All’interno dei centri di distribuzione, separare e ordinare i pacchi sono attività fondamentali per gestire il corretto flusso degli ordini. Tuttavia, si tratta di compiti perlopiù manuali e ripetitivi, oltre che potenzialmente rischiosi per gli operatori, la cui automazione rappresenta un obiettivo strategico per lo sviluppo del settore. 

Il paper premiato, Optimizing Parcels Sorting Through Reinforcement Learning for Intralogistics, propone un sistema di smistamento modulare controllato tramite un algoritmo di intelligenza artificiale. Il modulo è composto da numerosi elementi attivi, ognuno in grado di muovere i pacchi in avanzamento e deviarli lateralmente. Agendo in modo coordinato, questi creano lo spazio necessario tra un pacco e l’altro per consentire le successive fasi di lavorazione.

Dalla simulazione all’applicazione pratica

A differenza dei sistemi transizionali basati su regole predefinite, il controllo dei movimenti viene gestito tramite un algoritmo di reinforcement learning che apprende autonomamente quali azioni producono i risultati migliori. 

L’addestramento avviene dapprima in un ambiente di simulazione, sviluppato per riprodurre in modo realistico il comportamento dei pacchi. In questa fase, l’algoritmo sperimenta diverse strategie e riceve valutazioni positive o negative in base alla capacità di ottenere una corretta separazione tra i pacchi in uscita, convergendo progressivamente verso un comportamento efficace.

Per il funzionamento reale, viene invece utilizzato un sistema di visione artificiale basato su un set di telecamere che rilevano la posizione e le dimensioni dei pacchi in transito. Le informazioni estratte dalle immagini vengono fornite all’algoritmo, che aggiorna continuamente i comandi al modulo di smistamento, consentendo un controllo dinamico e adattivo.

Completato l’addestramento, la strategia di controllo sviluppata in simulazione è stata trasferita a un impianto reale e testata in condizioni operative. I risultati mostrano un elevato livello di accuratezza delle operazioni:

• Circa il 96.5 % per lo smistamento di pacchi standard, analoghi a quelli usati durante le simulazioni
• Circa il 94% in scenari più complessi, con oggetti non presenti nella fase di addestramento, come buste di piccole dimensioni e con comportamento dinamico diverso, mantenendo una velocità operativa di circa 6000 pacchi/ora.

Il lavoro dimostra come la ricerca avanzata possa dare un contributo concreto all’evoluzione del settore logistico, offrendo soluzioni di automazione capaci di aumentare efficienza, sicurezza e affidabilità lungo l’intera catena di distribuzione.