計畫背景
隨著智慧製造與自動化物流的快速發展，自主移動機器人（Autonomous Mobile Robots, AMR）已逐漸成為現代工廠中執行物料搬運、零件配送與產線支援的重要工具。然而，實際工廠場域通常具有高度動態性，例如新任務即時產生、產線需求變動、設備狀態改變、通道壅塞或 AMR 執行進度不一致等情況，皆會使任務分派與車隊調度問題變得更加複雜。
在動態工廠環境中，當新任務出現時，系統需要判斷是否立即重新進行任務分派。若每次任務變動都觸發重新排程，雖然可能提升任務回應速度，但也會造成大量計算負擔，特別是在 AMR 數量與任務規模增加時，重新求解分派問題所需的計算時間將快速上升，導致系統難以滿足實務場域對即時性的要求。相反地，若重新排程頻率過低，則可能使 AMR 無法即時回應最新的任務需求，造成等待時間增加、資源閒置或整體產出下降。
傳統任務分派方法多採用固定頻率的排程機制，例如每隔一定時間重新分派任務。然而，固定週期排程未必能有效反映工廠現場的即時狀態變化。當場域變動劇烈時，固定排程可能反應過慢；而當場域狀態相對穩定時，仍持續進行重新排程則可能造成不必要的運算浪費。因此，傳統固定頻率的排程並不一定是最適合動態工廠環境的解法。
基於上述問題，本子計畫旨在發展一套能因應工廠環境動態變化的高效率排程機制。我們的排程演算法將依據工廠即時動態資訊，包括任務抵達狀態、AMR 位置與負載情形、任務等待時間、場域壅塞程度及系統產出表現等，動態判斷適當的重新排程時機，並即時調整 AMR 與任務之間的媒合關係。透過避免不必要的頻繁排程，同時確保系統能在關鍵狀態變化時快速反應，本計畫期望在計算成本與調度效能之間取得平衡，進一步提升工廠物流系統的整體作業效率與產出最佳化。
研究目標
本子計畫旨在發展一套適用於動態工廠環境之 AMR 車隊即時排程機制，透過即時場域狀態感知、自適應重新排程觸發與高效率任務媒合，解決傳統固定週期排程在動態任務抵達情境下可能造成的計算浪費與反應延遲問題。所提方法將依據任務抵達狀態、AMR 位置與負載、任務等待時間、場域壅塞程度及系統產出表現等資訊，動態判斷最佳重新排程時機，並即時調整 AMR 與任務之間的媒合關係，以降低計算成本、縮短任務等待時間、提升車隊利用率與整體作業吞吐量，最終強化工廠物流系統在動態環境下的即時調度能力與營運效率。
技術方法
本子計畫預計發展一套彈性製造場域中的動態排程機制，此機制結合即時狀態感知、自適應排程觸發、高效率任務媒合，並透過二階段路徑規劃 AMR 車隊，完備備料、運料、生產等循環。首先，利用 GNN 萃取 AMR、任務、工作站與路徑壅塞等動態資訊之關聯特徵。其次，導入 DDQN 學習重新排程觸發策略，使系統能依據即時場域狀態判斷最佳排程時機，避免固定週期排程所造成之計算浪費與反應延遲。在任務分派階段，採用基因演算法快速求解 AMR 與任務之間的組合最佳化問題，以降低空載與等待時間並提升車隊利用率。最後，透過由粗至精之二階段路徑規劃方法，先產生參考路徑，再加入時空限制進行路徑修正，以提升動態環境下的即時規劃效率與路徑可行性。
創新
本子計畫之創新在於提出一套利用狀態驅動的動態排程機制，將即時場域狀態感知、學習型重新排程觸發、高效率任務媒合與由粗至精路徑修正整合於同一決策流程中。相較於傳統固定週期排程方法，本研究不僅關注「如何進行任務分派」，更進一步探討「何時應重新排程」的核心問題。透過 GNN 萃取工廠場域中 AMR、任務、工作站與路徑壅塞之間的動態關聯特徵，並結合 DDQN 學習最佳排程觸發策略，系統可依據即時狀態自適應調整排程時機。在任務分派與路徑規劃方面，本研究結合基因演算法與二階段路徑優化，使任務媒合結果能快速產生並進一步滿足實際路徑可行性。整體而言，本子計畫可在計算成本、即時反應與系統產出之間取得更佳平衡，提升 AMR 車隊於動態工廠環境中的調度效率與韌性。
預期成果
本子計畫預期成果與效益如下：
建立即時場域狀態感知模型
建立以 GNN 為基礎之工廠場域狀態表徵方法，萃取 AMR、任務、工作站、路徑與壅塞狀態之關聯特徵，提升系統對動態環境的理解能力。
發展自適應重新排程觸發機制
透過 DDQN 學習最佳重新排程時機，使系統能依據即時場域狀態動態判斷是否需要排程，避免固定週期排程造成之計算浪費與反應延遲。
提升 AMR 與任務媒合效率
利用基因演算法快速求解多 AMR 與多任務之組合最佳化問題，縮短任務分派時間，降低 AMR 空載與等待比例，提升車隊利用率。
提升工廠物流系統整體效能
預期可降低排程計算成本、縮短任務等待時間、提高 AMR 作業吞吐量，並強化系統在動態任務抵達與場域變動下的即時反應能力。
支援智慧製造與彈性生產應用
本研究成果可應用於備料、運料、生產支援與自動化物流等場景，協助工廠提升資源利用率、供料穩定性與彈性製造效率。
