Resultados

O motor de otimização foi validado com um gêmeo digital do layout físico da instalação, o que permitiu comparar o roteamento baseado em heurísticas com o roteamento baseado em otimização.

• Congestionamento: a abordagem com MIP resolveu os gargalos causados por conflitos de cruzamento entre veículos e manteve um fluxo contínuo de pacotes irregulares.
• Vazão da operação: com os movimentos da frota otimizados em conjunto, o sistema alcançou uma utilização maior dos AGVs já existentes, sem hardware adicional.
• Agilidade prescritiva: a equipe de planejamento passou de ajustes manuais e reativos para um sistema prescritivo que gera rotas eficientes em tempo real.