AGV/AMR 中 AI 應用之研究調查

摘要：在工業 4.0 的浪潮下，各式自動化感測技術與控制系統漸普及，相較過去依靠人工分檢與搬運的工廠物流方式，現今出現越來越多智慧工廠，並引入具有自主感知和智慧路徑規劃能力的自動導引車 (AGV) 和自主移動機器人 (AMR)。而人工智慧 (AI) 在 AGV 和 AMR 的應用中也扮演重要角色，除優化傳統的路徑規劃、任務排程等問題，也提升衝突解決、電池充電排程及預測性維護等方面的效率。本文主要探討 AI 在 AGV 和 AMR 中的七大應用，並針對啟發式演算法、深度學習與機器學習方法深入介紹，最後分析這些技術在提升生產效率、降低成本和強化產能彈性等方面的現狀以及未來趨勢。
Abstract：Under the wave of Industry 4.0, various automated sensing technologies and control systems are gradually becoming prevalent. Compared to the traditional factory logistics that relied mainly on manual sorting and transportation, modern smart factories are increasingly adopting Automated Guided Vehicles (AGVs) and Autonomous Mobile Robots (AMRs) with autonomous sensing and intelligent path planning capabilities. Artificial Intelligence (AI) plays a crucial role in the application of AGVs and AMRs, enhancing traditional tasks such as path planning and task scheduling, while also improving efficiency in areas like conflict resolution, battery charging scheduling, and predictive maintenance. This article explores seven major applications of AI in AGVs and AMRs, delving into heuristic algorithms, deep learning, and machine learning methods. It concludes with an analysis of how these technologies are currently enhancing production efficiency, reducing costs, and increasing production flexibility, as well as future trends in this field.
關鍵詞：自動引導車、自主移動機器人、人工智慧
Keywords：Automated guided vehicles, Autonomous mobile robots, Artificial Intelligence

前言
隨著 AGV 與 AMR 成為現代製造業和物流業的核心技術，優化生產流程和物流管理效率的同時，也為工業自動化的未來發展帶來無限可能。AGV 是一種能夠沿著預設路線自主運行的運輸載具，主要用於固定路徑的物料搬運；而 AMR 則具備自主感知和無軌道式導航能力，能靈活應對動態環境，適用較複雜的多任務場景。
近年來，AI 的引入則進一步提升 AGV 和 AMR 在環境感知與物件辨識方面的技術與性能。本文將深入探討 AI 在 AGV 的路徑規劃、任務排程、衝突解決、最佳化車數、電池充電排程和預測性維護等方面發揮的作用。其中，啟發式方法和深度學習是兩大關鍵技術，前者包含 Dijkstra 演算法、A* 演算法等，適用於路徑規劃和資源分配；後者則通過模型訓練在複雜資料環境中做出智慧決策，適用於動態規畫與即時調整。
本文透過分析 AI 技術在 AGV 和 AMR 中的相關應用，闡明其在提高系統效率、降低運行成本和增強產能彈性方面的現狀與未來發展趨勢，並提供具體案例和技術解析。希望這些研究成果和實際應用的經驗能為相關領域和從業者提供有價值的參考與建議。
背景介紹
1.AGV 與 AMR工業自動化的先驅者
AGV 和 AMR 為工業自動化領域先驅，正以前所未有的靈活性改變著製造業和物流行業的運作方式。這兩種技術不僅為企業帶來更高效的生產流程與物流管理，也帶來對未來工業發展的無限想像。AGV 是一種能夠沿著已規劃路線自主行駛的運輸工具，使用單晶片系統即可運作，以磁軌、色帶、QR code 等方式架設導航路徑，多應用於自動化物料搬運。隨著產業需求與科技演進，AMR 逐漸取代 AGV。AMR 藉由自主感知環境、導航進行無軌道式移動，搭載多項複雜感知裝置與作業系統，以光學方式如：雷射、影像處理等技術進行即時場域的地圖建置與定位，並利用內建演算法進行路徑規劃，不僅能協助物料搬運，還能進行動態庫存管理、巡邏等較複雜之任務。
AMR具自主感知、智慧路徑規劃和避開障礙物等能力，其優點為易於部署、即時修改、快速導入等特性，能夠靈活應對環境變化並處理多種任務。而 AGV 依賴預先安裝的導航系統，僅能運行於固定路徑，缺乏對動態即時調整能力，然而其優點是成本相對低、操作簡單。因此，AMR 更適用於動態環境和多任務處理之應用場景。而 AGV 則適合固定路徑、相對單純之物料搬運系統。AMR 與 AGV 系統互動流程如圖 1所示，修改自 Hwang et al.[1]。
2.人工智慧 (Artificial Intelligence)
隨著工業 4.0 的興起，新技術的發展，數據、資訊和分析被用來提供更好的服務，服務包括製造業、工業等領域的運作和一些加值活動。其中，大數據提供 AI 良好的基礎，使電腦能模仿人類思維相關的認知功能並應用於解決實務的問題。 AGV 與 AMR 作為現代物流和智慧製造的關鍵組成部分，AI 也常應用於 AGV 與 AMR 於不同領域的規劃，涵蓋任務分配、車輛管理和交通管理等方面，透過 AI 的引入可使 AGV 與 AMR 效率顯著提升，常用於規劃 AGV 與 AMR 的方法如下所述:
(1)啟發式演算法
啟發式演算法旨在透過經驗規則來有效地解決問題，這些方法適用於獲得局部最佳解，啟發式方法可用於路徑規劃、排程和資源分配，常見演算法包括 Dijkstra 演算法、A* 演算法、遺傳演算法 (GA) 以及禁忌搜索法等。
(2)深度學習與機器學習方法
深度學習和機器學習方法涉及在大型資料集上訓練模型以識別模式並做出智慧決策，而無需針對每個任務進行明確編程。這些方法對於涉及複雜資料且需要適應性的任務非常有效，主要方法包括：強化學習 (RL)、Q-learning、監督式學習以及半監督式學習。