In modern day logistics, small and medium sized consumer goods are often manually handled and packaged in fulfillment centres and warehouses. When time efficiency is prioritised, there exists the risk to pick too big a package and thus waste space which can naturally lead to unwanted consequences such as unnecessary transports being booked and excess package material being used. This in turn leads to cost inefficiency and increased environmental impact. One novel way of tackling this issue is to use algorithms made to solve optimization problems such as theff3D bin packing problem to pre-calculate which package to use when assembling an order. However, as fill rates improve, it may become difficult for warehouse workers to fit all items into the selected package, especially when dealing with a larger number of items. To help with this, modern techniques such as spatial augmented reality can be used to visualize the packing process in real time, showing workers which item to place next, and where. Recent studies have shown improved packing speeds using this approach, however further improvements could potentially optimize the usability even further. In this study, a novel spatial AR application was used in conjunction with a depth camera to not only indicate where to place items, but to progress the instructions automatically only if they were placed correctly. The aid-tool was tested on 26 participants and showed significant improvements by a factor of 3.29 for a fill rate of 90%, slight but insignificant improvements by a factor of 1.18 for a fill rate of 85% and performed worse by a factor of 0.71 for a fill rate of 81% when compared against unassisted packing. The study concluded that the chosen spatial AR tool showed promise for fill rates of 90% and above, but the results should be treated with caution as the sample size and methodological flaws severely limited the scope of the findings. / Inom modern logistik skickas små och medelstora konsumtionsvaror ofta via manuella packflöden i terminaler och lager. När tidseffektivitet prioriteras så finns risken att ett för stort paket väljs vilket leder till tomt extautrymme och därmed oönskade konsekvenser såsom onödiga transporter och överflödigt packmaterial. Detta leder i sin tur till kostnadsineffektivitet och miljöpåverkan. Ett nytt sätt att hantera detta problem är att använda algoritmer som löser optimeringsproblem såsom 3D-lådpackningsproblemet för att på förhand räkna ut vilket paket som ska användas när en order packas. Dock kan det bli svårt för lagerarbetarna att passa in alla varor i det utvalda paketet när fyllnadsgraden blir högre, särskilt när antalet varor är högt. För att förenkla detta kan moderna tekniker så som spatial augmented reality användas för att visualisera packningsprocessen i realtid för packaren, och visa vilken vara som skall placeras härnäst, samt var. Nylig forskning har påvisat förbättrade packningstider med detta tillvägagångssätt, men vidare förbättringar skulle potentiellt kunna optimera användarvänligheten ytterligare. I denna studie utvecklades ett nytt spatialt AR-verktyg som användes i kombination med en djupkamera för att inte enbart visa var varor skulle placeras utan dessutom enbart stega framåt i instruktionerna då de placerats korrekt. Hjälpmedelsverktyget testades på 26 deltagare och visade en signifikant förbättring med en faktor av 3.29 för en 90%:ig fyllnadsgrad, en liten men insignifikant förbättring med faktor 1.18 för en fyllnadsgrad på 85% samt presterade sämre med en faktor 0.71 för en 81%:ig fyllnadsgrad i jämförelse med oassisterad packning. Studien kom fram till att det valda AR-hjälpmedlet visade lovande resultat för fyllnadsgrader inkl. och över 90%, men resultaten bör hanteras med försiktighet då en liten urvalsstorlek och metodologiska brister kraftigt begränsade resultatens styrka.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-337277 |
Date | January 2023 |
Creators | Wihl, Konrad |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2023:577 |
Page generated in 0.0025 seconds