Realtime besturing van intern transport vanuit digitale tweeling

Machine learning en neurale netwerken

Intelligente hardware en software zorgen er samen met immense rekenkracht voor dat elk magazijnproces transparant wordt. Bestellingen kunnen ook sneller, betrouwbaarder en flexibeler worden afgehandeld dankzij continue simulatie. ‘Machine learning en neurale netwerken zullen het magazijn efficiënter maken. De doorvoer van goederen zal toenemen, handmatige en geautomatiseerde machineparken zullen worden geoptimaliseerd en personeel zal efficiënter worden ingezet. Dit alles leidt uiteindelijk tot aanzienlijke kostenbesparingen voor bedrijven’, vertelt Ulrike Just, lid van de raad van bestuur van Linde MH. ‘Als een van de leiders op het gebied van technologie en innovatie in onze branche, zijn we begonnen met het ontwikkelen van oplossingen op basis van AI. Hiermee slaan we een nieuwe weg in om het concurrentievermogen van onze klanten te verbeteren en hun materiaalstroom klaar te maken voor de toekomst. We werken al aan proefprojecten met enkele grote klanten, omdat de bijbehorende investeringen vooral voor hen de moeite waard zullen zijn.’

Volledige transparantie dankzij realtime lokalisatie

De eerste stap in de strategie van Linde MH is om de manueel bediende trucks in een netwerk op te nemen. Hiervoor ontwikkelt het momenteel een realtime lokalisatiesysteem dat zowel binnen magazijnen als op buitenterreinen werkt. Dit maakt gebruik van innovatieve “low infrastructure” ultra-breedbandtechnologie om de locatie van elk voertuig te bepalen. Vervolgens krijgen hun chauffeurs instructies over hoe ze door het magazijn moeten navigeren of worden ze via een display op de hoogte gebracht van nieuwe of gewijzigde transportorders. Het systeem combineert locatiegegevens met voertuiggegevens, zoals de stuurhoek. Op deze manier kan de route in realtime worden aangepast als er bijvoorbeeld veel goederenverkeer is en er te veel tijd verloren gaat.

Bij de tweede stap worden ook autonome toestellen toegevoegd. Het vereist echter veel rekenkracht om deze gecoördineerd te laten samenwerken met handmatig bediende toestellen en optimale routes uit te werken. ‘Als er 100 of meer voertuigen moeten worden gecoördineerd, is dit alleen mogelijk met intelligentie op een hoger niveau en hardware die zulke grote hoeveelheden gegevens kan verwerken’, legt Ron Winkler, Managing Director van de Digital Business Unit bij Linde MH, uit. ‘Dit is waar de AI van het NVIDIA Omniverse-platform in beeld komt. Hierin wordt een digitale tweeling van het magazijn gecreëerd, een virtueel 1:1 beeld van de fysieke werkelijkheid.’ In deze digitale omgeving kunnen simulaties in fracties van seconden worden berekend. Dit kan worden ingezet voor het optimaliseren van routes en de optimale coördinatie van AMR's en manueel bediende trucks, of om aanpassingen te maken aan magazijninrichtingen.

Om dit alles vlot te laten verlopen, worden alle fysieke gegevens van industriële trucks (bv. motorvermogen en stuurhoek) en de infrastructuur (bv. stellingen en rijpaden) digitaal opgeslagen in het NVIDIA Omniverse platform. Deze virtuele ruimte wordt vervolgens gebruikt om alle informatie te verwerken die wordt opgeleverd vanuit sensoren, voertuig- en infrastructuurcamera's, magazijnbeheersoftware en voertuigcontrolesystemen.

Simulatie is de sleutel

Camerasystemen op infrastructuur en trucks monitoren de laad- en opslagzones en tracken zowel ladingdragers als AMR’s en manueel bestuurde voertuigen. Deze beelden worden meteen geïnterpreteerd en verwerkt door de AI. Een voorbeeld dat op de LogiMAT-vakbeurs werd getoond: een heftruckchauffeur brengt met zijn Linde heftruck goederen naar de voorste zone van het magazijn. Vanuit de afgebakende transferzone haalt een autonome Linde stapelaar de pallet om deze naar de stellingen te transporteren. Om het materiaal en de goederen naadloos op het Omniverse-platform te documenteren en traceerbaar te maken, uploadt de mobiele camera op de heftruck automatisch een foto van de lading wanneer de pallet wordt opgepakt. Tegelijkertijd herkent hij mensen en obstakels en past hij het gedrag van de heftruck onmiddellijk aan de situatie aan. De stationaire camera's in het magazijn geven het systeem informatie over de bezetting van de opslagruimtes en registreren ook mogelijke aanrijdingen met mensen. Dit zorgt ervoor dat de voertuigen indien nodig snelheid kunnen minderen.

Maar wat indien de heftruckchauffeur de pallet niet zo nauwkeurig op het gespecificeerde gebied plaatst als een AGV nodig heeft? De digitale tweeling weet via de stationaire camera's dat de pallet is geplaatst en heeft de pickopdracht doorgegeven aan de autonome Linde L-MATIC core. Dankzij de intelligente camera van de AGV weet de AI echter dat de pallet niet juist staat, waarna ze op zoek gaat naar een oplossing. Een vergelijkbare situatie ontstaat wanneer kratten wegglijden of een deel van de lading overhangt. Wanneer dit voorvalt, zal dit worden opgemerkt door de stationaire camera’s en komt de AI tot de conclusie dat de goederen niet kunnen worden opgepikt door een AGV. De Linde L-MATIC core stopt dan en wacht tot hij een andere transporttaak toegewezen krijgt. Gelijktijdig berekent de AI welk handmatig bediend voertuig in de buurt deze opdracht efficiënt kan overnemen.