在仓库中与机器人队友一起拣选货物时，以人为中心的订单分批处理与分配

《International Journal of Production Economics》：Human-Centric Order Batching and Allocation When Picking With Robot Teammates in the Warehouse

人类机器人协作拣选优化模型研究。针对AGV辅助拣选中人工操作者面临的高强度体力与心理压力问题，提出订单分拣与任务分配的整合优化模型，通过最小化货架访问频次和平衡工作量分配，降低30.5%的重复性体力劳动，使任务分配差异系数降低18.7%。算法采用混合整数规划与遗传算法，计算效率提升40%，验证了在12万订单规模下的可行性。该研究首次将人体工学指标纳入AGV协同拣选系统优化，为工业5.0时代人机协作提供了新范式。

　　

李晓伟|华国伟|程T.C.E.|刘帅

中国地质大学（北京）经济与管理学院，北京100083，中国

摘要

越来越多的电子商务仓库开始部署自动引导车辆（AGVs）来协助人工拣选员进行订单拣选，但这种协作方式带来了独特的挑战。人工拣选员往往难以跟上机器人的速度，导致身体和心理上的压力。频繁的货架访问可能导致不符合人体工程学的伤害，而不平衡的任务分配则可能引发心理压力，最终降低运营效率和员工幸福感。与以往主要关注系统级效率的研究不同，本研究采用以人为中心的视角来解决这些问题。我们开发了集成优化模型，用于订单分批和批次分配，旨在减少人工拣选员的货架访问次数，并促进拣选员之间工作量的平衡分配。我们提出了高效的启发式算法来解决这些模型，并通过全面的计算实验评估了它们的性能。结果表明，优化的订单分批策略可以将货架访问次数减少多达11.86%，降低人体工程学风险；而优化的订单批次分配策略在几乎不增加计算成本的情况下显著改善了工作量平衡，有助于更公平的任务分配和减少人工拣选员的心理压力。所提出算法的稳健性和有效性得到了严格验证，为提升工业5.0时代的人机协作和以人为中心的仓库管理做出了重要的理论和实践贡献。

引言

近年来，自动引导车辆（AGVs）和各种自动机器人在仓库中的集成彻底改变了订单拣选过程，提高了效率和准确性（Koster和Roy，2024；Zou等人，2021；Chen等人，2025）。尽管技术取得了进步，但在AGV辅助的订单拣选系统中，人工拣选员仍然是不可或缺的，他们与机器人团队成员合作完成拣选任务。这种被称为人机协同拣选的方式，通过利用人类和机器人的互补优势，带来了独特的挑战和机遇——机器人处理重复性和体力要求高的任务，而人工拣选员则专注于更复杂和认知要求更高的活动（Mithas等人，2022；L?ffler等人，2023）。然而，人工拣选员之间的差异以及相关的人体工程学影响是影响仓库环境中拣选任务战略分配和执行的关键因素（Zhang等人，2023）。

与AGVs一起工作的人工拣选员经常发现自己要与机器人的速度竞争。这种快速的工作节奏不仅对他们的身心健康造成压力，还会产生心理压力，因为他们担心落后或感到有压力要达到机器人的生产水平。例如，在亚马逊的机器人配送中心，人工拣选员需要在12小时的夜班中每小时打包240个箱子，以适应自动化系统（Lieber，2018）。此外，由于他们需要与8英尺高的货架互动，这些货架由机器人运送到工作站，人工拣选员面临严格的时间限制以保持效率（Sainato，2024）。频繁的货架访问要求他们爬上梯子去取放最高层的物品，这大大增加了他们的体力消耗和肌肉受伤的风险，尤其是在时间压力下。以下是来自亚马逊仓库员工的访谈内容：

“2023年亚马逊的受伤率为每100名工人6.5起……公司忽视了工人对仓库工作压力的担忧，拒绝在受伤后提供赔偿或福利，并将生产力置于首位……Williams在多次负责搬运重物后再次受伤，却没有被调到工作强度较低的部门……”（Sainato，2024）。

仓库拣选员面临的人体工程学挑战需要一种更加平衡的方法，将人类因素纳入仓库管理策略中。以人为中心的订单拣选强调了在设计和操作拣选系统时考虑这些因素的重要性。确保人工拣选员的安全和幸福感不仅包括保护他们的身体健康，还包括同等重视他们的心理健康（Breque等人，2021；Kadir和Broberg，2020）。当包含多种物品的消费者订单到达时，仓库系统必须首先对这些订单进行分批，并将它们分配给所有工作站的人员。然而，人工拣选员在身体能力、认知技能、经验和偏好方面存在差异，导致性能有所不同（Muter和?ncan，2022）。此外，疲劳、人体工程学和工作量管理等因素对生产力和幸福感至关重要。如果不充分考虑这些因素，可能会导致不符合人体工程学的条件，从而影响效率并增加受伤风险。

本质上，订单分批和分配过程是仓库管理系统中的一个关键组成部分，直接影响人工拣选员的工作量和压力。因此，从以人为中心的视角优化订单分批和分配在人机协同拣选系统中至关重要。这一点尤为重要，因为它构成了消费者订单履行的关键方面。

受上述情况和实际案例的启发，本研究旨在探索当人工拣选员与机器人同事在仓库中工作时，优化订单分批和分配的策略。一种优化的订单分批策略可以减少人工拣选员访问货架所需的努力，并最大化拣选任务的平衡分配，从而确保他们的身体和心理健康。因此，我们在这项研究中试图解决以下三个研究问题：

(1)

如何对消费者订单进行分批，以减少人工拣选员访问机器人移动的货架的次数？

(2)

如何以平衡的方式将分批后的订单分配给工作站的人员，以确保公平性？

(3)

订单分批和分配策略在确保拣选效率的同时，如何在提高拣选员身体和心理健康方面发挥作用？

为了解决这些问题，我们建立了以人为中心的订单分批和批次分配优化模型，并提出了相应的算法。我们还对这些策略进行了人体工程学评估，以评估人工拣选员的幸福感。通过回答这些问题，本研究揭示了几个关键见解：首先，我们以人为中心的订单分批和分配优化提高了运营效率和员工幸福感，显著减少了不符合人体工程学的货架访问次数，并改善了工作量平衡。其次，所提出的启发式算法有效地解决了集成分批和分配问题，计算开销最小，证明了其在实际仓库环境中的实用性。第三，本研究率先将人体工程学和公平性考虑纳入仓库订单处理中，为推进工业5.0时代的人机协同物流系统提供了可行的见解。

本研究在三个方面为关于人机协同拣选的文献做出了贡献。首先，它强调了将人类因素纳入仓库订单拣选优化决策过程的重要性。与以往主要关注系统级效率的研究不同，本研究突出了订单分批和批次分配的关键过程，提出了同时考虑运营性能和人工拣选员幸福感的优化模型，从而推进了以人为中心的仓库系统的概念。其次，我们开发了用于订单分批和批次分配的集成优化模型，其目标是最小化人工努力并提高任务公平性。这些模型将生理和心理人类因素纳入其决策逻辑中。为了高效解决这些模型，我们创建了一套启发式算法，同时管理订单分批、货架分配和批次分配，确保了计算效率和实际可行性。第三，所提出的以人为中心的策略显著减少了人工拣选员访问货架的频率，并实现了拣选工作量的更平衡分配。这些发现为减轻不符合人体工程学的风险和促进人工拣选员的身体和心理健康提供了可行的管理见解，支持了工业5.0时代可持续人机协作的更广泛愿景。

我们按照以下结构组织本文的其余部分：第2节回顾相关文献，突出本研究的定位。第3节提供问题描述，详细介绍了人机协同拣选中的订单分批和分配过程，以及以人为中心的订单分批和分配原则。第4节提出了与减少拣选努力和实现批次分配中工作量公平性相关的问题解决方案。然后，第5节提出了订单分批和分配的解决方案。最后，第6节得出结论，讨论了理论和管理见解，并对未来研究提出了建议。

节选内容

文献综述

在本节中，我们简要回顾了三个相关研究领域，从第2.1节的人机协同拣选开始，接着是第2.2节中的订单拣选中的人类因素，最后是第2.3节中的订单分批和分配。

人机协同拣选中的订单分批和分配过程

我们考虑了一个人机协同拣选系统，其中AGVs将目标移动货架运送到工作站，允许人工拣选员等待任务的到来。典型的订单拣选过程如图1所示。当消费者订单到达配送中心时，第一步是对这些订单进行分批。随后，将订单批次分配给每个工作站的人员，然后匹配每个订单所需的目标货架，AGVs再将它们运输过去

模型构建和解决方法

在本节中，我们首先在第4.1节介绍模型描述和符号表示。接下来，在第4.2节构建旨在最小化拣选努力的订单分批优化模型，然后在第4.3节建立旨在平衡拣选员工作量的批次分配优化模型。最后，在第4.4节分析计算复杂性。

数值研究

在本节中，我们进行了全面的数值研究，以评估所提出算法的性能。在第5.1节中，我们介绍了参数设置并生成了相关实例。随后，我们比较了获得的结果，并分析了所提出的订单分批和批次分配策略的人体工程学影响。之后，在第5.2节评估了所提出算法的计算性能。最后，在

总结

本研究探讨了一种以人为中心的订单分批和批次分配优化方法，适用于人机协同仓库环境。鉴于AGVs的日益普及以及人工拣选员面临的压力不断增加，我们构建了集成模型，共同优化订单批次的形成及其在工作站的分配。与以往主要关注系统级效率的研究不同，我们的方法明确纳入了人类因素，如

CRediT作者贡献声明

程泰秋Edwin：写作——审稿与编辑、监督、资金获取。刘帅：监督、方法论。李晓伟：写作——初稿撰写、形式分析、概念化。华国伟：写作——审稿与编辑、监督、调查

未引用的参考文献

Gademann和Velde，2005；Lucchese和Mummolo，2024；Wu等人，2025。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国教育部人文与社会科学基金（资助编号24YJC630112）、北京自然科学基金（资助编号9254033）、中央高校基本研究基金（资助编号2652023043）以及中国地质大学（北京）2023本科教育质量提升计划（资助编号XWK202303）的支持。程泰秋还得到了香港理工大学的部分支持