Bucarmanga - Octubre 2023

Análisis de Simulación del Método de

Asignación de Tareas y Planificación de
Rutas Basado en el Riesgo para Robots
Móviles Autónomos
Santiago Bolaños - 2201527
Yeferson Valencia - 2200134
Gabriel Reyes - 2200141
 Objetivos
Reducir conflictos entre AMR: Minimizar las colisiones y optimizar el flujo de trabajo.
Optimizar distancias recorridas: Mejorar la eficiencia energética y el tiempo de ejecución.
Considerar incertidumbres del sistema: Velocidad, giro y tiempos de carga/descarga.
A basado en el Riesgo:* Algoritmo revisado que genera rutas de bajo riesgo considerando la
incertidumbre del sistema y el entorno dinámico.
 Datos y Diseño Experimental
Descripción de los Datos Utilizados:

Datos de Velocidad: Variabilidad en la velocidad de desplazamiento y giros.

Datos de Tiempo: Información sobre los tiempos de carga/descarga.
Simulador de Entorno: Predice futuras ubicaciones de AMR y construye un mapa de
probabilidades.

Diseño Experimental: Se evaluaron varias alternativas, incluyendo...

Método Convencional: Asignación de tareas y planificación de rutas sin considerar incertidumbres.

Tradicional: Aplicación del algoritmo A estándar sin tener en cuenta las incertidumbres del sistema.
Basado en el Riesgo: Nuestro enfoque innovador que integra la evaluación del riesgo en la
planificación de rutas.
ALMACEN 1: Número de conflictos (Conf.), distancia media de
desplazamiento (Dist.) en pies, y tiempo medio de cálculo (Tiempo) en ms
en escenarios determinista y estocástico. (Tiempo) en ms en escenarios
deterministas y estocásticos.
ALMACEN 2: Número de conflictos (Conf.), distancia media de
desplazamiento (Dist.) en pies, y tiempo medio de cálculo (Tiempo) en ms
en escenarios determinista y estocástico. (Tiempo) en ms en escenarios
deterministas y estocásticos.
 Resultados Obtenidos
Optimización de Trayectorias: Se
Reducción Significativa de Conflictos: Nuestro observó una mejora sustancial en
modelo disminuyó drásticamente el número de la eficiencia energética y el tiempo
conflictos entre AMR en entornos estocásticos. de ejecución debido a las rutas
optimizadas.
 CONCLUSIONES
Eficiencia Mejorada: Nuestro método
reduce los conflictos y optimiza las
trayectorias, mejorando la eficiencia
operativa de los AMR.
Adaptabilidad: La consideración de las
incertidumbres del sistema hace que
nuestro modelo sea adecuado para
entornos dinámicos y cambiantes.
Aplicabilidad Práctica: Los resultados
demuestran la viabilidad y relevancia
práctica de nuestro enfoque en
aplicaciones del mundo real.