Incognite

Problém: Zásilkové služby, speciálně v dnešní době, čelí velkému náporu objednávek, je potřeba jejich provoz robotizovat. Návrh řešení musí být flexibilní, levný, jednoduchý, aby řešení nebylo jednoúčelné.

Řešení: SimWare je modulární simulátor s možností nastavit layout depa, množství robotů, senzory. Simulace je napojena na neuronovou síť, paralelně se pomocí reinforcement learningu roboti učí pendlovat mezi load/unload úkolem a plnit je. Učí se vyhýbat kolizím.

Dopad: Robotizace překládky v depu zrychlí a zefektivní zásilkovou službu. Omezí se fyzicky náročná lidská práce. Použití senzorů a automatizace sníží chybovost. Autonomita systému umožní nepřerušit provoz v době pandemie.

Proveditelnost: Simulátor je ideální nástroj ověření plánované investice. Díky modularitě SimWare je možné levným a rychlým způsobem realizovat mnoho variant řešení a následně vybrat optimální. Použitý software je opensource.

Co jste udělali během hackathonu - popište textově + uveřejněte kód (např. GitHub link): V simulátoru myGym jsme vytvořili model depa zásilkovny, navrhli optimální layout, naimplementovali chování robotů (senzory, rychlosti, ovládání). Vymysleli jsme algoritmus - použití PPO2(Deep RL) pro paralelní učení řízení robotů, který jsme naimplementovali. https://github.com/gabinsane/myGym

Co jste měli před hackathonem? Použili jste open source?: Využili jsme námi vyvíjený opensource toolkit myGym, díky kterému jsme mohli rychle prototypovat prostředí, trénink neuronové sítě a vizualizace. https://github.com/incognite-lab/myGym

Co následuje? Jaká je vize a čeho konkrétního byste rádi dosáhli?: Pomocí SimWare umožníme Zásilkovně ověřit realizovatelnost jejich návrhu, vyzkoušet jeho modifikace a přenést řešení do reálného provozu. Díky flexibilitě SimWare můžeme rozšířit nabídku i na další logistické projekty a pokročit k dalšímu stupni automatizace (nahrazením operátora vision systémem).