WO2023248477A1 - 処理装置、処理システム、処理方法、および記録媒体 - Google Patents

処理装置、処理システム、処理方法、および記録媒体 Download PDF

Info

Publication number
WO2023248477A1
WO2023248477A1 PCT/JP2022/025371 JP2022025371W WO2023248477A1 WO 2023248477 A1 WO2023248477 A1 WO 2023248477A1 JP 2022025371 W JP2022025371 W JP 2022025371W WO 2023248477 A1 WO2023248477 A1 WO 2023248477A1
Authority
WO
WIPO (PCT)
Prior art keywords
resources
task
resource
combination
processing device
Prior art date
Application number
PCT/JP2022/025371
Other languages
English (en)
French (fr)
Inventor
永哉 若山
力 丸山
洋子 森
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2022/025371 priority Critical patent/WO2023248477A1/ja
Publication of WO2023248477A1 publication Critical patent/WO2023248477A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Definitions

  • the present disclosure relates to a processing device, a processing system, a processing method, and a recording medium.
  • Patent Document 1 discloses a technique related to assignment of work to workers and automatic machines on a production line.
  • Patent Document 1 To complete a specific task, it is necessary to combine multiple resources with different skills. However, in the invention disclosed in Patent Document 1, it is not possible to specify a combination of a plurality of resources having different skills. Therefore, there is a need for a technology that can identify an appropriate combination of resources for a given task.
  • One of the objectives of each aspect of the present disclosure is to provide a processing device, a processing system, a processing method, and a recording medium that can solve the above problems.
  • a processing device identifies a combination of one or more types of tasks included in a predetermined work and one or more skills required to execute the tasks. , a prediction that predicts the work time required for the task by the combination of the resources, based on the type of one or more resources that execute the predetermined work, the quantity of each of the resources, and the skill possessed by each of the resources;
  • the method includes a first generating means for generating a model, and a specifying means for specifying a combination of the resources for completing the predetermined work based on the quantity of each of the tasks and the prediction model.
  • a processing system includes the above-mentioned processing device and a robot that executes processing according to control by the processing device.
  • a processing method includes a combination of one or more types of tasks included in a predetermined work and one or more skills required to perform the tasks. and predicting the work time required for the task by the combination of the resources based on the type of one or more resources that execute the predetermined work, the quantity of each of the resources, and the skill possessed by each of the resources.
  • a predictive model is generated, and a combination of the resources that completes the predetermined work is identified based on the quantity of each of the tasks and the predictive model.
  • a recording medium includes a combination of one or more types of tasks included in a predetermined work and one or more skills required to perform the tasks. and predicting the work time required for the task by the combination of the resources based on the type of one or more resources that execute the predetermined work, the quantity of each of the resources, and the skill possessed by each of the resources.
  • a program is stored that causes a computer to execute the following steps: generating a prediction model; and specifying a combination of the resources that complete the predetermined work based on the quantity of each of the tasks and the prediction model.
  • appropriate resources can be identified for a predetermined task.
  • FIG. 1 is a diagram illustrating an example of a configuration of a processing system according to an embodiment of the present disclosure.
  • FIG. 1 is a diagram illustrating an example of a configuration of a processing device according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram illustrating an example of task information in an embodiment of the present disclosure.
  • FIG. 3 is a diagram illustrating an example of resource information in an embodiment of the present disclosure.
  • FIG. 3 is a diagram illustrating an example of a prediction model generated by a first generation unit according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram illustrating an example of a processing flow of a processing system according to an embodiment of the present disclosure.
  • FIG. 1 is a diagram illustrating an example of a processing device with a minimum configuration according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram illustrating an example of a processing flow of a processing device with a minimum configuration according to an embodiment of the present disclosure.
  • FIG. 1 is a schematic block diagram
  • a processing system 1 includes a robot (for example, a portable robot arm 20, a mobile robot arm 30, an AGV (Automated Guided Vehicle) 40, etc., which will be described later), and a human (for example, workers A, B, etc., which will be described later).
  • a robot for example, a portable robot arm 20, a mobile robot arm 30, an AGV (Automated Guided Vehicle) 40, etc., which will be described later
  • a human for example, workers A, B, etc., which will be described later.
  • the processing system 1 includes: For example, it is a system introduced in a warehouse of a distribution center.
  • the robot is not necessarily a portable robot arm, but may also be a stationary robot installed in a warehouse, factory, etc. indicates a resource that can be moved by other resources.
  • Installed type indicates a resource that is difficult to move by other resources, or a resource that cannot be moved by other resources. Indicates that it is a possible resource.
  • the operation in the processing system 1 will be described with reference to an example in which the portable robot is a robot arm (specifically, the portable robot arm 20). However, it is only necessary to identify whether the robot is a portable type or a stationary type, and the processing system 1 may include a portable type robot arm and a stationary type robot arm. Hereinafter, a portable robot arm will be referred to as a "portable robot arm.”
  • FIG. 1 is a diagram illustrating an example of the configuration of a processing system 1 according to an embodiment of the present disclosure.
  • the processing system 1 includes a processing device 10, portable robot arms 20a, 20b (an example of a robot), mobile robot arms 30a, 30b, 30c (an example of a robot), and AGVs 40a, 40b, 40c ( example of a robot).
  • the portable robot arms 20a and 20b will be collectively referred to as the portable robot arm 20.
  • the mobile robot arms 30a, 30b, and 30c are collectively referred to as a mobile robot arm 30.
  • the mobile robot arm 30 represents a robot arm that can move on its own.
  • the AGVs 40a, 40b, and 40c are collectively referred to as AGV40.
  • the processing system 1 may include a belt conveyor, a processing robot, and the like.
  • FIG. 2 is a diagram illustrating an example of the configuration of the processing device 10 according to an embodiment of the present disclosure.
  • the processing device 10 includes an input section 101, a storage section 102, an acquisition section 103, a first generation section 104 (an example of a first generation means), a specifying section 105 (an example of a specifying means), and an allocation section.
  • 106 an example of an allocation means
  • control section 107 an example of a control means
  • a second generation section 108 an example of a second generation means.
  • the input unit 101 receives input of task information INF1 (described later with reference to FIG. 3) and resource information INF2 (described later with reference to FIG. 4).
  • the input unit 101 records the received task information INF1 and resource information INF2 in the storage unit 102.
  • the task information INF1 is information including combinations of types of multiple tasks included in a predetermined work, quantities of each of the multiple tasks, and skills required for each of the multiple tasks.
  • the resource information INF2 is information including combinations of types of a plurality of resources for executing a predetermined work, quantities of each of the plurality of resources, and skills possessed by each of the plurality of resources. Note that although a plurality of tasks and a plurality of resources are described here, in the embodiment of the present disclosure, each of the tasks and resources may be one or more.
  • FIG. 3 is a diagram illustrating an example of task information INF1 in an embodiment of the present disclosure.
  • the task information INF1 is information including the types of tasks included in a predetermined work, the quantity of each task, and the skills required to execute each task (described as task request skills in FIG. 3). . That is, the task information INF1 is information including the content of a predetermined work, the amount of work, and necessary skills.
  • the types of tasks included in the predetermined work include picking and sorting.
  • the quantities for each of the plurality of tasks are listed as 200 pieces for picking and 200 pieces for sorting.
  • picking skills are listed. Sorting includes inspection, container filling, and container transport skills.
  • FIG. 4 is a diagram illustrating an example of resource information INF2 in an embodiment of the present disclosure.
  • the resource information INF2 includes the types of resources that can be allocated to a predetermined task, the quantity of each resource, the skills possessed by each resource (described as possessed skills in FIG. 4), and the activation conditions of the skills. It is information.
  • Skills include information indicating the amount of work that can be accomplished within a predetermined period of time. In the example shown in FIG. 4, worker A, worker B, portable robot arm 20, mobile robot arm 30, and AGV 40 are listed as types of a plurality of resources for executing a predetermined task.
  • Worker A has skills such as picking (10 pieces/minute), inspection (20 pieces/minute), container filling (20 pieces/minute), and container transport (20 pieces/minute). ) and relocation of portable robot arms (1 unit/5 minutes).
  • picking (8 pieces/minute), container stuffing (15 pieces/minute), and container transport (15 pieces/minute) are listed.
  • the portable robot arm 20 includes inspection (10 pieces/minute) and container packing (10 pieces/minute).
  • the mobile robot arm 30 is used for inspection (10 pieces/minute), container stuffing (10 pieces/minute), and container transport (20 pieces/minute).
  • Container transport (40 pieces/min) is listed as AGV40.
  • the quantities of each of the multiple resources include 3 workers A, 5 workers B, 2 portable robot arms 20, 3 mobile robot arms 30, and 3 AGVs 40. There is.
  • Worker A's skill “Picking (10 items/minute)” indicates that Worker A is capable of picking 10 items (eg, products, merchandise, work-in-progress) per minute.
  • Worker A's skill “Relocation of portable robot arm (1 unit/5 minutes)” indicates that the time required for Worker A to move and install one portable robot arm 20 is 5 minutes.
  • the skill “Container stuffing (10 items/min)” of the portable robot arm 20 indicates that the portable robot arm 20 can pack 10 items into a container per minute.
  • the AGV40's skill “Container transport (40 items/minute)” indicates that the AGV40 can transport 40 items per minute in containers.
  • the input unit 101 also receives constraint conditions.
  • the input unit 101 records the received constraints in the storage unit 102.
  • constraints conditions include areas where entry is prohibited when performing a predetermined task, areas outside the range of motion of the portable robot arm 20, mobile robot arm 30, and AGV 40, and areas where the portable robot arm 20 and Examples include conditions of the surface of the object regarding gripping of the object to be worked by each mobile robot arm 30, release of grip of the object to be worked on, and changing the grip of the object.
  • "grasping” refers to "adsorption” in which an object is sucked using a vacuum or the like, and “holding” in which an object is held between two or more pseudo fingers imitating the fingers of a human or an animal. Includes “pinching".
  • the storage unit 102 stores task information INF1 and resource information INF2.
  • the storage unit 102 also stores constraint conditions.
  • the acquisition unit 103 acquires task information INF1 and resource information INF2. For example, the acquisition unit 103 reads task information INF1 and resource information INF2 stored in the storage unit 102. Further, for example, the acquisition unit 103 may directly acquire the task information INF1 and the resource information INF2 received by the input unit 101 from the input unit 101.
  • the acquisition unit 103 acquires constraint conditions. For example, the acquisition unit 103 reads the constraint conditions stored in the storage unit 102. Further, for example, the acquisition unit 103 may directly acquire the constraint conditions received by the input unit 101 from the input unit 101.
  • the first generation unit 104 generates information indicating the types of tasks included in a predetermined work and the skills required to execute each task, included in the task information INF1, and information included in the resource information INF2.
  • the working time is calculated for each combination of resources included in multiple resources based on the types of resources that can be allocated to work, the quantity of each resource, the skills possessed by each resource, and the skill activation conditions.
  • a prediction model MDL (described later with reference to FIG. 5) that predicts is generated.
  • the first generation unit 104 generates a prediction model MDL that predicts work time for each combination of resources included in a plurality of resources, based on the task information INF1 and resource information INF2 acquired by the acquisition unit 103.
  • the first generation unit 104 generates the prediction model MDL as follows.
  • the first generation unit 104 identifies the type of each task in the task information INF1 acquired by the acquisition unit 103.
  • the first generation unit 104 specifies the quantity and required skill for each specified task in the task information INF1.
  • the task information INF1 is the task information INF1 shown in FIG. 3
  • the first generation unit 104 specifies picking and sorting as the task types.
  • the first generation unit 104 specifies that the quantity is 200 and the required skill is picking for the picking task.
  • the first generation unit 104 specifies that the quantity is 200 and the required skills are inspection, container packing, and container transportation for the sorting task. Note that at this stage, the first generation unit 104 has specified the content of the predetermined work, the amount of work, and the necessary skills.
  • the first generation unit 104 specifies the type and quantity of allocable resources for each specified task based on the specified necessary skills. For example, when the identified task is picking, the first generation unit 104 determines, in the resource information INF2 acquired by the acquisition unit 103, the type and quantity of resources whose skill is picking (resource information INF2 is shown in FIG. 4). If the resource information is INF2, workers A (3 people) and workers B (5 people) are specified. Further, for example, when the identified task is sorting, the first generation unit 104 determines the type and quantity of resources whose skills are inspection, container packing, or container transport in the resource information INF2 acquired by the acquisition unit 103. (In the case of resource information INF2 shown in FIG.
  • the first generation unit 104 determines whether a skill activation condition exists in the resource information INF2 acquired by the acquisition unit 103. If the first generation unit 104 determines that the skill activation condition does not exist, it ends the identification of the type and quantity of the resource. Further, when determining that the skill activation condition exists, the first generation unit 104 specifies the type and quantity of the resource having the skill activation condition, and the type and quantity of the resource having the skill to satisfy the activation condition. . For example, in the case of the resource information INF2 shown in FIG.
  • the first generation unit 104 generates a resource having the skill activation condition for the portable robot arm 20 because the skill activation condition includes "relocation”. Identify the portable robot arms 20 (3 units). Furthermore, from the resource information INF2, since the skills possessed by Worker A include "relocation of portable robot arm," the type and quantity of resources that have the skills to satisfy the activation conditions for the skill of portable robot arm are , identify worker A (3 people). Note that, at this stage, the first generation unit 104 has finished specifying the types and quantities of resources that can be allocated to each task in the predetermined work.
  • the first generation unit 104 identifies all combinations of resource types and quantities that can be allocated for each task in a predetermined work. For example, if the resource information INF1 is the resource information INF1 shown in FIG. 3, and the resource information INF2 is the resource information INF2 shown in FIG.
  • the first generation unit 104 can allocate all combinations of worker A (3 people) and worker B (5 people), that is, “worker A (1 person)”, “ “Worker A (1 person) and Worker B (1 person)", “Worker A (1 person) and Worker B (2 people)", “Worker A (1 person) and Worker B (3 people)” )”, “Worker A (1 person) and Worker B (4 people)”, “Worker A (1 person) and Worker B (5 people)”, “Worker A (2 people)”, “ “Worker A (2 people) and Worker B (1 person)”, “Worker A (2 people) and Worker B (2 people)", “Worker A (2 people) and Worker B (3 people)” )", “Worker A (2 people) and Worker B (4 people)", “Worker A (2 people) and Worker B (5 people)", “Worker A (3 people)", “Worker A (3) and Worker B (1 person)", “Worker A (3 people) and Worker B (2 people)”, “Worker A (3 people) and Worker B (3 people)””
  • the first generation unit 104 can assign worker A (3 people) ), worker B (5 people), portable robot arms 20 (2 units), mobile robot arms 30 (3 units), and AGVs 40 (3 units).
  • the first generation unit 104 uses the skills possessed for each resource in the resource information INF2 to calculate the amount of work that can be achieved for each of all combinations of the identified resource type and quantity. .
  • the first generation unit 104 determines the achievable workload as 10 items per minute. calculate. Further, for example, the resource information INF2 is the resource information INF2 shown in FIG. 4, and the worker A (1 person), the portable robot arm 20 (1 unit), and the AGV 40 (1 unit) are assigned to the task of sorting. In this case, the first generation unit 104 calculates the achievable amount of work to be 15 pieces per minute starting from 5 minutes later. Then, for each task, the first generation unit 104 combines the resources allocated to the task and the calculated amount of work that can be realized by the resources.
  • a prediction model MDL is a combination of the allocated resources and the amount of work that can be realized by the resources for each task.
  • the first generation unit 104 acquires alternative information from the input unit 101 or the storage unit 102 in place of at least one of the task information INF1 and the resource information INF2 acquired by the acquisition unit 103, and applies the information to a plurality of resources.
  • a prediction model MDL for predicting work time may be generated for each combination of included resources.
  • FIG. 5 is a diagram illustrating an example of a prediction model MDL generated by the first generation unit 104 according to an embodiment of the present disclosure.
  • resource information INF1 is the resource information INF1 shown in FIG. 3
  • resource information INF2 is the resource information INF2 shown in FIG. 4
  • each combination of allocated resources is shown.
  • a prediction model MDL representing the amount of work per unit time for which the work time can be predicted is shown. Therefore, the types of tasks shown in FIG. 5 are the same as the types of tasks shown in FIG. 3.
  • the allocated resources shown in FIG. 5 are all combinations of resources that hold the skills necessary for each task shown in FIG. 4. Note that in the example shown in FIG.
  • the amount of work realized is as follows. From 5 to 10 minutes, the rate is 5 pieces per minute, and after 10 minutes, the rate is 20 pieces per minute. That is, during the period from 0 to 5 minutes, worker A is moving the first portable robot arm 20, and the predicted amount of work to be achieved is zero. For 5 to 10 minutes, while Worker A moves the second portable robot arm 20, the first portable robot arm 20 performs inspection and container filling, and the AGV 40 transports the container. By taking charge of each, the expected amount of work to be realized will be 5 pieces per minute. After 10 minutes, Worker A and the two portable robot arms 20 will be in charge of inspection and container filling, and the AGV 40 will be in charge of container transport, resulting in an expected work volume of 20 pieces per minute. Become.
  • the above-mentioned operation may be the following operation.
  • the task is "sorting".
  • the first generation unit 104 specifies the skill “inspection”, the skill “container packing", and the skill “container transport” for the task “sorting” based on the task information INF1 (exemplified in FIG. 3). do.
  • the first generation unit 104 identifies the type and quantity of resources having the skill "inspection” based on the resource information INF2.
  • the resource information INF2 (exemplified in FIG. 4)
  • three workers A, two portable robot arms 20, and three mobile robot arms 30 have the skill "inspection". be. Therefore, the first generation unit 104 specifies three workers A, two portable robot arms 20, and three mobile robot arms 30 for the task "inspection”.
  • the first generation unit 104 generates three workers A, five workers B, and two machines based on the resource information INF2 (exemplified in FIG. 4). A portable robot arm 20 and three mobile robot arms 30 are identified. Furthermore, for the skill "container transport”, the first generation unit 104 specifies three workers A, five workers B, three mobile robot arms 30, and three AGVs 40. do.
  • the first generation unit 104 specifies the skill "picking” based on the task information INF1 (exemplified in FIG. 3). Then, for the skill "picking", the first generation unit 104 identifies three workers A and five workers B based on the resource information INF2 (exemplified in FIG. 4).
  • the first generation unit 104 determines whether or not there is a resource with the activation condition in the resource information INF2 acquired by the acquisition unit 103. If the first generation unit 104 determines that there is no resource that has the activation condition, it ends the identification of the type and quantity of the resource. Further, when determining that there is a resource having the activation condition, the first generation unit 104 identifies the resource having the activation condition and the type and quantity of the resource that satisfies the condition. For example, the first generation unit 104 determines that the three portable robot arms 20 have the skill activation condition "relocation" for the type and quantity of the specified resource, and that the three workers have the resource information INF2. It is specified that A has the skill "Relocation of portable robot arm" to satisfy the activation condition of the skill.
  • the first generation unit 104 specifies the following combinations of resource types and quantities that can realize the task "picking".
  • the first generation unit 104 also performs the same process as described above for each task request skill specified for the task "sorting". For example, worker A owns the skill “inspection,” the skill “container filling,” and the skill “container transport.” That is, worker A can accomplish the task "sorting.” Therefore, the first generation unit 104 identifies the following combinations of worker A whose quantity is "3" or less.
  • the task “sorting” can also be achieved by worker A performing the skill “inspection”, the portable robot arm 20 performing the skill “container packing", and the AGV 40 performing the skill “container transport”. .
  • the first generation unit 104 determines whether the portable robot arm 20 is included in the resources for realizing the task "sorting”. If it is determined that the portable robot arm 20 is included in the resources, the first generation unit 104 specifies the resource that has the skill “relocation of portable robot arm”. When the identified resource is worker A, the resource "worker A”, the resource "portable robot arm 20", and the resource "AGV 40" are identified as allocated resources.
  • the first generation unit 104 calculates the time required for worker A to relocate the portable robot arm 20 (5 minutes) and the time required for worker A to perform inspection and container packing, as the amount of work to accomplish the task.
  • the identifying unit 105 determines which resources are included in a plurality of resources to complete a predetermined work in the shortest work time, based on the quantity of each of the plurality of tasks included in the task information INF1 and the prediction model MDL generated by the first generation unit 104. Identify the combination of resources that will be used. Specifically, the specifying unit 105 derives an optimal solution for each of the prediction models MDL generated by the first generating unit 104, for example, by solving the following integer programming problem.
  • Ni is the total amount of task i
  • Ri,j is the j-th candidate for resource allocation to task i
  • Ei(Ri,j) is the amount of work realized when resource Ri,j is allocated to task i.
  • Ri,j,k indicate the quantity of resources k included in the allocated resource Ri,j
  • Rk indicates the total amount of resources k, respectively. That is, an optimization problem is solved in which the allocated resources are variables, the constraint is that the sum of allocated resources for each resource type does not exceed the total amount of resources, and the objective function is to minimize the maximum time required to complete a task. Note that the constraint conditions and objective function are not limited to those shown above.
  • the constraint condition is that the task be completed within the required time, and a specific
  • the objective function may be set to minimize the sum of allocated resources (for example, workers).
  • methods for solving integer programming problems such as the one shown above include the exact solution method, which tries all combinations and finds the best solution among them, and the efficient method, which updates the table sequentially and does not try all combinations.
  • Examples include dynamic programming, which seeks to find exact solutions, and branch-and-bound methods, which relax integer programming problems to linear programming problems and introduce the idea of continuous relaxation problems to find exact solutions.
  • the specifying unit 105 uses the prediction model MDL generated by the first generating unit 104 to specify a combination of resources necessary to perform a predetermined task. Note that the method by which the identifying unit 105 identifies a combination of resources is not limited to the example described above.
  • the first generating unit 104 After the first generation unit 104 has generated all the prediction models MDL, instead of the identification unit 105 specifying the resource combination for each of the prediction models MDL generated by the first generation unit 104, the first generation unit 104 By performing the process of generating the prediction model MDL and the process of specifying the combination of resources by the specifying unit 105 in parallel, the first generating unit 104 does not need to generate a wasteful prediction model MDL.
  • the allocation unit 106 allocates the combination of resources specified by the identification unit 105 to a predetermined task.
  • the second generation unit 108 generates an action plan (an example of a plan) based on the resources allocated by the allocation unit 106.
  • the motion plan refers to a non-human resource (that is, a robot; in one embodiment of the present disclosure, each of the portable robot arm 20, mobile robot arm 30, and AGV 40 included in the resources allocated by the allocation unit 106). This is a plan showing the flow of operations.
  • the second generation unit 108 when the allocation unit 106 allocates a resource that is a combination of one portable robot arm 20, one mobile robot arm 30, and one AGV 40 as a resource for executing a predetermined work, the second generation unit 108 generates a motion plan for causing each of one portable robot arm 20, one mobile robot arm 30, and one AGV 40 to execute work within a range that satisfies the constraint conditions. Further, for example, when the allocation unit 106 allocates a resource that is a combination of one portable robot arm 20 and two AGVs 40 as a resource for executing a predetermined work, the second generation unit 108 A motion plan is generated for causing each of the portable robot arm 20 and the two AGVs 40 to execute work within a range that satisfies the constraint conditions.
  • the second generation unit 108 may use simulation to generate a motion plan that has been verified to be executable.
  • the second generation unit 108 may formulate each executable motion plan as TAMP (Task and Motion Planning) and generate the TAMP by solving this.
  • the second generation unit 108 directly acquires the constraint information from the input unit 101 or the storage unit 102 instead of the constraint information acquired by the acquisition unit 103, and creates a motion plan (based on the resources allocated by the allocation unit 106). An example of a plan) may be generated.
  • the control unit 107 controls the robots (that is, each of the portable robot arm 20, mobile robot arm 30, and AGV 40) included in the combination of resources specified by the specifying unit 105. For example, the control unit 107 generates a control signal for controlling the robot based on the motion plan generated by the second generation unit 108. Then, the control unit 107 outputs the generated control signal to the robot.
  • the portable robot arm 20 is a robot that can be moved by humans.
  • the portable robot arm 20 includes one or more arms capable of grasping an object to be worked on.
  • the portable robot arm 20 can perform, for example, inspection and container filling operations in response to control signals generated by the processing device 10.
  • the mobile robot arm 30 is a robot that can move according to control signals generated by the processing device 10.
  • the mobile robot arm 30 includes one or more arms capable of gripping an object to be worked on.
  • the mobile robot arm 30 can perform tasks such as inspection, container filling, and container transport, for example, in response to control signals generated by the processing device 10.
  • the AGV40 is a robot that can run autonomously.
  • the AGV 40 is a robot that can transport an object to be worked on according to a control signal generated by the processing device 10.
  • the AGV 40 can perform, for example, a container transport operation in response to a control signal generated by the processing device 10.
  • FIG. 6 is a diagram illustrating an example of a processing flow of the processing system 1 according to an embodiment of the present disclosure. Next, details of the processing performed by the processing device 10 of the processing system 1 will be described with reference to FIG.
  • the input unit 101 receives input of task information INF1 and resource information INF2.
  • the input unit 101 records the received task information INF1 and resource information INF2 in the storage unit 102 (step S1).
  • the input unit 101 also receives constraint conditions.
  • the input unit 101 records the received constraints in the storage unit 102 (step S2).
  • the storage unit 102 stores task information INF1 and resource information INF2.
  • the storage unit 102 also stores constraint conditions.
  • the acquisition unit 103 acquires task information INF1 and resource information INF2 (step S3).
  • the acquisition unit 103 reads task information INF1 and resource information INF2 stored in the storage unit 102. Further, for example, the acquisition unit 103 may directly acquire the task information INF1 and the resource information INF2 received by the input unit 101 from the input unit 101.
  • the acquisition unit 103 acquires constraint conditions (step S4).
  • the acquisition unit 103 reads the constraint conditions stored in the storage unit 102. Further, for example, the acquisition unit 103 may directly acquire the constraint conditions received by the input unit 101 from the input unit 101.
  • the first generation unit 104 generates information that is included in the task information INF1 and indicates the types of tasks included in the predetermined work and the skills required to execute each task, and information that is included in the resource information INF2. , for each combination of resources included in multiple resources, based on the types of resources that can be allocated to a given task, the quantity of each resource, the skills possessed by each resource, and the skill activation conditions. , a prediction model MDL for predicting work time is generated (step S5). For example, the first generation unit 104 generates a prediction model MDL that predicts work time for each combination of resources included in a plurality of resources, based on the task information INF1 and resource information INF2 acquired by the acquisition unit 103.
  • the first generation unit 104 acquires alternative information from the input unit 101 or the storage unit 102 in place of at least one of the task information INF1 and the resource information INF2 acquired by the acquisition unit 103, and applies the information to the plurality of resources.
  • a prediction model MDL for predicting work time may be generated for each combination of included resources.
  • the specifying unit 105 performs a predetermined task based on the quantity of each of a plurality of tasks included in the predetermined task included in the task information INF1 and the prediction model MDL generated by the first generation unit 104, for example, in the shortest A combination of resources included in the plurality of resources to be completed within the working time is specified (step S6). Specifically, for each of the prediction models MDL generated by the first generation unit 104, the identification unit 105 sets the allocated resources as variables, and specifies that the sum of allocated resources for each resource type does not exceed the total amount of resources. By solving an integer programming problem where the constraint is , and the objective function is to minimize the maximum time to complete a task, the combination of resources that completes a given task in the shortest amount of time is identified.
  • the allocation unit 106 allocates the combination of resources specified by the identification unit 105 to a predetermined task (step S7).
  • the second generation unit 108 generates a motion plan based on the resources allocated by the allocation unit 106 (step S8). At this time, a motion plan may be further generated based on constraint conditions.
  • the second generation unit 108 when the allocation unit 106 allocates a resource that is a combination of one portable robot arm 20, one mobile robot arm 30, and one AGV 40 as a resource for executing a predetermined work, the second generation unit 108 generates a motion plan for causing each of one portable robot arm 20, one mobile robot arm 30, and one AGV 40 to execute work within a range that satisfies the constraint conditions. Further, for example, when the allocation unit 106 allocates a resource that is a combination of one portable robot arm 20 and two AGVs 40 as a resource for executing a predetermined work, the second generation unit 108 A motion plan is generated for causing each of the portable robot arm 20 and the two AGVs 40 to perform work within a range that satisfies the constraint conditions.
  • the control unit 107 controls the robots (for example, each of the portable robot arm 20, mobile robot arm 30, and AGV 40) included in the combination of resources specified by the specifying unit 105 (step S9). For example, the control unit 107 generates a control signal for controlling the robot based on the motion plan generated by the second generation unit 108. Then, the control unit 107 outputs the generated control signal to the robot.
  • the robots for example, each of the portable robot arm 20, mobile robot arm 30, and AGV 40 included in the combination of resources specified by the specifying unit 105 (step S9).
  • the control unit 107 generates a control signal for controlling the robot based on the motion plan generated by the second generation unit 108. Then, the control unit 107 outputs the generated control signal to the robot.
  • the portable robot arm 20, mobile robot arm 30, and AGV 40 that are controlled by the processing device 10 execute processing according to the control under the control of the processing device 10.
  • the first generation unit 104 generates task information INF1 including combinations of types of multiple tasks included in a predetermined work and skills required for each of the multiple tasks; A combination of resources included in the plurality of resources based on resource information INF2 that includes combinations of the types of the plurality of resources for performing the work, the quantities of each of the plurality of resources, and the skills possessed by each of the plurality of resources.
  • a prediction model MDL that predicts the work time is generated for each task.
  • the identification unit 105 identifies a combination of resources included in the plurality of resources that allows a predetermined task to be completed in the shortest working time, based on the respective quantities of the plurality of tasks and the prediction model MDL.
  • the processing device 10 can identify appropriate resources for a predetermined task.
  • the prediction model may further include information indicating the distribution of skills included in each resource for each combination of resources. Further, the information indicating the combination of resources may further include information indicating the distribution of skills of each resource.
  • FIG. 7 is a diagram illustrating an example of a processing device 10 with a minimum configuration according to an embodiment of the present disclosure.
  • the processing device 10 with the minimum configuration includes a first generating section 104 (an example of a first generating means) and a specifying section 105 (an example of a specifying means).
  • the first generation unit 104 generates task information including combinations of types of tasks included in a predetermined task and skills required for each of the tasks, and a plurality of resources for executing the predetermined task.
  • a predictive model that predicts work time for each combination of resources included in multiple resources is created based on resource information including the combination of types, quantities of each of multiple resources, and skills possessed by each of multiple resources.
  • the first generation unit 104 can be realized using, for example, the functions of the first generation unit 104 illustrated in FIG. 2.
  • the identification unit 105 determines a combination of resources included in the plurality of resources that will complete a predetermined task in the shortest work time, based on the quantity of each of the plurality of tasks and the prediction model generated by the first generation unit 104. Identify.
  • the specifying unit 105 can be realized using, for example, the functions of the specifying unit 105 illustrated in FIG. 2 .
  • FIG. 8 is a diagram illustrating an example of a processing flow of the minimally configured processing device 10 according to the embodiment of the present disclosure.
  • the processing of the processing device 10 with the minimum configuration will be described with reference to FIG.
  • the first generation unit 104 generates task information including combinations of types of tasks included in a predetermined task and skills required for each of the tasks, and a plurality of resources for executing the predetermined task.
  • a predictive model that predicts work time for each combination of resources included in multiple resources is created based on resource information including the combination of types, quantities of each of multiple resources, and skills possessed by each of multiple resources.
  • Generate step S101).
  • the identification unit 105 determines the resources included in the plurality of resources that allow the predetermined work to be completed in the shortest work time, based on the quantity of each of the plurality of tasks and the prediction model generated by the first generation unit 104.
  • a combination is specified (step S102).
  • the processing system 1 with the minimum configuration according to the embodiment of the present disclosure has been described above. This processing system 1 makes it possible to identify appropriate resources for a given task.
  • processing in each embodiment of the present disclosure may be a combination of the processing in each embodiment as long as appropriate processing is performed.
  • the processing system 1, the processing device 10, the input unit 101, the acquisition unit 103, the first generation unit 104, the identification unit 105, the allocation unit 106, the control unit 107, the second generation unit 108, the portable robot arm 20, the mobile robot arm 30, the AGV 40, and other processing devices may have a computer device inside.
  • the above-described processing steps are stored in a computer-readable recording medium in the form of a program, and the above-mentioned processing is performed by reading and executing this program by the computer.
  • a specific example of a computer is shown below.
  • FIG. 9 is a schematic block diagram showing the configuration of a computer according to at least one embodiment.
  • the computer 5 includes a CPU (Central Processing Unit) 6, a main memory 7, a storage 8, and an interface 9, as shown in FIG.
  • the processing system 1 described above, the processing device 10, the input unit 101, the acquisition unit 103, the first generation unit 104, the identification unit 105, the allocation unit 106, the control unit 107, the second generation unit 108, the portable robot arm 20, The mobile robot arm 30, AGV 40, and other processing devices are each implemented in the computer 5.
  • the operations of each processing section described above are stored in the storage 8 in the form of a program.
  • the CPU 6 reads the program from the storage 8, expands it to the main memory 7, and executes the above processing according to the program. Further, the CPU 6 reserves storage areas corresponding to each of the above-mentioned storage units in the main memory 7 according to the program.
  • Storage 8 examples include HDD (Hard Disk Drive), SSD (Solid State Drive), magnetic disk, magneto-optical disk, CD-ROM (Compact Disc Read Only Memory), DVD-ROM (Digital ital Versatile Disc Read Only Memory) , semiconductor memory, etc.
  • Storage 8 may be an internal medium directly connected to the bus of computer 5, or may be an external medium connected to computer 5 via interface 9 or a communication line. Further, when this program is distributed to the computer 5 via a communication line, the computer 5 that receives the distribution may develop the program in the main memory 7 and execute the above processing.
  • storage 8 is a non-transitory tangible storage medium.
  • the above program may implement some of the functions described above.
  • the program may be a so-called difference file (difference program), which is a file that can realize the above-described functions in combination with a program already recorded in the computer device.
  • a processing device comprising:
  • the processing device according to supplementary note 2, comprising:
  • the resource includes a robot, control means for controlling a robot included in the combination of resources identified by the identifying means based on the motion plan;
  • the processing device according to supplementary note 3, comprising:
  • the prediction model further includes information indicating a distribution of the skills included in each of the resources,
  • the processing device according to any one of Supplementary Notes 1 to 5, wherein the combination of resources further includes information indicating the allocation.
  • the resource further includes a condition for activating the skill
  • the skills further include skills to achieve the conditions
  • the first generating means generates the prediction model based on the fact that when the condition is set for the resource, the skill of the resource becomes effective after the skill that achieves the condition is activated.
  • the condition is relocation of the resource
  • the processing device according to appendix 7, wherein the skill to achieve the condition is relocation of a resource that matches the type of resource.
  • a processing device according to any one of Supplementary notes 1 to 8, a robot that executes processing according to control by the processing device;
  • a processing system comprising:
  • appropriate resources can be identified for a predetermined task.
  • Processing system 5 Central 6
  • CPU 7 Main memory 8
  • Storage 9 ... Interface 10
  • Processing device 20 20a, 20b... Portable robot arm 30, 30a, 30b, 30c... Mobile robot arm 40, 40a , 40b, 40c...AGV 101... Input unit 102... Storage unit 103... Acquisition unit 104... First generation unit 105... Specification unit 106... Allocation unit 107... Control unit 108... Second Generation part

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manipulator (AREA)

Abstract

処理装置は、所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成する第１生成手段と、前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する特定手段と、を備える。

Description

処理装置、処理システム、処理方法、および記録媒体
　本開示は、処理装置、処理システム、処理方法、および記録媒体に関する。
　さまざまな分野でロボットが利用されている。例えば、物流などの分野ではロボットと人間とが協働して作業が行われることがある。特許文献１には、関連する技術として、生産ラインにおける作業者と自動機への作業の割り当てに関する技術が開示されている。
特開２０２１－１６３３２４号公報
　特定のタスクを完遂するには、異なるスキルを持った複数のリソースを組み合わせる必要がある。しかし特許文献１に開示されている発明では、異なるスキルを持った複数のリソースの組み合わせを特定することはできない。そのため、所定の作業に対して適切なリソースの組み合わせを特定することのできる技術が求められている。
　本開示の各態様は、上記の課題を解決することのできる処理装置、処理システム、処理方法、および記録媒体を提供することを目的の１つとしている。
　上記目的を達成するために、本開示の一態様によれば、処理装置は、所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成する第１生成手段と、前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する特定手段と、を備える。
　上記目的を達成するために、本開示の別の態様によれば、処理システムは、上記処理装置と、前記処理装置による制御に応じて処理を実行するロボットと、を備える。
　上記目的を達成するために、本開示の別の態様によれば、処理方法は、所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成し、前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する。
　上記目的を達成するために、本開示の別の態様によれば、記録媒体は、所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成することと、前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定することと、をコンピュータに実行させるプログラムを格納している。
　本開示の各態様によれば、所定の作業に対して適切なリソースを特定することができる。
本開示の一実施形態による処理システムの構成の一例を示す図である。 本開示の一実施形態による処理装置の構成の一例を示す図である。 本開示の一実施形態におけるタスク情報の一例を示す図である。 本開示の一実施形態におけるリソース情報の一例を示す図である。 本開示の一実施形態による第１生成部が生成する予測モデルの一例を示す図である。 本開示の一実施形態による処理システムの処理フローの一例を示す図である。 本開示の実施形態による最小構成の処理装置の一例を示す図である。 本開示の実施形態による最小構成の処理装置の処理フローの一例を示す図である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
　以下、図面を参照しながら実施形態について詳しく説明する。
＜実施形態＞
　本開示の一実施形態による処理システム１は、ロボット（例えば、後述する可搬型ロボットアーム２０、移動ロボットアーム３０、ＡＧＶ（Ａｕｔｏｍａｔｅｄ　Ｇｕｉｄｅｄ　Ｖｅｈｉｃｌｅ）４０などと人間（例えば、後述する作業員Ａ、Ｂなど）とが協働して所定の作業を実行する場合に、その作業を短時間で完了させるための適切なリソース（すなわち、ロボットおよび人間）の組み合わせを特定するシステムである。処理システム１は、例えば、物流センターの倉庫などに導入されるシステムである。ロボットは、必ずしも、可搬型のロボットアームだけではなく、倉庫や工場等に設置されている設置型ロボットであってもよい。可搬型とは、他のリソースによって移動させることが可能なリソースであることを表す。設置型とは、他のリソースによって移動させることが困難なリソースであること、あるいは、他のリソースによって移動させることが不可能なリソースであることを表す。
　後述する例では、可搬型ロボットがロボットアーム（具体的には、可搬型ロボットアーム２０）である例を参照しながら、処理システム１における動作を説明する。しかし、ロボットが可搬型であるか設置型であるかが識別されていればよく、処理システム１が、可搬型であるロボットアームと、設置型であるロボットアームとを含んでいてもよい。以降、可搬型であるロボットアームを「可搬型ロボットアーム」と表す。
（処理システムの構成）
　図１は、本開示の一実施形態による処理システム１の構成の一例を示す図である。処理システム１は、図１に示すように、処理装置１０、可搬型ロボットアーム２０ａ、２０ｂ（ロボットの一例）、移動ロボットアーム３０ａ、３０ｂ、３０ｃ（ロボットの一例）、およびＡＧＶ４０ａ、４０ｂ、４０ｃ（ロボットの一例）を備える。以下、可搬型ロボットアーム２０ａ、２０ｂを総称して、可搬型ロボットアーム２０という。また、移動ロボットアーム３０ａ、３０ｂ、３０ｃを総称して、移動ロボットアーム３０という。移動ロボットアーム３０は、自走することが可能なロボットアームを表す。また、ＡＧＶ４０ａ、４０ｂ、４０ｃを総称して、ＡＧＶ４０という。処理システム１は、ベルトコンベア、及び、加工ロボット等を含んでいてもよい。
　図２は、本開示の一実施形態による処理装置１０の構成の一例を示す図である。処理装置１０は、図２に示すように、入力部１０１、記憶部１０２、取得部１０３、第１生成部１０４（第１生成手段の一例）、特定部１０５（特定手段の一例）、割り当て部１０６（割り当て手段の一例）、制御部１０７（制御手段の一例）、および第２生成部１０８（第２生成手段の一例）を備える。
　入力部１０１は、タスク情報ＩＮＦ１（図３を参照しながら後述）およびリソース情報ＩＮＦ２（図４を参照しながら後述）の入力を受け取る。入力部１０１は、受け取ったタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を記憶部１０２に記録する。タスク情報ＩＮＦ１は、所定の作業に含まれる複数のタスクの種類と、複数のタスクそれぞれの数量と、複数のタスクそれぞれに要求されるスキルとの組み合わせを含む情報である。また、リソース情報ＩＮＦ２は、所定の作業を実行するための複数のリソースの種類と、複数のリソースそれぞれの数量と、複数のリソースそれぞれが有するスキルとの組み合わせを含む情報である。なお、ここでは、複数のタスク、複数のリソースについて説明しているが、本開示の実施形態では、タスクおよびリソースのそれぞれは、一以上であればよい。
　図３は、本開示の一実施形態におけるタスク情報ＩＮＦ１の一例を示す図である。タスク情報ＩＮＦ１は、所定の作業に含まれるタスクの種類と、それぞれのタスクの数量と、それぞれのタスクを実行するために必要なスキル（図３ではタスク要求スキルと記載）とを含む情報である。つまり、タスク情報ＩＮＦ１は、所定の作業の内容と、作業量と、必要なスキルとを含む情報である。図３に示す例では、所定の作業に含まれる複数のタスクの種類としては、ピッキング、および、仕分けが挙げられている。また、複数のタスクそれぞれの数量としては、ピッキングに対して２００個、仕分けに対して２００個が挙げられている。また、複数のタスクそれぞれに要求されるスキルとしては、ピッキングには、ピッキングのスキルが挙げられている。仕分けには、検品、コンテナ詰め、およびコンテナ搬送のスキルが挙げられている。
　図４は、本開示の一実施形態におけるリソース情報ＩＮＦ２の一例を示す図である。リソース情報ＩＮＦ２は、所定の作業に割り当てることのできるリソースの種類と、それぞれのリソースの数量と、それぞれのリソースが保有するスキル（図４では保有スキルと記載）と、スキルの発動条件とを含む情報である。スキルには、所定時間内に実現可能な作業量を示す情報が含まれる。図４に示す例では、所定の作業を実行するための複数のリソースの種類としては、作業員Ａ、作業員Ｂ、可搬型ロボットアーム２０、移動ロボットアーム３０、ＡＧＶ４０が挙げられている。また、複数のリソースそれぞれが有するスキルとしては、作業員Ａには、ピッキング（１０個／分）、検品（２０個／分）、コンテナ詰め（２０個／分）、コンテナ搬送（２０個／分）、可搬型ロボットアームの移設（１台／５分）が挙げられている。作業員Ｂには、ピッキング（８個／分）、コンテナ詰め（１５個／分）、コンテナ搬送（１５個／分）が挙げられている。可搬型ロボットアーム２０には、検品（１０個／分）、コンテナ詰め（１０個／分）が挙げられている。移動ロボットアーム３０には、検品（１０個／分）、コンテナ詰め（１０個／分）、コンテナ搬送（２０個／分）が挙げられている。ＡＧＶ４０には、コンテナ搬送（４０個／分）が挙げられている。また、複数のリソースそれぞれの数量としては、作業員Ａとして３名、作業員Ｂとして５名、可搬型ロボットアーム２０として２台、移動ロボットアーム３０として３台、ＡＧＶ４０として３台が挙げられている。
　たとえば、作業員Ａのスキル「ピッキング（１０個／分）」は、作業員Ａが１分あたり１０個の物（たとえば、製品、商品、仕掛品）のピッキングが可能であることを表す。作業員Ａのスキル「可搬型ロボットアームの移設（１台／５分）」は、作業員Ａが１台の可搬型ロボットアーム２０を移動、設置する所要時間が５分であることを表す。可搬型ロボットアーム２０のスキル「コンテナ詰め（１０個／分）」は、可搬型ロボットアーム２０が１分あたり１０個の物をコンテナに詰めることが可能であることを表す。ＡＧＶ４０のスキル「コンテナ搬送（４０個／分）」は、ＡＧＶ４０が１分あたり４０個の物をコンテナで搬送することが可能であることを表す。
　また、入力部１０１は、制約条件を受け取る。入力部１０１は、受け取った制約条件を記憶部１０２に記録する。制約条件の例としては、所定の作業を実行する際の進入禁止領域、可搬型ロボットアーム２０、移動ロボットアーム３０、およびＡＧＶ４０それぞれの可動域を逸脱する領域、更には、可搬型ロボットアーム２０および移動ロボットアーム３０それぞれによる作業の対象物の把持、対処物の把持の解除、対象物の持ち替えに関する対象物の面の条件などが挙げられる。なお、本開示の各実施形態において、「把持」とは、バキュームなどにより対象物を吸い付ける「吸着」、人間や動物などの指を模した２本以上の疑似的な指により物体を挟む「挟持」を含む。
　記憶部１０２は、タスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を記憶する。また、記憶部１０２は、制約条件を記憶する。
　取得部１０３は、タスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を取得する。例えば、取得部１０３は、記憶部１０２が記憶しているタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を読み出す。また、例えば、取得部１０３は、入力部１０１が受け取ったタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を、入力部１０１から直接取得するものであってもよい。
　また、取得部１０３は、制約条件を取得する。例えば、取得部１０３は、記憶部１０２が記憶している制約条件を読み出す。また、例えば、取得部１０３は、入力部１０１が受け取った制約条件を、入力部１０１から直接取得するものであってもよい。
　第１生成部１０４は、タスク情報ＩＮＦ１に含まれる、所定の作業に含まれるタスクの種類と、それぞれのタスクを実行するために必要なスキルを示す情報、およびリソース情報ＩＮＦ２に含まれる、所定の作業に割り当てることのできるリソースの種類と、それぞれのリソースの数量と、それぞれのリソースが保有するスキルと、スキルの発動条件とに基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬ（図５を参照しながら後述する）を生成する。例えば、第１生成部１０４は、取得部１０３が取得したタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２に基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成する。
　具体的には、第１生成部１０４は、以下のように予測モデルＭＤＬを生成する。第１生成部１０４は、取得部１０３が取得したタスク情報ＩＮＦ１において、それぞれのタスクの種類を特定する。第１生成部１０４は、タスク情報ＩＮＦ１において、特定したタスクごとに、数量および必要なスキルを特定する。例えば、タスク情報ＩＮＦ１が図３に示すタスク情報ＩＮＦ１である場合、第１生成部１０４は、タスクの種類として、ピッキング、および仕分けを特定する。そして、第１生成部１０４は、ピッキングのタスクに対して、数量が２００、必要なスキルがピッキングと特定する。また、第１生成部１０４は、仕分けのタスクに対して、数量が２００、必要なスキルが検品、コンテナ詰め、およびコンテナ搬送と特定する。なお、この段階で、第１生成部１０４は、所定の作業の内容と、作業量と、必要なスキルとを特定したことになる。
　次に、第１生成部１０４は、特定した必要なスキルに基づいて、特定したタスクごとに、割り当て可能なリソースの種類および数量を特定する。例えば、第１生成部１０４は、特定したタスクがピッキングである場合、取得部１０３が取得したリソース情報ＩＮＦ２において、保有するスキルがピッキングであるリソースの種類および数量（リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２である場合、作業員Ａ（３名）、作業員Ｂ（５名））を特定する。また、例えば、第１生成部１０４は、特定したタスクが仕分けである場合、取得部１０３が取得したリソース情報ＩＮＦ２において、保有するスキルが検品、コンテナ詰め、またはコンテナ搬送であるリソースの種類および数量（図４に示すリソース情報ＩＮＦ２である場合、作業員Ａ（３名）、作業員Ｂ（５名）、可搬型ロボットアーム２０（２台）、移動ロボットアーム３０（３台）、ＡＧＶ４０（３台））を特定する。また、例えば、第１生成部１０４は、取得部１０３が取得したリソース情報ＩＮＦ２において、スキルの発動条件が存在するか否かを判定する。第１生成部１０４は、スキルの発動条件が存在しないと判定した場合、リソースの種類および数量の特定を終了する。また、第１生成部１０４は、スキルの発動条件が存在すると判定した場合、スキルの発動条件を有するリソースの種類および数量、および発動条件を満たすためのスキルを有するリソースの種類および数量を特定する。例えば、図４に示すリソース情報ＩＮＦ２である場合、第１生成部１０４は、可搬型ロボットアーム２０について、スキルの発動条件に「移設」が含まれることから、スキルの発動条件を有するリソースとして、可搬型ロボットアーム２０（３台）を特定する。さらに、リソース情報ＩＮＦ２より、作業員Ａの保有スキルに「可搬型ロボットアームの移設」が含まれることから、可搬型ロボットアームのスキルの発動条件を満たすためのスキルを有するリソースの種類および数量として、作業員Ａ（３名）を特定する。なお、この段階で、第１生成部１０４は、所定の作業におけるタスクごとに、割り当てることのできるリソースの種類と数量とを特定し終えたことになる。
　次に、第１生成部１０４は、所定の作業におけるタスクごとに、割り当てることのできるリソースの種類と数量とのすべての組み合わせを特定する。例えば、リソース情報ＩＮＦ１が図３に示すリソース情報ＩＮＦ１であり、リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２である場合、ピッキングのタスクに対して、作業員Ａ（３名）、作業員Ｂ（５名）を割り当てることができるため、第１生成部１０４は、作業員Ａ（３名）と作業員Ｂ（５名）とのすべての組み合わせ、すなわち「作業員Ａ（１名）」、「作業員Ａ（１名）と作業員Ｂ（１名）」、「作業員Ａ（１名）と作業員Ｂ（２名）」、「作業員Ａ（１名）と作業員Ｂ（３名）」、「作業員Ａ（１名）と作業員Ｂ（４名）」、「作業員Ａ（１名）と作業員Ｂ（５名）」、「作業員Ａ（２名）」、「作業員Ａ（２名）と作業員Ｂ（１名）」、「作業員Ａ（２名）と作業員Ｂ（２名）」、「作業員Ａ（２名）と作業員Ｂ（３名）」、「作業員Ａ（２名）と作業員Ｂ（４名）」、「作業員Ａ（２名）と作業員Ｂ（５名）」、「作業員Ａ（３名）」、「作業員Ａ（３）と作業員Ｂ（１名）」、「作業員Ａ（３名）と作業員Ｂ（２名）」、「作業員Ａ（３名）と作業員Ｂ（３名）」、「作業員Ａ（３名）と作業員Ｂ（４名）」、「作業員Ａ（３名）と作業員Ｂ（５名）」を特定する。また、例えば、リソース情報ＩＮＦ１が図３に示すリソース情報ＩＮＦ１であり、リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２である場合、仕分けのタスクに対して、作業員Ａ（３名）、作業員Ｂ（５名）、可搬型ロボットアーム２０（２台）、移動ロボットアーム３０（３台）、ＡＧＶ４０（３台）を割り当てることができるため、第１生成部１０４は、作業員Ａ（３名）と、作業員Ｂ（５名）と、可搬型ロボットアーム２０（２台）と、移動ロボットアーム３０（３台）と、ＡＧＶ４０（３台）とのすべての組み合わせを特定する。
　次に、第１生成部１０４は、リソース情報ＩＮＦ２におけるリソースごとに保有するスキルを用いて、特定したリソースの種類と数量とのすべての組み合わせのそれぞれに対して、実現可能な作業量を算出する。
　例えば、リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２であり、ピッキングのタスクに作業員Ａ（１名）を割り当てる場合、第１生成部１０４は、実現可能な作業量を１分当たり１０個と算出する。また、例えば、リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２であり、仕分けのタスクに作業員Ａ（１名）と、可搬型ロボットアーム２０（１台）と、ＡＧＶ４０（１台）とを割り当てる場合、第１生成部１０４は、実現可能な作業量を５分後から１分当たり１５個と算出する。そして、第１生成部１０４は、タスクごとに、タスクに割り当てられたリソースと、そのリソースにより実現可能な算出した作業量とを組み合わせる。タスクごとの、割り当てられたリソースと、そのリソースにより実現可能な作業量との組み合わせが、予測モデルＭＤＬである。
　なお、第１生成部１０４は、取得部１０３が取得したタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２の少なくとも一方の代わりに、入力部１０１または記憶部１０２からその代わりとなる情報を取得し、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成するものであってもよい。
　図５は、本開示の一実施形態による第１生成部１０４が生成する予測モデルＭＤＬの一例を示す図である。図５に示す例では、リソース情報ＩＮＦ１が図３に示すリソース情報ＩＮＦ１であり、リソース情報ＩＮＦ２が図４に示すリソース情報ＩＮＦ２であるものとし、タスクの種類ごとに、割り当てられるリソースの組み合わせそれぞれに対して、作業時間を予測可能な単位時間当たりの作業量を表す予測モデルＭＤＬが示されている。よって、図５に示すタスクの種類は、図３に示すタスクの種類と同一となる。また、図５に示す割り当てられたリソースは、図４に示す各タスクに必要なスキルを保持するリソースのすべての組み合わせとなる。なお、図５に示す例では、ピッキングおよび仕分けのそれぞれに割り当てられるリソースのすべての組み合わせは示されておらず、リソースの一部の組み合わせについてのみ示されている。図５に示す予測モデルＭＤＬによれば、ピッキングの作業に対して、作業員Ｂが２名割り当てられた場合、実現作業量は１分当たり１６個となる。また、図５に示す予測モデルＭＤＬによれば、仕分けの作業に対して作業員Ａが１名、可搬型ロボットアーム２０が１台、ＡＧＶ４０が１台割り当てられた場合、作業員Ａにより５分後に可搬型ロボットアーム２０の移設が完了すると、作業員Ａと可搬型ロボットアーム２０が検品およびコンテナ詰めを、ＡＧＶ４０がコンテナ搬送をそれぞれ担当することで、実現作業量は１分当たり１５個となる。また、図５に示す予測モデルＭＤＬによれば、仕分けの作業に対して、作業員Ａが１名、可搬型ロボットアーム２０が２台、ＡＧＶ４０が１台割り当てられた場合、実現作業量は、５～１０分の間は１分当たり５個、１０分後以降は１分当たり２０個となる。すなわち、０～５分の間は、作業員Ａが１台目の可搬型ロボットアーム２０を移設しており、予測される実現作業量は０となる。５～１０分の間は、作業員Ａが２台目の可搬型ロボットアーム２０を移設するのと並行して、１台目の可搬型ロボットアーム２０が検品およびコンテナ詰めを、ＡＧＶ４０がコンテナ搬送をそれぞれ担当することで、予測される実現作業量は１分あたり５個となる。そして１０分経過後は、作業員Ａおよび２台の可搬型ロボットアーム２０が検品およびコンテナ詰めを、ＡＧＶ４０がコンテナ搬送をそれぞれ担当することで、予測される実現作業量は１分あたり２０個となる。
　あるいは、上述した動作は、以下のような動作であってもよい。タスクが「仕分け」であるとする。この場合に、第１生成部１０４は、タスク情報ＩＮＦ１（図３に例示）に基づき、タスク「仕分け」に対してスキル「検品」、スキル「コンテナ詰め」、及び、スキル「コンテナ搬送」を特定する。第１生成部１０４は、リソース情報ＩＮＦ２に基づき、スキル「検品」を有しているリソースの種類及び数量を特定する。リソース情報ＩＮＦ２（図４に例示）において、スキル「検品」を有しているのは、３名の作業員Ａと、２台の可搬型ロボットアーム２０と、３台の移動ロボットアーム３０とである。したがって、第１生成部１０４は、タスク「検品」に対して、３名の作業員Ａと、２台の可搬型ロボットアーム２０と、３台の移動ロボットアーム３０とを特定する。
　同様に、スキル「コンテナ詰め」に対して、第１生成部１０４は、リソース情報ＩＮＦ２（図４に例示）に基づき、３名の作業員Ａと、５名の作業員Ｂと、２台の可搬型ロボットアーム２０と、３台の移動ロボットアーム３０とを特定する。また、スキル「コンテナ搬送」に対して、第１生成部１０４は、３名の作業員Ａと、５名の作業員Ｂと、３台の移動ロボットアーム３０と、３台のＡＧＶ４０とを特定する。
　また、タスク「ピッキング」に対して、第１生成部１０４は、タスク情報ＩＮＦ１（図３に例示）に基づき、スキル「ピッキング」を特定する。そして、スキル「ピッキング」に対して、第１生成部１０４は、リソース情報ＩＮＦ２（図４に例示）に基づき、３名の作業員Ａと、５名の作業員Ｂとを特定する。
　そして、第１生成部１０４は、取得部１０３が取得したリソース情報ＩＮＦ２において、発動条件を有するリソースが存在するか否かを判定する。第１生成部１０４は、発動条件を有するリソースが存在しないと判定した場合、リソースの種類および数量の特定を終了する。また、第１生成部１０４は、発動条件を有するリソースが存在すると判定した場合、発動条件を有するリソースと、その条件を満たすリソースの種類および数量を特定する。例えば、第１生成部１０４は、特定したリソースの種類および数量において、３台の可搬型ロボットアーム２０が、スキルの発動条件「移設」を有すること、およびリソース情報ＩＮＦ２において、３名の作業員Ａが当該スキルの発動条件を満たすためのスキル「可搬型ロボットアームの移設」を有することを特定する。
　ここで示した例の場合に、第１生成部１０４は、タスク「ピッキング」を実現可能なリソースの種類と数量との組み合わせとして、以下のような組み合わせを特定する。
　「作業員Ａ（１名）」、「作業員Ａ（１名）と作業員Ｂ（１名）」、「作業員Ａ（１名）と作業員Ｂ（２名）」、「作業員Ａ（１名）と作業員Ｂ（３名）」、「作業員Ａ（１名）と作業員Ｂ（４名）」、「作業員Ａ（１名）と作業員Ｂ（５名）」、「作業員Ａ（２名）」、「作業員Ａ（２名）と作業員Ｂ（１名）」、「作業員Ａ（２名）と作業員Ｂ（２名）」、「作業員Ａ（２名）と作業員Ｂ（３名）」、「作業員Ａ（２名）と作業員Ｂ（４名）」、「作業員Ａ（２名）と作業員Ｂ（５名）」、「作業員Ａ（３名）」、「作業員Ａ（３）と作業員Ｂ（１名）」、「作業員Ａ（３名）と作業員Ｂ（２名）」、「作業員Ａ（３名）と作業員Ｂ（３名）」、「作業員Ａ（３名）と作業員Ｂ（４名）」、「作業員Ａ（３名）と作業員Ｂ（５名）」。
　タスク「仕分け」に対して特定された各タスク要求スキルについても、第１生成部１０４は、上述した処理と同様な処理を実行する。たとえば、スキル「検品」、スキル「コンテナ詰め」、及び、スキル「コンテナ搬送」に対しては、いずれも、作業員Ａが保有している。すなわち、作業員Ａは、タスク「仕分け」を実現することができる。したがって、第１生成部１０４は、作業員Ａの数量「３」以下の、以下のような組み合わせを特定する。
　「作業員Ａ（１名）」、「作業員Ａ（２名）」、「作業員Ａ（３名）」。
　また、作業員Ａがスキル「検品」を行い、可搬型ロボットアーム２０がスキル「コンテナ詰め」を行い、ＡＧＶ４０がスキル「コンテナ搬送」を行うことによっても、タスク「仕分け」を実現することができる。第１生成部１０４は、タスク「仕分け」を実現するリソースの中に、可搬型ロボットアーム２０が含まれているか否かを判定する。リソースの中に可搬型ロボットアーム２０が含まれていると判定した場合に、第１生成部１０４は、スキル「可搬型ロボットアームの移設」を有しているリソースを特定する。特定したリソースが作業員Ａである場合に、割り当てリソースとして、リソース「作業員Ａ」、リソース「可搬型ロボットアーム２０」、及び、リソース「ＡＧＶ４０」を特定する。そして、第１生成部１０４は、そのタスクの実現作業量として、作業員Ａが可搬型ロボットアーム２０を移設する所要時間（５分）、および作業員Ａが検品とコンテナ詰めとを実施したときの実現作業量を１０個／分（＝２０個／（１＋１）分）と求める。また、第１生成部１０４は、可搬型ロボットアーム２０が検品とコンテナ詰めとを実施したときの実現作業量を５個／分（＝１０個／（１＋１）分）と求める。そして、第１生成部１０４は、上記のリソースを用いてタスク「仕分け」を実現したときの実現作業量が、５分後に１５（＝１０＋５）個／分となることを求める。さらに、第１生成部１０４は、１台のＡＧＶ４０がスキル「コンテナ搬送」を行ったときの実現作業量を、２０個／分と求める。したがって、第１生成部１０４は、タスク「仕分け」の実現作業量が、５分後に１５（＝１０＋５）個／分となることを求める。言い換えると、この例では、第１生成部１０４は、作業員Ａが可搬型ロボットアーム２０を移設した直後に、移設された可搬型ロボットアーム２０がスキル「検品」及びスキル「コンテナ搬送」を開始するよう予測モデルを求める。
　同様に１名の作業員Ａ、２台の可搬型ロボットアーム２０、１台のＡＧＶであれば、第１生成部１０４は、作業員Ａが１台の可搬型ロボットアーム２０を搬送する時間として５分を求める。また、第１生成部１０４は、５分後に１台の可搬型ロボットアーム２０によってスキル「検品」及びスキル「コンテナ搬送」を実施したときの実現作業量を５個／分（＝１０個／（１＋１）分）と求める。また、第１生成部１０４は、２台目の可搬型ロボットアーム２０を搬送する時間としてさらに５分を求め、１０分後に２台の可搬型ロボットアーム２０によってスキル「検品」及びスキル「コンテナ搬送」を実施したときの実現作業量を１０個／分（＝（５＋５）個／分）と求める。そして、第１生成部１０４は、１０分後に作業員Ａがスキル「検品」及びスキル「コンテナ搬送」を実施したときの実現作業量を１０個／分（＝２０個／（１＋１）分）と、ＡＧＶ４０がスキル「コンテナ搬送」を実施したときの実現作業量を２０個／分と、それぞれ求める。したがって、第１生成部１０４は、タスク「仕分け」の実現作業量として、５分から１０分の間は５個／分、１０分以降は２０（＝１０＋１０）個／分となることを求める。言い換えると、この例では、第１生成部１０４は、作業員Ａが可搬型ロボットアーム２０を移設した直後に、移設された可搬型ロボットアーム２０がスキル「検品」及びスキル「コンテナ搬送」を開始するよう予測モデルを求める。
　特定部１０５は、タスク情報ＩＮＦ１に含まれる複数のタスクそれぞれの数量と、第１生成部１０４が生成した予測モデルＭＤＬに基づいて、所定の作業を最短の作業時間で完了させる複数のリソースに含まれるリソースの組み合わせを特定する。具体的には、特定部１０５は、第１生成部１０４が生成した予測モデルＭＤＬのそれぞれに対して、例えば、次に示す整数計画問題を解くことで最適解を導出する。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｎｉはタスクｉの総量、Ｒｉ，ｊはタスクｉへの割り当てリソースのｊ番目の候補、Ｅｉ（Ｒｉ，ｊ）はタスクｉにリソースＲｉ，ｊを割り当てたときの実現される作業量、Ｒｉ，ｊ，ｋは割り当てリソースＲｉ，ｊに含まれるリソースｋの数量、Ｒｋはリソースｋの総量を、それぞれ示す。すなわち、割り当てリソースを変数、それぞれのリソース種別において割り当てリソースの総和がリソース総量を超えないことを制約条件、タスク完了までの時間の最大値の最小化を目的関数とする最適化問題を解く。なお、制約条件および目的関数は上に示したものに限定されない。例えば、タスク完了までの要求時間が与えられたときに、それぞれのリソース種別において割り当てリソースの総和がリソース総量を超えないことに加え、要求時間内にタスクを完了させることを制約条件とし、特定の割り当てリソース（例えば作業員）の総和の最小化を目的関数として設定してもよい。上に示すような整数計画問題を解く手法の例としては、すべての組み合わせを試してその中で最も良い解を求める厳密解を求める厳密解法、テーブルを逐次更新しすべての組み合わせを試さずに効率的に厳密解を求める動的計画法、整数計画問題を線形計画問題に緩和し、連続緩和問題の考え方を導入して厳密解を求める分岐限定法などが挙げられる。言い換えると、特定部１０５は、第１生成部１０４が生成した予測モデルＭＤＬを用いて、所定の作業を実施するのに必要なリソースの組み合わせを特定する。なお、特定部１０５がリソースの組み合わせを特定する手法は上述した例に限定されない。
　なお、特定部１０５がすべての組み合わせを試す厳密解法ではなく、限定的な組み合わせのみを試す動的計画法、分岐限定法などを用いてリソースの組み合わせを特定する場合には、第１生成部１０４がすべての予測モデルＭＤＬを生成し終わった後に、第１生成部１０４が生成した予測モデルＭＤＬのそれぞれに対して、特定部１０５がリソースの組み合わせを特定するのではなく、第１生成部１０４が予測モデルＭＤＬを生成する処理と、特定部１０５がリソースの組み合わせを特定する処理とを並行して行うことにより、第１生成部１０４は、無駄な予測モデルＭＤＬを生成せずに済む。
　割り当て部１０６は、特定部１０５が特定した組み合わせのリソースを、所定の作業に割り当てる。
　第２生成部１０８は、割り当て部１０６が割り当てたリソースに基づいて、動作計画（計画の一例）を生成する。動作計画とは、人間以外のリソース（すなわち、ロボットであり、本開示の一実施形態では、割り当て部１０６が割り当てたリソースに含まれる可搬型ロボットアーム２０、移動ロボットアーム３０、およびＡＧＶ４０のそれぞれ）の動作の流れを示す計画である。
　例えば、割り当て部１０６が１台の可搬型ロボットアーム２０、１台の移動ロボットアーム３０、１台のＡＧＶ４０を組み合わせたリソースを、所定の作業を実行させるリソースとして割り当てた場合、第２生成部１０８は、１台の可搬型ロボットアーム２０、１台の移動ロボットアーム３０、１台のＡＧＶ４０のそれぞれに、制約条件を満たす範囲において作業を実行させるための動作計画を生成する。また、例えば、割り当て部１０６が１台の可搬型ロボットアーム２０、２台のＡＧＶ４０を組み合わせたリソースを、所定の作業を実行させるリソースとして割り当てた場合、第２生成部１０８は、１台の可搬型ロボットアーム２０、２台のＡＧＶ４０のそれぞれに、制約条件を満たす範囲において作業を実行させるための動作計画を生成する。このとき、第２生成部１０８は、シミュレーションを用いて、それぞれが実行可能な動作計画であることを検証したものを生成するようにしてもよい。あるいは、第２生成部１０８は、それぞれの実行可能な動作計画について、ＴＡＭＰ（Ｔａｓｋ　ａｎｄ　Ｍｏｔｉｏｎ　Ｐｌａｎｎｉｎｇ）として定式化し、これを解くことで生成するようにしてもよい。
　なお、第２生成部１０８は、取得部１０３が取得した制約情報の代わりに、入力部１０１または記憶部１０２から直接制約情報を取得し、割り当て部１０６が割り当てたリソースに基づいて、動作計画（計画の一例）を生成するものであってもよい。
　制御部１０７は、特定部１０５が特定した組み合わせのリソースに含まれるロボット（すなわち、可搬型ロボットアーム２０、移動ロボットアーム３０、およびＡＧＶ４０のそれぞれ）を制御する。例えば、制御部１０７は、第２生成部１０８が生成した動作計画に基づいて、ロボットを制御する制御信号を生成する。そして、制御部１０７は、生成した制御信号をロボットに出力する。
　可搬型ロボットアーム２０は、人間により移設可能なロボットである。可搬型ロボットアーム２０は、作業の対象となる物体を把持可能な１つ以上のアームを備える。可搬型ロボットアーム２０は、処理装置１０が生成した制御信号に応じて、例えば、検品、コンテナ詰めの作業を実行することができる。
　移動ロボットアーム３０は、処理装置１０が生成した制御信号に応じて、移動可能なロボットである。移動ロボットアーム３０は、作業の対象となる対象物を把持可能な１つ以上のアームを備える。移動ロボットアーム３０は、処理装置１０が生成した制御信号に応じて、例えば、検品、コンテナ詰め、コンテナ搬送の作業を実行することができる。
　ＡＧＶ４０は、自律走行可能なロボットである。ＡＧＶ４０は、処理装置１０が生成した制御信号に応じて、作業の対象となる対象物を搬送可能なロボットである。ＡＧＶ４０は、処理装置１０が生成した制御信号に応じて、例えば、コンテナ搬送の作業を実行することができる。
　図６は、本開示の一実施形態による処理システム１の処理フローの一例を示す図である。次に、図６を参照して処理システム１の処理装置１０が行う処理の詳細について説明する。
　入力部１０１は、タスク情報ＩＮＦ１およびリソース情報ＩＮＦ２の入力を受け取る。入力部１０１は、受け取ったタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を記憶部１０２に記録する（ステップＳ１）。
　また、入力部１０１は、制約条件を受け取る。入力部１０１は、受け取った制約条件を記憶部１０２に記録する（ステップＳ２）。
　記憶部１０２は、タスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を記憶する。また、記憶部１０２は、制約条件を記憶する。
　取得部１０３は、タスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を取得する（ステップＳ３）。例えば、取得部１０３は、記憶部１０２が記憶しているタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を読み出す。また、例えば、取得部１０３は、入力部１０１が受け取ったタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２を、入力部１０１から直接取得するものであってもよい。
　また、取得部１０３は、制約条件を取得する（ステップＳ４）。例えば、取得部１０３は、記憶部１０２が記憶している制約条件を読み出す。また、例えば、取得部１０３は、入力部１０１が受け取った制約条件を、入力部１０１から直接取得するものであってもよい。
　次に、第１生成部１０４は、タスク情報ＩＮＦ１に含まれる、所定の作業に含まれるタスクの種類と、それぞれのタスクを実行するために必要なスキルを示す情報、およびリソース情報ＩＮＦ２に含まれる、所定の作業に割り当てることのできるリソースの種類と、それぞれのリソースの数量と、それぞれのリソースが保有するスキルと、スキルの発動条件とに基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成する（ステップＳ５）。例えば、第１生成部１０４は、取得部１０３が取得したタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２に基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成する。なお、第１生成部１０４は、取得部１０３が取得したタスク情報ＩＮＦ１およびリソース情報ＩＮＦ２の少なくとも一方の代わりに、入力部１０１または記憶部１０２からその代わりとなる情報を取得し、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成するものであってもよい。
　特定部１０５は、タスク情報ＩＮＦ１に含まれる、所定の作業に含まれる複数のタスクそれぞれの数量、および第１生成部１０４が生成した予測モデルＭＤＬに基づいて、所定の作業を、例えば、最短の作業時間で完了させる複数のリソースに含まれるリソースの組み合わせを特定する（ステップＳ６）。具体的には、特定部１０５は、第１生成部１０４が生成した予測モデルＭＤＬのそれぞれに対して、例えば、割り当てリソースを変数、それぞれのリソース種別において割り当てリソースの総和がリソース総量を超えないことを制約条件、タスク完了までの時間の最大値の最小化を目的関数とする整数計画問題を解くことで、所定の作業を最短の作業時間で完了させるリソースの組み合わせを特定する。
　割り当て部１０６は、特定部１０５が特定した組み合わせのリソースを、所定の作業に割り当てる（ステップＳ７）。
　第２生成部１０８は、割り当て部１０６が割り当てたリソースに基づいて、動作計画を生成する（ステップＳ８）。このとき、さらに制約条件に基づいて動作計画を生成するようにしてもよい。
　例えば、割り当て部１０６が１台の可搬型ロボットアーム２０、１台の移動ロボットアーム３０、１台のＡＧＶ４０を組み合わせたリソースを、所定の作業を実行させるリソースとして割り当てた場合、第２生成部１０８は、１台の可搬型ロボットアーム２０、１台の移動ロボットアーム３０、１台のＡＧＶ４０のそれぞれに制約条件を満たす範囲において作業を実行させるための動作計画を生成する。また、例えば、割り当て部１０６が１台の可搬型ロボットアーム２０、２台のＡＧＶ４０を組み合わせたリソースを、所定の作業を実行させるリソースとして割り当てた場合、第２生成部１０８は、１台の可搬型ロボットアーム２０、２台のＡＧＶ４０のそれぞれに制約条件を満たす範囲において作業を実行させるための動作計画を生成する。
　制御部１０７は、特定部１０５が特定した組み合わせのリソースに含まれるロボット（例えば、可搬型ロボットアーム２０、移動ロボットアーム３０、およびＡＧＶ４０のそれぞれ）を制御する（ステップＳ９）。例えば、制御部１０７は、第２生成部１０８が生成した動作計画に基づいて、ロボットを制御する制御信号を生成する。そして、制御部１０７は、生成した制御信号をロボットに出力する。
　処理装置１０による制御対象の可搬型ロボットアーム２０、移動ロボットアーム３０、ＡＧＶ４０は、処理装置１０による制御の下、その制御に応じた処理を実行する。
（利点）
　以上、本開示の一実施形態による処理システム１について説明した。処理システム１の処理装置１０において、第１生成部１０４は、所定の作業に含まれる複数のタスクの種類と、複数のタスクそれぞれに要求されるスキルとの組み合わせを含むタスク情報ＩＮＦ１、および、所定の作業を実行するための複数のリソースの種類と、複数のリソースそれぞれの数量と、複数のリソースそれぞれが有するスキルとの組み合わせを含むリソース情報ＩＮＦ２に基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルＭＤＬを生成する。特定部１０５は、複数のタスクそれぞれの数量と予測モデルＭＤＬに基づいて、所定の作業を最短の作業時間で完了させる複数のリソースに含まれるリソースの組み合わせを特定する。
　こうすることにより、処理装置１０は、所定の作業に対して適切なリソースを特定することができる。
　なお、予測モデルには、リソースの組み合わせごとに、リソースそれぞれに含まれるスキルの配分を示す情報をさらに含むようにしてもよい。また、リソースの組み合わせを示す情報には、各リソースのスキルの配分を示す情報をさらに含むようにしてもよい。かかる構成をとることにより、処理装置１０は、リソースに加え、各リソースに対してどのスキルの発動を求めるかを明確に特定することができる。
　次に、本開示の実施形態による最小構成の処理装置１０について説明する。図７は、本開示の実施形態による最小構成の処理装置１０の一例を示す図である。最小構成の処理装置１０は、図７に示すように、第１生成部１０４（第１生成手段の一例）、および特定部１０５（特定手段の一例）を備える。第１生成部１０４は、所定の作業に含まれる複数のタスクの種類と、複数のタスクそれぞれに要求されるスキルとの組み合わせを含むタスク情報、および、所定の作業を実行するための複数のリソースの種類と、複数のリソースそれぞれの数量と、複数のリソースそれぞれが有するスキルとの組み合わせを含むリソース情報に基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルを生成する。第１生成部１０４は、例えば、図２に例示されている第１生成部１０４が有する機能を用いて実現することができる。特定部１０５は、複数のタスクそれぞれの数量と、第１生成部１０４にて生成された予測モデルに基づいて、所定の作業を最短の作業時間で完了させる複数のリソースに含まれるリソースの組み合わせを特定する。特定部１０５は、例えば、図２に例示されている特定部１０５が有する機能を用いて実現することができる。
　次に、最小構成の処理装置１０の処理について説明する。図８は、本開示の実施形態による最小構成の処理装置１０の処理フローの一例を示す図である。ここでは、図８を参照して最小構成の処理装置１０の処理について説明する。
　第１生成部１０４は、所定の作業に含まれる複数のタスクの種類と、複数のタスクそれぞれに要求されるスキルとの組み合わせを含むタスク情報、および、所定の作業を実行するための複数のリソースの種類と、複数のリソースそれぞれの数量と、複数のリソースそれぞれが有するスキルとの組み合わせを含むリソース情報に基づいて、複数のリソースに含まれるリソースの組み合わせごとに、作業時間を予測する予測モデルを生成する（ステップＳ１０１）。特定部１０５は、複数のタスクそれぞれの数量と、第１生成部１０４にて生成された予測モデルに基づいて、前記所定の作業を最短の作業時間で完了させる前記複数のリソースに含まれるリソースの組み合わせを特定する（ステップＳ１０２）。
　以上、本開示の実施形態による最小構成の処理システム１について説明した。この処理システム１により、所定の作業に対して適切なリソースを特定することができる。
　なお、本開示の各実施形態における処理は、適切な処理が行われる範囲において、処理の順番が入れ替わってもよい。
　また、本開示の各実施形態における処理は、適切な処理が行われる範囲において、各実施形態における処理が組み合わされるものであってもよい。
　本開示の実施形態について説明したが、上述の処理システム１、処理装置１０、入力部１０１、取得部１０３、第１生成部１０４、特定部１０５、割り当て部１０６、制御部１０７、第２生成部１０８、可搬型ロボットアーム２０、移動ロボットアーム３０、ＡＧＶ４０、その他の処理装置は内部に、コンピュータ装置を有していてもよい。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。コンピュータの具体例を以下に示す。
　図９は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ５は、図９に示すように、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）６、メインメモリ７、ストレージ８、インターフェース９を備える。例えば、上述の処理システム１、処理装置１０、入力部１０１、取得部１０３、第１生成部１０４、特定部１０５、割り当て部１０６、制御部１０７、第２生成部１０８、可搬型ロボットアーム２０、移動ロボットアーム３０、ＡＧＶ４０、その他の処理装置のそれぞれは、コンピュータ５に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ８に記憶されている。ＣＰＵ６は、プログラムをストレージ８から読み出してメインメモリ７に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ６は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ７に確保する。
　ストレージ８の例としては、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージ８は、コンピュータ５のバスに直接接続された内部メディアであってもよいし、インターフェース９または通信回線を介してコンピュータ５に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ５に配信される場合、配信を受けたコンピュータ５が当該プログラムをメインメモリ７に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ８は、一時的でない有形の記憶媒体である。
　また、上記プログラムは、前述した機能の一部を実現してもよい。さらに、上記プログラムは、前述した機能をコンピュータ装置にすでに記録されているプログラムとの組み合わせで実現できるファイル、いわゆる差分ファイル（差分プログラム）であってもよい。
　本開示のいくつかの実施形態を説明したが、これらの実施形態は、例であり、開示の範囲を限定しない。これらの実施形態は、開示の要旨を逸脱しない範囲で、種々の追加、省略、置き換え、変更を行ってよい。
　なお、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成する第１生成手段と、
　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する特定手段と、
　を備える処理装置。
（付記２）
　前記特定手段が特定したリソースの組み合わせを、前記所定の作業に割り当てる割り当て手段
　を備える付記２に記載の処理装置。
（付記３）
　前記割り当て手段が割り当てた前記リソースの実行動作にかかわる計画である動作計画を生成する第２生成手段、
　を備える付記２に記載の処理装置。
（付記４）
　前記リソースは、ロボットを含み、
　前記動作計画に基づいて、前記特定手段が特定した組み合わせのリソースに含まれるロボットを制御する制御手段、
　を備える付記３に記載の処理装置。
（付記５）
　前記スキルは、所定時間内に実現可能な作業量を示す情報を少なくとも含む
　付記１から付記４の何れか１つに記載の処理装置。
（付記６）
　前記予測モデルは、前記リソースそれぞれに含まれる前記スキルの配分を示す情報をさらに含み、
　前記リソースの組み合わせは、前記配分を示す情報をさらに含む
　付記１から付記５の何れか１つに記載の処理装置。
（付記７）
　前記リソースは、前記スキルを発動する条件をさらに含み、
　前記スキルは、前記条件を達成するスキルをさらに含み、
　前記第１生成手段は、前記リソースに前記条件が設定された場合には、前記条件を達成するスキルが発動されたのちに前記リソースのスキルが有効となることに基づいて、前記予測モデルを生成する
　付記１から付記６の何れか１つに記載の処理装置。
（付記８）
　前記条件は、前記リソースの移設であり、
　前記条件を達成するスキルは、前記リソースの種類と合致するリソースの移設である
　付記７に記載の処理装置。
（付記９）
　付記１から付記８の何れか１つに記載の処理装置と、
　前記処理装置による制御に応じて処理を実行するロボットと、
　を備える処理システム。
（付記１０）
　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成し、
　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する、
　処理方法。
（付記１１）
　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成することと、
　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定することと、
　をコンピュータに実行させるプログラムが格納されている記録媒体。
　本開示の各態様によれば、所定の作業に対して適切なリソースを特定することができる。
１・・・処理システム
５・・・コンピュータ
６・・・ＣＰＵ
７・・・メインメモリ
８・・・ストレージ
９・・・インターフェース
１０・・・処理装置
２０、２０ａ、２０ｂ・・・可搬型ロボットアーム
３０、３０ａ、３０ｂ、３０ｃ・・・移動ロボットアーム
４０、４０ａ、４０ｂ、４０ｃ・・・ＡＧＶ
１０１・・・入力部
１０２・・・記憶部
１０３・・・取得部
１０４・・・第１生成部
１０５・・・特定部
１０６・・・割り当て部
１０７・・・制御部
１０８・・・第２生成部

Claims (11)

  1. 　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成する第１生成手段と、
    　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する特定手段と、
    　を備える処理装置。
  2. 　前記特定手段が特定したリソースの組み合わせを、前記所定の作業に割り当てる割り当て手段
    　を備える請求項１に記載の処理装置。
  3. 　前記割り当て手段が割り当てた前記リソースの実行動作にかかわる計画である動作計画を生成する第２生成手段、
    　を備える請求項２に記載の処理装置。
  4. 　前記リソースは、ロボットを含み、
    　前記動作計画に基づいて、前記特定手段が特定した組み合わせのリソースに含まれるロボットを制御する制御手段、
    　を備える請求項３に記載の処理装置。
  5. 　前記スキルは、所定時間内に実現可能な作業量を示す情報を少なくとも含む
    　請求項１から請求項４の何れか一項に記載の処理装置。
  6. 　前記予測モデルは、前記リソースそれぞれに含まれる前記スキルの配分を示す情報をさらに含み、
    　前記リソースの組み合わせは、前記配分を示す情報をさらに含む
    　請求項１から請求項５の何れか一項に記載の処理装置。
  7. 　前記リソースは、前記スキルを発動する条件をさらに含み、
    　前記スキルは、前記条件を達成するスキルをさらに含み、
    　前記第１生成手段は、前記リソースに前記条件が設定された場合には、前記条件を達成するスキルが発動されたのちに前記リソースのスキルが有効となることに基づいて、前記予測モデルを生成する
    　請求項１から請求項６の何れか一項に記載の処理装置。
  8. 　前記条件は、前記リソースの移設であり、
    　前記条件を達成するスキルは、前記リソースの種類と合致するリソースの移設である
    　請求項７に記載の処理装置。
  9. 　請求項１から請求項８の何れか一項に記載の処理装置と、
    　前記処理装置による制御に応じて処理を実行するロボットと、
    　を備える処理システム。
  10. 　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成し、
    　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定する、
    　処理方法。
  11. 　所定の作業に含まれる一以上のタスクの種類と、前記タスクの実行に要求される一以上のスキルの組み合わせと、前記所定の作業を実行する一以上のリソースの種類と、前記リソースそれぞれの数量と、前記リソースそれぞれが有する前記スキルとに基づいて、前記リソースの組み合わせによる前記タスクの作業所要時間を予測する予測モデルを生成することと、
    　前記タスクそれぞれの数量および前記予測モデルに基づいて、前記所定の作業を完了させる前記リソースの組み合わせを特定することと、
    　をコンピュータに実行させるプログラムが格納されている記録媒体。
PCT/JP2022/025371 2022-06-24 2022-06-24 処理装置、処理システム、処理方法、および記録媒体 WO2023248477A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/025371 WO2023248477A1 (ja) 2022-06-24 2022-06-24 処理装置、処理システム、処理方法、および記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/025371 WO2023248477A1 (ja) 2022-06-24 2022-06-24 処理装置、処理システム、処理方法、および記録媒体

Publications (1)

Publication Number Publication Date
WO2023248477A1 true WO2023248477A1 (ja) 2023-12-28

Family

ID=89379357

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/025371 WO2023248477A1 (ja) 2022-06-24 2022-06-24 処理装置、処理システム、処理方法、および記録媒体

Country Status (1)

Country Link
WO (1) WO2023248477A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020021454A (ja) * 2018-07-31 2020-02-06 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 意味知識に基づく動的な効用算出のためのシステムおよび方法
JP2021042080A (ja) * 2016-07-28 2021-03-18 ボストン ダイナミクス，インコーポレイテッド 在庫管理
JP2021096643A (ja) * 2019-12-17 2021-06-24 シャープ株式会社 作業計画作成装置及び作業計画作成方法
JP2021105864A (ja) * 2019-12-26 2021-07-26 株式会社日立製作所 計算機システム及びリソースの配置の決定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021042080A (ja) * 2016-07-28 2021-03-18 ボストン ダイナミクス，インコーポレイテッド 在庫管理
JP2020021454A (ja) * 2018-07-31 2020-02-06 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 意味知識に基づく動的な効用算出のためのシステムおよび方法
JP2021096643A (ja) * 2019-12-17 2021-06-24 シャープ株式会社 作業計画作成装置及び作業計画作成方法
JP2021105864A (ja) * 2019-12-26 2021-07-26 株式会社日立製作所 計算機システム及びリソースの配置の決定方法

Similar Documents

Publication Publication Date Title
Guo et al. Dynamic yard crane dispatching in container terminals with predicted vehicle arrival information
CN106228302A (zh) 一种用于在目标区域内进行任务调度的方法与设备
Tavares Neto et al. An ant colony optimization approach for the parallel machine scheduling problem with outsourcing allowed
Cai et al. Rescheduling policies for large-scale task allocation of autonomous straddle carriers under uncertainty at automated container terminals
Gola et al. Application of fuzzy logic and genetic algorithms in automated works transport organization
CN112633756A (zh) 一种仓储物流调度方法及相关设备
Nielsen et al. Scheduling of mobile robots with preemptive tasks
US11014235B2 (en) Systems and methods for semantic knowledge based dynamic utility calculation
Kumar et al. Automated guided vehicle configurations in flexible manufacturing systems: a comparative study
Ojstersek et al. Use of simulation software environments for the purpose of production optimization
Srinivas et al. Collaborative order picking with multiple pickers and robots: Integrated approach for order batching, sequencing and picker-robot routing
Arvind et al. Architecture for industry 4.0-based manufacturing systems
Kulkarni et al. Iterative simulation and optimization approach for job shop scheduling
WO2023248477A1 (ja) 処理装置、処理システム、処理方法、および記録媒体
KR20220145104A (ko) 컨테이너 터미널에서 시뮬레이션 기반의 알고리즘을 활용한 야드 크레인 작업 스케줄링 방법
CN105415375B (zh) 一种机器人离线编程系统
Xie et al. Efficient order picking methods in robotic mobile fulfillment systems
King et al. Robot task scheduling in a flexible manufacturing cell
CN112529444A (zh) 智能仓储无人天车调度方法
CN115619127A (zh) 运力分配方法、电子设备及存储介质
CN105415376B (zh) 一种离线编程装置
Marzouki et al. Improved chemical reaction optimization for distributed flexible job shop problem with transportation times
Nunziatini et al. Data-driven simulation for production balancing and optimization: a case study in the fashion luxury industry
Bożejko et al. Minimization of the number of employees in manufacturing cells
JPWO2018189851A1 (ja) 搬送作業制御装置、システム、方法およびプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22948036

Country of ref document: EP

Kind code of ref document: A1