Das Perfekte Paket

In dem Forschungsprojekt “Das Perfekte Paket” ging es darum, Waren möglichst platzeffizient in Großpakete zu Verpacken. Ziel war es, mithilfe von KI den Verpackungsprozess effizienter zu gestalten und den Versand zu optimieren, sodass beides wirtschaftlicher und umweltfreundlicher wird, ohne die Lieferzeiten zu beeinträchtigen.

Gemeinsam mit unseren Projektpartnern vom Institut für Fördertechnik und Logistiksysteme des Karlsruher Instituts für Technologie (KIT) sowie der auf Logistik spezialisierten Software-Manufaktur von Dr. Thomas + Partner (TUP) haben unsere AI Experten von AMAI heuristische und Reinforcement Learning (RL) Ansätze entwickelt, die das Problem beherrschen.

Herausforderung

Verpackungsprozesse in der Logistikbranche haben ein Problem: Sie sind ineffizient in Bezug auf die Raumnutzung. Das hat negative wirtschaftliche und ökologische Folgen. Da unnötigerweise Luft transportiert wird, werden mehr Füll- und Verpackungsmaterial sowie eine höhere Anzahl an Paketen benötigt. Dies wiederum führt zu höheren Kosten, Treibhausgasemissionen und einem größeren ökologischen Fußabdruck.

Dieses Problem ist in der wissenschaftlichen Literatur als 3D-Behälterproblem bekannt. Das 3D-BPP (aus dem Englischen “3D-Bin-Packing-Problem”) ist eines der prominentesten Optimierungsprobleme in der Logistik. Behälter wie zum Beispiel Pakete oder Paletten müssen mit Gütern gefüllt werden, die so dicht wie möglich beieinander liegen, um die Anzahl der benötigten Behälter zu minimieren.

Der spezielle Use Case in diesem Projekt erforderte zusätzliche, projektspezifische Einschränkungen. Zum Beispiel galt für einzelne Aufträge ein Aufteilungsverbot, d.h. die Waren durften nicht auf mehrere Behälter verteilt werden. Ein Überhangverbot legte fest, dass Packstücke nicht über andere, darunter liegende Packstücke hinausragen durften.

In dem vom Land Baden-Württemberg geförderten Forschungsprojekt wurde nach innovativen Ansätzen gesucht, um ungenutzten Raum und die Anzahl der Behälter in diesem Verpackungsprozessen zu reduzieren.

Ansatz

Zur Lösung der Aufgabenstellung wurde zunächst eine Simulationsumgebung aufgebaut. Diese virtuelle Repräsentation erlaubte es viele verschiedene Pack-Szenarien mit verschieden großen Behältern und Packgütern durchzuspielen.

Darauf hin wurden zwei KI Lösungsansätze für das Behälterproblem entwickelt: ein heuristischer Ansatz und ein Ansatz, der Reinforcement Learning (RL) einsetzt. Für beide Varianten wurden verschiedene Modellvarianten entworfen.

Zum Vergleich mit weiteren Ansätzen aus Literatur und Industrie wurde eine Zielmetrik verwendet, die sowohl die Anzahl der verwendeten Behälter als auch den ungenutzte Raum innerhalb der Behälter (in Litern) berücksichtigt.

Um ein schnelleres Modelltraining und damit kürzere Entwicklungszyklen zu ermöglichen, wurde eine Vereinfachung vorgenommen. Durch eine Diskretisierung des Packungsraums in 3D-Raster mit verschiedenen Auflösungen (von 0,1 cm bis 16,0 cm) wurde der Aktionsraum verkleinert.

Nach einer Erprobungsphase im digitalen Zwilling wurden die jeweils besten Modelle ausgewählt. Um die Praxistauglichkeit der Lösungen zu validieren, wurde im Lager eines Forschungspartners ein Feldtest durchgeführt. Eine Großbestellung wurde nach rechnerisch generierter Anleitung gepackt.

Ergebnis

Das Projekt lieferte wertvolle Erkenntnisse darüber, wie KI zur Lösung von Verpackungsproblemen in der Logistikbranche eingesetzt werden kann. Sowohl der heuristische als auch der Reinforcement Learning Lösungsansatz waren in der Lage Waren vollautomatisch in Behälter zu platzieren.

Anhand von zufällig aus den Testdaten gewählten Bestellungen wurden die verschiedenen Lösungsansätze und eine vorliegende Baseline verglichen. Die Heuristik erreichte stets die beste Zielmetrik. Insbesondere bei großen Bestellungen, konnten die neu entwickelten Modelle den Status Quo übertreffen.

Der in einem Lagerhaus durchgeführte Feldtest war erfolgreich. Ein Großauftrag konnte mit Hilfe eines Modellvorschlags erfolgreich verpackt werden, was demonstrierte, dass die virtuellen Lösungen in der Praxis umsetzbar sind.

Ein weiteres Ergebnis dieses Projekts war eine Simulationsumgebung, die zum Training von Reinforcement Learning Agenten für Verpackungsprobleme verwendet werden kann.