Produsenter sender varer til grossistlagre på paller med kun én varetype som lagres samlet. Kundeordrer krever derimot at ulike varer hentes fra sine respektive plasser på lageret, og stables sammen på paller, som så transporteres videre til kundens lokaler. Lagerplassering, vareuthenting og -omstabling er sammenkoblede aktiviteter, og løsningen for hver av de vil påvirke hvor effektivt man kan løse de andre. For at roboter skal kunne avlaste og/eller erstatte mennesker i slike fysisk belastende situasjoner, må de avhengige problemer løses med hensyn til hverandre, og ikke som isolerte oppgaver. OWL vil ta fatt i mangelen på algoritmer som tilfredsstillende løser disse oppgavene, og hindrer videre utvikling av digitale løsninger og kostnadseffektive, autonome systemer for lagerdrift.
OWL forener Solwr Group AS som leverer software for lagerlogistikk og utvikler innovative robotikkløsninger for lagerdrift, med SINTEF Digital for å utvikle avanserte optimeringsmodeller og -algoritmer som skal håndtere driftsutfordringer i grossistlagre. Forbedring av klassiske optimeringsmetoder ved bruk av maskinlæring anses som en nyskapende og lovende forskningsretning for å oppnå dette. Innsikt fra sluttbrukere i både lager og butikker vil innsamles fra Solwr Group AS sine kunder og de utviklede metoder vil bli både testet og utnyttet i lagerroboten og lagerstyringssystemet.
Reduksjon av tungt fysisk arbeid, forbedring av arbeidsforhold, økt driftssikkerhet, samt redusert avfall, områdebruk og utslipp er sannsynlige utfall som bidrar mot FNs mål for brekraftig utvikling. I tillegg vil arbeidet bidra til fornyelse og restrukturering gjennom digitalisering av en godt etablert industri (lagerlogistikk) med tilhørende arbeidsmetoder.
