知財求人 - 知財ポータルサイト「IP Force」
▶ 株式会社東芝の特許一覧 ▶ 東芝電機サービス株式会社の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024030102
(43)【公開日】2024-03-07
(54)【発明の名称】情報処理方法、情報処理プログラムおよび情報処理装置
(51)【国際特許分類】
G06Q 10/087 20230101AFI20240229BHJP
B65G 1/137 20060101ALI20240229BHJP
G06N 3/08 20230101ALI20240229BHJP
G06N 20/00 20190101ALI20240229BHJP
【ＦＩ】
G06Q10/08 330
B65G1/137 F
G06N3/08
G06N20/00
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022132670
(22)【出願日】2022-08-23
(71)【出願人】
【識別番号】000003078
【氏名又は名称】株式会社東芝
(71)【出願人】
【識別番号】598076591
【氏名又は名称】東芝インフラシステムズ株式会社
(74)【代理人】
【識別番号】110003708
【氏名又は名称】弁理士法人鈴榮特許綜合事務所
(72)【発明者】
【氏名】横寺 裕
【テーマコード（参考）】
3F522
5L049
【Ｆターム（参考）】
3F522CC01
3F522LL31
5L049AA16
(57)【要約】
【課題】データの変化に対応した高精度の予測を提供できる情報処理方法、情報処理プログラムおよび情報処理装置を提供する。
【解決手段】実施形態によれば、情報処理方法は、外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを生成し、前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、整形データが従う確率分布の種類を特定する。
【選択図】 図５
【解決手段】実施形態によれば、情報処理方法は、外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを生成し、前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、整形データが従う確率分布の種類を特定する。
【選択図】 図５
【特許請求の範囲】
【請求項1】
外部システムから取得するオーダーリストに基づいてピッキング手段が物品をピッキングするピッキング作業のピッキング作業リストを作成し、
前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、
前記整形データが従う確率分布の種類を特定する、
情報処理方法。
前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、
前記整形データが従う確率分布の種類を特定する、
情報処理方法。
【請求項2】
さらに、前記整形データが従う確率分布の種類とピッキング手段の処理能力の確率分布を予測するための記憶装置に記憶している予測モデルが仮定する確率分布の種類とが異なる場合に前記予測モデルの更新を実行する、
請求項１に記載の情報処理方法。
請求項１に記載の情報処理方法。
【請求項3】
さらに、前記整形データに前記ピッキング作業を実施した実績値を付加したデータが従う確率分布の種類を特定し、
前記整形データに前記実績値を付加したデータが従う確率分布の種類と記憶装置に記憶している前記予測モデルが仮定する確率分布の種類とが異なる場合に前記予測モデルの更新を実行する、
請求項２に記載の情報処理方法。
前記整形データに前記実績値を付加したデータが従う確率分布の種類と記憶装置に記憶している前記予測モデルが仮定する確率分布の種類とが異なる場合に前記予測モデルの更新を実行する、
請求項２に記載の情報処理方法。
【請求項4】
さらに、前記整形データが従う確率分布の形状と前記予測モデルが仮定する確率分布の形状とのずれが所定の大きさを超える場合に前記予測モデルの更新を実行する、
請求項２に記載の情報処理方法。
請求項２に記載の情報処理方法。
【請求項5】
さらに、前記予測モデルを用いて予測する確率分布において前記ピッキング作業を実施した実績値が該当する確率密度に応じた評価値が所定の閾値未満である場合に前記予測モデルの更新を実行する、
請求項４に記載の情報処理方法。
請求項４に記載の情報処理方法。
【請求項6】
前記物品に関するデータは、前記物品の種別を識別する物品ＩＤ、前記物品のピッキング個数、前記物品の重量、前記物品の体積、前記物品の形状、前記物品の材質、前記物品を格納する棚を識別する棚ＩＤ、又は、前記棚における前記物品の保管位置の少なくとも１つを含む、
請求項１乃至５のいずれか１項に記載の情報処理方法。
請求項１乃至５のいずれか１項に記載の情報処理方法。
【請求項7】
前記整形データは、前記ピッキング作業リストに対して作業の対象となる物品に関するデータと前記ピッキング手段に関する属性データとを紐づけて作成する、
請求項１乃至５のいずれか１項に記載の情報処理方法。
請求項１乃至５のいずれか１項に記載の情報処理方法。
【請求項8】
前記ピッキング手段は、作業者であり、
前記ピッキング手段に関する属性データは、前記作業者を識別する作業者ＩＤ、年齢、性別、身長、運動経験、勤務年数、雇用形態、又は、勤務継続時間、の少なくとも１つを含む、
請求項７に記載の情報処理方法。
前記ピッキング手段に関する属性データは、前記作業者を識別する作業者ＩＤ、年齢、性別、身長、運動経験、勤務年数、雇用形態、又は、勤務継続時間、の少なくとも１つを含む、
請求項７に記載の情報処理方法。
【請求項9】
前記予測モデルは、前記整形データを入力すると、仮定した種類の確率分布に対する形状パラメータを出力する機械学習モデルである、
請求項２に記載の情報処理方法。
請求項２に記載の情報処理方法。
【請求項10】
前記機械学習モデルは、ボルツマンマシンである、
請求項９に記載の情報処理方法。
請求項９に記載の情報処理方法。
【請求項11】
プロセッサによって実行されるプログラムであって、
前記プロセッサに、
外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを作成するリスト作成機能と、
前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成するデータ整形機能と、
前記整形データが従う確率分布の種類を特定するデータ評価機能と、、
を実現させるプログラム。
前記プロセッサに、
外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを作成するリスト作成機能と、
前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成するデータ整形機能と、
前記整形データが従う確率分布の種類を特定するデータ評価機能と、、
を実現させるプログラム。
【請求項12】
外部システムとデータを送受信するインタフェースと、
前記インタフェースにより前記外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを生成し、前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、前記整形データが従う確率分布の種類を特定する、プロセッサと、
を備える情報処理装置。
前記インタフェースにより前記外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを生成し、前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、前記整形データが従う確率分布の種類を特定する、プロセッサと、
を備える情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、情報処理方法、情報処理プログラムおよび情報処理装置に関する。
【背景技術】
【0002】
近年、自動搬送車（ＡＧＶ）を用いて物品を格納する棚を複数のピッキングステーションに搬送するシステムが提供されている。各ピッキングステーションでは、係員又はロボットなどのピッキング手段が自動搬送車によって搬送された棚から物品をピッキングする。このようなシステムでは、ピッキング手段がピッキングに要する作業時間（処理能力）を予測し、スループットが最大となる作業計画を策定する。しかしながら、上述のシステムでは、個々のピッキング手段の処理能力のばらつきによって、作業計画と実態との乖離が起こり得るため、スループットの最大化が難しいという課題がある。
【0003】
また、上述したシステムは、物理的なバッファを増やすことによりスループットを担保することができるが、システムにおける物理的なバッファを増やすことは容易ではない。例えば、ピッキングステーションに待機させるＡＧＶの台数を増やすことにより個々のピッキング手段の処理能力のばらつきを吸収することは可能となる。この場合、ＡＧＶの台数の増加に伴ってピッキングステーション周辺の空間を確保したりする必要も生じる。これらのようなシステム構成の変更は、コスト面と運用効率との面から現実には容易ではないと考えられる。
【0004】
また、システムのバッファを増やさずにスループットを担保する方法としては、機械学習を用いて処理能力のばらつきを確率分布として予測し、シミュレーションでリスク評価を行いながら処理能力に応じた作業計画を策定するものがある。しかしながら、従来のシステムでは、処理能力の確率分布を予測する予測モデルが仮定する確率分布の種類がシステムの設計として決められた固定のものである。このため、従来のシステムは、取扱物品の追加、需要の変化、あるいは、保管場所のレイアウト変更などに起因して実際の運用において処理能力の予測分布である確率分布が大きく変化することがあるため、予測精度が低下してしまうことがあるという問題がある。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０２１－１９６９２１号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
上記の課題を解決するため、データの変化に対応した高精度の予測を提供できる情報処理方法、情報処理プログラムおよび情報処理装置を提供する。
【課題を解決するための手段】
【0007】
実施形態によれば、情報処理方法は、外部システムから取得するオーダーリストに基づいて物品をピッキングするピッキング作業のピッキング作業リストを生成し、前記ピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、整形データが従う確率分布の種類を特定する。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下、図面を参照して実施形態について説明する。
実施形態に係るピッキングシステムは、物流センタ又は倉庫などに設置される物流システムに含まれるシステムであって、棚から物品をピッキングするためのシステムである。ピッキングシステムは、自動搬送車（Ａｕｔｏｍａｔｅｄ Ｇｕｉｄｅｄ Ｖｅｈｉｃｌｅ（ＡＧＶ））を用いて棚をピッキングステーションに搬送する。ピッキングシステムは、ピッキングステーションにおいて棚から物品をピッキングし、ピッキングした物品を指定のトレイに仕分けるピッキング作業を制御する。ピッキングシステムは、係員又はロボットなどのピッキング手段によって棚から物品をピッキングさせる。
実施形態に係るピッキングシステムは、物流センタ又は倉庫などに設置される物流システムに含まれるシステムであって、棚から物品をピッキングするためのシステムである。ピッキングシステムは、自動搬送車（Ａｕｔｏｍａｔｅｄ Ｇｕｉｄｅｄ Ｖｅｈｉｃｌｅ（ＡＧＶ））を用いて棚をピッキングステーションに搬送する。ピッキングシステムは、ピッキングステーションにおいて棚から物品をピッキングし、ピッキングした物品を指定のトレイに仕分けるピッキング作業を制御する。ピッキングシステムは、係員又はロボットなどのピッキング手段によって棚から物品をピッキングさせる。
【0010】
図１は、実施形態に係るピッキングシステム１００の構成例を概念的に示す図である。また、図２は、ピッキングシステム１００の構成例を示すブロック図である。
図１および図２が示すように、ピッキングシステム１００は、複数（図１の例では、３個）のピッキングステーションＰ、上位管理装置１、ネットワーク２、外部システム３、ＡＧＶ７およびＡＧＶ棚８などを備える。ピッキングステーションＰは、トレイ１０、作業管理部１１２およびピッキング手段１１３などを備える。ネットワーク２は、上位管理装置１、ＡＧＶ７および作業管理部１１２に接続する。上位管理装置１は、外部システム３に接続する。
図１および図２が示すように、ピッキングシステム１００は、複数（図１の例では、３個）のピッキングステーションＰ、上位管理装置１、ネットワーク２、外部システム３、ＡＧＶ７およびＡＧＶ棚８などを備える。ピッキングステーションＰは、トレイ１０、作業管理部１１２およびピッキング手段１１３などを備える。ネットワーク２は、上位管理装置１、ＡＧＶ７および作業管理部１１２に接続する。上位管理装置１は、外部システム３に接続する。
【0011】
外部システム３は、ピッキングする物品を示すオーダーリストを上位管理装置１に送信する。外部システム３は、１又は複数のコンピュータで実現可能である。例えば、外部システム３は、物品の入出庫や在庫管理を担う倉庫管理システム（Ｗａｒｅｈｏｕｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（ＷＭＳ））を備えるものであっても良い。
【0012】
上位管理装置（情報処理装置）１は、倉庫内に保管される物品に関する情報を管理する。例えば、上位管理装置１は、各ＡＧＶ棚８が格納する物品を示す物品管理情報などを記憶する。また、上位管理装置１は、外部システム３からピッキングする物品を示すオーダーリストを取得する。上位管理装置１は、オーダーリストに基づいて、ＡＧＶ棚８を各ピッキングステーションＰに搬送させる。上位管理装置１は、各ピッキングステーションＰにおける物品の処理に関する情報を取得する。
【0013】
なお、上位管理装置１と作業管理部１１２およびＡＧＶ７との間には、倉庫内設備を制御する倉庫制御システム（Ｗａｒｅｈｏｕｓｅ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ； ＷＣＳ）を設けても良い。また、後述する上位管理装置の機能の一部は、ＷＭＳ又はＷＣＳが担うようにしても良い。
【0014】
ネットワーク２は、上位管理装置１、ＡＧＶ７および作業管理部１１２の間の通信を中継する。例えば、ネットワーク２は、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）である。ＡＧＶ７は、ネットワーク２に無線で接続するものであってもよい。
【0015】
ＡＧＶ７は、ＡＧＶ棚８をピッキングステーションＰに搬送する。ＡＧＶ７は、上位管理装置１又は作業管理部１１２からの制御信号などに基づき動作する。例えば、ＡＧＶ７は、指定された積み込み位置へ向かって走行し、指定された積み込み位置のＡＧＶ棚８を持ち上げる。ＡＧＶ７は、指定された積み降ろし位置へ向かって走行し、指定された積み降ろし位置でＡＧＶ棚８を降ろす。
【0016】
ＡＧＶ棚８は、物品保管エリアに配置されている。ＡＧＶ棚８は、物品を格納する棚である。例えば、ＡＧＶ棚８は、四本の支柱で直立する。ＡＧＶ棚８の棚下の高さは（床面から棚底までの高さ）、ＡＧＶ７の高さよりも高い。これにより、ＡＧＶ７は、ＡＧＶ棚８の棚下に潜り込むことができる。棚下に潜り込んだＡＧＶ７は、プッシャーにより床面から支柱の先端が数センチ離れる程度にＡＧＶ棚８を持ち上げて、ＡＧＶ棚８を持ち上げた状態で走行する。このようにしてＡＧＶ７は、ＡＧＶ棚８を搬送する。
【0017】
また、ＡＧＶ棚８には、固定式カメラ又は移動式カメラ等で読み取り可能な棚識別情報が貼り付けられてもよい。物品にも、固定式カメラ又は移動式カメラ等で読み取り可能な物品識別情報が貼り付けられてもよい。例えば、棚識別情報および物品識別情報は、バーコードや二次元コードである。なお、ピッキングシステム１００は、固定式カメラ又は移動式カメラとは別に、これら棚識別情報および物品識別情報を読み取る複数のリーダを備えてもよい。
【0018】
図１に示す例において、ピッキングステーションＰは、出庫作業エリアに配置されている。ピッキングステーションＰは、ＡＧＶ７により搬送されたＡＧＶ棚８を受け入れる。ピッキングステーションＰは、受け入れたＡＧＶ棚８から物品をピッキングする。
【0019】
ピッキングステーションＰには、割り付けられた各注文情報に対応したトレイ１０が用意される。ピッキングステーションＰでは、ピッキングされた物品がトレイ１０に投入される。トレイ１０は、必要な商品が揃ったらピッキングステーションから排出され、空の新しいトレイが補充される。必要な商品が揃って排出されたトレイ１０は、出庫作業エリアの後の工程に送られ、梱包、仕分け、荷積みが行われる。
【0020】
作業管理部１１２は、ピッキングステーションＰでのピッキング作業を管理する。作業管理部１１２は、表示部および操作部などを備える。例えば、作業管理部１１２は、デスクトップＰＣ、ノートＰＣ又はタブレットＰＣなどを含む。作業管理部１１２は、上位管理装置１からの制御に従って、ピッキングする物品を示す情報を表示部に表示する。また、作業管理部１１２は、ピッキング手段１１３としての係員から、ピッキングが完了した物品を示す操作の入力を受け付ける。作業管理部１１２は、入力された操作を示す情報を上位管理装置１に送信する。
【0021】
例えば、作業管理部１１２は、デジタルアソートシステム（Ｄｉｇｉｔａｌ Ａｓｓｏｒｔ Ｓｙｓｔｅｍ； ＤＡＳ）が用いられる。作業管理部１１２としてのＤＡＳは、ピッキング手段が棚からピッキングした物品のバーコードをスキャンし、スキャナした物品の仕分け先となるトレイに対応するランプが点灯する。作業管理部１１２は、トレイに物品を仕分けし終えたら、当該トレイの位置にあるスイッチを係員が押すことで作業完了とし、作業時間などの作業結果（作業実績）を示す作業ログを作成する。作業管理部１１２は、作業ログを作成すると、作成した作業ログを上位管理装置１へ供給する。
【0022】
ピッキング手段１１３は、上位管理装置１からの指示に従ってＡＧＶ棚８から物品を把持する。ピッキング手段１１３は、作業者又はピッキングロボットである。ピッキングステーションＰは、ピッキング手段１１３として、係員およびピッキングロボットの両者を有するものであってもよい。
【0023】
作業者としてのピッキング手段１１３は、作業管理部１１２に表示される物品を目視で確認して物品をピッキングする。ピッキング手段１１３は、ピッキングされた物品をトレイ１０に投入する。ピッキング手段１１３は、物品をトレイ１０に投入すると、ピッキングが完了した物品を示す操作を作業管理部１１２に入力する。
【0024】
なお、ステーションＰには、ピッキング手段１１３の動作をモニタリングするカメラなどを備えていてもよい。カメラが撮影した画像に基づいてピッキング手段の作業開始、および、終了を判定するようにしてもよい。また、作業中の割り込み処理や異常の有無を判定し、その情報を作業ログに付与してもよい。
【0025】
また、ピッキング手段１１３は、ピッキングロボットであってもよい。ピッキング手段１１３がピッキングロボットである場合、作業管理部１１２は、ピッキングロボットを制御するロボット制御機構を含むものであっても良い。また、ロボット制御機構の一部又は全部の機能は、上位管理装置１が担うようにしても良い。また、ピッキング手段１１３がピッキングロボットである場合、作業管理部１１２は、作業ログとしてピッキングに成功したか否か（物品を落としていないか否か）を示す情報を取得するものであっても良い。この場合、上位管理装置１は、予測モデルを用いて処理能力とピッキングの成功確率とを予測するようにしても良い。
【0026】
次に、実施形態に係るピッキングシステム１００における上位管理装置１の構成について説明する。
図３は、実施形態に係るピッキングシステム１００における上位管理装置１の構成例を示すブロック図である。
上位管理装置１は、１又は複数のコンピュータにより構成される。例えば、上位管理装置１は、プロセッサ１１、ＲＯＭ１２、ＲＡＭ１３、補助記憶デバイス１４、および通信インタフェース１５などを備える。
図３は、実施形態に係るピッキングシステム１００における上位管理装置１の構成例を示すブロック図である。
上位管理装置１は、１又は複数のコンピュータにより構成される。例えば、上位管理装置１は、プロセッサ１１、ＲＯＭ１２、ＲＡＭ１３、補助記憶デバイス１４、および通信インタフェース１５などを備える。
【0027】
プロセッサ１１と、ＲＯＭ１２、ＲＡＭ１３、補助記憶デバイス１４、および通信インタフェース１５とは、データバス又はインタフェースなどを介して互いに接続する。
プロセッサ１１は、上位管理装置１全体の動作を制御する機能を有する。プロセッサ１１は、内部キャッシュおよび各種のインタフェースなどを備えてもよい。プロセッサ１１は、内部メモリ、ＲＯＭ１２又は補助記憶デバイス１４が予め記憶するプログラムを実行することにより種々の処理を実現する。
プロセッサ１１は、上位管理装置１全体の動作を制御する機能を有する。プロセッサ１１は、内部キャッシュおよび各種のインタフェースなどを備えてもよい。プロセッサ１１は、内部メモリ、ＲＯＭ１２又は補助記憶デバイス１４が予め記憶するプログラムを実行することにより種々の処理を実現する。
【0028】
例えば、プロセッサ１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。なお、プロセッサ１１は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、又はＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のハードウェアにより実現されてもよい。
【0029】
ＲＯＭ１２は、非一時的なコンピュータ可読記憶媒体であり、上記のプログラムを記憶する。また、ＲＯＭ１２は、プロセッサ１１が各種の処理を行う上で使用するデータ又は各種の設定値などを記憶する。ＲＡＭ１３は、データの読み書きに用いられるメモリである。ＲＡＭ１３は、プロセッサ１１が各種の処理を行う上で一時的に使用するデータを記憶しておく、いわゆるワークエリアなどとして利用される。
【0030】
補助記憶デバイス１４は、非一時的なコンピュータ可読記憶媒体であり、上記のプログラムを記憶する場合もある。また、補助記憶デバイス１４は、プロセッサ１１が各種の処理を行う上で使用するデータ、プロセッサ１１での処理によって生成されたデータ又は各種の設定値などを保存する。
【0031】
補助記憶デバイス（記憶装置）１４は、各ＡＧＶ棚８が格納する物品を示す物品管理情報を予め格納する。例えば、物品管理情報は、ＡＧＶ棚８を示す棚コードとＡＧＶ棚８が格納する物品を示す物品コードとを対応付けて格納する。
【0032】
なお、ＲＯＭ１２又は補助記憶デバイス１４に上記のプログラムが記憶された状態で、上位管理装置１が譲渡されてもよいし、上記のプログラムを記憶しない状態で、上位管理装置１が譲渡されてもよい。後者の場合、上位管理装置１は、光ディスク又は半導体メモリのようなリムーバブルな記憶媒体に記憶された上記のプログラムを読み取り、読み取ったプログラムを補助記憶デバイス１４へ書き込む。又は、上位管理装置１は、ネットワークなどを介して上記のプログラムをダウンロードし、ダウンロードしたプログラムを補助記憶デバイス１４へ書き込む。
【0033】
通信インタフェース１５は、種々の装置とデータを送受信するためのインタフェースである。通信インタフェース１５は、ＡＧＶ７および作業管理部１１２などに接続する。また、通信インタフェース１５は、外部システム３などからオーダーリストなどを取得する。例えば、通信インタフェース１５は、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）接続などをサポートする。また、通信インタフェース１５は、外部システム３とデータを送受信するためのインタフェースと、ＡＧＶ７とデータを送受信するためのインタフェースと、作業管理部１１２とデータを送受信するためのインタフェースと、を備える構成しても良い。
【0034】
次に、実施形態に係るピッキングシステム１００におけるＡＧＶ７の構成について説明する。
図４は、実施形態に係るピッキングシステム１００におけるＡＧＶ７の構成例を示すブロック図である。
ＡＧＶ７は、プロセッサ７１、ＲＯＭ７２、ＲＡＭ７３、補助記憶デバイス７４、通信インタフェース７５、駆動部７６、センサ７７、バッテリー７８、充電機構７９、およびタイヤ７０などを備える。
図４は、実施形態に係るピッキングシステム１００におけるＡＧＶ７の構成例を示すブロック図である。
ＡＧＶ７は、プロセッサ７１、ＲＯＭ７２、ＲＡＭ７３、補助記憶デバイス７４、通信インタフェース７５、駆動部７６、センサ７７、バッテリー７８、充電機構７９、およびタイヤ７０などを備える。
【0035】
プロセッサ７１は、ＡＧＶ７全体の動作を制御する機能を有する。プロセッサ７１は、内部キャッシュおよび各種のインタフェースなどを備えてもよい。プロセッサ７１は、内部メモリ、ＲＯＭ７２又は補助記憶デバイス７４が予め記憶するプログラムを実行することにより種々の処理を実現する。
【0036】
例えば、プロセッサ７１は、ＣＰＵである。なお、プロセッサ７１は、ＬＳＩ、ＡＳＩＣ、又はＦＰＧＡ等のハードウェアにより実現されてもよい。
プロセッサ７１は、加速、減速、停止、方向転換、およびＡＧＶ棚８の積み降ろし等の動作に必要な演算および制御などの処理を行う。プロセッサ７１は、上位管理装置１又は作業管理部１１２などからの制御信号に基づき、ＲＯＭ７２等に記憶されたプログラムを実行することにより、駆動信号を生成し各部に出力する。
プロセッサ７１は、加速、減速、停止、方向転換、およびＡＧＶ棚８の積み降ろし等の動作に必要な演算および制御などの処理を行う。プロセッサ７１は、上位管理装置１又は作業管理部１１２などからの制御信号に基づき、ＲＯＭ７２等に記憶されたプログラムを実行することにより、駆動信号を生成し各部に出力する。
【0037】
例えば、上位管理装置１又は作業管理部１１２は、ＡＧＶ７を現在位置から第１の位置（目的のＡＧＶ棚８の位置）へ移動させて第１の位置から第２の位置（目的のピッキングステーションＰの位置）へ移動させる制御信号を送信する。また、上位管理装置１又は作業管理部１１２は、ＡＧＶ７を第２の位置から第１の位置へ移動させる制御信号を送信する。ＡＧＶ７のプロセッサ７１は、上位管理装置１又は作業管理部１１２から送信される制御信号に応じた駆動信号を出力する。これにより、ＡＧＶ７は、現在位置から第１の位置へ移動し、第１の位置から第２の位置へ移動し、第２の位置から第１の位置へ移動する。また、プロセッサ７１は、上位管理装置１又は作業管理部１１２から送信される制御信号に含まれるＡＧＶ棚８の積み降ろし指示に応じた駆動信号を出力する。これにより、ＡＧＶ７は、プッシャーによりＡＧＶ棚８を持ち上げたり、持ち上げたＡＧＶ棚８を降ろしたりする。
【0038】
ＲＯＭ７２は、非一時的なコンピュータ可読記憶媒体であり、上記のプログラムを記憶する。また、ＲＯＭ７２は、プロセッサ７１が各種の処理を行う上で使用するデータ又は各種の設定値などを記憶する。ＲＡＭ７３は、データの読み書きに用いられるメモリである。ＲＡＭ７３は、プロセッサ７１が各種の処理を行う上で一時的に使用するデータを記憶しておく、いわゆるワークエリアなどとして利用される。
【0039】
補助記憶デバイス７４は、非一時的なコンピュータ可読記憶媒体であり、上記のプログラムを記憶する場合もある。また、補助記憶デバイス７４は、プロセッサ７１が各種の処理を行う上で使用するデータ、プロセッサ７１での処理によって生成されたデータ又は各種の設定値などを保存する。
【0040】
通信インタフェース７５は、無線ＬＡＮアクセスポイントなどを通じて上位管理装置１又は作業管理部１１２などとデータを送受信するインタフェースである。例えば、通信インタフェース７５は、無線ＬＡＮ接続をサポートする。
【0041】
駆動部７６は、モータ等であり、プロセッサ７１から出力される駆動信号に基づきモータを回転又は停止する。モータの動力は、タイヤ７０に伝達され、操舵機構に伝達される。このようなモータからの動力により、ＡＧＶ７は、目的位置へ移動する。
【0042】
また、ＡＧＶ７がＡＧＶ棚８下に潜り込んだ状態で、駆動部７６は、プロセッサ７１から出力される駆動信号に基づきモータを回転（順回転）する。このモータからの動力によりプッシャーが上昇しＡＧＶ棚８が持ち上げられる。また、ＡＧＶ７が目的位置に到達した後、駆動部７６は、プロセッサ７１から出力される駆動信号に基づきモータを回転（逆回転）する。このモータからの動力によりプッシャーが下降しＡＧＶ棚８が床面に降ろされる。
【0043】
センサ７７は、複数の反射センサである。各反射センサは、ＡＧＶ７の周囲に取り付けられる。各反射センサは、レーザ光を照射し、レーザ光を照射してからレーザ光が物体で反射して戻るまでの時間を検出し、検出された時間に基づき物体までの距離を検知し、検知信号をプロセッサ７１へ通知する。
【0044】
プロセッサ７１は、センサ７７からの検知信号に基づき、ＡＧＶ７の走行を制御する制御信号を出力する。例えば、プロセッサ７１は、センサ７７からの検知信号に基づき、物体への衝突を回避する減速又は停止等の制御信号を出力する。なお、センサ７７以外に、カメラを備え、カメラが、周辺を撮影し撮影画像をプロセッサ７１へ出力してもよい。この場合、プロセッサ７１は、撮影画像を解析し、物体への衝突を回避する減速又は停止等の制御信号を出力する。
【0045】
バッテリー７８は、駆動部７６等に必要な電力を供給する。充電機構７９は、充電ステーションとバッテリー７８とを接続する機構であり、バッテリー７８は、充電機構７９を介して充電ステーションなどから供給される電力により充電される。
【0046】
次に、実施形態に係るピッキングシステム１００における上位管理装置１が有する機能について説明する。
図５は、実施形態に係るピッキングシステム１００における上位管理装置１が有する機能の例を示す図である。
上位管理装置１は、プロセッサ１１の内部メモリ、ＲＯＭ１２又は補助記憶デバイス１４などの記憶装置に設けられるデータベース２００を有する。記憶装置としてのデータベース２００は、各種のデータを格納する。データベース２００が記憶するデータは、通信インタフェース１５により上位管理装置１の外部へ出力される。また、通信インタフェース１５により上位管理装置１に入力されるデータは、データベース２００に保存される。
図５は、実施形態に係るピッキングシステム１００における上位管理装置１が有する機能の例を示す図である。
上位管理装置１は、プロセッサ１１の内部メモリ、ＲＯＭ１２又は補助記憶デバイス１４などの記憶装置に設けられるデータベース２００を有する。記憶装置としてのデータベース２００は、各種のデータを格納する。データベース２００が記憶するデータは、通信インタフェース１５により上位管理装置１の外部へ出力される。また、通信インタフェース１５により上位管理装置１に入力されるデータは、データベース２００に保存される。
【0047】
データベース２００が格納する各種のデータには、外部システム３から取得したオーダーリスト、倉庫内の物品データ、ピッキング手段データ、ＡＧＶデータ、モデルデータ、作業計画データ、オーダーリストや作業実績を基に整形した整形データなどが含まれる。
【0048】
物品データは、ピッキングの対象となる物品に関するデータである。物品データは、例えば、物品ＩＤ、個数、重量、体積、形状、材質、保管棚ＩＤ、棚内での保管位置などである。
【0049】
ピッキング手段データは、ピッキング手段に関するデータである。ピッキング手段が人（作業者）である場合、ピッキング手段データは、人の属性データである。ピッキング手段データとしての人の属性データは、例えば、作業者ＩＤ、年齢、性別、身長、運動経験、勤務年数、雇用形態、勤務継続時間などである。また、ピッキング手段がロボットの場合、ピッキング手段データはロボットのスペックデータである。ピッキング手段データとしてのロボットのスペックデータは、例えば、機器ＩＤ、ハンド機構種類、取扱可能重量などである。
【0050】
ＡＧＶデータは、ＡＧＶ７に関するデータである。ＡＧＶデータは、例えば、機器ＩＤ、使用年数、充電率、状態(待機、使用中、帰還途中)などである。
【0051】
整形データは、ピッキングの作業に関するデータを整形することにより生成される。整形データは、予測モデルの学習および推論にも用いられる。例えば、整形データは、外部システム３からのオーダーリストに基づくピッキング作業リストに対して物品データなどのデータを紐づけることにより生成される。また、整形データは、ピッキング手段ごとに生成しても良いし、ピッキング手段データを含めて生成しても良い。後者の場合、整形データは、外部システム３からのオーダーリストに基づくピッキング作業リストに対して物品データとピッキング手段データを紐づけることにより生成しても良い。また、整形データは、作業ログを取得後にピッキング作業の結果（実績）を示すデータを追記するようにしても良い。
【0052】
モデルデータは、ピッキング手段の処理能力を予測する確率分布（予測分布）を出力するための予測モデルとしてデータベース２００に保存される。例えば、予測モデルは、ピッキング手段毎に個別に構築され、データベース２００に保存される。また、データベース２００には、ピッキング手段の属性やスペックで分類した複数予測モデルが保存されるようにしても良い。さらに、ピッキング手段の属性やスペック、およびピッキング作業の属性から確率分布を予測する人又はロボット用の汎用の予測モデルがデータベース２００に保存されるようにしても良い。
【0053】
作業ログは、指示されたピッキング作業に対する作業実績に関するデータである。例えば、作業ログは、作業管理部１１２から収集するデータを各ピッキング作業単位（物品ＩＤ、ピッキング個数、棚内での物品保管位置、物品投入先のトレイ位置）に付与したデータである。この場合、作業管理部から収集するデータは、作業者ＩＤ、作業時間（実績値）、割り込み処理や異常の有無などのデータである。また、作業ログは、ＡＧＶから収集するデータを各搬送作業単位（搬送した棚ＩＤ、棚の初期位置、搬送先ピッキングステーションＩＤ）に付与したデータを含むものであっても良い。ＡＧＶから収集するデータは、機器ＩＤ、作業開始時の位置、移動経路、衝突回避行動の有無、移動距離、消費電力、搬送時間などのデータである。
【0054】
図５に示すように、上位管理装置１は、作業リスト作成部２０１、データ整形部２０２、データ評価部２０３、モデル更新部２０４、確率分布予測部２０５、作業計画部２０６を有する。作業リスト作成部２０１、データ整形部２０２、データ評価部２０３、モデル更新部２０４、確率分布予測部２０５、作業計画部２０６は、プロセッサ１１の内部メモリ、ＲＯＭ１２又は補助記憶デバイス１４などの記憶装置に格納されるプログラムをプロセッサ１１が実行することにより実現される機能である。
【0055】
実施形態に係る上位管理装置１は、プロセッサ１１が実行するプログラムとして、オーダーリストからピッキング作業リスト（作業リスト）を作成するプログラム、作業リストに基づく作業データ又は作業ログを含む作業データを整形するプログラム、作業データ又は作業実績を含む作業データの特性評価を行うプログラム、確率分布予測モデルを更新するプログラム、確率分布を予測するプログラム、作業計画を行うプログラムを記憶装置に記憶する。
【0056】
プロセッサ１１は、オーダーリストから作業リストを作成するプログラムを実行することにより作業リスト作成部２０１として機能する。作業リスト作成部２０１は、外部システム３から取得する新規のオーダーリストに基づいて各ピッキングステーションで実施する作業内容を指定するピッキング作業リスト（以下、単に作業リストとも称する）を作成する。ピッキング作業リストは、物品のピッキング個数や重量、体積、棚内での物品保管位置、物品投入先のトレイ位置などの作業属性データを含むデータである。
【0057】
プロセッサ１１は、ピッキング作業データを整形するプログラムを実行することによりデータ整形部２０２として機能する。ここで、ピッキング作業データは、作業リストのデータであっても良いし、作業リストに作業ログなどのデータを付加したデータであっても良い。データ整形部２０２は、ピッキング作業データを基に、予測モデルの学習、および確率分布の推論に用いるデータを作成する。また、データ整形部２０２が実行する整形処理は、ピッキング作業データに対して物品データ、ピッキング手段データ、作業ログ（作業実績データ）などのデータを紐づける処理と各種データに対する変数の変換およびスケーリングなどの前処理とを含む。
【0058】
プロセッサ１１は、オーダーリストおよび作業ログの特性評価を行うプログラムを実行することによりデータ評価部２０３として機能する。データ評価部２０３は、整形データについてデータ特性の評価を行い、特性変化の有無を判定する。変化を検知した場合、データ評価部２０３は、特性変化を検知した結果を示す情報（判定結果）を出力する。
【0059】
プロセッサ１１は、確率分布予測モデルの更新するプログラムを実行することによりモデル更新部２０４として機能する。モデル更新部２０４は、データ評価部２０３が出力する評価結果を基に、予測モデルの再設計、および再学習処理を実行する。モデル更新部２０４は、構築した予測モデルをデータベース２００に保存する。
【0060】
プロセッサ１１は、確率分布を予測するプログラムを実行することにより確率分布予測部２０５として機能する。確率分布予測部２０５は、整形済みの作業データと保存された予測モデルを基に、実施予定の各ピッキング作業に対する各ピッキング手段の処理能力に関する確率分布を示す分布データを作業計画部２０６へ出力する。
【0061】
プロセッサ１１は、作業計画を行うプログラムを実行することにより作業計画部２０６として機能する。作業計画部２０６は、確率分布予測部２０５が出力する処理能力の確率分布を示す分布データおよび倉庫内の運用状況などの作業データに基づき、各ピッキングステーションへの作業割付および棚搬送に使用するＡＧＶ７などの作業計画を策定する。作業計画部２０６は、例えば、確率分布予測部２０５から取得する確率分布を示す分布データをシミュレーション系におけるピッキング手段やＡＧＶの処理能力のモデルとして使用する。
【0062】
次に、上位管理装置１が有する機能である作業リスト作成部２０１が実施する処理について説明する。
上位管理装置１は、外部システム３からオーダーリストを取得する。また、上位管理装置１は、倉庫内の在庫データや輸送トラックの運行データなどもデータも取得するようにしてもよい。オーダーリストは、出荷時間や輸送トラックの制約を基に決められたバッチ単位で取得するものとする。
上位管理装置１は、外部システム３からオーダーリストを取得する。また、上位管理装置１は、倉庫内の在庫データや輸送トラックの運行データなどもデータも取得するようにしてもよい。オーダーリストは、出荷時間や輸送トラックの制約を基に決められたバッチ単位で取得するものとする。
【0063】
上位管理装置１において、作業リスト作成部２０１は、外部システム３から新規に取得するオーダーリストなどのデータに基づいて各ピッキングステーションで実施する作業内容を示すピッキング作業リストを作成する。作業リスト作成部２０１は、オーダーの並べ替え、又は、作業の割付の変更をバッチ単位内で実行するものとする。
【0064】
また、各ピッキングステーションの作業進捗によっては、棚呼び出しの干渉やピッキングステーションでの作業待ちが起こり得る。これを回避するために、ピッキングステーションに作業を割り付けた後でも、割付済み作業の範囲内で実施順序（棚の呼び出し順序）を入れ替えてもよい。さらに、棚呼び出しの干渉やピッキングステーションでの作業待ちの回避が困難な場合、又は、作業の平準化の観点から大きな計画変更が必要な場合、割付済み作業の中でまだ棚の呼び出しを実施していない作業について、割付先のピッキングステーションを変更してもよい。
【0065】
割付先のピッキングステーションを変更可能な作業の範囲やタイミングは、ピッキングステーションが備えるトレイの数やその管理方法によって異なる。注文ＩＤ（オーダーの識別情報）とトレイＩＤ（仕分け先のトレイの識別情報）とが予め紐づけされた状態で各ピッキングステーションにトレイが補充される場合、補充済みのトレイに対応した作業は、作業順序の入れ替えが可能であるが、割付先を別のピッキングステーションに変更することはできないものとする。注文ＩＤとトレイＩＤの紐づけが各ピッキングステーションで実施され、作業直前まで変更可能な場合、より広い範囲に渡って計画を変更することができる。
【0066】
作業リスト作成部２０１は、ピッキング作業リストを作成する場合、ピッキング作業と呼び出す棚との紐づけを行う。また、作業リスト作成部２０１は、一度の棚呼び出しで同時に実行可能なピッキング作業がまとまるように、ピッキング作業を並び替え、複数のピッキング作業をまとめてピッキング手段に割り付ける作業単位としてよい。この場合、まとまった作業単位毎に呼び出す棚を紐づける。
【0067】
ピッキング作業を並べ替えてまとめる方法には、例えば次の２つがある。１つ目は、呼び出した棚の中に保管されている物品Ｉａが複数の注文情報に記載されている場合、棚から同一物品Ｉａを複数個ピッキングし、複数のトレイに投入してもよい。２つ目は、ある注文情報に記載された異なる物品Ｉａ、Ｉｂが、呼び出した棚にまとめて保管されている場合、異なる商品Ｉａ、Ｉｂを同じ棚からまとめてピッキングしてもよい。また、上記２つのまとめ方を組み合わせてもよい。
【0068】
次に、上位管理装置１が有する機能であるデータ整形部２０２およびデータ評価部２０３が実施する処理について説明する。
図６は、上位管理装置１が有する機能であるデータ整形部２０２およびデータ評価部２０３が実施する処理を説明するための図である。
図６は、上位管理装置１が有する機能であるデータ整形部２０２およびデータ評価部２０３が実施する処理を説明するための図である。
【0069】
データ整形部２０２は、ピッキング作業リストに示されたピッキング作業データ（物品のピッキング個数、保管棚ＩＤ情報）に対して、データベース２００が記憶する物品データ（例えば、物品の重量、体積、形状、材質、棚内での物品保管位置などの情報）などのデータを紐づけることにより整形データを生成する。物品の投入先とするトレイの位置が決まっている場合、データ整形部２０２は、物品の仕分け先（投入先）とするトレイの位置を示す情報も付与するようにしても良い。
【0070】
また、データ整形部２０２は、ピッキング手段データ（ピッキング手段の属性データ）を説明変数として使用して整形データを生成するようにしても良い。この場合、データ整形部２０２は、ピッキング作業データに対して、物品データおよびピッキング手段データを紐づけることにより整形データを生成する。
【0071】
また、データ整形部２０２は、ピッキング作業が完了した後、作業リストに基づいて作成した整形データに対して、実施した作業内容を示す作業ログに含まれるデータ（作業時間の実績値、割り込み処理や異常の有無などの情報）を付与するようにしても良い。
【0072】
データ整形部２０２は、整形するデータとしての各変数について、変数変換やスケーリングなどの前処理を実行する。例えば、物品の保管位置を示す物品保管位置情報は、高さに応じてアルファベットなどで管理されることがある。この場合、アルファベットが機械学習モデルにとっては意味のある情報にならないため、アルファベットをダミー変数の値（例えば、０又は１の２値）に変換する。また、棚の高さに応じたアルファベットは、棚の高さ情報を基に連続値に変換するようにしても良い。
【0073】
また、データ整形部２０２は、用意した変数間で取り得る値の範囲が異なる場合、前処理としてスケーリング処理を実行する。例えば、スケーリング処理としては、各変数の値を指定した範囲に正規化する処理が実行される。［０、１］の範囲に正規化する処理は、以下の式１を用いて実行される。
Ｘ（ｉ）は、データＸのｉ番目のサンプルであり、Ｘｍｉｎ、Ｘｍａｘは、それぞれデータＸの最小値、最大値であり、Ｘｎｏｒｍ（ｉ）は正規化後の変数であるものとする。
Ｘ（ｉ）は、データＸのｉ番目のサンプルであり、Ｘｍｉｎ、Ｘｍａｘは、それぞれデータＸの最小値、最大値であり、Ｘｎｏｒｍ（ｉ）は正規化後の変数であるものとする。
【0074】
Ｘｎｏｒｍ（ｉ）＝（Ｘ（ｉ）－Ｘｍｉｎ）／（Ｘｍａｘ－Ｘｍｉｎ）…（式１）
データ整形部２０２は、ピッキング作業リストにおける作業ＩＤが１からＤ（１番目の作業からＤ番目の作業）までのピッキング作業データに対して上述したようなデータを付与し、さらに、前処理を実施したものを最終的な整形データとする。
データ整形部２０２は、ピッキング作業リストにおける作業ＩＤが１からＤ（１番目の作業からＤ番目の作業）までのピッキング作業データに対して上述したようなデータを付与し、さらに、前処理を実施したものを最終的な整形データとする。
【0075】
図６では、データ整形部２０２が作成する複数のデータサンプルを有する整形データの例を示す。図６に示す整形データは、サンプルデータの作業ＩＤが「１」から「Ｄ」までのサンプルデータから構成される。各作業ＩＤのサンプルデータは、説明変数としてのＸ１、Ｘ２、…、Ｘｎと目的変数としてのＹとから形成される。ただし、整形データに含まれるサンプルデータは、作業の実績値がない場合は目的変数Ｙを除いて、説明変数である各データ列Ｘ１、Ｘ２、…、Ｘｎで構成しても良い。
【0076】
データ評価部２０３は、データ整形部２０２が作成する整形データにおけるデータ特性を評価する。データ評価部２０３は、整形データにおけるデータ特性の変化を検知（判定）し、その判定結果を出力する。データ評価部２０３は、データ特性の評価として、整形データが従う確率分布の種類を特定する。例えば、データ評価部２０３は、データ特性の評価として、所定の複数種類の確率分布から整形データが従う確率分布の種類を選択（特定）するようにしても良い。
【0077】
データ評価部２０３は、整形データが従う確率分布の種類がデータベース２００に保存している予測モデルが仮定している確率分布の種類と異なる場合に、予測モデルの更新が必要とであると判断（評価）する。データ評価部２０３は、整形データにおけるデータ特性の評価結果をモデル更新部２０４へ供給する。
【0078】
図６に示す例では、データ評価部２０３は、各データ列Ｘ１、Ｘ２、…、Ｘｎ、Ｙのサンプルが従う確率分布の種類を特定する。データ評価部２０３は、各データ列について、データが当てはまる確率分布の種類を特定する。図６では、確率分布の種類として、ガンマ分布、正規分布、ベルヌーイ分布などを例示している。
【0079】
例えば、連続値の確率分布は、確率密度関数である。確率密度関数である連続値の確率分布の種類としては、ガンマ分布や正規分布などがある。具体例として、作業時間Ｙは、連続値であるから、連続値の確率分布である確率密度関数としてのガンマ分布又は正規分布などから確率分布の種類が特定される。確率密度関数である確率分布は、形状が形状パラメータによって特定される。
【0080】
例えば、ガンマ分布は、形状パラメータとして、形状母数αと尺度母数の逆数βとがある。ガンマ分布の確率密度関数は、ｘを対象の変数、Γ（α）をガンマ関数として、以下の式２で表される。
Ｐgamma（ｘ）＝（βｋ／Γ（α））ｙα－１ｅｘｐ（－βｘ）…（式２）
また、正規分布は、形状パラメータとして、平均μと標準偏差σとがある。正規分布の確率密度関数は、ｘを対象の変数として、以下の式３で表される。
Ｐgaussian（ｘ）＝（１／√２πσ２）ｅｘｐ［－（ｘ－μ）２／２σ２］…（式３）
また、２値変数の確率分布は、確率質量関数である。２値変数に対しては、確率質量関数である確率分布の種類として、例えば、ベルヌーイ分布を仮定することができる。ベルヌーイ分布は、ｘが１となる確率をηとして、以下の式４のように表される。
Ｐbernoulli（ｘ＝ｚ）＝ηｚ（１－η）１－ｚ，ｚ＝｛０，１｝…（式４）
データ評価部２０３は、整形データとして与えられたデータサンプルに対し、複数種類の確率分布から当てはまりの良い確率分布を探す。当てはまりの良い確率分布を探す方法として、例えば、確率分布の種類を仮定した上で形状パラメータの最尤推定を行う方法がある。最尤推定を行う方法では、具体的には、仮定した確率分布の確率密度関数をｐ（ｘ｜θ）、形状パラメータをまとめてθと表記するとき、以下に示す対数尤度関数（式５）を最大化するパラメータθ´を求める。
Ｐgamma（ｘ）＝（βｋ／Γ（α））ｙα－１ｅｘｐ（－βｘ）…（式２）
また、正規分布は、形状パラメータとして、平均μと標準偏差σとがある。正規分布の確率密度関数は、ｘを対象の変数として、以下の式３で表される。
Ｐgaussian（ｘ）＝（１／√２πσ２）ｅｘｐ［－（ｘ－μ）２／２σ２］…（式３）
また、２値変数の確率分布は、確率質量関数である。２値変数に対しては、確率質量関数である確率分布の種類として、例えば、ベルヌーイ分布を仮定することができる。ベルヌーイ分布は、ｘが１となる確率をηとして、以下の式４のように表される。
Ｐbernoulli（ｘ＝ｚ）＝ηｚ（１－η）１－ｚ，ｚ＝｛０，１｝…（式４）
データ評価部２０３は、整形データとして与えられたデータサンプルに対し、複数種類の確率分布から当てはまりの良い確率分布を探す。当てはまりの良い確率分布を探す方法として、例えば、確率分布の種類を仮定した上で形状パラメータの最尤推定を行う方法がある。最尤推定を行う方法では、具体的には、仮定した確率分布の確率密度関数をｐ（ｘ｜θ）、形状パラメータをまとめてθと表記するとき、以下に示す対数尤度関数（式５）を最大化するパラメータθ´を求める。
【0081】
ｌｏｇＬ（θ）＝Σｌｏｇ［ｐ（ｘ＝ｘ（ｉ）｜θ）］…（式５）
データ評価部２０３は、データサンプルに対する確率分布の当てはまり度合を評価する。例えば、データ評価部２０３は、データサンプルのヒストグラムと推定したパラメータθ´のもとでの確率密度関数Ｐ（ｘ｜θ´）との当てはまりを評価する。データ評価部２０３は、データサンプルのヒストグラムと各種類の確率分布との二乗和誤差を算出し、算出した二乗和誤差が最小となる確率分布の種類を特定する評価を行う。
データ評価部２０３は、データサンプルに対する確率分布の当てはまり度合を評価する。例えば、データ評価部２０３は、データサンプルのヒストグラムと推定したパラメータθ´のもとでの確率密度関数Ｐ（ｘ｜θ´）との当てはまりを評価する。データ評価部２０３は、データサンプルのヒストグラムと各種類の確率分布との二乗和誤差を算出し、算出した二乗和誤差が最小となる確率分布の種類を特定する評価を行う。
【0082】
図７は、整形データとして得られるデータサンプルに対して複数種類の確率分布で評価した例を示す図である。
図７に示すように、データサンプルのヒストグラムと各確率分布の確率密度関数Ｐ（ｘ｜θ´）との二乗和誤差を算出する。データ評価部２０３は、候補となる各種類の確率分布について二乗和誤差を算出し、算出した二乗和誤差が最も小さい確率分布の種類を判定結果として出力する。
図７に示すように、データサンプルのヒストグラムと各確率分布の確率密度関数Ｐ（ｘ｜θ´）との二乗和誤差を算出する。データ評価部２０３は、候補となる各種類の確率分布について二乗和誤差を算出し、算出した二乗和誤差が最も小さい確率分布の種類を判定結果として出力する。
【0083】
データ評価部２０３は、判定結果（特定した確率分布の種類）と記憶装置に記憶している学習済みの予測モデルが仮定している確率分布の種類とが異なるデータ列がある場合、予測モデルを更新することを示すフラグ（更新フラグ）を設定する。データ評価部２０３は、データ特性の評価結果として更新フラグを含む評価結果を出力する。
【0084】
なお、データ評価部２０３は、割り込みや異常が発生した場合の作業によるデータ（作業ログ）についてはデータ特性の評価に用いないようにしても良い。ピッキングステーションにおいて、作業管理部１１２は、実施したピッキング作業において、割り込み又は異常などの通常のピッキング作業とは異なる作業が発生したことを検出し、通常のピッキング作業とは異なる作業が発行したことを作業ログに追記するようにしてもよい。例えば、ピッキングステーションにカメラなどを設置し、作業管理部１１２は、カメラが撮影した映像から実施したピッキング作業に割り込みや異常が発生したかを検出するようにして良い。この場合、データ評価部２０３は、割り込みや異常のあった作業データについては評価に用いないことで、不要なモデル更新フラグの送信を防止する。
【0085】
次に、実施形態に係る上位管理装置１が有する機能としてのモデル更新部２０４による予測モデルの更新について説明する。
モデル更新部２０４は、データ評価部２０３による整形データに対するデータ特性の評価結果を基に、機械学習モデル（予測モデル）の再設計および再学習を実行する。確率分布を扱った機械学習モデルとしては、例えば、ボルツマンマシンやベイジアンネットワーク、一般化線形モデルなどがある。
モデル更新部２０４は、データ評価部２０３による整形データに対するデータ特性の評価結果を基に、機械学習モデル（予測モデル）の再設計および再学習を実行する。確率分布を扱った機械学習モデルとしては、例えば、ボルツマンマシンやベイジアンネットワーク、一般化線形モデルなどがある。
【0086】
例えば、ボルツマンマシンでは、各モデル変数ｘの確率分布Ｐ（ｘ｜θ）をエネルギー関数Ｅ（ｘ、θ）で定義し、Ｚ（θ）を分配関数とする。エネルギー関数Ｅ（ｘ、θ）は、以下の式６で表され、分配関数Ｚ（θ）は、以下の式７で表される。
Ｐ（ｘ｜θ）＝（１／Ｚ（θ））ｅｘｐ［－Ｅ（ｘ、θ）］…（式６）
Ｚ（θ）＝Σｅｘｐ［－Ｅ（ｘ、θ）］…（式７）
上述したボルツマンマシンは、エネルギー関数Ｅ（ｘ、θ）の設計次第で、多種多様な分布を仮定できるモデルである。実装および運用が容易なボルツマンマシンとしては、変数間の結合に制限を課した制限ボルツマンマシンがある。
Ｐ（ｘ｜θ）＝（１／Ｚ（θ））ｅｘｐ［－Ｅ（ｘ、θ）］…（式６）
Ｚ（θ）＝Σｅｘｐ［－Ｅ（ｘ、θ）］…（式７）
上述したボルツマンマシンは、エネルギー関数Ｅ（ｘ、θ）の設計次第で、多種多様な分布を仮定できるモデルである。実装および運用が容易なボルツマンマシンとしては、変数間の結合に制限を課した制限ボルツマンマシンがある。
【0087】
図８は、予測モデルとして実装可能な機械学習モデルとしての制限ボルツマンマシンを説明するための図である。
図８に示すように、制限ボルツマンマシンにおいて、モデル変数ｘは、可視変数ｖと隠れ変数ｈに分けられる。データは、可視層ｖｉに入力される。
図８に示すように、制限ボルツマンマシンにおいて、モデル変数ｘは、可視変数ｖと隠れ変数ｈに分けられる。データは、可視層ｖｉに入力される。
【0088】
図８に示す例において、データ評価部２０３によるデータ特性の評価結果（確率分布の種類）に基づいて、可視変数の左から順にｎ１個はベルヌーイ分布、ｎ２個は正規分布、…、ｎｋ個はガンマ分布と確率分布を仮定する。モデル更新部２０４は、これらの確率分布に対応するエネルギー関数Ｅ（ｖ、ｈ、θ）を設計する。モデル学習は、設計したエネルギー関数Ｅ（ｖ、ｈ、θ）に基づいて実施する。
【0089】
ボルツマンマシンを学習する場合、以下の式８に示すような、確率分布Ｐ（ｘ｜θ）における変数の期待値を求める必要がある。しかしながら、期待値を厳密に求めようとすると、変数の増加に伴って計算量の爆発が起こる。そのため、何らかの近似法を採用する必要がある。
【0090】
Σ［－∂Ｅ（ｘ、θ）／∂θ］×Ｐ（ｘ｜θ）…（式８）
近年、エネルギー関数Ｅ（ｘ、θ）に対し、そのエネルギー最小解を高速に求めることを目的としたイジングマシンが開発されている。このため、モデル学習においては、先の期待値の計算をイジングマシンを用いて実施してもよい。具体的には、設計したエネルギー関数Ｅ（ｘ、θ）をイジングマシンに投入し、解を１つサンプリングする。この試行を複数回繰り返し、得られた解の集合を用いて期待値を算出する。
近年、エネルギー関数Ｅ（ｘ、θ）に対し、そのエネルギー最小解を高速に求めることを目的としたイジングマシンが開発されている。このため、モデル学習においては、先の期待値の計算をイジングマシンを用いて実施してもよい。具体的には、設計したエネルギー関数Ｅ（ｘ、θ）をイジングマシンに投入し、解を１つサンプリングする。この試行を複数回繰り返し、得られた解の集合を用いて期待値を算出する。
【0091】
また、モデル更新部２０４は、確率分布の種類の他に、確率分布の形状が所定の閾値と比べて大きく変わった場合にも予測モデルの更新を実施する。確率分布の形状は、形状パラメータによって規定される。データ評価部２０３は、整形データが従う確率分布の形状パラメータと予測モデルが仮定する確率分布の形状パラメータとのずれが所定の閾値よりも大きくなったか否かにより、予測モデルの更新を実施する否かを判断（評価）する。
【0092】
また、確率分布の形状変化は、予測モデルを用いて予測した確率分布（予測分布）に対して、実績値がどの程度出現しやすいかを定量化した評価値を用いて評価できる。すなわち、実績値が予測モデルに基づく予測分布からどの程度出現しやすいかを定量化し、定量化した値と予め設定された閾値とを比較することにより、予測モデルを更新するか否かを判定するようにしても良い。このような予測モデルを更新するか否かを判定するための基準となる閾値は、システムの管理者が設定するようにしても良いし、作業ログなどから基準値を算出するようにしても良い。
【0093】
実績値の出現しやすさについては、実績値が予測分布の何パーセント点に該当するかに基づいて定量化する方法がある。確率分布の形状変化を評価する一例として、実績値の出現しやすさを定量化した評価値に基づいて予測モデルの要否を判断する例について説明する。
【0094】
図９は、予測モデルに基づく予測分布が正規分布である場合を例として実績値の出現しやすさを定量化した例を示す。
図９中に示す曲線は、確率分布予測部２０５がデータベース２００に記憶している予測モデルを用いて出力する確率分布（確率密度関数）の例である。図９において、横軸は変数、縦軸は確率密度である。
図９中に示す曲線は、確率分布予測部２０５がデータベース２００に記憶している予測モデルを用いて出力する確率分布（確率密度関数）の例である。図９において、横軸は変数、縦軸は確率密度である。
【0095】
図９に示す例において、実績値が予測モデルで予測した確率分布（予測分布）の５０％点であった場合（ｉ）、スコア（定量化した評価値）を１．００とする。また、実績値が予測モデルで予測した確率分布（予測分布）の下側５％点であった場合（ｉｉ）、スコアを０．１０とする。
【0096】
このようなスコアは、実績値の出現しやすさを定量化した評価値の例であり、値が小さいほど、予測モデルで予測した確率分布（予測分布）が実際の実績値の背景分布としては適切でない（棄却すべき）と判定される。このようなスコアを各評価データについて算出することにより、それらの平均によって予測モデルの更新を実行するか否かを判断するようにして良い。
【0097】
次に、上位管理装置１が有する機能としての確率分布予測部２０５および作業計画部２０６による処理について説明する。
図１０は、確率分布予測部２０５が予測する確率分布に基づいて作業計画部２０６が作業計画を作成する処理を説明するための図である。
本実施形態において、作業計画とは、オーダーリストによって与えられた新規のピッキング作業を予想される各ピッキング手段の作業時間の分布に基づいて各ピッキング手段に割り付けるものである。
図１０に示す例において、作業計画部２０６は、ピッキング作業リストで指定される作業番号が１からＤまでピッキング作業をピッキング手段ａ、ｂ又はｃのいずれかに割り付ける。
図１０は、確率分布予測部２０５が予測する確率分布に基づいて作業計画部２０６が作業計画を作成する処理を説明するための図である。
本実施形態において、作業計画とは、オーダーリストによって与えられた新規のピッキング作業を予想される各ピッキング手段の作業時間の分布に基づいて各ピッキング手段に割り付けるものである。
図１０に示す例において、作業計画部２０６は、ピッキング作業リストで指定される作業番号が１からＤまでピッキング作業をピッキング手段ａ、ｂ又はｃのいずれかに割り付ける。
【0098】
確率分布予測部２０５は、ピッキング作業リストの整形データに対し、各ピッキング手段において予想される作業時間の分布を出力する。すなわち、確率分布予測部２０５は、データベース２００に記憶している予測モデルを用いて、ピッキング作業リストの整形データから実施するピッキング作業の処理能力（作業時間）に関する予測分布としての確率分布を出力する。
【0099】
例えば、確率分布予測部２０５は、予測モデルにより確率分布の種類（関数形）を事前に仮定し、パラメトリック手法などによりデータサンプルが最もよく当てはまる分布の形状パラメータを推定する。確率分布の予測に用いる予測モデルは、データサンプルに対して事前に確率分布の種類を仮定して学習され、データベース２００の保存されている。確率分布予測部２０５は、データ整形部２０２が整形した作業データを予測モデルに入力することにより分布の形状パラメータを出力する。
【0100】
なお、確率分布予測部２０５は、ピッキング手段毎に構築された予測モデルをデータベース２００から選出する。また、確率分布予測部２０５は、ピッキング手段データ（人の属性やロボットのスペック）で分類した複数の予測モデルから選出するようにしても良い。また、確率分布予測部２０５は、ピッキング手段としての人又はロボット用の汎用の予測モデルを用いるようにしても良い。また、過去の作業実績がないピッキング手段について予測モデルを準備する場合、確率分布予測部２０５は、データベース２００に保存した構築済みの予測モデルの中からピッキング手段データ（属性やスペック）の近いピッキング手段の予測モデルを選出するようにしても良い。
【0101】
作業計画部２０６は、別途作成された作業計画シナリオにおける作業内容とピッキング手段との組合せに該当する確率分布を引用して作業時間の値をサンプリングし、シミュレーションを実施する。作業計画部２０６は、作業計画を策定する場合、例えば、離散シミュレーションなどの現実の倉庫を仮想的に模擬するシミュレーション技術を用いる。
【0102】
作業計画部２０６は、数理計画法などを用いて１つ又は複数の作業計画シナリオを作成する。作業計画部２０６は、作成した各シナリオについてシミュレーションを実行する。作業計画部２０６は、割付予定の各作業に対して、確率分布予測部２０５が出力する確率分布から値を１つサンプリングし、各ピッキング手段の作業時間とする。作業計画部２０６は、各シナリオのシミュレーションを複数回繰り返し、各シナリオにおける作業時間又はその上限を評価する。作業計画部２０６は、各種制約を満たしつつ、スループット最大化の効果が検証できたシナリオを作業計画データとして保存する。
【0103】
ここで、各種制約とは、後工程に対する締め切り時間や棚やＡＧＶの稼働状況についての制約である。また、ピッキング作業工程のスループットが高いシナリオとは、各ピッキングステーションで割付作業をすべて処理し終えるまでの所要時間を平準化し、かつ最も時間のかかるピッキングステーションの合計所要時間を最小化するものである。
【0104】
また、作業計画部２０６は、確率分布から値を複数回サンプリングする他に、確率分布の上側のα点から、作業時間、又は、その上限を評価しても良い。ここで、αの値は、倉庫の運用方針を基に決定されるものとする。
また、確率分布を精度良く推定できる場合、作業計画部２０６は、不確かさを持つシステムに対して直接最適解を求める確率計画法を実行しても良い。この場合、作業計画部２０６は、確率分布予測部２０５が出力する確率分布を問題式中の変数の分布として扱うようにしても良い。
また、確率分布を精度良く推定できる場合、作業計画部２０６は、不確かさを持つシステムに対して直接最適解を求める確率計画法を実行しても良い。この場合、作業計画部２０６は、確率分布予測部２０５が出力する確率分布を問題式中の変数の分布として扱うようにしても良い。
【0105】
なお、上記の説明では、ピッキングステーションに待機するピッキング手段の作業時間について言及したが、次に使用する棚がピッキングステーションに到着しておらず、作業の待ち時間が発生する場合、工程全体のスループットにも影響を及ぼすことがある。このため、作業計画部２０６は、予想される待ち時間も考慮して、総合的に作業割付を判断する必要がある。また、ＡＧＶの台数が限られている場合、ピッキングステーションでの待ち時間やＡＧＶの移動時間が短くなるようにＡＧＶの運用も最適化する必要がある。このため、作業計画部２０６は、ピッキング手段の処理能力の観点から見て、必ずしも最適でない作業計画を採用することもあり得る。
【0106】
次に、実施形態に係るピッキングシステムにおける上位管理装置１の動作について説明する。
図１１、図１２および図１３は、実施形態に係るピッキングシステムの物品の出庫作業における上位管理装置１の動作例を説明するためのフローチャートである。
図１１、図１２および図１３は、実施形態に係るピッキングシステムの物品の出庫作業における上位管理装置１の動作例を説明するためのフローチャートである。
【0107】
物品の出庫作業において、上位管理装置１は、通信インタフェース１５を介して外部システム３からオーダーリストを取得する（Ｓ１０１）。例えば、オーダーリストは、ピッキングする物品と当該物品の配送先などとを対応付けるオーダーから構成される。ここでは、オーダーリストは、複数のオーダーから構成される。オーダーは、注文伝票などであっても良い。なお、上位管理装置１は、外部記憶デバイス用のインタフェースを介して外部記憶デバイスからオーダーリストを取得しても良いし、操作部などを用いて係員が入力するオーダーリストを受け付けても良い。
【0108】
上位管理装置１のプロセッサ１１は、オーダーリストを取得すると、取得したオーダーリストから各ピッキングステーションにおいて実施する作業内容を示すピッキング作業リストを作成する（Ｓ１０２）。例えば、プロセッサ１１は、上述した作業リスト作成部２０１によりオーダーリストおよび物品データなどを用いて作業データとしてのピッキング作業リストを作成する。
【0109】
上位管理装置１のプロセッサ１１は、ピッキング作業リストを作成すると、ピッキング作業データを整形する（Ｓ１０３）。プロセッサ１１は、データ整形部２０２として機能し、上述した整形処理によって整形データを生成する。
【0110】
プロセッサ１１は、整形データを生成すると、整形データに対してデータ特性を評価する（Ｓ１０４）。プロセッサ１１は、データ評価部２０３として機能し、上述した処理によって整形データに対するデータ特性の評価を行う。プロセッサ１１は、データ評価部２０３によるデータ特性の評価として、整形データが従う確率分布の種類を特定する。
【0111】
プロセッサ１１は、整形データが従う確率分布の種類がデータベース２００に記憶している予測モデルが仮定する確率分布の種類とが異なるか否かを判定する（Ｓ１０５）。プロセッサ１１は、確率分布の種類が異なる場合（Ｓ１０５、ＹＥＳ）、予測モデルの更新を実行し、更新後の予測モデルを用いた作業計画を策定する（Ｓ２０１－Ｓ２０７）。
【0112】
また、プロセッサ１１は、整形データが従う確率分布の形状変化によってデータベース２００に記憶している予測モデルの更新が必要であるか否かを判断する（Ｓ１０６）。プロセッサ１１は、確率分布の形状変化により予測モデルを更新すると判断した場合（Ｓ１０６、ＹＥＳ）、予測モデルの更新を実行し、更新後の予測モデルを用いた作業計画を策定する（Ｓ２０１－Ｓ２０７）。
【0113】
なお、Ｓ１０５およびＳ１０６の処理は、データ評価部２０３が外部システム３から取得したバッチ単位の作業リストに基づいてデータベース２００に記憶されている予測モデルの更新を実行するか否かを判定する処理（更新判定処理）である。つまり、プロセッサ１１は、Ｓ１０５およびＳ１０６の更新判定処理として、オーダーリストから作成したピッキング作業リストの属性データに物品データを紐づけることにより整形した整形データに対するデータ特性の評価によって予測モデルを更新するか否かを判定する処理を実行する。
【0114】
予測モデルの更新が不要である場合（Ｓ１０６、ＮＯ）、プロセッサ１１は、各ピッキング手段に対応する予測モデルを読み込む（Ｓ１０７）。例えば、プロセッサ１１は、ピッキング手段毎に構築されている予測モデルをデータベース２００から読み出す。また、プロセッサ１１は、各ピッキング手段の属性データに応じて適合する予測モデルを選出してデータベース２００から読み出すようにしても良い。
【0115】
プロセッサ１１は、確率分布予測部２０５により読み込んだ予測モデルを用いて実施予定の各ピッキング作業に対する各ピッキング手段の処理能力の確率分布を出力する（Ｓ１０８）。プロセッサ１１は、各ピッキング手段に対応する予測モデルに整形データを入力することにより各ピッキング手段の処理能力の予測値である確率分布（予測分布）を予測（算出）する。
【0116】
プロセッサ１１は、作業計画部２０６により確率分布予測部２０５が予測した各ピッキング手段の処理能力の確率分布に基づいて作業計画を策定し（Ｓ１０９）、Ｓ１１０へ進む。プロセッサ１１は、図１０に例示して説明したように、確率分布予測部２０５が予測する各ピッキング手段の処理能力と作業内容との組合せに応じて、実施すべき各作業を各ピッキング手段に割り当てた作業計画を策定する。
【0117】
また、予測モデルの更新を実施する場合（Ｓ１０５又はＳ１０６、ＹＥＳ）、プロセッサ１１は、データ評価部２０３による整形データに対するデータ特性の評価結果（確率分布の種類および形状パラメータ）に基づいて予測モデルの学習条件を変更する（Ｓ２０１）。例えば、プロセッサ１１は、学習条件として、整形データが従う確率分布の種類に応じて予測モデルが仮定する確率分布を設定する。プロセッサ１１は、学習条件を変更すると、変更後の条件で予測モデルを再学習する（Ｓ２０２）。プロセッサ１１は、再学習の結果として得られた予測モデルをデータベース２００に記憶することにより、予測モデルを更新する（Ｓ２０３）。
【0118】
プロセッサ１１は、予測モデルの更新が完了すると、各ピッキング手段に対応する予測モデルを更新処理後のデータベース２００から読み込む（Ｓ２０４）。プロセッサ１１は、確率分布予測部２０５により読み込んだ予測モデルを用いて実施予定の各ピッキング作業に対する各ピッキング手段の処理能力の確率分布を出力する（Ｓ２０５）。プロセッサ１１は、作業計画部２０６により確率分布予測部２０５が予測した各ピッキング手段の処理能力の確率分布に基づいて作業計画を策定する（Ｓ２０６）。
【0119】
予測モデルの更新後に作業計画を策定した場合、プロセッサ１１は、既に更新前の策定済みの作業計画があれば、予測モデルの更新後に作成した作業計画（新計画）を適用した作業が必要であるか否かを判断する（Ｓ１１５）。新計画を適用すると判断した場合（Ｓ１１５、ＹＥＳ）、プロセッサ１１は、作業計画として新計画を適用してＳ１１０へ進み、作業を実行する。また、新計画を適用しないと判断した場合（Ｓ１１５、ＮＯ）、プロセッサ１１は、未処理の作業が存在することを確認し（Ｓ１１６、ＹＥＳ）、Ｓ１１０へ進み、作業を実行する。
【0120】
プロセッサ１１は、適用するとした判断した作業計画に従って棚搬送に使用するＡＧＶを選定して搬送指示を送ることにより、ＡＧＶ７を用いてピッキングステーションに棚を呼び出す（Ｓ１１０）。プロセッサ１１は、ピッキングステーションに棚を呼び出すと、ピッキングステーションに存在するピッキング手段によってＡＧＶが運んできた棚に対応したピッキング作業を実行させる（Ｓ１１１）。
【0121】
プロセッサ１１は、ピッキング作業中において、実施した作業内容を示す作業ログを生成し、作業ログに含まれる実績値を追記した整形データを作成する（Ｓ１１２）。例えば、プロセッサ１１は、指定した物品のピッキング作業（仕分け作業）が終了するごとに実施した作業内容を示す作業ログを作成し、作成した作業ログをデータベース２００に保存（更新）する。プロセッサ１１は、作業ログが更新されると、作業ログから作業時間などの目的関数とする実績値を抽出し、抽出した実績値を含む整形データを作成する。
【0122】
プロセッサ１１は、作業後に実績値を追記した整形データを作成すると、当該整形データに対してデータ特性を評価することにより、実績値を追記した整形データが従う確率分布の種類とデータベース２００に記憶している予測モデルが仮定する確率分布の種類とが異なるか否かを判定する（Ｓ１１３）。
【0123】
また、プロセッサ１１は、実績値を追記した整形データが従う確率分布の形状変化による予測モデルの更新が必要であるか否かを判断する（Ｓ１１４）。Ｓ１１４において、プロセッサ１１は、図９に例示して説明したように、実績値と予測モデルを用いた予測分布との乖離を評価するスコアと所定の閾値とを比較することにより確率分布の形状変化による予測モデルの更新の要否を判断するようにしても良い。
【0124】
プロセッサ１１は、確率分布の種類が異なる場合（Ｓ１１３、ＹＥＳ）、又は、確率分布の形状変化により予測モデルを更新すると判断した場合（Ｓ１１４、ＹＥＳ）、予測モデルの更新を実行し、更新後の予測モデルを用いた作業計画（新計画）を策定する（Ｓ２０１－Ｓ２０７）。
【0125】
ここで、Ｓ１１３およびＳ１１４の処理は、ピッキング作業の実施中に、蓄積される作業ログに基づいてデータベース２００に記憶されている予測モデルの更新を実行するか否かを判定する処理（更新判定処理）である。つまり、プロセッサ１１は、Ｓ１１３およびＳ１１４の更新判定処理として、Ｓ１０３で作成した整形データに作業ログが示す実績値を追記することにより作成される整形データに対するデータ特性の評価によって予測モデルを更新するか否かを判定する処理を実行する。
【0126】
プロセッサ１１は、ピッキング作業の実施中において、更新したモデルに基づく作業計画（新計画）を適用した作業が必要であるか否かを判断する（Ｓ１１５）。例えば、プロセッサ１１は、ピッキング作業の実施中に予測モデルの更新を実行した場合、更新したモデルに基づく作業計画（新計画）と更新前のモデルに基づく既存の作業計画（旧計画）とを比較し、新計画の方が旧計画よりもスループットが高いか否により新計画を適用するか否かを判断する。プロセッサ１１は、新計画の方が旧計画よりもスループットが高い場合には新計画を適用すると判断する。
【0127】
プロセッサ１１は、新計画を適用すると判断した場合（Ｓ１１５、ＹＥＳ）、新計画を作業計画として適用するものとしてＳ１１０に戻る。すなわち、プロセッサ１１は、新計画と旧計画とを比較し、新計画と旧計画とのうちスループットが高くなる方の計画に基づいてピッキング作業を実行する。このため、プロセッサ１１は、新計画を適用する場合、新計画を作業計画に適用してＳ１１０へ戻り、ピッキング作業を実行する。
【0128】
プロセッサ１１は、ピッキング作業の実施中において、各ピッキングステーションに未処理の割付作業が残っているかを判定する（Ｓ１１６）。プロセッサ１１は、未処理の割付作業が残っている場合（Ｓ１１６、ＹＥＳ）、Ｓ１１０へ戻り、棚の呼び出し、および、ピッキング作業を継続して実施させる。また、プロセッサ１１は、未処理の割付作業が残っていない場合（Ｓ１１６、ＮＯ）、一連のピッキング作業を終了する。
【0129】
以上のように、実施形態に係る情報処理装置としての上位管理装置は、オーダーリストに基づくピッキング作業リストに対して作業の対象となる物品に関するデータを紐づけた整形データを作成し、整形データが従う確率分布の種類を特定する。さらに、情報処理装置としての上位管理装置は、整形データが従う確率分布の種類と記憶装置に記憶しているピッキング作業の処理能力の確率分布を予測する予測モデルが仮定する確率分布の種類とが異なる場合に予測モデルの更新を実行する。
【0130】
これにより、実施形態によれば、作業データに対するデータ特性の評価結果に基づいてピッキング作業の処理能力の確率分布を予測するための予測モデルを更新することができる。この結果として、実施形態によれば、作業データのデータ特性に応じた予測モデルの更新によってピッキング作業の処理能力の確率分布を高精度に予測できるピッキングシステムを提供できる。
【0131】
また、実施形態によれば、作業データに対するデータ特性の評価として作業データに適した確率分布の種類を特定でき、作業データが従う確率分布の種類に応じて予測モデルを更新することができる。これにより、実施形態に係るピッキングシステムは、取扱物品の変更、需要の変化、又は、保管場所のレイアウト変更などによって作業データの傾向が変化した場合であっても、作業データに応じた確率分布の種類に基づいて予測モデルが仮定する確率分布を更新することができ、ピッキング作業の処理能力の確率分布を作業データの変化に応じて高精度に予測できるピッキングシステムを提供できる。
【0132】
（変形例）
上述した実施形態は、ピッキングシステムが出庫作業を行う場合を想定して説明したが、上述した実施形態は、入庫作業に適用しても良い。例えば、ピッキングシステム１００が運用される倉庫には、図１に示す物品管理エリアと出庫作業エリアとに加えて、入庫作業エリアを備えても良い。上述した出庫作業と同様に、入庫作業エリアに作業者が待機するステーションを配置し、上位管理装置１から指示に応じて、入庫（物品補充）作業が実施されるようにしても良い。
上述した実施形態は、ピッキングシステムが出庫作業を行う場合を想定して説明したが、上述した実施形態は、入庫作業に適用しても良い。例えば、ピッキングシステム１００が運用される倉庫には、図１に示す物品管理エリアと出庫作業エリアとに加えて、入庫作業エリアを備えても良い。上述した出庫作業と同様に、入庫作業エリアに作業者が待機するステーションを配置し、上位管理装置１から指示に応じて、入庫（物品補充）作業が実施されるようにしても良い。
【0133】
ピッキングシステム１００が運用される倉庫での入庫作業としては、ピッキングステーションに配置されたトレイには新しく入荷した物品が入っているものとし、新しく入荷した物品をＡＧＶ７が搬送する棚にセットする作業が想定される。なお、新しく入荷した物品は、トレイでなく段ボールなどに詰められた状態であってもよい。
【0134】
上位管理装置１は、出庫作業と同様に、各作業者（ピッキング手段）による物品補充の作業（ピッキング作業に相当）の処理能力に関する確率分布を予測モデルによって予測し、予測した確率分布（予測分布）を基に最適な物品補充計画を立案するようにすれば良い。この場合、上位管理装置１は、外部システム３から取得するデータに応じて作業リストを作成し、作業リストに基づく作業データに物品データやピッキング手段データを紐づけた整形データに対するデータ特性（確率分布の種類および形状パラメータ）を評価する。上位管理装置１は、整形データに対するデータ特性の評価に基づいて、入庫作業に用いる予測モデルについても更新の要否を判定できる。
【0135】
なお、ピッキングシステム１００における上位管理装置１は、ＡＧＶ７の作業ログから新規の棚搬送作業に対する移動所要時間の確率分布を算出するようにしても良い。この場合、上位管理装置１は、棚搬送作業に対する移動所要時間の確率分布を基に使用するＡＧＶ７を決めてもよい。
【0136】
また、上位管理装置１は、過去の出荷実績（作業ログ）に、曜日、季節イベント、統計量などの情報を付与したデータから、将来の物品の出荷数に関する確率分布を算出するようにしてもよい。この場合、上位管理装置１は、予想される出荷需要の確率分布を基に、物品の適正在庫数や補充タイミングなどの計画を決めてもよい。
【0137】
本実施形態に係るプログラムは、上位管理装置１としての電子機器（コンピュータ）に記憶された状態で譲渡されてよいし、電子機器に記憶されていない状態で譲渡されてもよい。後者の場合は、プログラムは、ネットワークを介して譲渡されてよいし、記憶媒体に記憶された状態で譲渡されてもよい。記憶媒体は、非一時的な有形の媒体である。記憶媒体は、上位管理装置１としてのコンピュータが読み取り可能な媒体（コンピュータ可読媒体）である。記憶媒体は、光ディスク（例えば、ＣＤ－ＲＯＭ）、磁気ディスク、半導体メモリ（例えば、メモリカード）などのプログラムを記憶可能かつコンピュータで読取可能な媒体であればよく、その形態は問わない。
【0138】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0139】
１…上位管理装置、２…ネットワーク、３…外部システム、７…ＡＧＶ、８…ＡＧＶ棚、１０…トレイ、１１…プロセッサ、１２…ＲＯＭ、１３…ＲＡＭ、１４…補助記憶デバイス、１５…通信インタフェース、１００…ピッキングシステム、１１２…作業管理部、１１３…ピッキング手段、２００…データベース（記憶装置）、２０１…作業リスト作成部、２０２…データ整形部、２０３…データ評価部、２０４…モデル更新部、２０５…確率分布予測部、２０６…作業計画部。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
