A human-robot collaborative order picking system with ergonomic considerations: A novel mathematical model and machine learning approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Order Picking Systems (OPS) play a critical role in warehouse operations, particularly in markets where delivery speed is a key competitive factor. While traditional OPSs are labor-intensive, integrating collaborative robots (cobots), such as automated mobile robots (AMRs) and robotic manipulators, offers potential improvements in efficiency and ergonomics. This study proposes a mathematical model for a Human-Robot Collaborative OPS (HRC-OPS) that optimally determines the number and type of cobots to deploy. The objective is to minimize operational costs while maintaining ergonomic safety by limiting the REBA (Rapid Entire Body Assessment) index. In addition to robot allocation, the model optimizes item placement within the warehouse to enhance system performance and worker well-being. As the model aims to reflect real-world warehouse operations, it becomes too complex to solve using exact methods. However, since the model seeks to guide managers’ strategic choices during the design phase, an exact solution is not a priority. Therefore, a machine learning (ML) approach was developed to extract patterns from high-quality solutions and provide actionable managerial insights. Among six tested ML algorithms, XGBoost showed the highest accuracy in identifying effective configurations. Results from a case study demonstrate that cobots can significantly enhance OPS performance. However, the effectiveness of specific robot types depends on system characteristics, such as demand frequency and physical attributes. Moreover, strategic item placement has a direct influence on both performance and ergonomic outcomes, particularly for frequently ordered items or those that are unsuitable for robotic picking, offering practical guidance for warehouse managers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle