Inventory Localization in Agriculture, a Swarm Intelligence Approach

Localización de inventario en agricultura, un enfoque de inteligencia de enjambre

Resumen Métricas disponibles Referencias Cómo citar

Resumen (en)

Context. Locating lost inventory is a key challenge in agricultural logistics, as traditional tracking systems such as radio-frequency identification (RFID) and barcodes remain costly and infrastructure-dependent. Swarm robotics offers a decentralized alternative, and the BeeClust algorithm enables robots to self-organize around environmental stimuli without direct communication. This study validates a BeeClust-inspired approach for inventory localization in a warehouse-like maze.

Method. Formula AllCode robots equipped with light and distance sensors were programmed with an adapted BeeClust finite state machine including forward, rotation, and waiting states. Experiments evaluated the effects of workspace size, light source size, and light source position on clustering performance. Detection accuracy was also tested under different orientations and distances.

Results. Larger light sources accelerated clustering but produced dispersed formations, while smaller sources promoted compact clusters at the cost of longer convergence times. Mid-sized arenas yielded faster and more consistent aggregation than very small or very large spaces. The system achieved 96.67% accuracy in robot detection, while obstacle recognition was identified as an aspect requiring further improvement.

Conclusions. The findings confirm the feasibility of BeeClust-based swarm robotics for inventory localization in structured environments and provide experimental evidence that support future work on swarm scalability, enhanced perception, and validation in real agricultural facilities.

Resumen (es)

Contexto. La localización de inventario perdido es un reto en la logística agrícola, ya que los sistemas de identificación por radiofrecuencia y códigos de barras dependen de infraestructura y generan altos costos. La robótica de enjambre ofrece una alternativa descentralizada, y el algoritmo BeeClust permite que los robots se agrupen en torno a estímulos ambientales sin comunicación directa. Este estudio valida un enfoque inspirado en BeeClust para la localización de inventario en un entorno tipo almacén.

Método. Se emplearon robots Formula AllCode con sensores de luz y distancia, programados con una máquina de estados finitos adaptada de BeeClust que comprendía los estados de avance, rotación y espera). Los experimentos evaluaron el efecto del tamaño y la posición de la fuente de luz y del espacio de trabajo sobre la agrupación. También se midió la precisión en la detección de robots y obstáculos en distintas orientaciones.

Resultados. Las fuentes grandes aceleraron la formación de clústeres pero produjeron agrupaciones más dispersas, mientras que las pequeñas favorecieron clústeres compactos con mayor tiempo de convergencia. Los espacios intermedios mostraron mayor rapidez y consistencia que las áreas muy pequeñas o muy grandes. El sistema alcanzó un 96.67% de precisión en la detección de robots, y el reconocimiento de obstáculos se identifica como un aspecto a mejorar.

Conclusiones. Los hallazgos confirman la viabilidad de un enfoque basado en BeeClust para la localización de inventario en entornos estructurados y aportan evidencia experimental que contribuye a cerrar la brecha entre simulaciones y pruebas reales, abriendo camino a investigaciones sobre escalabilidad y validación en instalaciones agrícolas.