Research Task · RT-W1 · 2025.01 · WMS AI
📦 피킹 경로 데이터 구조 정의
WMS 피킹 경로 AI 최적화 · DBSCAN + TSP 초안 · 박소연 선임연구원 · 연구노트 25p 대응
🎯 연구 배경
피킹(Picking)은 창고 운영 비용의 50~60%를 차지하는 핵심 공정입니다. 전통적 고정 경로 방식의 한계를 AI 동적 경로 계획으로 극복하여 피킹 담당자의 이동 거리를 30% 단축하는 것이 본 연구의 핵심 목표입니다.
🎯 기대효과 KPI 목표
피커 이동 거리
−30%
AI 동적 경로 · 전통 고정 경로 대비
주문 처리 속도
↑↑
배치 스케줄링 + 슬롯팅 최적화
교대 중 재최적화
✓
실시간 주문 스트림 반영 (동적 rebatch)
🗂️ 데이터 구조 정의 (6종)WMS · SKU · Picker · AGV 연계 스키마
WarehouseMap
창고 물리 레이아웃
- ZoneID · AisleID
- BayID · ShelfID
- Lat_offset · Lng_offset
- PickFrequency
PickOrder
주문 단위 피킹 지시서
- OrderID
- SKU_list[] · Qty_list[]
- Priority(1=당일/2=익일)
- DeadlineTime
PickerState
피커 실시간 상태
- PickerID
- CurrentZone · CurrentBay
- CompletedQty
- ShiftElapsed · ShiftEndTime
BatchPlan
AI가 산출한 배치 계획
- BatchID
- OrderID_list[]
- PickerID
- EstimatedDistance · Time
- Status
SlottingRecord
SKU 배치(슬롯팅) 기록
- SKU_ID
- ZoneID · BayID
- PickFrequency_7d
- CoPick_Rate · LastMoved
AGV_State
AGV 실시간 추적
- AGV_ID
- CurrentPos(x,y)
- BatteryLevel
- TaskID · EstimatedCompletion
🧭 피킹 배치 알고리즘 초안 (3 Step)
STEP 1
DBSCAN 클러스터링
주문별 SKU 위치를 공간 밀도 기반으로 군집화 → 근접 주문 묶음
▶
STEP 2
배치 구성
클러스터 유사 주문을 배치로 묶고 트롤리 용량 확인
▶
STEP 3
TSP 근사
S-shape vs Return 두 휴리스틱 중 짧은 경로 선택
📚 출처
- [1] Grand View Research, AI in Warehousing Market Size (2025)
- [2] Modern Materials Handling, "Warehouse software gets an AI makeover" (2025.07)