💻 computer science

PackingGPT: 3D Packing Agent for Real Furniture in Last-Mile Delivery

Dit artikel introduceert PackingGPT, een framework en een real-world benchmark-dataset voor het 3D-inpakken van heterogene meubels in persoonlijke voertuigen, waarbij wordt aangetoond dat het afdwingen van zwaartepuntrestricties tijdens sequentiële plaatsing de faalpercentages wat betreft stabiliteit aanzienlijk vermindert in vergelijking met traditionele methoden.

Oorspronkelijke auteurs: Yi You, Hui Li

Gepubliceerd 2026-08-04

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yi You, Hui Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, onhandig gevormde puzzel probeert te passen in een rugzak die al halfvol zit met lunchtrommels, een waterfles en een paar sneakers. Dit is de dagelijkse strijd van "3D bin packing", een klassiek probleem in de logistiek waarbij computers proberen uit te rekenen hoe ze dozen perfect op elkaar kunnen stapelen om ruimte te besparen. Meestal gedragen deze computerprogramma's zich als Tetris-meesters, waarbij ze zich alleen richten op geometrie: "Past deze doos in het gat?" Maar in de echte wereld voegt de natuurkunde een lastige nieuwe regel toe: zwaartekracht. Als je een hoge, dunne doos op een kleine, wankele doos stapelt, kan hij omvallen en crashen, zelfs als hij perfect in de lege ruimte past. Dit is vooral het geval bij meubels, waar platte pakketten vaak lang, smal en zwaar zijn, en je kofferbak zelden een lege, perfecte rechthoek is.

De vraag die onderzoekers stellen is: Hoe kunnen we een computer leren om een auto niet alleen efficiënt te pakken, maar ook veilig? De computer moet begrijpen dat een zware doos niet op een zwakke doos geplaatst mag worden, en dat het zwaartepunt van de hele stapel in balans moet blijven zodat er niets omvalt tijdens het rijden. Dit gaat niet alleen over het besparen van een paar centimeter ruimte; het gaat erom dat wanneer je met je nieuwe boekenkast naar huis rijdt, deze niet door de kofferbak glijdt en je achterruit breekt.

Dit artikel introduceert een nieuwe manier om dit rommelige probleem op te lossen, genaamd PackingGPT, een slim systeem dat mensen kan helpen bij het inladen van platte pakketten (zoals die van grote meubelwinkels) in hun eigen auto, zelfs wanneer de kofferbak al vol ligt met boodschappen of sportspullen. De onderzoekers realiseerden zich dat oude computermethoden, die alleen proberen zoveel mogelijk dozen erin te proppen, vaak falen omdat ze de "kantelproblematiek" negeren. In hun tests, toen ze een sedan-kofferbak probeerden in te laden met standaardregels, bleken ongeveer 10% tot 40% van de dozen instabiel te zijn en waarschijnlijk om te vallen.

Om dit op te lossen, creëerde het team een nieuw "brein" voor het inpakken genaamd Lego-Language Packing (LLP). In plaats van een rigide reeks wiskundige regels te gebruiken, behandelden ze het inpakproces als het bouwen met Lego-steentjes. Ze leerden een groot taalmodel (een type AI dat meestal verhalen schrijft of vragen beantwoordt) de "taal" van het inpakken te spreken. Ze gaven de AI een dataset van echte meubeldozen en auto-kofferbakken, maar met een speciale twist: de AI mocht alleen leren van inpaksequenties waarbij elke doos fysiek stabiel was. Het is alsof je een kind leert een toren te bouwen door alleen blokjes te laten stapelen die niet wankelen, zodat het kind vanzelf het gevoel van evenwicht leert begrijpen.

De resultaten waren zeer veelbelovend in hun computersimulaties. Wanneer het nieuwe AI-model een kofferbak probeerde in te laden, daalde het percentage instabiele, kantelende dozen drastisch naar slechts 0,67% voor grotere SUV's en 3,3% voor kleinere sedans. Dit is een enorme verbetering ten opzichte van de oude methoden. De AI leerde om zware items laag en breed te plaatsen en om geen hoge, dunne dozen op kleine, smalle steunpunten te zetten. Interessant genoeg was het model zo goed in het leren van het "gevoel" van evenwicht, dat het nieuwe meubelstukken en verschillende auto-kofferbakken die het nog nooit eerder had gezien, kon afhandelen zonder opnieuw getraind te hoeven worden.

Het artikel wijst echter ook op een klein nadeel. Hoewel de AI veel beter was in het stabiel houden van de lading, pakte hij soms iets minder dozen in dan de oude, puur geometrische methoden. Dit komt omdat de AI, net als een mens, soms "in de war" raakt over de exacte plek waar een doos in een drukke ruimte past en een plekje kan overslaan om veilig te zijn. De onderzoekers suggereren dat ze in de toekomst de AI-zin voor evenwicht kunnen combineren met de oude wiskundige methoden om het beste van beide werelden te krijgen: maximale ruimte en nul kantelgevaar.

Kortom, dit artikel zegt niet alleen "stapel de dozen op". Het leert een computer om te denken als een zorgvuldige verhuizer, die begrijpt dat een doos niet alleen een vorm is, maar een fysiek object dat een stevige fundering nodig heeft. Door het inpakken te veranderen in een taalspel en de AI te trainen op echte stabiliteit, hebben ze een grote stap gezet naar het garanderen dat de volgende levering van je meubels onbeschadigd aankomt, zonder dat er een enkele doos in de achterbak van je auto omvalt.

Technische Samenvatting: PackingGPT: 3D-verpakkingsagent voor echt meubilair bij last-mile levering

Probleemdefinitie
Dit artikel behandelt het Heterogene Meubelverpakking-in-Voertuig (HFVP) probleem, een specifieke variant van de 3D-bin-packing uitdaging. In tegenstelling tot standaard logistieke scenario's met uniforme containers, betreft HFVP het laden van platte pakketjes meubels (heterogeen in afmetingen en gewicht) in de kofferbakken van personenauto's die vaak gedeeltelijk bezet zijn door reeds aanwezige rommel (bijv. boodschappen, kinderwagens). De kern van de moeilijkheid ligt niet alleen in het maximaliseren van de volumebruik, maar ook in het waarborgen van de fysieke stabiliteit per doos tijdens het transport.

De auteurs benadrukken dat traditionele heuristische algoritmen zich vaak richten op geometrische beperkingen om ruimte te maximaliseren, maar vaak de Center-of-Mass (CoM) beperkingen negeren die nodig zijn voor fysieke balans. In reële scenario's zijn platte dozen vaak dun en hoog, waardoor ze gevoelig zijn voor kantelen als ze op smalle steunpunten of in onregelmatige openingen worden geplaatst die door bestaande rommel zijn achtergelaten. Het probleem wordt gedefinieerd als het vinden van een sequentieel plaatsingsbeleid $\pi$ dat een set dozen naar een voertuig-laadruimte $C$ mapt, zodanig dat elke doos voldoet aan non-overlap, containment en een strikte per-doos ondersteuningsstabiliteitsbeperking.

Methodologie
Het artikel stelt een tweeledige aanpak voor: de creatie van een benchmark-dataset uit de echte wereld en een nieuw deep learning-framework genaamd Lego-Language Packing (LLP).

Dataset Constructie:
- De auteurs hebben een dataset samengesteld uit echte IKEA flat-pack verpakkinggegevens, die 20 producten uit 86 families (totaal 300 dozen) beslaat.
- De data bevat exacte afmetingen (lengte, breedte, diepte) en gewichten, afgeleid van officiële productspecificaties.
- Twee voertuigconfiguraties werden gemodelleerd: een grote SUV (Chevrolet Suburban, 220×140×90 cm) en een sedan (Toyota Camry, 110×95×45 cm).
- Cruciaal is dat het proces van datasetgeneratie "rommelige" kofferbakken simuleert door vooraf willekeurige items te laden om onregelmatige resterende ruimtes te creëren.
Stabiliteitsbeperkingen (CoM):
- Het artikel definieert een rigoureuze stabiliteitscontrole voor elke plaatsingsstap. Een doos wordt alleen als stabiel beschouwd als:
  - Deze minstens één steunpunt heeft (of 1-2 punten voor zeer korte dozen <5cm).
  - Het zwaartepunt (Center-of-Mass, geprojecteerd naar het geometrische centrum) binnen de convex hull van de steunpunten ligt.
  - Het een anti-kantel marge behoudt, waarbij de afstand van het CoM tot de dichtstbijzijnde rand van de steun-hull minstens 15% van de hoogte van de doos is ( $d_{min} \ge 0.15 \cdot h_i$ ).
Het Lego-Language Packing (LLP) Framework:
- Concept: Geïnspireerd door Lego-assemblage, behandelt het framework verpakken als een sequentieel proces waarbij heterogene "blokjes" stap voor stap in onregelmatige "creaties" (resterende laadruimte) worden geplaatst.
- Architectuur: Het systeem maakt gebruik van een gefinetuned Transformer-gebaseerd Large Language Model (LLaMA-3.2-1B-Instruct).
- Tokenisatie: Het probleem wordt geherformuleerd als een autoregressieve tekstgeneratietaak. De input bevat natuurlijke taalprompts die het voertuig, de inventaris van dozen en de grid-resolutie beschrijven. De output is een sequentie van tokens die de plaatsing van elke doos representeren: $(ID, x, y, z, \theta)$ , waarbij $\theta$ een van zes as-georiënteerde oriëntaties vertegenwoordigt.
- Trainingsdata Generatie: Om het model te trainen, genereerden de auteurs synthetische verpakkingssequenties met behulp van een "reverse disassembly" logica. Beginnend vanuit een volledig gevulde staat, worden dozen één voor één verwijderd om de onderliggende structuur te onthullen. Omgekeerd worden dozen tijdens de training van onderaf in de onregelmatige openingen geplaatst. Een CoM-gated filter zorgt ervoor dat elke stap in de trainingssequentie voldoet aan de gedefinieerde fysieke stabiliteitsbeperkingen. Dit stelt het model in staat om de "noodzaak van center-of-mass bewustzijn" direct uit de data te leren.

Belangrijkste Resultaten
De auteurs evalueerden het LLP-model tegen vijf baseline heuristische strategieën (Large-First, Heavy-First, Small-First, Longest-First, en Random-Best) op de gegenereerde datasets.

Baseline Prestaties: Wanneer getest zonder CoM-beperkingen, behaalden de baselines een hoog aantal plaatsingen, maar faalden ze aanzienlijk op stabiliteitscontroles. In sedan-simulaties faalde gemiddeld 10–40% van de geplaatste dozen de stabiliteitscheck.
LLP Prestaties:
- SUV-500: Het LLP-model behaalde een CoM-foutpercentage van 0,67%, vergeleken met foutpercentages variërend van 18,9% tot 34,2% voor de baselines.
- Sedan-500: Het foutpercentage daalde naar 3,3%, een significante verbetering ten opzichte van de beste baseline (Small-First) van 11,3%.
Generalisatie: Het model vertoonde sterke generalisatiecapaciteiten. Het kon onbekende producten en volledig andere klant-cargo configuraties (andere rommelpatronen) succesvol afhandelen zonder extra fine-tuning.
Sample Efficiëntie: Een ablatie-studie toonde aan dat het model zeer sample-efficiënt is; trainen op slechts 100 scenario's (500 samples) was voldoende om het foutpercentage onder de 2% te brengen.

Betekenis en Claims
Het artikel claimt drie primaire bijdragen:

Benchmark Dataset: De release van de eerste dataset van echte flat-pack verpakkingafmetingen gekoppeld aan voertuig-laadruimteconfiguraties, wat reproduceerbaar onderzoek naar HFVP mogelijk maakt met realistische item-geometrieën in plaats van synthetische generatoren.
LLP Framework: Een nieuwe aanpak die 3D ruimtelijke verpakking herformuleert als een taalmodelleringstaak. Dit stelt het model in staat om complexe fysieke beperkingen (zoals CoM-stabiliteit) impliciet te leren via autoregressieve training op CoM-gated sequenties.
Praktische Toepassing: Het model ondersteunt pre-trip verpakkingshaalbaarheid checks. Het kan voorspellen of een specifieke klantbestelling in een specifiek voertuig past en stabiel blijft, wat direct bijdraagt aan last-mile leveringsrouteplanning en scenario's voor zelf afhalen door klanten.

De auteurs merken op dat het huidige model beperkingen vereenvoudigt (bijv. het aannemen van as-georiënteerde plaatsingen en het negeren van drukgevoeligheid), maar dat het token-gebaseerde paradigma ontworpen is om uitbreidbaar te zijn. Toekomstige iteraties kunnen complexere real-world beperkingen integreren (bijv. volgorde van lossen, asgewichtlimieten) door simpelweg gestructureerde tokens aan de input toe te voegen, wat het model in staat stelt om multi-constraint strategieën te leren door menselijke verpakkers te imiteren.

Meer zoals dit