OWL - Optimization and learning for Warehouse Logistics

OWL-prosjektet skal forbedre arbeidsforhold i grossistlager og redusere både den økonomiske og klimamessige kostnaden ved å utvikle og forbedre verktøy som optimerer drift knyttet til ordreplukk og lagerorganisering. Varer ankommer grossitlagre fra produsenten på paller med kun én varetype som oppbevares på lageret. Kundeordre krever at ulike varer hentes fra sine respektive plasser på lageret og stables sammen på paller som så transporteres videre til kundens lokaler. Lagerplassering, vareuthenting og -omstabling er sammenkoblede aktiviteter, og løsningen for hver av de vil påvirke hvor effektivt man kan løse de andre. For at roboter skal kunne avlaste og/eller erstatte mennesker i fysisk belastende situasjoner må slike avhengige problemer løses med hensyn til hverandre, og ikke som isolerte oppgaver. OWL vil ta fatt i mangelen på algoritmer som tilfredsstillende løser disse oppgavene og hindrer videre utvikling av digitale løsninger og kostnadseffektive, autonome systemer for lagerdrift. OWL forener Solwr Software AS som leverer software for lagerlogistikk, og Solwr Robotics AS som utvikler innovative robotikkløsninger for lagerdrift, med SINTEF Digital for å utvikle avanserte optimeringsmodeller og -algoritmer som skal håndtere driftsutfordringer i grossistlagre. Forbedring av klassiske optimeringsmetoder ved bruk av maskinlæring anses som en nyskapende og lovende forskningsretning for å oppnå dette. Innsikt fra sluttbrukere i både lager og butikker vil samles inn fra Solwr Robotics AS og Solwr Software AS sine kunder. Utviklede metoder vil bli både testet og utnyttet i Solwr Robotics AS sin lagerrobot og Solwr Software AS lagerstyringssystem. Reduksjon av tungt fysisk arbeid, forbedring av arbeidsforhold, økt driftssikkerhet, samt redusert avfall, områdebruk og utslipp er sannsynlige utfall som bidrar mot FNs mål for bærekraftig utvikling. I tillegg vil arbeidet bidra til fornyelse og restrukturering gjennom digitalisering av en godt etablert industri (lagerlogistikk) med tilhørende arbeidsmetoder.

The OWL project will improve human working conditions and reduce environmental and economic cost across the wholesale warehouse value chain by developing analytic and learning based algorithms for internal warehouse optimization problems. In wholesale warehouses items arrive from manufacturers on standard-sized pallets in single-item stacks, which are stowed away in the warehouse. Items are then retrieved and stacked in mixed-item stacks according to customer orders before they are transported to the stores. The retrieval and restacking related activities are co-dependent, and jointly considering up- and down-streams operations is key to aid and/or replace hard human labor with robots. OWL will address the lack of algorithms for solving these complex problems that prevents further development and implementation of digital solutions and feasible and affordable autonomous systems in warehouse operation. The OWL consortium brings together Driw AS, a warehouse logistics software provider and Currence AS, developing innovative warehouse robots, in a collaboration with SINTEF Digital to develop advanced optimization models for tackling challenges in wholesale warehouse management. The enhancement of classical optimization models with use of machine learning will be a new and promising venue for progress. Insights from end users in both warehouses and stores will be collected from Driw and Currence’s customers, and the final algorithms will be exploited in the Currence warehouse robot and in Driw’s warehouse management software. Reduction of hard human labor, improved working conditions, increased safety in operations, reduced waste, area usage and emissions are likely impacts, contributing towards UN sustainable development goals and to the renewal and restructuring of an established industry (warehouse logistics) and its work methods through digitalization.