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.