Il laboratorio ha l’obiettivo di individuare, esplorare e sviluppare soluzioni tecnologiche basate su intelligenza artificiale, digital twin, uncrewed e robotica, quantum computing e HPC/ cloud dedicate alla trasformazione digitale dei servizi logistici, di movimentazione e stoccaggio gestiti da Leonardo Logistics.
Advanced logistics 4.0
Unità di ricerca
Digital logistics network
L’unità di ricerca sviluppa metodi per la gestione, elaborazione e conversione in tempo reale di big data provenienti da fonti eterogenee e l’applicazione dell’intelligenza artificiale al settore della logistica dei trasporti merce, che possano fornire strumenti di supporto alle decisioni e agli scenari di simulazione. Le attività di studio si concentrano sulla mappatura dinamica della supply chain e del network logistico e della sua digitalizzazione, sull’ ottimizzazione dinamica dei trasporti con funzionalità evolute di intelligenza artificiale e digital twin, sul forecasting, sull’integrazione del servizio “Track & Trace” spedizioni e delle data source esterne.
Digital warehouses
L’unità di ricerca studia nuovi metodi e modelli di gestione dei magazzini avvalendosi di intelligenza artificiale, digital twin e intelligent autonomous systems. In particolare, le attività si focalizzano su: modellizzazione dei magazzini virtuali tramite strumenti di digital twin; applicazione e integrazione specifica di sistemi robotici, basati su intelligenza artificiale; sviluppo di tecnologie basate su intelligent autonomous system, a supporto dei servizi di movimentazione e inventario dei materiali; modelli di ottimizzazione del packaging, attraverso l’introduzione di sistemi di automazione e di modelli di ottimizzazione di un network complesso e integrato di magazzini.
Advanced materials forecasting
L’unità di ricerca è impegnata nello sviluppo di modelli di forecasting a supporto del reperimento dei materiali basati su reti neurali artificiali capaci di elaborare scenari adattivi in relazione agli andamenti di parametri endogeni ed esogeni (ad es. piani di produzione, innovazioni tecnologiche, condizioni contrattuali con player della supply chain, andamento degli indici azionari di riferimento, condizioni contingenti di mercato, solidità fornitori, altri elementi di rischio, ecc.). Tali modelli consentono l’elaborazione di un piano della domanda previsionale per i materiali non soggetti a domanda deterministica (ad es. i materiali ausiliari di produzione, consumabili, chimici e organi di collegamento meccanico). L’attività di ricerca prevede anche la creazione di un ambiente per l’elaborazione di scenari what-if che contempli i mutamenti di tutte le variabili in grado di influenzare il modello di valutazione dei risultati attesi (ad es. livello di servizio atteso, immobilizzo economico in scorte, lead time di fornitura).