Datadrevet logistikk

Hvilke trender og teknologier må næringslivet herunder avfalls- og gjenvinningsbransjen ta høyde for og integrere i egen transport-planlegging?

I Norge står anleggsmaskiner på tomgang opp imot halvparten av arbeidstimene. I tillegg står de bak en femtedel av klimagassutslippene fra bygg- og anleggssektoren. Forestill deg i stedet et anleggsprosjekt hvor alle maskiner alltid vet hvor de andre er, hva de holder på med og kjenner den optimale organisering av arbeidet. For å realisere dette samarbeider Skanska, SINTEF, Ditio og Volvo om å utvikle algoritmer som dynamisk kan kartlegge anleggsplassen og tilhørende aktiviteter, identifisere suboptimale kjøremønstre, gjenkjenne effektive rutevalg og finne ut hvilke maskiner som trenges hvor, og koordinere samarbeidet mellom dem. Dette vil redusere både tomgangskjøring og klimagassutslipp og i tillegg være et skritt på veien mot autonome anleggsplasser.

E-commerce has been experiencing rapid growth over the last decade. The consequence is an increasing number of last-mile deliveries from distribution warehouses to consumer’s doorsteps potentially putting a heavy strain on local traffic networks as well as the environment.

Optimising last-mile deliveries relies on an accurate description of both the usable local network and associated metadata (road type, speed limits, traffic restrictions). Distribution Innovation and SINTEF are collaborating to increase the quality of available information using machine learning. As an example, poorly drawn or infrequently updated knowledge about the local usable network for distribution will lead optimization algorithms to suggest suboptimal routing decisions.

In a broader context, gaining more accurate world representations through data-driven methods is crucial for the success of any kind of reliable autonomous logistics solution whether being delivery services, transport of people, or any logistics system we wish to increase the economic and environmental efficiency of.