Autonomus Transport Planning

Abstract

Las cadenas de suministro actuales se enfrentan a una complejidad operativa creciente, en la que los costes de transporte llegan a representar hasta la mitad del gasto total en logística. La planificación del transporte, entendida como el proceso de transformar la demanda interna en rutas y cargas de camiones, sigue siendo una de las tareas que más esfuerzo manual suponen dentro de la cadena de suministro, lo que limita la escalabilidad, aumenta el riesgo de errores y ralentiza los tiempos de respuesta. Esta tesis aborda este reto proponiendo un sistema automatizado y completo de planificación del transporte que transforma Stock Transfer Orders en Freight Orders optimizadas. Para abordar este reto, la solución propuesta combina tres tecnologías. En primer lugar, una integración bidireccional con SAP, que representa la capa que integra los datos empresariales, leyendo los inputs operativos y escribiendo de vuelta el plan de transporte resultante. En segundo lugar, un Algoritmo Genético customizado actúa como motor de optimización, generando rutas eficientes en coste que respetan las restricciones de capacidad, urgencia y carriers. En tercer lugar, una orquestación multiagente basada en Large Language Models actúa como capa de razonamiento autónomo, interpretando las peticiones del usuario, explicando los resultados y apoyando las decisiones a nivel de cada camión. Los tres componentes se integran a través de una interfaz desarrollada en Streamlit que permite al usuario interactuar con el sistema. Los resultados demuestran que la solución propuesta reduce significativamente el esfuerzo manual necesario para planificar las operaciones de transporte, permitiendo una toma de decisiones más eficiente, escalable y transparente en entornos industriales reales.

Modern supply chains face increasing operational complexity, with transportation costs accounting for up to half of total logistics expenses. Transport planning, the process of transforming internal demand into feasible truck routes and loads, remains one of the most operationally intensive areas of the supply chain and is still performed manually in many organizations, limiting scalability, increasing the risk of errors and slowing down response times. This thesis addresses this challenge by proposing an automated, end-to-end transport planning system that transforms Stock Transfer Orders into optimized Freight Orders. To address this challenge, the proposed solution combines three technologies. First, a bidirectional integration with SAP acts as the enterprise data layer, reading the operational inputs and writing back the resulting transport plan. Second, a custom Genetic Algorithm serves as the optimization engine, generating cost efficient routes that respect capacity, urgency and carrier constraints. Third, a multi agent Large Language Model orchestration acts as the autonomous reasoning layer, interpreting user requests, explaining results and supporting per truck decisions. The three components are integrated through a Streamlit interface that allows the user to interact with the system. The results demonstrate that the proposed solution significantly reduces the manual effort required to plan transport operations, enabling more efficient, scalable and transparent decision making in real industrial environments.