Case Study: AR Indoor Navigation ในคลังสินค้า — เมื่อ BLE 5.1 AOA ตรงเข้าบินหาชั้นวางที่ 40 ซม. และลด Visual Search Time ด้วยลูกศรบนแว่น

คลังสินค้าขนาดกลางแห่งหนึ่งของไทยมีปัญหาที่ฟังดูง่ายแต่แก้ยาก: พนักงานใหม่ใช้เวลา 3 สัปดาห์จึงจำตำแหน่ง SKU (Stock Keeping Unit) ได้ครบ และพนักงานที่จำได้ก็เผชิญปัญหาเมื่อมีการจัดเรียงสินค้าใหม่ (Slotting Optimization) ทำให้ “แผนที่ในหัว” ใช้ไม่ได้ทันที ผลลัพธ์คือ Pick Rate ตก และ Error Rate เพิ่ม กรณีศึกษาสังเคราะห์นี้ถอดบทเรียนจากงานวิจัยระบบตำแหน่งภายในอาคารระดับเซนติเมตรของมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี (KMUTNB) ปี 2022 มาผสานกับแนวคิด Visual Search Theory และ AR Overlay เพื่อแสดงวิธีแก้ปัญหานี้อย่างเป็นระบบ

ปัญหา: Visual Search คือตัวกินเวลาที่ถูกมองข้าม

ในงานคลังสินค้า เวลาของพนักงานแบ่งเป็นการเดิน การหา และการหยิบ มนุษย์หาสิ่งของด้วยกระบวนการที่จิตวิทยาการรับรู้เรียกว่า Visual Search — การสแกนสภาพแวดล้อมเพื่อหาเป้าหมายท่ามกลางสิ่งรบกวน (Distractors) งานวิจัยพบว่าถ้าเป้าหมายมีลักษณะเด่นจำเพาะ (เช่น สีเดียวที่ต่างจากทุกอย่างรอบตัว) การค้นหาจะเป็นแบบ “Pop-out” ที่เวลาไม่ขึ้นกับจำนวนสิ่งรบกวนเลย แต่ถ้าต้องจับคู่หลายลักษณะพร้อมกัน (Conjunction Search เช่น หากล่องสีน้ำเงินที่มีป้ายเหลือง) เวลาค้นหาจะเพิ่มขึ้นเชิงเส้นตามจำนวนสิ่งรบกวน นั่นคือเหตุผลที่ชั้นวางที่ดูเหมือนกันหมด 60 ช่อง ทำให้พนักงานใหม่หาของช้าอย่างเป็นระบบ ไม่ใช่เพราะขาดสมาธิ

ทางออกที่ 1: ตำแหน่งที่แม่นระดับเซนติเมตรด้วย BLE 5.1 AOA

ระบบนำทางในอาคารต้องการความแม่นยำสูงกว่า GPS ที่ให้ได้ 3–8 เมตร ตามงานวิจัยของ KMUTNB เทคโนโลยีดั้งเดิมอย่าง RSSI (Received Signal Strength Indicator) ของ Bluetooth ให้ความคลาดเคลื่อน 3–5 เมตร และ Wi-Fi คลาดเคลื่อนเกิน 5 เมตร — ไม่พอสำหรับการชี้ชั้นวาง แต่มาตรฐาน Bluetooth 5.1 Direction Finding ที่วัดมุมมาของสัญญาณ (Angle of Arrival: AOA) โดยใช้เสาอากาศแถว (Antenna Array) หลายตัวรับสัญญาณจาก Tag เดียว เปลี่ยนเกมไปเลย: ต้นแบบของงานวิจัยเดียวกันทำความคลาดเคลื่อนเฉลี่ยได้ 67.1 ซม. ในการทดสอบครั้งที่ 1 และ 40.5 ซม. ในครั้งที่ 2 ระดับนี้เพียงพอที่จะบอกได้ว่าพนักงานยืนอยู่หน้าช่องไหนของชั้นวาง

ทางออกที่ 2: ลูกศรบนแว่นเปลี่ยน Conjunction Search ให้กลายเป็น Pop-out

เมื่อระบบรู้ตำแหน่งพนักงานแม่นระดับเซนติเมตร และ WMS (Warehouse Management System) รู้ว่าสินค้าอยู่ช่องไหน สิ่งที่เหลือคือส่งข้อมูลนั้นเข้าตาพนักงานแบบที่ไม่ต้อง “แปล” ลูกศรดิจิทัลที่ฉายบนแว่นจะชี้ตรงไปยังช่องเป้าหมาย พร้อมไฮไลต์ขอบช่องสินค้า ผลคือพนักงานไม่ต้องทำ Conjunction Search อีกต่อไป — งานค้นหากลายเป็น Pop-out ที่สายตาเห็นทันที จากการสังเคราะห์ผลการศึกษาด้าน AR-assisted picking หลายชิ้น แนวทางนี้ช่วยลดเวลาการค้นหาและ Pick Error ได้อย่างมีนัยสำคัญ โดยเฉพาะในพนักงานช่วง 3 เดือนแรกที่ยังไม่คุ้นเคยกับ layout

ผลลัพธ์และบทเรียน

• Onboarding เร็วขึ้น — พนักงานใหม่ไม่ต้องจำ layout ทั้งคลัง เพราะระบบนำทางแบบเรียลไทม์แทนการจำได้ ลดช่วง learning curve ที่เคยเป็นเวลาหลายสัปดาห์
• Slotting ยืดหยุ่น — เมื่อตำแหน่งสินค้าเปลี่ยน ระบบอัปเดตทันที ไม่มีปัญหา “แผนที่ในหัวล้าสมัย”
• ความแม่นไม่ฟรี — ต้นแบบวิจัยที่ได้ 40.5 ซม. มาจากการออกแบบตำแหน่งเสาอากาศและการกรองค่า (Filtering) อย่างพิถีพิถัน การนำไปใช้จริงต้องทำ Site Survey และเผื่อช่วงคลาดเคลื่อนให้พอดีกับความกว้างช่องชั้นวาง

Honey Connection: ระบบ RTLS แบบ Wearable Tag ที่ Honey Corporation นำเสนอในบทความก่อนหน้า ใช้แนวคิด UWB/BLE เดียวกันนี้ในงานความปลอดภัย การนำแนวคิดไปต่อยอดสู่ AR Navigation ร่วมกับ WMS คือก้าวต่อธรรมชาติของสถาปัตยกรรม IIoT ที่เราออกแบบ — จากข้อมูลตำแหน่งสู่การตัดสินใจของมนุษย์บนพื้นโรงงานจริง

Key Takeaways

1. Visual Search คือตัวกินเวลาที่ซ่อนอยู่ในงานคลัง: Conjunction Search ทำให้เวลาหาเพิ่มขึ้นเชิงเส้นตามจำนวนช่องที่ดูคล้ายกัน
2. BLE RSSI/Wi-Fi แม่นแค่ระดับเมตร — ไม่พอชี้ช่องชั้นวาง; BLE 5.1 AOA เปลี่ยนเกมไประดับ ~40–67 ซม. ตามต้นแบบวิจัยไทยปี 2022
3. UWB ใช้ช่วงความถี่ 3.1–10.6 GHz และวัดเวลาเดินทางของพัลส์ แม่นระดับ 10–30 ซม. เหมาะงานความปลอดภัยก่อนชนกัน
4. AR Overlay เปลี่ยนงาน “ต้องหา” ให้เป็น “เห็นทันที” — หลักการเดียวกับการเปลี่ยน Conjunction Search เป็น Pop-out
5. ความแม่นระดับเซนติเมตรมาจากการออกแบบ Antenna Array + Site Survey ที่ดี ไม่ใช่แค่ซื้ออุปกรณ์
6. ผลลัพธ์ที่วัดได้จริงคือ Onboarding ที่เร็วขึ้น + Slotting ที่ยืดหยุ่น + Error Rate ที่ต่ำลง โดยเฉพาะช่วง 3 เดือนแรกของพนักงานใหม่