With an increase in consumption, warehouses increase in size and demand for fastdistribution of goods. One solution to this problem is self learning robots that can adapt toany warehouse. This project implements the Deep Reinforcement Learning (DRL) algorithmDeep Q-Network (DQN) to a simulated warehouse in order to achieve close to optimalperformance. In order to verify the functionality of the written DQN algorithm, animplementation on a small single agent environment was conducted. After sufficient learningcapabilities were proven, a multi-agent system was developed. During training the multi-agent implementation showed promising returns and few collisions with other agents andwalls. When testing the trained systems, agents trained in small environments receivedlarger returns than those trained in a larger environment. Although the developed DQNstructure indicated learning capabilities, improvements can be made.

Med ökande konsumtion ökar även storleken av lagerlokaler och kravet på en ökaddistribution av varor. En lösning till detta problem är självlärande robotar som kan anpassasig till vilken lagerlokal som helst. Det här projektet implementerar Deep ReinforcementLearning (DRL) algoritmen Deep Q-network (DQN) i en simulerad lagerlokal för att kunnauppnå nära inpå optimal prestanda. För att kunna verifiera att den skrivna DQN algoritmenfungerar som den ska, implementeras den på en liten miljö med en agent. Efter uppvisadtillräcklig inlärningsförmåga, utvecklades ett multi-agent system. Under inlärning visadesystemet lovande resultat och få krockar med andra agenter och väggar. När de tränadesystemen testades, gav de som tränats i en mindre miljö bättre resultat än de som tränats ien stor miljö. Även om DQN algoritmen visade inlärningsförmågor, finns potentiellaförbättringar.