Forskning om optimala metoder för lagerinventeringsspårning, inklusive FPV, vertikala robotar och AI-kameror

Abstract

Denna studie undersöker hur det internationella logistikföretaget Zammler kan förbättra sin lagerverksamhet genom att integrera AI-drivna kameror, vertikala robotar och FPV-drönare i sitt befintliga Warehouse Management System (WMS) och Order Management System (OMS). Undersökningen ger en detaljerad genomgång av Zammlers kärnprocesser. Kvalitativ metod används både för att utforska teknikerna, analysera processerna och jämföra de lokala stora språkmodellerna (LLM).

I den aktuella forskningen undersöktes idén att använda LLM-modeller med synfunktioner för att spåra inventarier i lagerlokaler. Detta uppnåddes genom att köra flera modeller lokalt med konsumentelektronik och mata dem med foton av lagerhyllor med märkta hyllor. Resultatet av simuleringen blev att en modell kunde visa konsekvent korrekta resultat, medan andra modeller misslyckades med uppgiften eller gav inkonsekventa resultat. I denna studie rekommenderas också en färdplan för implementering i flera steg som inleds med pilotinstallationer i utvalda områden, där man betonar enhetliga märkningsprotokoll. I slutändan beskriver denna forskning en färdplan för Zammler för att utvecklas till en mer datacentrerad och skalbar logistikleverantör, med betoning på det mest optimala tillvägagångssättet med avseende på kostnad och enkel integration: att börja med AI-kameror och gradvis integrera drönare och vertikala robotar.

This study explores how international logistics company Zammler can enhance its warehouse operations by integrating AI‐powered cameras, vertical robots, and FPV drones into its existing Warehouse Management System (WMS) and Order Management System (OMS). The research provides a detailed examination of Zammler’s core processes. Qualitative method is used both for exploring the technologies, analyzing the processes and comparing the local large language models (LLMs). Current research explored the idea of using LLMs with vision capabilities for the purpose of tracking inventory in the warehouse. It was achieved by running multiple models locally with consumer-grade electronics and feeding them photos of warehouse racks with labeled shelves. In the result of the simulation, a model was able to show the consistently correct output, while others failed with the task or provided inconsistent output. This study also recommends a phased implementation roadmap that begins with pilot deployments in targeted zones, emphasizes unified labeling protocols. Ultimately, this research outlines a roadmap for Zammler to evolve into a more data‐centric and scalable logistics provider, emphasizing the most optimal approach by cost and ease of integration: starting with AI-cameras, and gradually integrating drones, vertical robots.