Operationally Guided Placement-Aware Learning for Industrial Online 3D Bin Packing

تخيل أنك تحاول وضع كومة فوضوية من الصناديق ذات الأشكال الغريبة داخل حقيبة سفر واحدة ضخمة. لا يمكنك إعادة ترتيبها بمجرد البدء في التعبئة، وعليك القيام بذلك صندوقاً تلو الآخر مع وصولها. هذه هي "مشكلة التعبئة ثلاثية الأبعاد عبر الإنترنت"، وهي صداع كلاسيكي لشركات اللوجستيات التي تشحن كل شيء من البقالة إلى الأثاث. الهدف ليس مجرد حشر الأشياء في الداخل؛ بل هو وضعها بحيث تستغل كل بوصة من المساحة، مع التأكد أيضاً من أن الكومة لن تنهار، وأن الأشياء الثقيلة ليست متوازنة فوق الأشياء الخفيفة، وأن الهيكل بأكمله يظل مستقراً بما يكفي ليتم نقله عبر البلاد. لعقود من الزمن، حاولت الحواسيب حل هذه المشكلة باستخدام قواعد رياضية صارمة أو عبر تخمين الأنماط، لكنها غالباً ما تعاني في الموازنة بين الحاجة إلى أقصى مساحة ممكنة وبين الحاجة إلى الأمان والاستقرار.

هنا يأتي نهج جديد يسمى OPAL، وهو نظام ذكي مصمم ليعمل كمدير مستودع فائق التنظيم لا يمل أبداً. بدلاً من مجرد محاولة حشر الصناديق بشكل عشوائي أو الاعتماد على قواعد جامدة، يستخدم OPAL "عقلاً" يتكون من خطوتين لاتخاذ القرارات. أولاً، يعمل كـ "كشاف"، حيث ينظر إلى المساحة الفارغة في حقيبة السفر ويقترح قائمة مختصرة من أفضل المواقع الممكنة لوضع الصندوق التالي، وتحديداً عبر استبعاد المواقع التي قد تكون محفوفة بالمخاطر أو غير مستقرة. ثانياً، يعمل كـ "قاضٍ"، يستخدم "حدساً" متعلمًا (تدرب على آلاف الطلبات من العالم الحقيقي) لاختيار الموقع الأفضل من تلك القائمة المختصرة. وجد الباحثون أنه من خلال تعليم الكمبيوتر الاهتمام بكيفية وضع الصندوق (مثل التأكد من وجود قاعدة صلبة له) وليس فقط أين يوضع، تمكنوا من تعبئة حقيبة السفر بشكل أكثر إحكاماً بشكل ملحوظ. وفي الاختبارات باستخدام بيانات توصيل بقالة حقيقية، تمكنت هذه الطريقة الجديدة من ملء حوالي 49% من المساحة المتاحة في المتوسط، متفوقة على التكوينات الداخلية السابقة وعلى الأساليب الخارجية مثل GOPT (0.37) و PCT (0.46)، كما تفوقت أيضاً على خوارزمية جينية رفيعة المستوى (GENPACK، 0.47) تم تحسينها خصيصاً لهذه القواعد الصناعية.

المشكلة: لعبة تتريس المستحيلة

فكر في مشكلة التعبئة ثلاثية الأبعاد عبر الإنترنت كأنها لعبة "تتريس" عالية المخاطر، ولكن مع لمسة مختلفة: الكتل تأتي بترتيب عشوائي، ولا يمكنك إيقاف اللعبة لإعادة ترتيبها، وإذا ارتكبت حركة واحدة خاطئة، فقد تنهار البرج بأكمله. في العالم الحقيقي، يحدث هذا يومياً في المستودعات. تصل شاحنة تحمل منصة (باليت)، ويحتاج روبوت أو عامل إلى رص الصناديق فوقها. التحدي هو أن الصناديق ليست جميعها بنفس الحجم، ولها أوزان مختلفة. لا يمكنك ببساء وضع صندوق ثقيل فوق واحد هش، ولا يمكنك ترك فجوات كبيرة لأن ذلك يهدر المال في شحن الهواء.

لفترة طويلة، حلت الحواسيب هذه المشكلة باستخدام قواعد هندسية صارمة. كانت تحسب كل موقع محتمل يمكن أن يناسب الصندوق وتختار الموقع الذي يبدو الأفضل على الورق. لكن هذا غالباً ما أدى إلى أكوام متراصة رياضياً ولكنها خطيرة فيزيائياً — مثل برج من الكتب يبدو مثالياً من الأمام ولكنه يترنح إذا تنفست بجانبه. حاولت أساليب أخرى استخدام "التعلم" للتحسن، لكنها غالباً ما ركزت فقط على القرار النهائي (اختيار الفائز) بينما تجاهلت جودة قائمة الخيارات التي تختار منها. إنه يشبه امتلاك قاضٍ رائع ولكن مع إعطائه قائمة من المرشحين السيئين للاختيار من بينهم؛ فالقاضي لا يمكنه إصلاح تشكيلة سيئة.

الحل: كشاف وقاضٍ لـ OPAL

قدم مؤلفو هذه الورقة البحثية نظام OPAL (التعلم الموجه تشغيلياً والواعي بالوضع)، والذي يعالج هذه المشكلة عبر تحسين كل من "الكشاف" و"القاضي".

الكشاف: OG-EMS
الجزء الأول من OPAL هو "الكشاف"، والذي يسم old بـ OG-EMS. تخيل كشافاً ينظر إلى كومة من المساحة الفارغة في مستودع. بدلاً من مجرد العثور على أي زاوية فارغة، يتم تدريب هذا الكشاف على البحث عن زوايا "جيدة". فهو يتحقق من:

• هل الأرضية مسطحة وصلبة؟ (الدعم)
• هل الصندوق منخفض بما يكفي ليكون مستقراً؟ (الارتفاع المنخفض)
• هل يناسب الصندوق الجدران أو الصناديق الأخرى بإحكام؟ (التلامس مع الجدار)
• هل يترك مساحة للصناديق المستقبلية؟ (التنوع المكاني)

يقوم الكشاف بإنشاء قائمة بالمواقع المحتملة، ولكنه يستبعد المواقع السيئة فوراً. فهو يعطي الأولوية للمواقع الآمنة، والمدمجة، والمتنوعة. وهذا أمر بالغ الأهمية لأن الكمبيوتر في الماضي كان قد يقترح موقعاً صالحاً هندسياً ولكنه عديم الفائدة عملياً (مثل موقع قد يجعل الكومة بأكملها تترنح). ومن خلال استبعاد هذه المواقع مبكراً، يضمن النظام أن "القاضي" لن يضطر إلا للاختيار من بين خيارات عالية الجودة.

القاضي: مشفر الوضع (Placement Encoder)
الجزء الثاني هو "القاضي". بمجرد أن يقدم الكشاف قائمة المواقع الجيدة، يتعين على القاضي اختيار الفائز. هنا يستخدم OPAL نوعاً خاصاً من الذكاء الاصطناعي يسمى xLSTM (وهو نوع من الشبكات العصبية المتفوقة في تذكر التسلسلات).

لا ينظر القاضي فقط إلى شكل الصندوق، بل ينظر إلى "سيرة ذاتية" لكل موقع محتمل، والتي تتضمن 15 تفصيلاً مختلفاً:

• أين سيستقر الصندوق (الإحداثيات).
• مقدار دعم الصندوق من الأسفل.
• مقدار الوزن الذي يمكن للصناديق الموجودة بالأسفل تحمله.
• مدى قربه من حافة المنصة.
• مدى "هشاشة" الصندوق.

يتعلم القاضي من آلاف عمليات التعبئة السابقة لفهم أنه في بعض الأحيان يكون الملائمة الأقل إحكاماً قليلاً أفضل إذا كان ذلك يعني أن الكومة لن تسقط. وهو يزن كل هذه العوامل لاختيار الحركة الواحدة الأفضل.

ما وجدوه: تعبئة أفضل، وقرارات أسرع

اختبر الباحثون نظام OPAL على 1,500 طلب بقالة حقيقي (محاكاة على حجم منصة أوروبية قياسية). إليكم ما اكتشفوه:

1. الكشاف هو الأهم: وجدوا أن مجرد تحسين قائمة الخيارات (الكشاف) أحدث فرقاً هائلاً. فعندما استخدموا "الكشاف الموجه تشغيلياً" الجديد بدلاً من الكشاف القياسي القديم، قفزت كثافة التعبئة (مدى امتلاء المنصة) بنسبة 15.1%. وهذا يثبت أن امتلاك قائمة مرشحين أفضل لا يقل أهمية عن امتلاك قاضٍ ذكي.
2. القاضي يضيف قيمة إضافية: حتى مع نفس قائمة المرشحين، كان القاضي المتعلم (OPAL) أفضل من المختار القائم على القواعد البسيطة. فقد حسن كثافة التعبئة بنسبة 6.3% أخرى مقارنة بنظام يختار فقط الخيار "الأفضل" بناءً على قواعد ثابتة.
3. النتيجة النهائية: حقق نظام OPAL الكامل متوسط استخدام مساحة (كثافة) قدره 0.49. وهذا يعني أنه ملأ نصف حجم المنصة المتاح تقريباً بالبضائع الفعلية. وبينما تؤكد الورقة صراحةً الأهمية الإحصائية ضد متغيراته الداخلية (مثل نسخ Transformer و Base-EMS)، فإن نتيجة OPAL البالغة 0.49 أعلى بشكل ملحوظ من المعايير الخارجية مثل GOPT (0.37) و PCT (0.46)، كما أنها تتفوق على GENPACK (0.47)، وهو أسلوب متطور للغاية يستخدم الخوارزميات الجينية.
4. السرعة: رغم ذكائه، فإن OPAL سريع. يستغرق الذكاء الاصطناعي حوالي 0.38 ثانية لاتخاذ قرار لطلب واحد، وتستغرق العملية بأكملها (بما في ذلك إنشاء قائمة الخيارات) حوالي 2.88 ثانية. وهذا سريع بما يكفي لاستخدامه في البيئات الصناعية في الوقت الفعلي، على عكس بعض الأساليب القديمة التي كانت تستغرق أكثر من 30 ثانية أو تتطلب معالجة لاحقة.

المقايضات: ليس مثالياً، لكنه متوازن

تشير الورقة أيضاً إلى أنه لا يوجد حل "مثالي" يفوز في كل شيء.

• الكثافة مقابل الدعم: OPAL بارع في ملء المساحة (الكثافة) والحفاظ على استقرار الجزء العلوي من الكومة (دعم السطح). ومع ذلك، كان نسخة أبسط من نظامهم غير المتعلم (تسمى Greedy OG-EMS) أفضل قليلاً في "الدعم الجانبي" (منع الصناديق من الانزلاق جانبياً).
• الخلاصة: يقترح المؤلفون أنه في العالم الحقيقي، قد تختار إعدادات مختلفة اعتماداً على ما يهم أكثر. إذا كنت تشحن زجاجاً هشاً، فقد ترغب في دعم جانبي إضافي. أما إذا كنت تشحن طوباً ثقيلاً ومتيناً، فقد ترغب في أقصى كثافة توفرها OPAL.

لماذا هذا مهم؟

تظهر هذه الورقة أنه في اللوجستيات الصناعية، لا يمكنك الاعتماد على حيلة واحدة فقط. أنت بحاجة إلى نظام جيد في إيجاد الفرص المناسبة (الكشاف) وجيد في اختيار الأفضل من بينها (القاضي). من خلال الجمع بين طريقة ذكية وواعية بالسلامة لتوليد الخيارات وبين ذكاء اصطناعي متعلم يفهم تفاصيل الوزن والتوازن، ينجح OPAL في تعبئة المنصات بشكل أكثر إحكاماً وأماناً من أي وقت مضى. إنها خطوة للأمام في جعل سلاسل التوريد لدينا أكثر كفاءة، مما يضمن أن تحمل الشاحنات المزيد من البضائع ومساحات أقل من الهواء الفارغ، مع الحفاظ على استقرار الكومات ومنعها من الانهيار.