자동차 업계의 선두주자들은 생산성을 향상하기 위해 생산 시설에 자율 이동 로봇(AMR)을 사용합니다. 이 사례 연구에서는 테슬라의 물자 흐름 엔지니어이자 구 BMW 그룹 박사과정 학생이며 자율 이동 로봇(AMR) 연구자인 막시밀리언 셀메어(Maximilian Selmair)가 대규모 수송 차량 함대 배치 시의 표준 업계 관행을 설명하고, 애니로직 기반의 시뮬레이션이 최적의 작업 할당 알고리즘의 개발에 도움을 주는지 보여줍니다.
왜 무인 수송 차량(AGV)가 아닌 자율 이동 로봇(AMR)인가?
자율 이동 로봇은 그 복잡성으로 인해 무인 수송 차량보다 능력이 뛰어납니다. 자율 이동 로봇은 와이어나 스트립의 가이드 없이 더 나은 소프트웨어 역량으로 지도를 사용한 움직임이 가능해 무인 수송 차량처럼 고정된 경로에 제한되지 않습니다. 결과적으로 자율 이동 로봇은 더욱 유연하게 작업을 수행할 수 있으며 소프트웨어 업데이트 만으로 빠르게 재배치될 수 있습니다.
무인 수송 차량과 비교했을 때, 현대의 자율 이동 차량 기술은 줄어든 인프라 요구 사항과 생산을 방해하지 않는 더 빠른 배치 덕분에 더욱 비용 효율적입니다.
문제점: 자동 차량에 작업을 효율적으로 할당하는 방식
생산 라인 운송 차량 운용의 최적화에는 두 가지 목표가 있습니다. 먼저 최적화는 늦은 작업 초래하여서는 안 됩니다. 두 번째로, 생산 시설 내의 교통 밀집도는 최소화해야 합니다.
늦은 작업은 효율성을 낮추고 비용을 증가시키는 지연으로 이어집니다. BMW의 경우, 생산 중단을 피하는 것이 운송 차량 운용과 관련된 최적화 작업의 주요 목표였습니다.
생산 시설에서 운송 경로로 사용할 수 있는 공간은 제한적이었고 그 결과 자율 수송 차량은 사람 및 다른 차량과 경로를 공유해야 했습니다. 교통량의 감소는 안전, 혼잡 감소 및 늦은 작업의 감소를 포함한 몇 가지 바람직한 결과를 만들어 냈습니다.
연구는 최소 수량의 운송 차량을 운행하면서 늦은 작업이 하나도 발생하지 않는 것을 목표로 하였습니다. 할당 문제로 광범위하게 특징 지어지는 하나의 문제입니다.
솔루션: 자율 이동 로봇 작업 할당 방식을 테스트 할 수 있는 시뮬레이션
할당 문제를 해결하기 위해, 차량 생산 라인 시설의 하이브리드 시뮬레이션 모델로 다양한 방식을 테스트할 수 있었습니다. 애니로직 시뮬레이션 소프트웨어에서는 그 다중 방식 모델링 능력과 내장 머티어리얼 핸들링 라이브러리를 통해 자동 수송 차량의 추가를 포함한 작업 공간의 빠른 모델링이 가능했습니다. 그 시뮬레이션은 에이전트 기반 및 이산 이벤트 모델링 방식을 모두 사용합니다.
애니로직은 작업을 운송 차량에 할당하는 다양한 방식을 포함하면서 커스텀 모드를 포함한 유연성 또한 제공합니다. 커스텀 모드의 사용을 통해 자율 이동 로봇의 작업 할당 문제를 가장 잘 해결할 수 있는 할당 알고리즘을 테스트할 수 있습니다. 테스트에서는 휴리스틱 알고리즘과 정밀 알고리즘(exact algorithm)을 모두 분석하였습니다. 정밀 알고리즘(exact algorithm)은 선형 최적화처럼 언제나 최적의 솔루션을 만들어내는 알고리즘입니다. 이와는 반대로 휴리스틱 알고리즘(heuristic algorithm)은 근사값을 기반으로 하며 정밀 알고리즘만큼 정확하지는 않지만 보통 더 빠릅니다
애니로직 시뮬레이션 모델의 다양한 방식을 테스트한 연구의 결과(영문)로부터 욘커-볼제넌트-카스타넌(JVC) 할당 알고리즘이 차량 생산 시설에서 작업을 운송 차량으로 할당할 때 우수하다는 것을 알 수 있습니다.
클라우드 기반 시뮬레이션을 통한 더 빠른 자율 이동 로봇 시나리오 분석
시뮬레이션 모델을 만들어 상이한 할당 방식을 테스트한 후, 많은 시뮬레이션의 실행을 수행해야 했습니다. 각 할당 방식은 매개 변수를 조금씩 바꾸어 많은 시나리오에서 테스트해야 했습니다.
이 경우 40개의 상이한 크기의 그룹이 상이한 할당 방식으로 테스트되었습니다. 9시간의 시뮬레이션을 계산하는 데에는 각 실행에 2시간이 소요되었으며, 프로세스의 속도를 향상시킬 수 있는 솔루션이 환영을 받았습니다.
애니로직 클라우드 플랫폼은 병렬 실행을 허용하는 확장 가능한 계산 환경입니다. 이 계산 능력을 통해 매개 변수를 빠르게 조정하고 다중 시나리오에서 테스트하는 것이 가능하였습니다. 예를 들어 크기가 서로 다른 40개의 그룹에 대한 시뮬레이션을 동시에 실행할 수 있습니다. 또한 클라우드 서버에서 계산이 일어나므로 시뮬레이션 모델러는 아무런 방해 없이 컴퓨터를 계속 사용할 수 있습니다.
결과: 최적의 자동 이동 로봇 작업 할당 알고리즘
가장 가까이에 있는 에이전트를 기반으로 작업을 할당하는 기본 시나리오에 비해 욘커-볼제넌트-카스타넌(JVC) 할당 알고리즘을 사용하면 필요한 자율 이동 로봇의 수를 30% 감축할 수 있습니다.
7,500개의 작업이 있는 예제 시나리오에서 전통적인 방식으로 작업 시에는 58개의 수송 차량으로 총 3개의 늦은 작업을 달성할 수 있었습니다. 테스트와 연구의 결과로 나온 욘커-볼제넌트-카스타넌 알고리즘에서는 42개의 수송 차량만 가지고 동수의 늦은 작업을 달성하였습니다.
원하는 수준의 서비스를 위해 요구되는 자율 이동 로봇 수송 차량 수가 감소한다는 것은 무인 수송 차량 및 수동 방식에 비해 높은 자율 이동 로봇의 초기 비용으로 인해 중요합니다.
7,500개의 작업 중 늦은 작업은 3개만 나오도록 하는 데 필요한 자율 이동 로봇의 수를 줄이는 것은 교통 밀도를 최소화하는 목표를 달성하는 데 도움이 됩니다.
테스트 환경을 만들기 위한 시뮬레이션과 실험을 실행하기 위한 클라우드 계산의 결합을 통해 차량 생산 시설의 자율 이동 로봇의 작업 할당을 위한 커스텀 할당 알고리즘을 빠르게 개발할 수 있었습니다. 이 알고리즘은 표준 가장 근접한 에이전트 할당을 30% 개선하고 낮은 늦은 작업율과 교통 밀도 감소라는 목표를 달성하였습니다.
막시밀리안 셀메어는 이 연구를 영어로 2021 애니로직 컨퍼런스에서 발표했습니다.
애니로직 클라우드 페이지에서 클라우드 기반의 시뮬레이션에 대한 더 많은 정보를 알아보세요.