研究計畫
AMR 的即時調度與路徑規劃
本子計畫針對 AMR 車隊於動態場域中的即時調度與路徑規劃問題，提出一套結合 GNN、DDQN、基因演算法與 Coarse-to-Fine 路徑優化 的智慧化決策架構。 面對動態任務抵達所帶來的不確定性，本子計畫所設計之系統將利用 GNN 萃取場域的即時表徵與狀態，並透過 DDQN 學習觸發調度的最佳時機，取代傳統固定週期排程，以降低不必要的計算開銷並避免排程反應延遲，進而提升系統的動態韌性。 其次，為提升 AMR 與任務之間的媒合效率，本研究將導入 基因演算法 加速大規模組合最佳化求解，縮短任務配對的收斂時間，降低 AMR 空載與停等比例，進一步提升整體車隊的作業吞吐量。最後，在路徑規劃方面，採用由粗至精的二階段路徑優化架構：先快速產生參考軌跡，再加入時空限制條件、進行路徑修正。此方法可有效降低複雜路徑模擬的計算負擔，提升系統對環境變化的即時反應與規劃效率。 整體而言，本研究將透過即時狀態感知、智慧調度觸發、高效率任務媒合與分層式路徑優化，強化 AMR 車隊在動態任務環境中的調度效率、運算效能與系統韌性。