JP7327894B2 - 荷役システム - Google Patents

Description

本願発明は、荷役システムに関する。

特許文献１に記載のように、自律して動作するバッテリ式の無人フォークリフトが知られている。この無人フォークリフトは、施設内外で荷役作業を行う。施設内での荷役作業には、棚に荷置きしたり、棚から荷取りする作業が含まれている。無人フォークリフトは、棚と棚との間の通路に進入し棚に荷置きするとき、通常、一度方向転換しなければならない。フォークリフトの電力は、この方向転換のたびに消費される。一方、特許文献２に記載のように、通路に進入した後、自らは方向転換せずにフォークの方向のみ左右に９０°角度変更することのできる３方向フォークリフトが知られている。このフォークリフトは、進行方向から棚方向に方向転換することなく荷役作業を行うことができるので、電力効率がよい。この３方向フォークリフトのうち、フォークのシフト（左右スライド）とローテート（旋回）の駆動方式を電動式としたフォークリフトが、特に電力効率に優れている。

ところで、特許文献３および４に記載のように、無人フォークリフトの稼働率を向上させるために、複数のフォークリフトのバッテリを管理する荷役システムが知られている。特許文献３に記載のバッテリ交換時期管理システムは、各フォークリフトのバッテリの交換時期を所定時間ずつ互いにずらせて順次指定するバッテリ交換時期指定手段と、このバッテリ交換時期指定手段のバッテリ交換時期の指定に応じてフォークリフトに対してバッテリ交換を指令するバッテリ交換指令手段とを備えている。

また、特許文献４に記載の充電システムは、複数のフォークリフトのバッテリの各残量を取り込み、複数のフォークリフトの現在から所定時間後までの予想消費電力を演算し、バッテリの残量と該予想消費電力との差から、複数のフォークリフトのバッテリ交換順位を定めるための指標値を演算し、そして、当該指標値およびバッテリの充電可能な許容量に基づき該当するフォークリフトに対して帰還指令を出力する。また、特許文献４に開示の充電システムは、各フォークリフトの消費電力と電池残量を考慮して、荷役作業の中止やスケジュールの変更をする。

しかしながら、上記荷役システムは、充電池の使用・交換・充電といったものに着目し、フォークリフトの電力効率については考慮されていない。したがって、上記荷役システムは、荷役車全体における荷役作業の効率化が実現されないことがある。

特開２０２１－５９４３５号公報 特開２０２０－５２６３０号公報 特開２００３－７０１０４号公報 特開２０１１－１４２７０４号公報

そこで、本発明が解決しようとする課題は、無人フォークリフトの電力効率も考慮して無人フォークリフトの充電タイミングを管理する荷役システムを提供することにある。

上記課題を解決するために、本発明に係る荷役システムは、
複数の無人フォークリフトと、複数の無人フォークリフトを充電する第１充電場所と、管理装置と、を備えた荷役システムであって、
管理装置は、
各荷役作業における、無人フォークリフトの識別子、荷役動作および荷の重量を入力データとし各荷役作業における荷役消費電力を出力データとする教師データによって、それらの相関を学習させられる第１ニューラルネットワークと、
消費電力予測部と、
荷役車予定出力部と、
前の荷役作業における荷置位置の座標と、次の荷役作業における荷取位置の座標とに基づいて、各荷役作業間における無人フォークリフトの走行消費電力を算出する荷役間消費電力算出部と、
前の荷役作業における荷置位置の座標と、次の荷役作業における荷取位置の座標とに基づいて、各荷役作業間における無人フォークリフトの走行時間を算出する荷役間走行時間算出部と、
各無人フォークリフトに搭載されるバッテリの容量と、各荷役作業における各無人フォークリフトの荷役予測消費電力と、各荷役作業の荷取位置および荷置位置の座標と、各荷役作業間の無人フォークリフトの走行消費電力とに基づいて、無人フォークリフトが充電までの間により多くの荷役作業をすることができる荷役予定を出力するよう学習させられる第２ニューラルネットワークと、
荷役時間予測部と、
各荷役作業における、無人フォークリフトの識別子、荷役動作、荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を学習させられる第３ニューラルネットワークと、
充電計画部と、を備え、
消費電力予測部が、無人フォークリフトの識別子、荷役動作、荷の重量を第１ニューラルネットワークに入力して、電力効率のよい無人フォークリフトの各荷役作業における荷役予測消費電力を出力させるステップと、
荷役車予定出力部が、電力効率のよい無人フォークリフトに搭載されるバッテリの容量と、各荷役作業における電力効率のよい無人フォークリフトの荷役予測消費電力とを第２ニューラルネットワークに入力して電力効率のよい無人フォークリフトの荷役予定を出力させるステップと、
荷役間走行時間算出部が、各荷役作業間における無人フォークリフトの走行時間を算出するステップと、
荷役時間予測部が、無人フォークリフトの識別子、出力された荷役予定に係る荷役動作および荷の重量を第３ニューラルネットワークに入力して、電力効率のよい無人フォークリフトの荷役予定に係る各荷役作業の予測荷役作業時間を出力させるステップと、
荷役時間予測部が、出力された各荷役作業の予測荷役作業時間と、各荷役作業間における走行時間とを足し合わせて、荷役開始から次の充電開始までの予測荷役時間を算出するステップと、
充電計画部が、バッテリの充電時間に基づいて、第１充電場所において荷役開始から予測荷役時間後に電力効率のよい無人フォークリフトを充電させる第１充電時刻を設定するステップと、
充電計画部が、他の無人フォークリフトの第１充電場所における充電時刻を第１充電時刻以外に設定するステップと、を含む、ことを特徴とする。

上記荷役システムは、好ましくは、
第２充電場所をさらに備え、
充電計画部が、第１充電時刻の間、他の無人フォークリフトの充電場所を第１充電場所以外に設定する。

上記荷役システムは、例えば、
複数の無人フォークリフトには、３方向フォークリフトおよび１方向フォークリフトが含まれており、３方向フォークリフトは、１方向フォークリフトよりも電力効率が高い。

上記荷役システムは、好ましくは、
第２ニューラルネットワークが、強化学習によって学習させられている。

上記荷役システムは、好ましくは、
第２ニューラルネットワークに与える報酬を生成する報酬生成部をさらに備え、
報酬生成部が、第２ニューラルネットワークが出力する荷役予定に対して、電力効率のよい無人フォークリフトが充電までの間により多くの荷役作業を割り当てられれば割り当てられるほど、より多くの報酬を生成する。

上記荷役システムは、好ましくは、
報酬生成部が、第２ニューラルネットワークが出力する荷役予定に対して、各無人フォークリフトの荷役間消費電力が少なければ少ないほど、より多くの報酬を生成する。

本発明の荷役システムは、無人フォークリフトの電力効率も考慮して無人フォークリフトの充電タイミングを管理することができる。

本発明の一実施形態に係る荷役システムの全体を示す平面図である。 図１に示された無人フォークリフトの構成を示す側面図である。 図１に示された別の無人フォークリフトの構成を示す側面図である。 図１に示された管理部のブロックである。 図４に示された荷役動作出力部の機能を示す図である。 図４に示された第１ニューラルネットワークを示し、Ａは機械学習を示す図であり、Ｂは荷役予測電力を出力する機能を示す図である。 図４に示された第２ニューラルネットワークの動作を示す図である。 充電時刻設定方法を示す図である。 本発明の荷役システムの動作を示すフロー図である。

以下、添付図面を参照して、本発明の荷役システムに係る一実施形態について説明する。図中において両矢印Ｘは前後方向を示し、両矢印Ｚは上下方向を示している。

図１に示すように、荷役システムＳは、施設内に配置された複数のバッテリ式無人フォークリフト（以下、単に、「フォークリフト」という）１ａ、１ｂと、管理装置４と、複数（本実施形態では２つ）の充電場所ＣＰ１、ＣＰ２と、２つの充電装置３ａ、３ｂと、棚１００と、を備えている。以下において、フォークリフト全体における説明の場合、フォークリフト１といい、充電場所を特定しない場合、充電場所ＣＰということがある。管理装置４および複数のフォークリフト１は、ネットワークを介して互いに通信可能に構成されている。管理装置４は、ネットワーク上に構成されたサーバコンピュータでもよい。本実施形態に係る複数のフォークリフト１には、２種類のフォークリフト１ａ、１ｂが含まれているが単なる一例であって、本発明に係る複数のフォークリフトは、下記フォークリフト１ａ、１ｂ以外のフォークリフトが含まれていてもよい。

＜フォークリフト＞
図２に示すように、フォークリフト１ａは、前後の車輪１０と、車体１１と、車体１１の上方に配置されたレーザスキャナ１２と、バッテリ２０と、バッテリ残量検出部１３と、を備えている。レーザスキャナ１２は、回転しながら水平方向にレーザを照射し、施設内の所定箇所に配置された反射板からの反射光を受信することによりフォークリフト１ａの現在位置を検出する。

バッテリ残量検出部１３は、バッテリ２０の残量を検出する。検出されたバッテリ２０の残量は、管理装置４に送信される。

フォークリフト１ａは、さらに、上下に延びる左右一対のマスト１４と、左右のマスト１４に連結され上下に昇降させられるリフトブラケット１５と、リフトブラケット１５に設けられ左右方向に延びる上下一対のサイドレール１６と、サイドレール１６に沿って左右方向にシフトするシフトキャリッジ１７と、を備えている。シフトキャリッジ１７には、フィンガーバー１８が設けられ、フィンガーバー１８には、左右一対のフォーク１９が設けられている。フィンガーバー１８は、シフトキャリッジ１７に旋回可能に設けられている。フォークリフト１ａは、これら構成を備えていることにより、車体１１の向きを変えずにフォーク１９の向きを３方向に変更することができる。

図３に示すように、フォークリフト１ｂは、前後の車輪１０と、車体１１と、車体１１の上方に配置されたレーザスキャナ１２と、を備えており、上述のように、レーザスキャナ１２によって現在位置を取得する。また、フォークリフト１ｂは、フォークリフト１ａと同様に、バッテリ２０の残量を検出するバッテリ残量検出部１３を備えている。さらに、フォークリフト１ｂは、上下に延びる左右一対のマスト１４と、マスト１４に連結され上下に昇降させられるリフトブラケット１５と、リフトブラケット１５に連結された左右一対のフォーク１９と、を備えている。このフォークリフト１ｂは、車体１１の向きを変更することによりフォーク１９の向きを変更する。

本実施形態における３方向フォークリフト１ａは、荷役作業において車体１１の方向を変更せずにフォーク１９の向きだけを変更して荷役作業をすることができるので、１方向フォークリフト１ｂに比して電力効率がよい。しかも、フォークリフト１ａは、フォーク１９のシフトとローテートの駆動方式を電動式としたフォークリフトであるのでさらに電力効率がよい。荷役システムＳでは、バッテリ容量の多いバッテリ２０を電力効率のよいフォークリフト１ａに優先的に割り当てている。これにより、荷役システムＳ全体の電力効率が上昇させられている。

＜充電場所＞
図１に示すように、本実施形態に係る充電場所ＣＰは、施設内に２つ設けられており、各充電場所ＣＰには、充電装置３ａ、３ｂがそれぞれ配置されている。充電場所ＣＰ１には、充電装置３ａが配置され、充電場所ＣＰ２には、充電装置３ｂが配置されている。充電装置３は、充電場所ＣＰに移動してきたフォークリフト１のバッテリ２０を充電する。本実施形態では、充電場所ＣＰ１の充電装置３ａの方が充電場所ＣＰ２の充電装置３ｂよりも充電性能がよいとなっている。そして、本実施形態の荷役システムＳは、充電効率のよいフォークリフト１ａに充電場所ＣＰ１を提供するよう構成されている。充電場所ＣＰ１が本実施形態の「第１充電場所」に相当し、充電場所ＣＰ２が本実施形態の「第２充電場所」に相当する。

＜管理装置＞
図４に示すように、管理装置４は、施設記憶部４０と、バッテリ情報記憶部４１と、走行消費電力記憶部４２と、荷役記憶部４３と、荷役動作出力部４６と、消費電力算出部４７と、第１ニューラルネットワーク４８と、消費電力予測部４９と、荷役間消費電力算出部５１と、第２ニューラルネットワーク５３と、報酬生成部５４と、荷役車予定出力部５５と、を備えている。

施設記憶部４０は、荷役作業に係る施設内の棚１００、通路および充電場所ＣＰの座標を記憶している。

バッテリ情報記憶部４１は、バッテリ２０の容量および充電時間を含むバッテリ２０の情報をバッテリ２０ごとに記憶している。

走行消費電力記憶部４２は、非荷役時における各フォークリフト１の走行距離当たりの消費電力を記憶している。非荷役時の走行とは、フォークリフト１が荷Ｗを積載していないときの走行のことである。すなわち、前の荷役作業の荷置位置から次の荷役作業の荷取位置に向うとき、充電場所ＣＰから次の荷取り位置に向かうとき、および前の荷置位置から充電場所ＣＰに向かうときの走行が、非荷役時の走行となる。この非荷役時の走行距離当たりの走行消費電力は、各フォークリフト１の仕様から取得してもよいし、または走行時におけるフォークリフト１の実消費電力から取得してもよい。なお、以下において、先の荷役作業における荷取位置から次の荷役作業における荷置位置まで、充電場所ＣＰから次の荷取り位置まで、および前の荷置位置から充電場所ＣＰまでのこと、またはそのいずれかのことを「荷役作業間」ということがある。

荷役記憶部４３は、荷役情報を記憶している。荷役情報は、各荷役作業の荷取位置および荷置位置の座標ならびに荷Ｗの重量を含む。荷取位置および荷置位置の座標は、水平方向の座標と高さ方向の座標とを含んでいる。

図５に示すように、荷役動作出力部４６は、フォークリフト１の種類、施設内情報ならびに荷取位置および荷置位置の座標に基づいて、各荷役作業における各フォークリフト１の走行距離、荷取時フォーク揚高、荷置時フォーク揚高および車体方向転換回数を含む荷役動作を出力する。なお、荷役動作出力部４６は、「過去の荷役作業」におけるフォークリフト１の荷役動作だけでなく、まだ行われていない「先の荷役作業」におけるフォークリフト１の荷役動作も出力する。

「各フォークリフト１の走行距離」とは、荷取位置から荷置位置までの走行距離のことである。荷役動作出力部４６は、施設内情報および荷取位置および荷置位置の座標からそのルートを取得し、次いで、そのルートの距離に基づいて荷役時の走行距離を出力する。

「荷取時および荷置時フォーク揚高」とは、荷取作業および荷置作業の際のフォーク１９の揚高のことである。荷役動作出力部４６は、荷取位置および荷置位置の高さ座標とフォークリフト１の仕様とに基づいて荷取時および荷置時におけるフォークリフト１のフォーク１９の揚高を出力する。

「車体方向転換回数」とは、荷取位置から荷置位置までに行われるフォークリフト１の車体１１の方向転換のことである。荷役動作出力部４６は、フォークリフト１の種類、施設内情報ならびに荷取位置および荷置位置の座標からフォークリフト１が荷取位置から荷置位置まで何回方向転換しなければならないのかを出力する。当然ながら、フォークリフト１ａの方向転換回数は、フォークリフト１ｂの方向転換回数よりも少なく出力される。

消費電力算出部４７は、通信によってバッテリ残量検出部１３からフォークリフト１のバッテリ２０の残量を受信する。消費電力算出部４７は、荷役作業開始時のバッテリ２０の残量と荷役作業完了時のバッテリ２０の残量とに基づいて、各荷役作業におけるフォークリフト１の荷役消費電力を算出する。

図６Ａに示すように、第１ニューラルネットワーク４８は、過去に行われた各荷役作業における、フォークリフト１の識別子、各フォークリフト１の荷役動作および荷Ｗの重量を入力データとし、荷役消費電力を出力データとする教師データによって、ディープラーニングによる教師あり学習をさせられる。これにより、第１ニューラルネットワーク４８は、各フォークリフト１、各フォークリフト１の荷役動作および荷Ｗの重量と、荷役消費電力との相関を学習する。第１ニューラルネットワーク４８は、随時または定期的に、過去に行われた各荷役作業に基づく教師データから機械学習を行う。

図６Ｂに示すように、消費電力予測部４９は、各荷役作業における各フォークリフト１の荷役予測消費電力を出力するために、先の各荷役作業における、フォークリフト１の識別子、各フォークリフト１の荷役動作および荷Ｗの重量を第１ニューラルネットワーク４８に入力して、先の各荷役作業における各フォークリフト１の荷役予測消費電力を出力させる。第１ニューラルネットワーク４８は、機械学習によって得られた相関に基づいて、荷役予測消費電力を出力する。

荷役間消費電力算出部５１は、充電場所ＣＰの座標と、荷置位置の座標と、荷取位置の座標と、施設内情報とを参照して、各荷役作業間におけるフォークリフト１の走行消費電力ＲＣＰを算出する。例えば、荷役間消費電力算出部５１は、前の荷役作業における荷置位置の座標と、次の荷役作業における荷取位置の座標と、施設内情報とから、荷役作業間の走行ルートを割り出すとともに、当該走行ルートの走行距離（すなわち荷役作業間の走行距離）を算出する。次いで、荷役間消費電力算出部５１は、非荷役時における各フォークリフト１の走行距離当たりの消費電力を荷役作業間の走行距離に積算して各荷役作業間におけるフォークリフト１の走行消費電力ＲＣＰを算出する。また、荷役間消費電力算出部５１は、充電場所ＣＰから荷取位置、または荷置位置から充電場所ＣＰへの移動についても同様に走行ルートの走行距離を算出し、当該走行距離に非荷役時における各フォークリフト１の走行距離当たりの消費電力を積算して走行消費電力ＲＣＰを算出する。

第２ニューラルネットワーク５３は、各フォークリフト１に搭載されるバッテリ２０の容量と、各荷役作業における各フォークリフト１の荷役予測消費電力と、各荷役作業の荷取位置および荷置位置の座標と、各荷役作業間のフォークリフト１の走行消費電力ＲＣＰとに基づいて、電力効率の順位が上のフォークリフト１が電力効率の順位が下のフォークリフト１よりも多くの荷役作業をすることができる荷役予定を出力するよう、ディープラーニングによって強化学習をさせられている。なお、第２ニューラルネットワーク５３は、本実施形態では、強化学習を採用しているが、第２ニューラルネットワーク５３の機械学習は、電力効率の順位が上のフォークリフト１が電力効率の順位が下のフォークリフト１よりも多くの荷役作業をすることができる荷役予定を出力するよう機械学習されるのであれば、これに限定されない。

報酬生成部５４は、第２ニューラルネットワーク５３に割り当てる報酬を生成する。報酬生成部５４は、第２ニューラルネットワーク５３が出力する荷役予定において、電力効率のよいフォークリフト１ａがバッテリ充電までの間により多くの荷役作業を割り当てられれば割り当てられるほどより多くの報酬を生成する。さらに、報酬生成部５４は、第２ニューラルネットワーク５３が出力する荷役予定に対して、荷役作業間の走行距離が短ければ短いほどより多くの報酬を生成する。

図７を参照して、第２ニューラルネットワーク５３の動作を説明する。図７は、第２ニューラルネットワーク５３の動作をビジュアル化したものである。図７中における「ｊｎ」は、各荷役作業を示しており、「ｊｎ」を囲む四角部の面積が各荷役作業におけるフォークリフト１ａの消費電力を示している。四角部の高さはどれも同じなので、各荷役作業における四角部の横幅の差が、各荷役作業におけるフォークリフト１ａの消費電力の差を示している。つまり四角部の横幅が短いほどその荷役作業によるフォークリフト１ａの消費電力が少ないことを示している。

図７の上段の右向き矢印において、フォークリフト１ａが搭載しているバッテリ２０の容量を示している。「ＣＣ」は、バッテリ２０の満バッテリ時の容量を示しており、「ＣＴ」は、充電時間を示している。

第２ニューラルネットワーク５３は、バッテリ２０の満バッテリ容量ＣＣ上に荷役作業ｊｎ（四角部）を配置していく。配置された荷役作業ｊｎと荷役作業ｊｎとの間には、荷役作業間の走行消費電力ＲＣＰが加算配置されていく。また、最初の荷役作業ｊｎの前およびバッテリ充電の直前の荷役作業ｊｎの後にも荷役間の走行消費電力ＲＣＰが加算配置される。

なお、第２ニューラルネットワーク５３は、同じ荷役作業ｊｎを図７における上段に配置することはできない。そして、第２ニューラルネットワーク５３は、満バッテリ容量ＣＣに、各荷役作業ｊｎおよび各荷役間の走行消費電力ＲＣＰが収まるように、各荷役作業ｊｎを配置しなければならない。第２ニューラルネットワーク５３は、これら環境のもと、この作業を行っていく。これにより、各荷役作業がフォークリフト１に割り振られるとともに、荷役作業の順序も決定されていく。

報酬生成部５４は、第２ニューラルネットワーク５３が荷役作業ｊｎを配置した結果に対して、報酬を生成する。すなわち、報酬生成部５４は、上述したように、電力効率のよいフォークリフト１がバッテリ充電までの間により多くの荷役作業ｊｎを割り当てられれば割り当てられるほど、より多くの報酬を生成する。第２ニューラルネットワーク５３は、報酬が最大化するように上記作業を繰り返す。第２ニューラルネットワーク５３は、報酬が最大化するように、荷取位置および荷置位置の座標を参照して、荷役作業間における走行距離を短く配置することができるように何度も繰り返し学習していく。報酬生成部５４は、この荷役作業間における走行距離を短くすることに対する報酬を強化学習のＱ学習における「Ｑ値」としてもよい。

第２ニューラルネットワーク５３は、上記強化学習により、フォークリフト１ａに搭載されるバッテリ２０の容量と、各荷役作業におけるフォークリフト１ａの荷役予測消費電力とを入力されるとフォークリフト１ａの最適な荷役予定を出力することができるようになる。本実施形態における第２ニューラルネットワーク５３の強化学習は単なる一例であって、本発明における第２ニューラルネットワーク５３の強化学習は、これに限定されるものではない。

荷役車予定出力部５５は、フォークリフト１ａに搭載されたバッテリ２０の容量と、各荷役作業におけるフォークリフト１ａの荷役予測消費電力と、を第２ニューラルネットワーク５３に入力してフォークリフト１ａの荷役予定を出力させる。

荷役システムＳは、さらに、荷役間走行時間算出部５６と、第３ニューラルネットワーク５７と、荷役時間予測部５８と、充電計画部５９と、荷役指令部６０と、帰還指令部６１と、を備えている。

荷役間走行時間算出部５６は、充電場所ＣＰの座標、荷置位置の座標と、荷取位置の座標と、施設内情報とを参照して、各荷役作業間におけるフォークリフト１の走行時間ＲＴを算出する。例えば、荷役間消費電力算出部５１は、前の荷役作業における荷置位置の座標と、次の荷役作業における荷取位置の座標と、施設内情報とから、荷役作業間の走行ルートを割り出すとともに、当該走行ルートの距離を算出する。次いで、荷役間走行時間算出部５６は、非荷役時における各フォークリフト１の走行速度に基づいて、各荷役作業間におけるフォークリフト１の走行時間ＲＴを算出する。

第３ニューラルネットワーク５７は、各荷役作業における、フォークリフト１の識別子、荷役動作、荷Ｗの重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を学習させられる。

第３ニューラルネットワーク５７は、具体的には、過去に行われた各荷役作業における、フォークリフト１の識別子、各フォークリフト１の荷役動作および荷Ｗの重量を入力データとし、荷役作業時間を出力データとする教師データによって、ディープラーニングによる教師あり学習をさせられる。これにより、第３ニューラルネットワーク５７は、各フォークリフト１、各フォークリフト１の荷役動作および荷Ｗの重量と、荷役作業時間との相関を学習する。第３ニューラルネットワーク５７は、随時または定期的に、過去に行われた各荷役作業に基づく教師データから機械学習を行う。

荷役時間予測部５８は、フォークリフト１ａの識別子、荷役車予定出力部５５によって出力された荷役予定に係る各荷役動作および各荷の重量を第３ニューラルネットワーク５７に入力して、フォークリフト１ａの荷役予定に係る各荷役作業の予測荷役作業時間ｊｔｎを出力させる。

次いで、荷役時間予測部５８は、図８に示すように、出力された各荷役作業の予測荷役作業時間ｊｔｎと、各荷役作業間における走行時間ＲＴとを足し合わせて、フォークリフト１ａの荷役開始から次の充電開始までの予測荷役時間ＪＴを算出する。

充電計画部５９は、バッテリ２０の充電時間に基づいて、充電場所ＣＰにおいて荷役開始時刻（図８では「８：００」）から予測荷役時間ＪＴ後（図８では４．５時間後）に、フォークリフト１ａを充電させる第１充電時刻（図８では、「１２：３０～１３：３０」）を設定する。次いで、充電計画部５９は、他のフォークリフト１ｂの充電場所ＣＰ１における充電時刻を第１充電時刻外に設定する。また、充電計画部５９は、上記充電時刻の間、他のフォークリフト１の充電場所を充電場所ＣＰ２に設定してもよい。これにより、電力効率のよいフォークリフト１ａは、他のフォークリフト１に優先して充電場所ＣＰ１および充電タイミングを提供される。

図９を参照して、上記荷役システムの動作を説明すると、次のとおりである。
（１）第１ニューラルネットワーク４８が、各荷役作業におけるフォークリフト１ａの荷役予測消費電力を出力する（図９のＳ８１）。
（２）第２ニューラルネットワーク５３が、フォークリフト１ａの荷役予定を出力する（図９のＳ８２）。
（３）荷役間走行時間算出部５６が、各荷役作業間におけるフォークリフト１の走行時間ＲＴを算出する（図９のＳ８３）。
（４）第３ニューラルネットワーク５７が、各荷役作業の予測荷役作業時間ｊｔｎを出力する（図９のＳ８４）。
（５）荷役時間予測部５８が、フォークリフト１ａの予測荷役時間ＪＴを算出する（図９のＳ８５）。
（６）充電計画部５９が、フォークリフト１ａの第１充電時刻を設定する（図９のＳ８６）。
（７）充電計画部５９が、他のフォークリフト１ｂの充電場所ＣＰ１における充電時刻を第１充電時刻外に設定する（図９のＳ８７）。

荷役車予定出力部５５は、フォークリフト１ａの荷役予定を優先して、他のフォークリフト１ｂの荷役予定を決定する。荷役指令部６０は、荷役車予定出力部５５によって決定された荷役予定に基づいて、各フォークリフト１に荷役作業を指令する。

帰還指令部６１は、出力された荷役予定に基づく荷役作業を完了したフォークリフト１ａに充電場所ＣＰ１への帰還を指令する。これにより、フォークリフト１ａは、バッテリ２０の残量によって帰還させられるのではなく、荷役予定どおりに帰還することになる。そのため、管理装置４は、フォークリフト１ａが次の荷役位置に向かう途中で電力不足になり帰還させられることを防止しフォークリフト１ａを適切なタイミングで帰還させるので、荷役システムＳ全体の電力効率を上昇させることができる。

しかも、管理装置４は、以上の構成を備えていることにより、電力効率のよいフォークリフト１ａに充電場所ＣＰ１および充電タイミングを優先的に配分し、かつ、電力効率のよいフォークリフト１ａにより多くの荷役作業をさせることにより、荷役システムＳ全体の電力効率を上昇させることができる。したがって、荷役システム全体の電力効率がよくなることにより、フォークリフト全体における充電場所での充電回数が減少するので、荷役システム全体の荷役作業の効率化が実現する。

以上、本発明の一実施形態に係る荷役システムＳについて説明してきたが、本発明に係る荷役システムは、上記実施形態に限定されるものではない。本発明に係る荷役システムは、公知の技術と組み合わせて実施されてもよい。

Ｓ 荷役システム
ＣＰ１、ＣＰ２ 充電場所
Ｗ 荷
１ａ、１ｂ バッテリ式無人フォークリフト
１０ 車輪
１１ 車体
１２ レーザスキャナ
１３ バッテリ残量検出部
１４ マスト
１５ リフトブラケット
１６ サイドレール
１７ シフトキャリッジ
１８ フィンガーバー
１９ フォーク
２０ バッテリ
３ａ、３ｂ 充電装置
４ 管理装置
４０ 施設記憶部
４１ バッテリ情報記憶部
４２ 走行消費電力記憶部
４３ 荷役記憶部
４６ 荷役動作出力部
４７ 消費電力算出部
４８ 第１ニューラルネットワーク
４９ 消費電力予測部
５１ 荷役間消費電力算出部
５３ 第２ニューラルネットワーク
５４ 報酬生成部
５５ 荷役車予定出力部
５６ 荷役間走行時間算出部
５７ 第３ニューラルネットワーク
５８ 荷役時間予測部
５９ 充電計画部
６０ 荷役指令部
６１ 帰還指令部
１００ 棚

Claims (6)

1. 複数の無人フォークリフトと、前記複数の無人フォークリフトを充電する第１充電場所と、管理装置と、を備えた荷役システムであって、
   前記管理装置は、
   各荷役作業における、前記無人フォークリフトの識別子、荷役動作および荷の重量を入力データとし各荷役作業における荷役消費電力を出力データとする教師データによって、それらの相関を学習させられる第１ニューラルネットワークと、
   消費電力予測部と、
   荷役車予定出力部と、
   前の荷役作業における荷置位置の座標と、次の荷役作業における荷取位置の座標とに基づいて、各荷役作業間における前記無人フォークリフトの走行消費電力を算出する荷役間消費電力算出部と、
   前の荷役作業における前記荷置位置の座標と、次の荷役作業における前記荷取位置の座標とに基づいて、各荷役作業間における前記無人フォークリフトの走行時間を算出する荷役間走行時間算出部と、
   各前記無人フォークリフトに搭載されるバッテリの容量と、各荷役作業における各前記無人フォークリフトの荷役予測消費電力と、各荷役作業の前記荷取位置および前記荷置位置の座標と、各荷役作業間の前記無人フォークリフトの前記走行消費電力とに基づいて、前記無人フォークリフトが充電までの間により多くの荷役作業をすることができる荷役予定を出力するよう学習させられる第２ニューラルネットワークと、
   荷役時間予測部と、
   各荷役作業における、前記無人フォークリフトの識別子、前記荷役動作、前記荷の重量を入力データとし荷役作業時間を出力データとする教師データによってそれらの相関を学習させられる第３ニューラルネットワークと、
   充電計画部と、を備え、
   前記消費電力予測部が、前記無人フォークリフトの識別子、前記荷役動作、前記荷の重量を前記第１ニューラルネットワークに入力して、電力効率のよい無人フォークリフトの各荷役作業における前記荷役予測消費電力を出力させるステップと、
   前記荷役車予定出力部が、前記電力効率のよい無人フォークリフトに搭載される前記バッテリの容量と、各荷役作業における前記電力効率のよい無人フォークリフトの前記荷役予測消費電力とを前記第２ニューラルネットワークに入力して前記電力効率のよい無人フォークリフトの荷役予定を出力させるステップと、
   荷役間走行時間算出部が、各荷役作業間における前記無人フォークリフトの走行時間を算出するステップと、
   前記荷役時間予測部が、前記無人フォークリフトの識別子、出力された前記荷役予定に係る前記荷役動作および前記荷の重量を前記第３ニューラルネットワークに入力して、前記電力効率のよい無人フォークリフトの前記荷役予定に係る各荷役作業の予測荷役作業時間を出力させるステップと、
   前記荷役時間予測部が、出力された各荷役作業の予測荷役作業時間と、各荷役作業間における走行時間とを足し合わせて、荷役開始から次の充電開始までの予測荷役時間を算出するステップと、
   充電計画部が、前記バッテリの充電時間に基づいて、第１充電場所において荷役開始から予測荷役時間後に前記電力効率のよい無人フォークリフトを充電させる第１充電時刻を設定するステップと、
   充電計画部が、他の前記無人フォークリフトの第１充電場所における充電時刻を第１充電時刻以外に設定するステップと、を含む
   ことを特徴とする荷役システム。
2. 第２充電場所をさらに備え、
   充電計画部は、前記第１充電時刻の間、他の前記無人フォークリフトの充電場所を第１充電場所以外に設定する
   ことを特徴とする請求項１に記載の荷役システム。
3. 前記複数の無人フォークリフトには、３方向フォークリフトおよび１方向フォークリフトが含まれており、前記３方向フォークリフトは、前記１方向フォークリフトよりも電力効率が高い
   ことを特徴とする請求項１または２に記載の荷役システム。
4. 前記第２ニューラルネットワークは、強化学習によって学習させられている
   ことを特徴とする請求項１～３のいずれか１項に記載の荷役システム。
5. 前記第２ニューラルネットワークに与える報酬を生成する報酬生成部をさらに備え、
   前記報酬生成部は、前記第２ニューラルネットワークが出力する前記荷役予定に対して、前記電力効率のよい無人フォークリフトが充電までの間により多くの荷役作業を割り当てられれば割り当てられるほど、より多くの報酬を生成する
   ことを特徴とする請求項４に記載の荷役システム。
6. 前記報酬生成部は、前記第２ニューラルネットワークが出力する前記荷役予定に対して、各前記無人フォークリフトの荷役間消費電力が少なければ少ないほど、より多くの報酬を生成する
   ことを特徴とする請求項５に記載の荷役システム。

Images