JP6677858B1 - 自動化倉庫最適化システム - Google Patents

Abstract

請求項２一定時間において受け付けられた物流オーダーに対して前記物流オーダーを物流システムによって処理することに伴う特定の物流処理尺度情報を最適化するために、前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定した過去の物流処理シナリオと、前記過去の物流処理シナリオによって動作した結果得られる、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせた物流処理尺度情報に照らしてとを教師データとして用い、前記物流処理成績値のうちの特定の物流処理尺度情報を最適化するための物流処理シナリオを規定する学習済モデルを機械学習により生成するモデル生成手段と、一定時間におけるすべての物流オーダーを受け付ける物流オーダー処理受付手段と、 前記物流オーダー処理受付手段が受け付けた前記物流オーダーに対して前記全機器に係る経時的な挙動を規定した過去物流処理シナリオを取得する過去物流処理シナリオ取得手段と、前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、前記モデル生成手段により生成された学習済モデルを用いて、前記過去物流処理シナリオ取得手段が取得した前記過去物流処理シナリオと前記尺度情報特定手段によって特定された尺度情報とから、前記尺度情報を最適化するために前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定する物流処理シナリオを出力する処理手段とを備える。

Description

本発明は、例えば物流センター等に設置される立体自動倉庫における自動化倉庫最適化システム、より詳しくはそのための学習済みモデル、物流処理シナリオ推定システム、物流処理シナリオ出力システム、並びに物流倉庫制御システムに関する。

近年、物流の分野においては、必要な時に必要な商品を手にしたいという要望が産業界だけでなく一般消費者の間でも強くなっているため、急速な物流合理化が推進されている。

この中でも、商品を倉庫内の所定の場所に集約して一次保管し、出荷先の注文に応じて保管場所から出庫して出荷先に配送する業務を担う物流センター等においては、倉庫管理システム（Warehouse
Management System:ＷＭＳ）に基づいて商品の一連の仕分け作業（入出庫作業、保管作業等）を同時に並行して行う立体自動倉庫が注目されている（特許文献１〜４）。

特許第６１８５６１９号公報 特許第６２３１１６８号公報 国際公開第ＷＯ２０１３／４６３７９号パンフレット 特許第５５０８２５９号公報

一般に、立体自動倉庫は、商品が収納されたケースを保管する倉庫手段と、倉庫手段から出庫されたケースから必要な数量の商品をピッキングして出荷ラインに送るピッキングステーションとを備えている。

倉庫手段は、ケースを保管する多数の棚や、ケースを搬送して棚に保管すると共に棚から出庫する搬送手段等で構成されている。また、ピッキングステーションの下流には、ピッキングした商品を自動封函装置等で梱包する梱包ラインが設けられている場合もある。

従来、この種の立体自動倉庫では、商品の入荷→入庫・保管→出庫→ピッキング→梱包・出荷といった一連の倉庫業務を効率よく行うために、倉庫管理システム（ＷＭＳ）に格納された過去の入出庫動作ログや商品アイテムの属性データ（数量、日付、入出荷先、保管場所、重量等）に基づいて入出庫の動きをシミュレートし、このシミュレーションモデルを用いて出庫効率の向上のための最適化モデルを生成する作業が行われている。

しかしながら、近年は、商品アイテムの属性データの多様化、複雑化等に伴い、倉庫管理システム（ＷＭＳ）のロケーション管理が一層煩雑になっているために、出庫効率の向上のための最適化モデルを生成するのに要する計算量が過大になり、人間が考えたルールに基づいて作成したプログラム（ルールベース）で動くコンピュータを利用した最適化モデルの生成が困難になっている。

例えば、倉庫手段の棚に保管された商品を搬送手段で出庫する作業について見ると、棚までのアクセス経路や商品をピッキングする順序の最適化をルールベースに基づく最適化モデルに従って行う場合、必ずしも搬送手段の動作が最適であるとは限らなくなってきている。また、稼働中の立体自動倉庫でルールベースに基づく最適化モデルを改善しようとすると、装置の運用を停止したり、保管商品を棚から撤去するなどの大掛かりな作業が必要となる。

本発明は、このような従来技術の課題に鑑みてなされたものであり、倉庫管理システム（ＷＭＳ）により管理される立体自動倉庫において、倉庫利用者（ユーザ）の要望（たとえば、出庫待機数情報、コンベア移動距離情報、棚間移動待機数情報、棚間距離情報、スタッカクレーン移動距離情報、配置替発生数情報、入庫待機数情報、通路距離情報、バッファ部待機数情報、引当可能数情報のうちの少なくともいずれか一つの情報もしくは二つ以上の情報を所定の割合で組み合わせて得られる情報）を最適化する自動化倉庫最適化システム、さらにそのための学習済みモデル、物流処理シナリオ推定システム、物流処理シナリオ出力システム、並びに物流倉庫制御システムを提供することを目的とする。

上記の課題を解決するために、本発明の代表的な態様に係る学習済みモデルにおいては、一定時間において受け付けられた物流オーダーに対して、前記物流オーダーを物流システムによって処理することに伴う特定の物流処理尺度情報を最適化するために、前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定する物流処理シナリオを定義づける情報を出力するように、コンピュータを機能させるための学習済みモデルであって、一定時間において受け付けられた物流オーダーに対して規定された過去の物流処理シナリオから該シナリオを入力値とする入力層と、前記入力層に対して重み付け係数をもって接合された１以上の中間層と、前記中間層に対して重み付け係数をもって接合された出力層とを備え、前記入力層に対し、重み付け係数に基づく演算を行い、前記出力層から前記特定の物流処理尺度情報を最適化するための物流処理シナリオを定義づける情報を出力するよう、コンピュータを機能させる。

また、同様に、上記の課題を解決するために、本発明の代表的な態様に係る物流処理シナリオ推定システムにおいては、一定時間において受け付けられた物流オーダーに対して前記物流オーダーを物流システムによって処理することに伴う特定の物流処理尺度情報を最適化するために、前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定した過去の物流処理シナリオと、前記過去の物流処理シナリオによって動作した結果得られる、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせた物流処理尺度情報に照らしてとを教師データとして用い、前記物流処理成績値のうちの特定の物流処理尺度情報を最適化するための物流処理シナリオを規定する学習済モデルを機械学習により生成するモデル生成手段と、一定時間におけるすべての物流オーダーを受け付ける物流オーダー処理受付手段と、前記物流オーダー処理受付手段が受け付けた前記物流オーダーに対して前記全機器に係る経時的な挙動を規定した過去物流処理シナリオを取得する過去物流処理シナリオ取得手段と、前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、前記モデル生成手段により生成された学習済モデルを用いて、前記過去物流処理シナリオ取得手段が取得した前記過去物流処理シナリオと前記尺度情報特定手段によって特定された尺度情報とから、前記尺度情報を最適化するために前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定する物流処理シナリオを出力する処理手段とを備える。

上記の態様において、前記物流処理尺度情報は、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせたものに照らして得られるものであってもよいし、前記物流処理シナリオは、出庫待機数情報、コンベア移動距離情報、棚間移動待機数情報、棚間距離情報、スタッカクレーン移動距離情報、配置替発生数情報、入庫待機数情報、通路距離情報、バッファ部待機数情報、引当可能数情報のうちの少なくともいずれか一つに基づいて作成されるものであってもよい。

またさらに、上記の課題を解決するために、本発明の代表的な態様に係る物流処理シナリオ出力システムにおいては、一定時間において受け付けられた物流オーダーを処理するためのシナリオとしての、機械学習に係る物流処理シナリオ推定システムによって出力された第１の物流処理シナリオと、予め決められたプログラムであるルールベースに基づいて第２の物流処理シナリオと、前記第１の物流処理シナリオ、前記第２の物流処理シナリオの処理シナリオのそれぞれについて規定される物流処理尺度情報とを教師データとして用い、特定の物流オーダーに対して前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを推定する推定モデルを機械学習により生成するモデル生成手段と、特定の物流オーダーが入力される入力手段と、前記入力手段によって入力された前記特定の物流オーダーを規定する物流オーダー規定情報を特定する物流オーダー情報特定手段と、前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、前記モデル生成手段により生成された推定モデルを用いて、前記物流オーダー情報特定手段が特定した前記物流オーダー規定情報から、前記尺度情報を最適化するためは前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを出力する処理手段とを備える。

あるいは代替的に、一定時間において受け付けられた物流オーダーを処理するためのシナリオとしての、機械学習に係る物流処理シナリオ推定システムによって出力された第１の物流処理シナリオを得る第１の手段と、前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、前記尺度情報特定手段によって特定された尺度情報を最適化するための第２の物流処理シナリオをルールベースに基づいて得る第２の手段と、特定の物流オーダーが入力される入力手段と、前記入力手段によって入力された前記物流オーダーについて前記尺度情報を最適化するためは前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを判定する判定手段とを備える。

また、上記の課題を解決するために、本発明の代表的な態様に係る物流倉庫制御システムにおいては、一定時間において受け付けられた物流オーダーに対して規定した過去の物流処理シナリオに基づいて物流処理シナリオを規定するための学習済モデルを機械学習により生成するモデル生成手段と、前記モデル生成手段により生成された学習済モデルを用いて、特定の物流オーダーに対する最適物流処理シナリオを出力する物流処理シナリオ出力手段と、前記物流処理シナリオ出力手段によって出力された前記最適物流処理シナリオを用いて、物流倉庫を制御及び／もしくは駆動する制御部とを備える。

上記において、「物流処理シナリオ」とは、物流システムに係る全マテハン機器を経時的にどう動かすかを規定する情報であって、入庫ログ及び／もしくは出庫ログを含む。より具体的には、この物流処理シナリオを構成するもの或いは物流処理シナリオを形成するための入力となるものとして、出庫待機数情報、コンベア移動距離情報、棚間移動待機数情報、棚間距離情報、スタッカクレーン移動距離情報、配置替発生数情報、入庫待機数情報、通路距離情報、バッファ部待機数情報、引当可能数情報、を含む。
また、「物流処理尺度情報」とは、たとえばＡＩを用いて学習済モデルを取得する際、或いは当該取得した学習済モデルを使って物流処理に係るシナリオを得る際に、何が好ましいかを選択・指定するために必要となる判断基準に係る情報をいう。

また、「スループット」とは、単位時間当たりの処理数量をいう。

或いは、次のような態様をとることもできる。

すなわち、本発明の第１の態様に係る自動化倉庫最適化システムは、第１識別子が設けられた単数または複数の商品アイテムが収納され、前記第１識別子に関連付けられた第２識別子が設けられた保管用手段と、単数または複数の段を有し、前記保管用手段が保管される単数または複数の棚と、前記棚に隣接して配置された単数または複数の通路と、前記通路に設けられ、前記保管用手段を搬送して前記棚に保管すると共に前記棚から出庫する単数または複数の搬送手段と、を有する倉庫手段と、前記倉庫手段から出庫された前記保管用手段から必要な数量の前記商品アイテムをピッキングし、前記第１識別子に関連付けられた第３識別子が設けられた出荷用媒体に投入するピッキング手段が配置されると共に、前記商品アイテムのピッキングが完了した前記保管用手段を前記倉庫手段に戻すピッキングステーションと、を備え、前記倉庫手段では、前記商品アイテムに設けられた前記第１識別子と前記保管用手段に設けられた前記第２識別子とを関連付けるための制御と、前記保管用手段を前記棚に保管するための制御と、前記保管用手段を前記倉庫手段から出庫するための出庫命令の制御とが行われ、前記ピッキングステーションでは、前記保管用手段から必要な数量の前記商品アイテムをピッキングするためのピッキング命令の制御と、ピッキングされた前記商品アイテムに設けられた前記第１識別子と前記出荷用媒体に設けられた前記第３識別子との関連付けに基づいた投入完了命令の制御と、前記商品アイテムのピッキングが完了した前記保管用手段を前記倉庫手段に戻すためのリターン命令の制御とが行われる。

本発明の第２の態様に係る自動化倉庫最適化システムは、前記第１の態様において、前記出荷用媒体に投入された前記商品アイテムを取り出して梱包資材で梱包する梱包手段をさらに備えている。

本発明の第３の態様に係る自動化倉庫最適化システムは、前記第１または第２の態様において、前記倉庫手段及び前記ピッキングステーションで扱う前記商品アイテムの属性データは、倉庫管理システム（ＷＭＳ）によって管理される。

本発明の第４の態様に係る自動化倉庫最適化システムは、前記第１〜第３のいずれかの態様において、前記搬送手段は、前記通路の水平方向及び／又は垂直方向への移動を同時に組み合わせて移動するスタッカークレーン方式の搬送手段である。

本発明の第５の態様に係る自動化倉庫最適化システムは、前記第１〜第４のいずれかの態様において、前記倉庫手段は、前記保管用手段を垂直方向に移動する昇降手段と、前記棚の各段の終端に配置され、前記搬送手段と前記昇降手段との間で前記保管用手段の受け渡しを行うバッファ手段とをさらに有し、前記バッファ手段では、前記搬送手段と前記昇降手段との間で受け渡される前記保管用手段同士の相互干渉を防ぐための制御が行われる。

本発明の第６の態様に係る自動化倉庫最適化システムは、前記第１〜第５のいずれかの態様において、前記倉庫手段では、相関性が高い複数種類の前記商品アイテムを予め同一の前記保管用手段に収納するための制御（共起物品集約）が行われる。

本発明の第７の態様に係る自動化倉庫最適化システムは、前記第１〜第６のいずれかの態様において、相関性が高い単数または複数の前記商品アイテムを収納する複数の前記保管用手段を同一の前記棚に入庫するための制御が行われる。

本発明の第８の態様に係る自動化倉庫最適化システムは、前記第１〜第７のいずれかの態様において、前記倉庫手段で行われる前記制御及び前記ピッキングステーションで行われる前記制御のうち、少なくとも一つ以上は、人工知能（ＡＩ）技術によって生成された最適化モデルを含む少なくとも一つ以上の最適化モデルに基づいて行われる。

本発明の第９の態様に係る自動化倉庫最適化システムは、前記第８の態様において、前記倉庫手段で行われる前記制御及び前記ピッキングステーションで行われる前記制御のうち、少なくとも一つ以上を前記人工知能（ＡＩ）技術によって生成された最適化モデルに基づいて行う場合、前記制御の評価及び検証は、疑似的な環境で行われる。

本発明の第１０の態様に係る自動化倉庫最適化システムは、前記第８または第９の態様において、前記人工知能（ＡＩ）技術によって生成された最適化モデルと、非人工知能（非ＡＩ）技術によって生成された最適化モデルとを、前記人工知能（ＡＩ）技術と異なる第２の人工知能（ＡＩ）技術または前記非人工知能（非ＡＩ）技術と異なる第２の非人工知能（非ＡＩ）技術によって比較評価するステップを含む。

本発明の第１１の態様に係る自動化倉庫最適化システムは、前記第８〜第１０のいずれかの態様において、前記人工知能（ＡＩ）技術によって最適化モデルを生成するステップに先立ち、前記人工知能（ＡＩ）技術によって最適化モデルを生成すべきか、非人工知能（非ＡＩ）技術によって最適化モデルを生成すべきかを判定し、非人工知能（非ＡＩ）技術によって最適化モデルを生成すべきと判定された場合には、前記倉庫手段で行われる前記制御及び前記ピッキングステーションで行われる前記制御のうち、少なくとも一つ以上は、非人工知能（非ＡＩ）技術によって生成された最適化モデルに基づいて行われる。

本発明の第１２の態様に係る自動化倉庫最適化システムは、前記第１１の態様において、前記判定は、人工知能（ＡＩ）技術または非人工知能（非ＡＩ）技術によって行われる。

本発明の第１３の態様に係る自動化倉庫最適化システムは、第１識別子が設けられた単一ユニットの商品アイテムが収納され、前記第１識別子に関連付けられた第２識別子が設けられた保管用個片化手段と、単数または複数の段を有し、前記保管用個片化手段が保管される単数または複数の棚と、前記棚に隣接して配置された単数または複数の通路と、前記通路に設けられ、前記保管用個片化手段を搬送して前記棚に保管すると共に前記棚から出庫する単数または複数の搬送手段と、を有する倉庫手段と、前記倉庫手段から出庫された前記保管用個片化手段から前記単一ユニットの商品アイテムをピッキングし、前記第１識別子に関連付けられた第３識別子が設けられた出荷用媒体に投入するピッキング手段が配置されると共に、前記単一ユニットの商品アイテムのピッキングが完了した前記保管用個片化手段を周辺設備に送るピッキングステーションと、を備え、前記倉庫手段では、前記単一ユニットの商品アイテムに設けられた前記第１識別子と前記保管用個片化手段に設けられた前記第２識別子とを関連付けるための制御と、前記保管用個片化手段を前記棚に保管するための制御と、前記保管用個片化手段を前記倉庫手段から出庫するための出庫命令の制御とが行われ、前記ピッキングステーションでは、前記保管用個片化手段から前記単一ユニットの商品アイテムをピッキングするためのピッキング命令の制御と、ピッキングされた前記単一ユニットの商品アイテムに設けられた前記第１識別子と前記出荷用媒体に設けられた前記第３識別子との関連付けに基づいた投入完了命令の制御と、前記単一ユニット商品アイテムのピッキングが完了した前記保管用手段を前記周辺設備に送るためのリターン命令の制御とが行われる。

本発明の第１４の態様に係る自動化倉庫最適化システムは、前記第１３の態様において、前記倉庫手段で行われる前記制御及び前記ピッキングステーションで行われる前記制御のうち、少なくとも一つ以上は、人工知能（ＡＩ）技術によって生成された最適化モデルを含む少なくとも一つ以上の最適化モデルに基づいて行われる。

本発明の自動化倉庫最適化システムによれば、倉庫管理システム（ＷＭＳ）により管理される立体自動倉庫における商品の出庫効率を向上させることができる。

本発明の一実施の形態に係る立体自動倉庫の一例の概念図である。 図１に示す立体自動倉庫の保管倉庫部の一部を示す斜視図である。 図１に示す立体自動倉庫を管理するＷＭＳ及びＷＣＳのシステム構成を示すブロック図である。 図１に示す立体自動倉庫の保管倉庫部に入庫される保管用ケースの一例の斜視図である。 商品アイテムに設けられた第１識別子と保管用ケースに設けられた第２識別子との関連付け情報を示すトレーテーブルである。 商品アイテムに設けられた第１識別子と入荷元とを関連付けた情報を示す入庫テーブルである。 商品アイテムに設けられた第１識別子と出庫先とを関連付けた情報を示す出庫テーブルである。 商品アイテムの情報を記録した保管データテーブルである。 本発明の一実施の形態に係る最適化モデル生成ステップの一例の概念図である。 本発明の一実施の形態に係る最適化モデル生成ステップの一例の概念図である。 図７に係る動作の一例を示すフローチャートである。 図８に係る動作の一例を示すフローチャートである。

以下、図面を参照しながら本発明の一実施の形態に係る自動化倉庫最適化システムについて説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

図１は、本実施の形態に係る立体自動倉庫の一例の概念図、図２は、図１に示す立体自動倉庫の保管倉庫部の一部（棚一列分）を示す斜視図、図３は、図１に示す立体自動倉庫を管理するＷＭＳ及びＷＣＳのシステム構成を示すブロック図である。

立体自動倉庫１は、保管倉庫部（倉庫部）１００と、ピッキングステーション２００と、梱包部３００とを備えている。

保管倉庫部１００は、保管スペースを有する複数の段を通路に沿って配置した複数列の棚１０と、各棚１０に隣接して配置された複数の通路２０（通路２０には、棚１０と棚１０との間に挟まれて配置される態様を含む）と、各通路２０に設けられ、通路２０に沿って移動する搬送部３０とを有している。

また、保管倉庫部１００には、各通路２０の端部に配置され、保管用ケース４０を垂直方向に移動する昇降部５０と、棚１０の各段の端部に配置され、搬送部３０と昇降部５０との間で保管用ケース４０の受け渡しを行うバッファコンベヤ（バッファ部）６０とがさらに備わっている。

搬送部３０は、通路２０の水平方向及び／又は垂直方向への移動を同時に組み合わせて移動するたとえばスタッカークレーン方式の運搬装置であり、複数の商品アイテム７０が収納された保管用ケース（保管部）４０を伸縮自在なアーム等で支持して棚１０に入庫したり、棚１０から出庫したりする。

立体自動倉庫１での仕分け対象となるすべての商品アイテム７０の属性データ（数量、日付、入出荷先、保管場所、重量等）は、倉庫業務を一括管理するホストコンピュータ（またはサーバ、クラウド等）を備えたＷＭＳ（倉庫管理システム）４００と、ＷＭＳ４００のホストコンピュータに接続されたコンピュータを内蔵するＷＣＳ（倉庫制御システム：Warehouse Control System）５００によって管理されている。

図３に示すように、ＷＣＳ５００は、ＣＰＵ、メインメモリ、外部インタフェースを備え、ＷＭＳ４００のホストコンピュータに接続されたコンピュータと、外部インタフェースを介してこのコンピュータに接続されたストレージを有しており、ＷＭＳ４００からの指示によって立体自動倉庫１内のマテハン機器（搬送部３０、昇降部５０、バッファコンベヤ６０等）やピッキングステーション２００及び梱包部３００等に対し、無線及び／もしくは有線による遠隔操作や通信回線等を通じて入庫、搬送、出庫、ピッキング、自動封函等の作業指示を出す。

図４に示すように、保管用ケース４０の内部には、バーコードからなる第１識別子７１が設けられた単数または複数の商品アイテム７０が収納されており、保管用ケース４０の外側部には、商品アイテム７０の第１識別子７１に関連付けられることも可能なバーコードからなる第２識別子４１が設けられている。

第１識別子７１は商品アイテム７０を識別するためのものであり、商品ごとに異なっている。第２識別子４１は保管用ケース４０を識別するためのものであり、保管用ケース４０ごとに異なっている。第１識別子７１及び第２識別子４１は、バーコード以外の識別子、例えば二次元コードやＲＦＩＤ等であってもよい。

図示は省略するが、立体自動倉庫１を備える物流センターには、各メーカーからの商品アイテム７０が到着するトラックバースが備わっている。物流センターのトラックバースに各メーカーからの商品アイテム７０が到着すると、各商品アイテム７０をダンボール等の包装容器から開梱して保管倉庫部１００へ入庫するためのトレー化作業が行われる。

トレー化作業は、各商品アイテム７０に付した第１識別子７１と保管用ケース４０に付した第２識別子４１とを紐づけする工程である。これが上述した関連付けである。商品アイテム７０が文具である場合には、ステップラのように１個ずつ保管用ケース４０に収納するものと、鉛筆のように箱単位で収納するものとに分けられる。

保管用ケース４０に付した第２識別子４１は、トレー化作業場所に設けられたバーコードリーダの前を保管用ケース４０が通過する際に読み取られる。第２識別子４１の読み取りには、ＬＥＤ光源を照射し、その反射光をフォトダイオードで受光する等の公知技術が用いられる。

一方、商品アイテム７０に付した第１識別子７１は、商品アイテム７０を保管用ケース４０に入れる毎に、トラックバースの商品投入場所に設けられたハンディスキャナ等によって読み取られる。そして、ＷＣＳ５００のコンピュータは、読み取られた第１識別子７１とその数量と第２識別子４１とに基づき、図５に示すトレー化テーブルを作成しストレージ内のトレー化テーブル用メモリ領域に格納する。

これにより、各保管用ケース４０に収納された商品アイテム７０の名称とその数がＷＣＳ５００にて把握される。なお、トレー化作業には、商品アイテム７０を空の保管用ケース４０に投入する場合の他、既に同じ商品アイテム７０が投入された保管用ケース４０内に商品投入スペースがある場合は、その保管用ケース４０を棚１０に入庫した後、トレー化作業場所まで搬送する場合がある。

また、ＷＣＳ５００は、保管倉庫部１００で自動入出庫作業を行う際に必要となる第２識別子４１、商品アイテム７０の種類と数量、保管倉庫部１００の棚１０の番号、段番号、入庫時間等の情報を記録した図６のような保管データテーブルを作成する。この保管データテーブルは、ＷＣＳ５００のストレージ内の保管データテーブル用メモリ領域に格納され、出庫時、ピッキング作業時、梱包完了時等に必要に応じてその情報が更新される。保管データテーブルに記録されたこれらの情報（ログ情報を含む）は、後述する人工知能（ＡＩ）による機械学習のための基礎データとして利用されることができる。

例えば、保管用ケース４０が保管倉庫部１００に入庫されると、ＷＣＳ５００のコンピュータのＣＰＵは、入庫された保管用ケース４０の棚番号、段番号、通路番号、入庫時間等を含むアドレス情報に基づいて保管データテーブルを更新し、更新した保管データテーブルをストレージ内の保管データテーブル用メモリ領域に格納する。

また、保管倉庫部１００に入庫された保管用ケース４０がトレー化作業場所まで戻されて商品アイテム７０が追加投入された場合や、保管倉庫部１００から出庫された保管用ケース４０内の商品アイテム７０の一部がピッキングステーション２００でピッキングされた後、当該保管用ケース４０が保管倉庫部１００に戻される場合には、トレー化テーブルの情報もＷＣＳ５００のコンピュータのＣＰＵによって更新される。

上述したトレー化作業が完了した保管用ケース４０は、入庫用コンベヤ６００（図２参照）によって保管倉庫部１００へ搬送される。なお、トレー化作業場所と保管倉庫部１００とを接続する入庫用コンベヤ６００の一端は、ピッキングステーション２００の上部に配置されるので、図１では、ピッキングステーション２００の構成を見易くするために、入庫用コンベヤ６００の図示が省略されている。

保管用ケース４０を保管倉庫部１００に入庫する際は、まず、ＷＭＳ４００のホストコンピュータで下された入庫命令がＷＣＳ５００のコンピュータに伝達される。入庫命令には、商品アイテム７０の名称、数量、入庫時刻等を対応付けた入庫テーブルが含まれる。

ＷＣＳ５００のＣＰＵは、保管倉庫部１００に入庫する商品アイテム７０の名称と数量を上記入庫命令によって把握する。ＷＣＳ５００のＣＰＵは、ハードディスクドライブに格納され予め決められた作業指示プログラムに基づいて保管データテーブルと入庫テーブルとを比較し、最適な入庫順情報を作成して保管倉庫部１００のマテハン機器（搬送部３０、バッファコンベヤ６０、昇降部５０等）に作業指示を出す。ここで、入庫順情報とは、各保管用ケース４０をどの順序でどの間口に格納するかを決める経路と順序のことである。

このとき、ＷＣＳ５００のＣＰＵは、入庫テーブルとトレー化テーブルとを参照し、各商品アイテム７０がいずれの保管用ケース４０に格納されているかを確認した後、保管情報テーブルとトレー化テーブルとを比較し、各保管用ケース４０をどの棚１０のどの段に保管するかを決定する。

保管用ケース４０を入庫するアドレス（棚１０の段）を決定する際は、たとえばすでに入庫されている保管用ケース４０のアドレス情報を保管データテーブルから読み出し、保管用ケース４０の数が少ない棚１０の段に入庫させるようにする。その際、入庫用コンベヤ６００に近い棚１０の段から順に入庫させることが好ましい。

このようにして入庫命令が下された各保管用ケース４０は、マテハン機器の動作に従い、順次決定された棚１０の段に移動して入庫される。そして、ＷＣＳ５００は、この入庫データ（保管用ケース４０のアドレス情報や入庫時刻等）に従って保管データテーブルを更新する。

なお、ここでは、保管用ケース４０をどの棚１０のどの段に保管するかを決定する判断基準として、たとえば、すでに棚１０に入庫されている保管用ケース４０の数に着目したが、これに代えて棚１０に対する保管用ケース４０の単位時間当たりの占有率に着目してもよい。

本発明の自動化倉庫最適化システムは、上述したトレー化工程における制御、保管倉庫部１００におけるマテハン機器（搬送部３０、バッファコンベヤ６０、昇降部５０等）の制御、後述するピッキング工程及び／もしくは梱包工程における制御を最適化する手法として、人工知能（ＡＩ）によって生成された最適化モデルとルールベース（人間が考えたルールに基づいて作成したプログラム）によって生成された最適化モデルとを比較し、両者を必要に応じて使い分ける手法を採用する。

ルールベースのプログラムは、ＷＣＳ５００のストレージに格納されている。人工知能（ＡＩ）のプログラムは、ＷＣＳ５００とは別の場所に設置されてもよいサーバーのハードディスクドライブ等に格納され、通信部を介してＷＣＳ５００のコンピュータと接続されている。人工知能（ＡＩ）のプログラムは、ＷＣＳ５００のストレージ内にルールベースのプログラムと別個独立的に格納してもよい。

また、ルールベースと人工知能（ＡＩ）のそれぞれは、保管倉庫部１００におけるマテハン機器や、ピッキングステーション２００及び梱包部３００における各種機器を動作させるための動作用デバイスと、当該動作が正しい判断で動作するのか判定を下す判定用デバイスとから構成されている。判定用デバイスは、予め決められた優先事項である最短時間出庫、最短距離出庫、最小電力、予め決められていてもよい特定の商品を優先的に出庫する優先出庫情報、出庫する商品オーダー数、ピッキングの人員配置、スループット（単位時間当たりの処理量）、セール（曜日、季節等に特有の売れ筋情報やキャンペーン）要望への対応度合い、の傾向などから選択された優先項目に基づいて最適解を出したのがルールベースの動作用デバイスであるか、人工知能（ＡＩ）の動作用デバイスであるかを判定する。

ここで、人工知能（ＡＩ）とは、特定の事象についてのデータを反復学習し、その結果から特徴（規則性や関係性）を見つけ出してモデル化し、このモデルから得られた最適解に基づいて判断や予測を行うための学習アルゴリズムを使用する手法の一切を意味し、コンピュータに入力したデータを教師あり学習、教師なし学習、強化学習等のアルゴリズムに基づいて分析する機械学習だけでなく、機械学習を発展させた深層学習（ディープラーニング）を含む概念である。

深層学習は、人間の神経細胞をモデルにしたニューラルネットワークを用いてデータの学習を行う手法である。ニューラルネットワークとは、人間の脳内にある神経細胞をコンピュータ上にモデル化したもので、入力層（インプット）、隠れ層（中間層とも呼ばれ、多層にもできる）、出力層（アウトプット）で構成される。すなわち、深層学習とは、隠れ層が多数存在する多層構造のニューラルネットワークを用いた機械学習と定義される。畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、長・短期記憶ユニットニューラルネットワーク等の多くの種類がある。

その他の人工知能（ＡＩ）の手法としては、例えばＫ平均法、ベイジアンネットワーク法、カルマンフィルター法、サポートベクターマシン法、決定木法等が挙げられるが、これらに限定されるものではない。

図７は、本実施の形態に係る最適化モデル生成手法の一例を示す概念図である。

ここでは、ＷＣＳ５００のストレージに格納された過去の入出庫動作ログ、マテハン機器の動作ログ、商品アイテムの属性データ（数量、日付、入出荷先、保管場所、重量等）、保管データテーブルに記録されたデータ等に基づいて作成されたルールベースによってマテハン機器（搬送部３０、バッファコンベヤ６０、昇降部５０等）の最短移動時間（時短化モデル）を生成すると共に、上記のデータ等に基づいて入力変数（説明変数）を抽出し、深層学習等の人工知能（ＡＩ）技術によって、マテハン機器の最短移動時間（時短化モデル）を生成する例を示している。

保管倉庫部１００及びピッキングステーション２００で行う上記の制御を人工知能（ＡＩ）によって最適化する場合、各制御を個別に最適化してもよく、制御全体を一括して最適化してもよい。また、どの制御を優先して最適化するかは、人が状況に応じて各制御に重み付けを付与してもよく、システムが状況を記述するパラメータから自動変換された重み付けを付与してもよい。

システムが各制御を個別に最適化する場合、共起物品集約（たとえば、鉛筆を注文すれば消しゴムも併せて注文される（率が一定以上である場合にペアリングを見出しペアリング規約を規定することを含む）ペアリング対象のものを一緒のトレーに入れること）であれば、例えば相互情報量あるいはコホーネンの自己組織化マップ（ＳＯＭ）を使った教師なし機械学習で行うことが考えられる。なお、ここでは、ＳＯＭとは、たとえば共起物品に係るクラスタを生成することをいい、たとえば次の文献に詳述される（Kohonen T. Self-organizing formation of topologically correct
feature maps. Biol. Cybern., 43, 1982, 59-69.）。また、保管用ケース４０を棚１０に入庫すると共に棚１０から出庫するための制御であれば、例えば搬送部３０、昇降部５０及びバッファコンベヤ６０の単位時間当たり処理量をルート探索問題と捉え、最短経路探索の計算を単純な組み合わせロジックで行う手法あるいはホップフィールドネットワーク等を使った巡回セールスマン問題の手法で行うことが考えられる。

制御全体を最適化する場合は、制御のパラメータで構成されるｎ次元空間における最適点探索問題と捉え、これをｎ次元空間における曲線近似問題として扱ってｎ次元空間中の最小値を求める手法で行ってもよい。

また、状況に応じた最適化手法については、状況を記述するパラメータの重要度を人間もしくはシステムが設定し、相互依存的な最適化パラメータの重要度を決定することができる。単純には、もし注目しているパラメータの値１が最適化制御項目Ａを最適にするが最適化制御項目Ｂは最適にせず、しかし一方、注目パラメータの値２が最適化制御項目Ａは最適にしないが最適化制御項目Ｂを最適にするというような、いずれの最適化制御項目を採用すべきかという問題が生じたとする。この場合、もし最適化制御項目Ａの重要度が高ければ、最適化制御項目Ｂの最適化を完全に無視してパラメータの値１を採用する手法や、各パラメータをｎ次元入力と考えてエネルギー最小点に収束させる機械学習手法や、人間が望ましい結果を示す教師あり機械学習手法を用いることが考えられる。

保管倉庫部１００におけるマテハン機器の最短移動時間（時短化モデル）を生成する場合、人工知能（ＡＩ）及びルールベースは、各棚１０に入庫された保管用ケース４０の数や棚１０毎の保管用ケース４０の占有率を考慮すること、一緒に売れる商品アイテム７０の組み合わせを過去の出庫履歴から読み取ること、一緒に売れると思われる複数種類の商品アイテム７０を同じ棚１０に配置すること、のいずれか少なくとも一つあるいはこれらの組み合わせを考慮してもよい。

例えば、書店向け商品群、薬局向け商品群、電気屋向け商品群等、一般に、同一業種の店舗で扱われる複数種類の商品アイテム７０を同一カテゴリーの商品群として同じまたは近い棚１０に集約して配置する。同じＧＴＰの仕向先向けに集約しやすいためである（共起物品集約の一例であるともいえる。）。もしくは、季節毎の売れ筋商品を考慮し、売れ筋の商品アイテム７０を複数の棚１０に分散して配置すると共に、分散させた売れ筋商品アイテム７０と一緒に売れることが多い商品アイテム７０を同じ棚１０に入れるようにする。作業負担の平準化を図ることができる。

そして、例えば一日などの単位時間当たりの実際の出庫指令に基づき、セットで売られる商品アイテム７０のうち、どの程度が一緒に売れているかを算出し、例えば５０％以上が人工知能（ＡＩ）の予測した商品セットである場合には、人工知能（ＡＩ）が導き出した入庫順情報を採用することができる。他方、人工知能（ＡＩ）が一緒に売れると予測したセットが５０％を下回るようになった場合には、翌日からルールベースが導き出した入庫順情報を採用するように切り替えることができる。

そして、ルールベースが導き出した入庫順情報を採用している間にも、人工知能（ＡＩ）が導き出した一緒に売れる商品セットの予測を継続しておき、例えば一日などの単位時間当たりの実際の出庫指令に基づき、セットで売られる商品のうち、５０％以上が人工知能（ＡＩ）の予測した商品セットとなった場合には、翌日から人工知能（ＡＩ）が導き出した入庫順情報を採用するように切り替える。

また、商品アイテム７０を入庫した後に人工知能（ＡＩ）で出庫を予測し、入庫命令や出庫命令が少ないときに繁忙時の単位時間の出庫オーダの処理件数が増えるよう保管用ケース４０の位置を求め、出庫時に出庫し易い位置に保管用ケース４０を移動させておいてもよい。

例えば、入庫時には、書店向け商品群、薬局向け商品群、電気屋向け商品群等、同一業種の店舗で扱われる商品毎に同一カテゴリーの商品群とし、それを同じまたは近い棚１０に集約して配置したとしても、入出庫を繰り返す間に分散して配置されることもある。その場合には、例えば倉庫作業が行われない夜間に分散した商品群を同じまたは近い棚１０に集約してもよい。

棚１０に保管された商品アイテム７０に対して顧客から注文があった場合、当該商品アイテム７０が入った保管用ケース４０は、搬送部３０によって棚１０から出庫され、バッファコンベヤ６０及び昇降部５０を介してピッキングステーション２００に搬送される。

保管倉庫部１００から商品アイテム７０を出庫する際は、まずＷＭＳ４００から商品アイテム７０の出庫命令が下され、これがＷＣＳ５００のコンピュータを介してピッキングステーション２００に伝達される。出庫命令には、商品アイテム７０とその数量、出庫時刻及び配送先を対応付けた出庫情報が含まれている。

ＷＣＳ５００のＣＰＵは、ストレージに格納された既定の作業指示プログラムに従って保管情報と出庫情報とを比較し、最適な出庫順情報を作成してマテハン機器（搬送部３０、バッファコンベヤ６０、昇降部５０等）を動作させる。

具体的には、ＷＣＳ５００のストレージに格納された既定の作業指示プログラムに従って出庫命令に対応する商品アイテム７０が収納された保管用ケース４０を選択し、当該保管用ケース４０を棚１０から出庫するために搬送部３０を移動させる。そして、出庫の対象である保管用ケース４０に到着した搬送部３０は、保管用ケース４０を把持してバッファコンベヤ６０に移載する。

このとき、人工知能（ＡＩ）は、たとえば過去一週間分の出庫履歴に基づいて、例えば単位時間当たりの処理オーダー数が最大化できるような（当日分／午前中分／１時間分の）出庫プログラム或いは出庫順情報を作成する。そして、過去一週間に同じ出庫傾向が続いている場合、人工知能（ＡＩ）は、単位時間当たりの処理オーダー数を向上させるか、単位時間当たりの処理オーダ数が高い状況を維持する。

一方、当日、新たに臨時のセール（キャンペーン）期間が開始された場合等、人工知能（ＡＩ）が予めセールに関する学習をしていないときには、セール期間でない状態の出庫情報を出力するので、単位時間当たりのオーダー数が極端に悪化する場合もあり得る。その場合は、人工知能（ＡＩ）が生成した出庫情報に代えてルールべースが生成した出庫情報を採用する。

また、過去１週間続いたセール期間が終了した場合や、保管倉庫部１００のマテハン機器のいずれかが故障した場合等、イレギュラーな状況が発生した場合は、人工知能（ＡＩ）が生成した出庫効率よりもルールベースが生成した出庫効率が上回るので、ルールべースの出庫情報を採用する。

出庫命令の対象となった保管用ケース４０を保管倉庫部１１０から出庫すると、ＷＣＳ５００は、棚１０及び段の番号等からなるアドレス情報と、当該保管用ケース４０の情報とを対応付け、当該保管用ケース４０が出庫されたことをその日時と共に保管データテーブルに記録し、当該保管データテーブルを更新する。

保管倉庫部１１０から出庫された保管用ケース４０がピッキングステーション２００に到着すると、作業者やロボット等のピッキング部９０は、当該保管用ケース４０内の商品アイテム７０とその数量とを表示したディスプレイ画面の指示に従って商品アイテム７０をピッキングし、出荷用コンベヤ９１を流れる空の出荷用ケース（出荷用媒体）８０（または段ボール等の梱包資材）に投入する。

出荷用ケース８０への商品アイテム７０の投入が完了すると、ピッキング部９０は、ディスプレイ画面に表示されたピッキング完了ボタンをタッチする。これにより、ＷＣＳ５００は、ストレージに格納された既定の作業指示プログラムに従い、出荷用ケース８０を梱包部３００に向かって搬送させる。

図示は省略するが、たとえば出荷用ケース８０の外側面には、当該出荷用ケース８０に投入される商品アイテム７０の第１識別子７１に関連付けられる第３識別子が設けられている。第３識別子には、出荷先の顧客情報や店舗情報、商品アイテム７０の名称及び名称、出庫の日時等の情報が含まれている。この場合、ケースの外側面に貼付するだけでなく、代替的に、納品書にＩＤを印刷して同梱してもよいし、ラベルにＩＤを印刷して貼付してもよい。

ＷＣＳ５００は、出荷用ケース８０の第３識別子に記載されたこれらの情報と当該出荷用ケース８０に投入された商品アイテム７０の第１識別子７１の情報とを対応付け、当該出荷用ケース８０が梱包部３００に搬送されたことをその日時と共に保管データテーブルに記録し、当該保管データテーブルを更新する。

ピッキングステーション２００において商品アイテム７０がピッキングされた保管用ケース４０のうち、内部に商品アイテム７０が残っている保管用ケース４０は、バッファコンベヤ６０及び昇降部５０によって再び保管倉庫部１００に搬送され、搬送部３０によって棚１０に戻される。この場合、保管用ケース４０が戻される場所は元の場所である必要はなく、任意の棚１０の空いた保管スペースが利用される（フリーロケーション方式）。

一方、商品アイテム７０のピッキングが完了して空になった保管用ケース４０は、保管倉庫部１００の上流のトレー化作業場所に搬送され、新たに入荷した商品アイテム７０が収納された後、入庫用コンベヤ６００を通じて保管倉庫部１００に搬送される。

このように、ピッキングステーション２００では、倉庫制御システム（ＷＣＳ）５００の指示に従い、保管用ケース４０から必要な数量の商品アイテム７０をピッキングするためのピッキング命令の制御や、ピッキングされた商品アイテム７０に設けられた第１識別子７１と出荷用ケース８０に設けられた第３識別子との関連付けに基づいた投入完了命令の制御や、商品アイテム７０のピッキングが完了した保管用ケース４０を保管倉庫部１００に戻すためのリターン命令の制御や、熟練度に差のあるピッキング部９０同士のペアリング制御等が行われる。

人工知能（ＡＩ）は、上記したピッキングステーション２００での制御を最も効率よく進めるための最適解を導き出す。そして、この最適解がルールベースが導き出した最適解よりも優れている場合には、人工知能（ＡＩ）が導き出した最適解を採用するように切り替える。

梱包部３００では、ピッキングステーション２００から送られてきた出荷用ケース８０から商品アイテム７０が取り出され、ダンボール箱等の梱包資材で梱包された後、出荷及び配送処理に付される。

梱包部３００に送られてきた出荷用ケース８０は、ＷＣＳ５００のストレージから読み出された出荷情報と、当該出荷用ケース８０内の商品アイテム７０及びその数量、出荷先の顧客情報及び店舗情報、出荷日時等の情報との間に齟齬がないかチェックされ、その後、当該出荷用ケース８０内の商品アイテム７０が取り出されて自動封函装置等によって梱包される。

ＷＣＳ５００は、上記した梱包工程の情報を保管データテーブルに記録し、当該保管データテーブルを更新する。

人工知能（ＡＩ）は、上記した梱包部３００での作業を最も効率よく進めるための最適解を導き出す。そして、この最適解がルールベースが導き出した最適解よりも優れている場合には、人工知能（ＡＩ）が導き出した最適解を採用するように切り替える。

例えば、梱包部３００では、商品アイテム７０を自動封函装置等によって梱包する際、ダンボール等の梱包原紙を商品アイテム７０のサイズに合わせて自動裁断する。その際、人工知能（ＡＩ）は、梱包原紙を商品アイテム７０の出庫順に合わせて自動裁断するか、梱包原紙のサイズ単位で自動裁断するかを判定する。これにより、商品アイテム７０を必要以上に大きいダンボールで梱包する無駄や、商品アイテム７０のサイズよりも小さいダンボールに当該商品アイテム７０を投入するエラーを防ぐことができる。

また、本発明の自動化倉庫最適化システムは、人工知能（ＡＩ）によって生成された最適化モデルとルールベース（人間が考えたルールに基づいて作成したプログラム）によって生成された最適化モデルとを比較し、両者を必要に応じて使い分ける手法を含んでいる。

例えば、図８に示すように、保管倉庫部１００に備わるマテハン機器の最短移動時間をルールベースで求めるか、人工知能（ＡＩ）で求めるかを判断する場合、保管倉庫部１００で行う制御項目以外の項目（入庫効率、作業員配置、環境負荷、消費電力等）を入力変数とする深層学習２（あるいは、ルールベースのような非人工知能（非ＡＩ）技術）によって２つの最適化モデル（人工知能（ＡＩ）から導き出された最適化モデル及びルールベースから導き出された最適化モデル）を比較、評価するメタ最適化手法によって、最短移動時間を導き出してもよい。

このようなメタ最適化は、ルールベースについては、評価関数を決め、その最適解を与える下位の各最適化手法のパラメータを採用することで行ってもよい。また、人工知能（ＡＩ）については、結果が最適かどうかを人間が教える教師あり機械学習等で行ってもよい。

さらに、人工知能（ＡＩ）で制御の最適化モデルを生成するステップに先立ち、人工知能（ＡＩ）で最適化モデルを生成すべきか、ルールベースのような非人工知能（非ＡＩ）技術で最適化モデルを生成すべきかを判定し、非人工知能（非ＡＩ）で最適化モデルを生成すべきと判定された場合には、保管倉庫部１００で行われるマテハン機器の制御や、ピッキングステーション２００及び梱包部３００で行われる各種制御のうち、少なくとも一つ以上は、非人工知能（非ＡＩ）技術によって生成された最適化モデルに基づいて行うようにしてもよい。その際、人工知能（ＡＩ）で最適化モデルを生成すべきか、非人工知能（非ＡＩ）で最適化モデルを生成すべきかの判定は、上記人工知能（ＡＩ）とは別の人工知能（ＡＩ）や非人工知能（非ＡＩ）で行ってもよい。

以上のような本実施の形態によれば、立体自動倉庫で行われる商品アイテム７０の仕分け作業の少なくとも一部を人工知能（ＡＩ）で生成した最適化モデルに従って行うことにより、立体自動倉庫を備えた物流センター等における商品の出庫効率を向上させることが可能となる。

従って、本発明に係る自動化倉庫最適化システムによれば、立体自動倉庫を備えた物流センターのみならず、物流における全体最適解を求めることができる。また、商品物流全体の合理化を推進することができる。

なお、前記実施の形態では、スタッカークレーン方式の搬送部３０、バッファコンベヤ６０及び昇降部５０を使って商品アイテム７０を棚１０に入庫したり、棚１０から出庫したりする保管倉庫部１００について説明したが、保管倉庫部１００での商品アイテム７０の搬送方法はこれに限定されるものではなく、例えばスタッカークレーン方式の搬送部３０のみを使って商品アイテム７０を棚１０に入庫したり、棚１０から出庫したりしてもよい。また、スタッカークレーン方式以外の搬送手段を用いて商品アイテム７０の入出庫を行ってもよい。

１：立体自動倉庫
１０：棚
２０：通路
３０：搬送部
３１：アーム
４０：保管用ケース（保管用部）
４１：第２識別子
５０：昇降部
６０：バッファコンベヤ（バッファ部）
７０：商品アイテム
７１：第１識別子
８０：出荷用ケース（出荷用媒体）
９０：ピッキング部
９１：出荷用コンベヤ
１００：保管倉庫部（倉庫部）
２００：ピッキングステーション
３００：梱包部
４００：倉庫管理システム（ＷＭＳ）
５００：倉庫制御システム（ＷＣＳ）
６００；入庫用コンベヤ

Claims (4)

1. 一定時間において受け付けられた物流オーダーに対して、前記物流オーダーを物流システムによって処理することに伴う特定の物流処理尺度情報を最適化するために、前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定する情報である物流処理シナリオを定義づける情報を出力するように、コンピュータを機能させるための学習済みモデルであって、
   一定時間において受け付けられた物流オーダーに対して規定された過去の物流処理シナリオから該シナリオを入力値とする入力層と、
   前記入力層に対して重み付け係数をもって接合された１以上の中間層と、
   前記中間層に対して重み付け係数をもって接合された出力層と
   を備え、
   過去の前記物流処理シナリオと、前記過去の物流処理シナリオによって動作した結果得られる、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせた物流処理尺度情報を教師データとして用い、前記入力層に対し、重み付け係数に基づく演算を行い、前記出力層から前記特定の物流処理尺度情報を最適化するための物流処理シナリオを定義づける情報を出力する学習済みモデルを機械学習により生成する第１のモデル生成手段と、
   前記第１のモデル生成手段によって出力された第１の物流処理シナリオと、予め決められたプログラムであるルールベースに基づいて第２の物流処理シナリオと、前記第１の物流処理シナリオ、前記第２の物流処理シナリオの処理シナリオのそれぞれについて規定される物流処理尺度情報とを教師データとして用い、特定の物流オーダーに対して前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを推定する推定モデルを機械学習により生成する好適モデル生成手段と、
   特定の物流オーダーが入力される入力手段と、
   前記入力手段によって入力された前記特定の物流オーダーを規定する物流オーダー規定情報を特定する物流オーダー情報特定手段と、
   前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、
   前記好適モデル生成手段により生成された推定モデルを用いて、前記物流オーダー情報特定手段が特定した前記物流オーダー規定情報から、前記尺度情報を最適化するためには前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを出力する処理手段と
   を備える物流処理シナリオ出力システム。
2. 一定時間において受け付けられた物流オーダーを処理するためのシナリオとしての、機械学習に係る物流処理シナリオ推定システムによって出力された第１の物流処理シナリオを生成する第１の手段であって、一定時間において受け付けられた物流オーダーに対して、前記物流オーダーを物流システムによって処理することに伴う特定の物流処理尺度情報を最適化するために、前記物流システムを構成する全機器を経時的にどのように動作させるべきかを規定する情報である物流処理シナリオを定義づける情報を出力するように、コンピュータを機能させるための学習済みモデルであって、
   一定時間において受け付けられた物流オーダーに対して規定された過去の物流処理シナリオから該シナリオを入力値とする入力層と、
   前記入力層に対して重み付け係数をもって接合された１以上の中間層と、
   前記中間層に対して重み付け係数をもって接合された出力層と
   を備え、
   過去の前記物流処理シナリオと、前記過去の物流処理シナリオによって動作した結果得られる、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせた物流処理尺度情報を教師データとして用い、前記入力層に対し、重み付け係数に基づく演算を行い、前記出力層から前記特定の物流処理尺度情報を最適化するための物流処理シナリオを定義づける情報を出力する学習済みモデルを機械学習により生成する、手段と、
   前記物流処理尺度情報の中から所望される尺度情報が特定される尺度情報特定手段と、
   前記尺度情報特定手段によって特定された尺度情報を最適化するための第２の物流処理シナリオをルールベースに基づいて得る第２の手段と、
   特定の物流オーダーが入力される入力手段と、
   前記入力手段によって入力された前記物流オーダーについて前記尺度情報を最適化するためは前記第１もしくは第２の物流処理シナリオのいずれがより好ましいかを判定する判定手段と
   を備える物流処理シナリオ出力システム。
3. 前記物流処理尺度情報は、スループット情報、処理時間情報、消費電力情報、出庫完了オーダー数情報、処理に要した人員数情報、セール品を含む特殊処理対象物品の単位時間当たりの処理数情報の少なくともいずれか一つあるいは二つ以上を組み合わせたものに照らして得られる、請求項１もしくは２記載の物流処理シナリオ出力システム。
4. 前記物流処理シナリオは、出庫待機数情報、コンベア移動距離情報、棚間移動待機数情報、棚間距離情報、スタッカクレーン移動距離情報、配置替発生数情報、入庫待機数情報、通路距離情報、バッファ部待機数情報、引当可能数情報のうちの少なくともいずれか一つに基づいて作成される、請求項１もしくは２記載の物流処理シナリオ出力システム。