A Nan Pan és szerzőtársai (2021) által megadott modellben egy hibrid differenciális evolúciós (DE) algoritmust javasoltak, amely az életciklusú rajoptimalizálási (LSO) algoritmuson alapul. Az energiafogyasztás csökkentése és a készlethatékonyság javítása érdekében a legalacsonyabb energiahatékonysági és az időhatékonysági arányt vették alapul a célfüggvény megalkotásához, és létrehozták az UAV (unmanned aerial vehicle, pilóta nélküli repülőgép) útvonaltervezésének megfelelő matematikai modelljét. A fizikai modellezéshez egy dohányipari vállalat nyersanyag- és segédanyagraktárának tényleges környezeti adatait használták, és a szimulációs kísérletet a javasolt intelligens optimalizációs algoritmus használatával végezték el. Ugyanabban a környezetben, összehasonlítva a másik három élvonalbeli pályatervező algoritmussal, a kísérleti eredmények azt mutatták, hogy a javasolt algoritmus által tervezett útvonal javíthatja az UAV-raktározás hatékonyságát.

Több cikk kétdimenziós környezeten alapuló útvonaltervezéssel foglalkozik, ami számunkra nem megfelelő a gyakorlati alkalmazásban, hiszen a mi rendszerünk térbeli útvonaltervezést igényel. A leltározáshoz alkalmas útvonaltervezés során leggyakrabban a következő algoritmusokat alkalmazzák a kutatók: a hagyományos kalmáralgoritmust (Chen–Dong, 2008), a genetikus algoritmust (Udvaros et al., 2019; Chen et al., 2022), a gyorsan táguló véletlen fa algoritmust (Wang–Yang, 2021), a hagyományos részecskeraj-optimalizációs algoritmust (PSO), a hangyaalgoritmust (Huang et al., 2022) és a neurális hálózatokat (Albattah et al., 2022). A kutatások többsége csak a legrövidebb repülési útvonalat vagy a legkisebb energiafogyasztást veszi figyelembe az egycélú optimalizálási modell létrehozásakor, és utána a konvex közelítési stratégiát alkalmazzák az útvonal meghatározására. Ezek a megoldások gyakorlati szempontból jól hasznosíthatók, a kutatásunk is támaszkodik ezekre az eredményekre, azonban a célfüggvényünk egy max–min időfüggvény lesz, amely a megadott módszerek közvetlen alkalmazását nem teszi lehetővé.

Yuhang Han és szerzőtársai (2022) cikke szerint a drónok útvonaltervezésének és a hatékony leltározásnak a kulcsa az, hogy a drón egy nagy pontosságú hordozható rádiófrekvenciás azonosító (RFID) olvasóval legyen felszerelve a leltározási feladat elvégzéséhez. A cikkben egy olyan módszert javasolnak az útvonaltervezésre, amely egy RFID-olvasóval ellátott drónt használ a raktárban tárolt termékek leltározására. Azonban, mivel a részecskeraj-optimalizációs algoritmus (PSO) az útvonaltervezési probléma megoldása során hajlamos lokális optimumba kerülni, a PSO-t továbbfejlesztették, és egy differenciális evolúción alapuló javítási módszert javasoltak.

A leltározási feladat megoldásához meg kell vizsgálni, hogy milyen drónok alkalmasak a feladat elvégzésére. Azt már a korábbi vizsgálatunk (Gubán et al., 2022a) megmutatta, hogy a feladatra autonóm drónokra van szükség. Ahhoz, hogy egy drón teljesen autonóm legyen, alapvető fontosságú a lokalizációs képesség. A megfelelő pontosságot különböző helyű információforrások felhasználásával érik el. Eduárd Mráz és munkatársai (2020) kutatásuk során két információforrást használtak:

A Lukas Wawrla és szerzőtársai által közölt (2019) irodalom szerint a pilóta nélküli légi járműrendszer bevezetésének célja egy raktárban a műveleti idők csökkentése és az emberi munkaerő kiküszöbölése az ismétlődő, egyszerű feladatokban. Az egyik ilyen terület a leltározási folyamat, amely folyamat során számos információhordozó eszközzel (vonalkódok, QR-kódok vagy RFID-címkék) találkozhatunk. Ez a folyamat különösen munkaigényes a magasraktárakban, ahol több tízezer terméket tárolnak. A legtöbb raktár időszakosan (havonta, negyedévente stb.) végez leltározást. Azonban az ilyen leltározás minden alkalommal komoly kihívást jelent, hiszen a raktár működését a készletellenőrzés idejére fel kell függeszteni, és a teljes raktári személyzetet be kell vonni a leltározási folyamatba, ami kiesést jelent a vállalat részére. Emiatt egyre nagyobb szükség van e folyamat automatizálására egyrészt, hogy lerövidüljön a végrehajtási idő, másrészt, hogy csökkentsék a manuális végrehajtásból eredő hibák számát.

Az automatizált készletgazdálkodás során a drónra szerelt kamera segítségével történik a magasraktárban elhelyezett termékek azonosítása. A drón végigfut a kijelölt útvonalon, és a termékhez rendelt vonalkód vagy QR-kód beolvasásával vizsgálja a raktár készletét (Gubán et al., 2022b). Az épített raktárakkal szemben, ahol jól meghatározott polcokat tartalmazó rekeszekben helyezik el a rakományokat, a szabadtéren tárolt termékek sok esetben nem szabályosan helyezkednek el. Ebből következik, hogy a raktárudvarban a hatékony készletgazdálkodáshoz a termékhez csatolt QR-kódok helyzetét is meg kell becsülni. Ilyen esetben a QR-kódok szegmentálási modelljén alapuló pozícióbecslési módszert célszerű alkalmazni. A szegmentálási modellt a kamera és a QR-kód közötti szögkülönbség miatt perspektivikusan torzult QR-kód régióinak a felismerésére használják. Az azonosítást követően az észlelt QR-kód régió alakjavítását és dekódolását végzik el. Ezek alapján megállapítható, hogy valós QR-kódról van-e szó, és emellett becslés is végezhető a drón helyzetére. Végül a drónok által két különböző nézőpontból készített képből kiszámítják a termékhez rögzített QR-kód 3D-s koordinátáit. Ezzel az eljárással egy hatékony leltárkezelés valósul meg a raktárudvaron. A mi esetünkben egy előre megadott összetett raktárfelépítéssel dolgozunk. A raktár felépítése tervrajz alapján vagy egy előzetes felépítés felismerő algoritmus segítségével megadható.

Gubán Miklós és szerzőtársai (2022a) egy olyan modellt mutatnak be, amely egy minden irányban mozgatható, képalkotásra és továbbításra alkalmas drónt használ. A javasolt modell három lépést tartalmaz. Az első lépésben egy áthaladási útvonal meghatározására nyújt optimális megoldást. Ez összhangban van a raktár szerkezetével és képességeivel. A második lépésben meghatározza a drón valós idejű mozgását a feldolgozás során, beleértve a kameramozgásokat és a képfelvételt. A harmadik lépés az utófeldolgozás, azaz a képek feldolgozása a QR-kód azonosításához és értelmezéséhez, valamint az egyezések és eltérések vizsgálata a készletellenőrzéshez. A gyakorlati szakemberek számára kulcsfontosságú előny, hogy az eredményt külső tájékozódási eszközök nélkül, kizárólag a drón saját mozgására és az előre megtervezett útvonalra támaszkodva éri el. A cikk egy drón használatával mutatja be a rögzített beosztású polcrendszerek bejárásának modelljét és megoldási módszerét.

A szakirodalmi áttekintés alapján megállapítottuk, hogy a készletnyilvántartásnál nem találkoztunk olyan megközelítéssel, mint a miáltalunk megadott, ezért elmondhatjuk, hogy a cikkben bemutatott leltározás drónokkal modell és megoldási módszer újszerű fejlesztésnek tekinthető.

A raktárépületben történik a be-, kirakodás és komissiózás, az egységrakomány kialakítása, címkézése. A raktárban dupla polcrendszert alkalmaznak. A dupla polcok között van egy széles folyosó, ahol a drón közlekedhet. Egy polc rekeszekre van osztva. Az egyes rekeszek magassága különböző lehet. A rekeszekben tárolt árukat QR-kóddal azonosítják, amely tartalmazza a kezelésük szempontjából összes fontos adatot.

Egy középkategóriás drón és kamerája a folyosó közepéről tud jó minőségű képet készíteni. A folyosó végén a dokkoló manuálisan kerül elhelyezésre, ahol az akkumulátor tölthető és cserélhető. Pozícióját azonban minden egyes drón esetén pontosan meg kell adni.

A raktárban egyszerre több drónnal is végezhetjük a feldolgozást. Ebben az esetben minden drón egymástól függetlenül fog dolgozni. Azonban az egyes folyosók feldolgozását csak egy drón végezheti, azaz nem fordulhat elő, hogy ugyanazon feldolgozási ciklusban egy folyosó két különböző rekeszét két különböző drón dolgozza fel. Emellett az ütközések elkerülése végett a drónok folyosók közti közlekedése is különböző magasságokban történik. A megoldás szempontjából elegendő egy drónra leírni a működés menetét, a többi drónra is ugyanezek teljesülnek. A raktár és a polcrendszer felépítése a modell számára ismert adatként jelenik meg. Ezek meghatározása a raktár tervezési dokumentumaiból egyértelműen megállapítható, kiegészítve egy drónnal történő raktárbejárással, ahol az adatok pontosíthatók.

A dokkolók elhelyezkedése nem befolyásolja a modellt, hiszen a modellhez csak a dokkoló helyének ismerete szükséges, ez pedig bárhol lehet a raktár szabad területén.

A cikk fő hozzáadott értéke, hogy megmutatja, hogy matematikailag modellezhető a probléma, és ezáltal általánosan, a modell felhasználásával meg is oldható. Emellett további hozzáadott érték, hogy a feladatmegoldás jelentős hatással van a raktári feldolgozás automatizmusára, gyorsaságára és energiahatékonyságára, miközben figyelembe veszi a raktárakkal kapcsolatos összes – a feladat szempontjából fontos – korlátot.

Jelen cikk tudományos hozzájárulása a terület kutatói számára a drónok használata raktári folyamatok esetén, a probléma fő elemeinek feltérképezése, a gyakorlatban korábban megvizsgált elemek általánosítása, az új, egyedi megközelítésű matematikai modellje és a feldolgozás optimális útvonalát megadó időfüggvények, valamint a megoldó algoritmus és a hozzátartozó segédalgoritmusok. Az új eredmények egyúttal igazolják azt a fontos alapgondolatot, hogy a probléma megoldható.

Az eredmények általánosíthatók, mivel a modellbe több olyan elem is be van építve (például: több drón alkalmazása, szükség esetén eltérő kezdési időponttal, eltérő polcok, egyirányú, többirányú közlekedés), amelyek a konkrét raktárakban nem feltétlenül jelentkeznek, vagy csak egy részük, így minden olyan rendszerre (amelyek nem feltétlenül raktárak) alkalmazható a modell és a megoldás, amelyre a fogalmaink és definícióink illeszkednek. Ebből következik, hogy az eredmények az optimális feldolgozási útvonalak kezelésére általánosan használhatók, illetve alkalmazhatók más típusú drónalapú szolgáltatásokra is.

A kutatás eredményei segíthetik a vezetői döntéseket, mivel az ismertetett módszer lehetővé teszi az automatikus raktárkezelés egyes folyamatainak elemzését és a stratégiai döntések alátámasztását különböző paraméterek vizsgálatával. Ezáltal kiválasztható a kitűzött logisztikai célokat legjobban kiszolgáló raktárkezelési mechanizmus.

A modell korlátai közé tartozik a hibás rekeszfeldolgozás (fényképezés) automatikus kezelése. Bár ez az esetek igen kis százalékában fordul elő, de a kérdést vizsgálni kell, hogy csökkenthető legyen a kézi feldolgozást igénylő rekeszek száma. Emellett a megoldó módszer stabilitása is kérdéseket vet fel (első megközelítésben nagyon paraméter-érzékenynek tűnik), ezért érdemes érzékenységvizsgálatot végezni, illetve további kutatásokkal javítani. Szintén érdemes a megoldási módszerek szélesebb körét megvizsgálni, esetleg más, újabb módszerekkel történő kombinálásával stabilabbá tenni a megoldóalgoritmust is.