作者：Nicola Tomatis博士，BlueBotics首席执行官
在移动机器人项目进入调试阶段时，许多将决定其性能表现的关键决策其实早已做出。车队规模、路线规划、充电点位置以及取货/放货地点等，往往在此之前就已确定。
但如果这些前期假设出现偏差，在现场进行修正往往意味着额外的工程时间、增加车辆数量，或是对已建成的场地布局进行改动。
仿真技术让AGV（自动导引车）和AMR（自主移动机器人）系统集成商能够更早地验证这些决策。从场地布局和预期任务流程出发，团队可以评估所规划的车队规模是否足以完成所需工作，判断交通流量可能在何处形成拥堵，分析充电活动对车辆可用性的影响，并确认路线或工作站布局是否需要重新考量。
因此，大部分规划工作可以在车辆进场之前完成。车队规模、路线、充电安排和任务流程可以在改动成本相对较低的阶段进行优化，从而让现场调试工作专注于物理集成和最终调整。
表格计算容易忽略的问题
在系统规模测算方面，对于规模很小的项目，传统的计算方式或许就已足够。当车队仅有两三辆车，遵循简单路线并执行可预测的任务时，通常有更大的容错空间来吸纳估算误差。
然而，随着车队规模扩大、车辆间交互增多，基于任务量、距离、行驶速度和充电假设的计算方式的可靠性会大幅下降。
表格计算可以算出距离，并套用一个假定的行驶速度。但很难重现车辆在转弯时的减速、在共享区域中的等待、在交叉口处的交互，或是离开工作状态去充电等情形。这些因素会同时影响系统吞吐量和所需车辆数量。
以两台技术参数相近的车辆为例：一台取放一个托盘可能需要五秒钟，另一台则可能需要十秒钟。第三台车辆可能能快速完成同样的操作，但却无法在移动过程中升降货叉。
充电时间则引入了另一个变量，这一点仅从最高速度、载重能力或定位精度等参数中是无法体察的。
在数以百计甚至数千次的任务执行过程中，这些细微差异会不断累积。在仿真测试中，我们的团队发现，一旦精确建模了取货和卸货行为，那些技术参数看似相近的车辆会产生明显不同的结果。
在一次对比测试中，某一种车辆配置方案若要完成同样的工作，所需车辆数量会比另一种方案多出约30%。在另一项独立测试中，仅在每个交叉口增加一秒钟的延迟，就足以在仿真场景中造成系统整体性能的显著差异。
车队规模不足，可能无法完成所需的工作量；车队规模过大，则会增加资本支出，并需要额外的充电、停车和运营空间。
对于一个只有三辆车的项目，10%的误差或许可以承受。但对于一个规划了100辆车的车队而言，这意味着需要额外筹集预算和场地空间来容纳多出来的十辆车。
车队规模并非唯一需要考虑的因素。即便车辆数量不多，在空间高度受限的布局中，仿真依然很有必要，因为即使只有少量车辆，交通和移动管理也可能面临困难。而在更开放的环境中，这一临界点可能会稍晚出现。
然而，一旦项目规模达到大约五到十辆车，仿真的价值就会迅速提升；对于拥有数十甚至数百辆车的车队而言，路线数量、取放点数量以及车辆间的交互复杂度，使得仅依赖简单计算的做法风险越来越高。
布局决策影响系统性能
车队规模测算只是工作的一部分。仿真还可以揭示所规划的物料流动方案本身是否需要调整。
一个项目可能是从一张CAD图纸开始的，图纸上标明了车辆应该行驶的路径、取货和送货的位置，以及路线设计是单向还是双向通行。这种布局安排看起来可能相当合理，但实际运行预期任务后，往往会呈现出不同的结果。
双向通行的路线可能会因为车辆在同一通道中相遇而产生不必要的交互冲突。将其改为单向通行可能会改善流动性，但同时会增加空载行驶的里程。
充电点可能距离车辆通常完成工作的位置太远。多个繁忙的取货点可能会将过多的交通流量集中在建筑物的同一区域。
举例来说，某项运营每小时有数百个任务，却集中通过仅仅两个取货点来完成。
车辆本身的运力可能是充足的，但将如此大量的活动集中在两个地点，可能会形成瓶颈。将工作分散到三到四个位置，可能会显著改善流动效率。
在设施仍处于规划阶段时，这是一项相对简单的调整。但一旦机械设备、线路布线等各类配套设施都已就位，调整就会变得困难得多。如果交通或布局问题是在系统上线之后才被发现，纠正问题可能意味着要中断或停止正在运行的部分生产作业。
仿真技术使得路线规划、交通规则、充电点位置和工作站位置，可以在这些决策固化为物理约束之前接受检验，也让团队避免在改动伴随高昂停机风险之前就能发现问题。
精确度比外观更重要
仿真结果的可靠性，取决于它在多大程度上准确反映了所规划的车辆、车队管理逻辑以及实际运行条件。
将车辆简单表示为一个以恒定速度移动的点，或许足以展示基本的物料流动情况。但这种方式无法体现车辆的物理尺寸、转弯时的行为特征、加速和制动过程、取放货时间，或充电特性。
它同样无法重现车队管理系统分配任务、规划车辆路线以及管理交通交互的实际方式。
我们团队审查过一个客户的仿真案例，其中涉及约120辆车，每辆车都被简单地表示为一个以恒定速度移动的点，而不考虑转弯或交通状况的影响。在如此规模的车队中，即便是这种简化的建模假设，也可能严重扭曲结果。
因此，一个真正有价值的仿真系统，需要能够重现影响实际运行的各项特征。在BlueBotics，我们的ANT车辆仿真工具能够精确模拟车辆及其行为特征，并由我们的车队管理软件进行调度，其运作方式与实际安装环境中完全一致。
车队管理系统对仿真车辆的响应方式，与对实体车辆的响应方式相同，这使得项目团队能够获得对完整系统运行情况更为接近真实的呈现，相较于实际安装环境，仿真准确度通常可达95%以上。
没有任何仿真系统能够重现运行中工厂里的每一个事件。意外的障碍物、紧急停止、设备故障以及人员活动，总会带来一定程度的变化。因此，仍需为这些真实世界的状况预留适当的余量。
在进场前做更充分的准备
调试阶段总会留有一些工作要做。取放货位置需要调整，与传送带、货架的对位需要检查，货物装卸也需要用真实负载进行测试。项目地图还需要与车辆在现场实地勘测记录的环境信息进行对齐。
理想情况下，工程师抵达现场时，不应该还在纠结车队规模是否足够、交通应该如何组织，或充电应该在何处进行。诸如路线、任务逻辑、交通规则和充电策略等要素，都可以提前完成测试验证。
在为日本一家包装制造商实施的项目中，仿真技术被用来验证一个由七辆车组成、涉及多个品牌的AGV车队（包括两台托盘搬运车和五台单元负载辊式输送车）的交通管理方案。
通过建模，团队识别出了潜在的死锁风险，并在调试之前对所提议的布局方案进行了调整。随后的现场调试工作大约用了两周时间，内容主要局限于场地地图测绘、节点位置的微调，以及解决一个尚存的死锁问题。
项目团队估计，若不采用这种方式，调试时间可能会延长一倍甚至更多，因为交通问题需要在现场被发现、重新设计并重新测试。十八个月后，该系统仍在正常运行，车辆正常运行时间保持在99%以上。
在我们的案例中，仿真阶段开发的项目可以一键转移到生产环境中，而不需要在不同的软件中从零开始重建。只要完成现场地图和实际位置的调整，调试工作就可以集中在车辆设置和细节微调上。
同样的方法在系统投入运行之后依然很有用。新增一条路线、提升任务量或改变车队配置，都可以先在虚拟环境中进行测试，再对已经投入生产的实际系统进行改动。
这样可以降低将未曾预见的交通或性能问题引入正在运行的系统的风险，而一旦出现这类问题，修正可能需要中断生产，并带来高昂的停机成本。
我们的目标，是让团队带着更少的悬而未决的问题抵达现场。团队无需等到车辆已经上线运行后才去验证基本方案是否可行，而是可以将时间用于对一个已经经过充分测试的系统进行细节微调，从而避免在实际生产环境中去解决本可以提前预防的设计问题。
作者简介：Nicola Tomatis博士是BlueBotics公司的首席执行官，该公司专注于为AGV和AMR开发自主导航与车队管理技术。他自2003年起领导该公司，并于2015年加入公司董事会。Tomatis拥有苏黎世联邦理工学院（ETH Zurich）计算机科学硕士学位，以及洛桑联邦理工学院（EPFL）机器人学博士学位。2008年，他荣获IEEE机器人与自动化早期职业成就奖。