Management of the Automated guided vehicle (AGV) system for Warehouses using Multi-agent Deep Reinforcement Learning
Management of the Automated guided vehicle (AGV) system for Warehouses using Multi-agent Deep Reinforcement Learning
Abstract
In the context of Industry 4.0, smart process automation has become a foundational element in the industrial sector. The evolving demands of global trade necessitate the reduction of human intervention in repetitive processes, coupled with the increasing integration of artificial intelligence into industrial operations. One prominent example of these advancements is the Automated Guided Vehicle System (AGVS), particularly in the domain of product transshipment. AGVS refers to a system comprising a group of vehicles that operate within a shared environment, tasked with transporting products from specific departure points to designated destinations. The efficient functioning of such a system requires sophisticated management of task allocation and resolution of access conflicts in shared areas. The technical requirements of an AGVS call for advanced algorithmic designs, particularly in terms of product allocation and conflict management. Moreover, the incorporation of machine learning techniques—specifically deep reinforcement learning—into these systems can streamline the complexity of their formalism, thereby simplifying the implementation process for system architects. The objective of this project is to develop a novel multi-agent system for managing an AGVS within a warehouse setting, utilizing deep reinforcement learning algorithms. The agents will collaborate to achieve the overarching goal of efficiently transporting all products within the warehouse. Keywords: artificial intelligence, automated guided vehicles system, deep learning, reinforcement learning, multi-agents' system
Résumé
Dans le contexte de l'Industrie 4.0, l'automatisation intelligente des processus est devenue un élément fondamental du secteur industriel. Les exigences croissantes du commerce mondial imposent une réduction de l'intervention humaine dans les processus répétitifs, associée à une intégration accrue de l'intelligence artificielle dans les opérations industrielles. Un exemple marquant de ces avancées est le système de véhicules guidés automatisés (AGVS), en particulier dans le domaine du transbordement de produits. L'AGVS fait référence à un système composé d'un groupe de véhicules opérant dans un environnement partagé, chargés de transporter des produits d'un point de départ spécifique à une destination désignée. Le bon fonctionnement d'un tel système nécessite une gestion sophistiquée de l'allocation des tâches et de la résolution des conflits d'accès aux zones partagées. Les spécifications techniques d'un AGVS exigent des conceptions algorithmiques avancées, notamment en termes d'allocation des produits et de gestion des conflits. De plus, l'intégration des techniques d'apprentissage automatique—en particulier l'apprentissage profond par renforcement—dans ces systèmes permet de simplifier la complexité de leur formalisme, facilitant ainsi le processus de mise en œuvre pour les architectes de ces systèmes. L'objectif de ce projet est de développer un nouveau système multi-agent pour la gestion d'un AGVS dans un entrepôt, en utilisant des algorithmes d'apprentissage profond par renforcement. Les agents travailleront en collaboration pour atteindre l'objectif global de transporter efficacement tous les produits au sein de l'entrepôt.
Intelligence artificielle, système de véhicules guidés automatisés, apprentissage profond, apprentissage par renforcement, système multi-agents.
Solide connaissance en apprentissage automatique, apprentissage profond, processus de décision de Markov, et d'apprentissage par renforcement.
Directeur de thèse : Pr. Ahmed ELHILALI ALAOUI
Co-directeur de thèse : Pr. Mohamed RHAZZAF
Please send the application before September 30, 2024 to:
Cedoc.admission@ueuromed.org & a.elhilali-alaoui@ueuromed.org