A Traffic Management Algorithm for Congestion Avoidance in AGV-Based Warehouses - An Industrial Case Study with E80 Group Un Algoritmo di Gestione del Traffico per evitare la Congestione nei Magazzini basati su AGV - Un caso di studio industriale con E80 Group

La congestione nei magazzini popolati da veicoli a guida autonoma (AGV) riduce l'efficienza, diminuisce il numero di missioni all'ora e può portare a situazioni di deadlock (stallo reciproco). Questa tesi affronta il problema rilevando e mitigando la congestione all'interno dei magazzini, dove i percorsi sono rappresentati come grafi orientati. Dopo aver esaminato tecniche di prevenzione della congestione utilizzate nel traffico stradale e nei sistemi AGV, è stata sviluppata un'euristica ispirata alla stigmergia, in cui ogni AGV aggiorna i pesi dei segmenti del grafo, in base alla propria posizione attuale e alla destinazione assegnata. Questi pesi adattivi vengono quindi utilizzati per calcolare il percorso ottimale per ciascun veicolo, consentendo al processo di instradamento di tenere conto della situazione attuale del traffico della rete. Il metodo proposto aumenta le missioni all'ora fino al 13% rispetto ai benchmark, ovvero le configurazioni senza l'algoritmo proposto. Gli esperimenti condotti su diversi layout di magazzino dimostrano la scalabilità e l'efficacia dell'approccio.

Congestion in warehouses operated by Automated Guided Vehicles (AGVs) reduces efficiency, decreases missions per hour and can lead to deadlocks. This thesis addresses the problem by detecting and mitigating congestion within warehouses where routes are represented as directed graphs. After reviewing congestion avoidance techniques from road traffic and AGV systems, a stigmergy-based heuristic is developed, in which each AGV updates the weights of graph segments based on their current position and assigned destination. These adaptive weights are then used to compute the optimal path for each vehicle, allowing the routing process to take into account the current traffic situation of the network. The proposed method increases missions per hour by up to 13% compared to benchmark strategies without weight adaptation. Experiments conducted in multiple warehouse layouts demonstrate the scalability and effectiveness of the approach.