Diffusion models for the 3D bin packing problem in robotic applications

Among the most critical challenges in logistics is the problem of efficient packaging, where items must be allocated into containers in a way that minimizes material usage and transportation costs. Reinforcement learning approaches address this task through sequential decision-making and iterative exploration, which often results in long execution times. This thesis investigates whether diffusion-based generative models can be adapted to automate suitable bin–item assignment and to speed up packaging decision processes. The primary objective of this research is to develop a data-driven framework capable of predicting the number and size of bins required for a given order based on the geometric characteristics of the items. A graph-based representation is introduced to encode items and bins as nodes with associated feature vectors, enabling the application of Diffusion Models to learn meaningful bin–item relationships directly from data. Diffusion models are selected over conventional deep neural networks because they are inherently generative and learn the underlying data distribution through an iterative denoising process, allowing them to model complex relational structures rather than performing direct deterministic mapping. This property makes them particularly suitable for structured assignment problems such as bin–item allocation. The framework was initially developed for rectangular items described by width, height, and length, and subsequently extended to handle irregularly shaped objects through enriched geometric descriptors derived from 3D mesh representations. The research demonstrates that the diffusion-assisted approach provides reliable bin prediction with competitive space utilization while offering a computationally efficient alternative to purely reinforcement-learning-based strategies.

Tra le sfide più rilevanti nel settore della logistica vi è il problema dell’imballaggio efficiente, in cui gli oggetti devono essere allocati all’interno di contenitori in modo da minimizzare l’utilizzo di materiale e i costi di trasporto. Gli approcci basati su reinforcement learning affrontano questo compito attraverso processi decisionali sequenziali ed esplorazione iterativa, che spesso comportano tempi di esecuzione elevati. La presente tesi indaga se modelli generativi basati su diffusione possano essere adattati per automatizzare un’adeguata assegnazione contenitore–oggetto e accelerare i processi decisionali legati all’imballaggio. L’obiettivo principale di questa ricerca è sviluppare un framework data-driven in grado di prevedere il numero e la dimensione dei contenitori necessari per un determinato ordine sulla base delle caratteristiche geometriche degli oggetti. Viene introdotta una rappresentazione basata su grafi per codificare oggetti e contenitori come nodi associati a vettori di caratteristiche, consentendo l’applicazione dei Diffusion Models per apprendere relazioni significative contenitore–oggetto direttamente dai dati. I modelli di diffusione sono stati scelti rispetto alle reti neurali profonde convenzionali poiché sono intrinsecamente generativi e apprendono la distribuzione sottostante dei dati attraverso un processo iterativo di denoising, permettendo di modellare strutture relazionali complesse anziché effettuare una mappatura deterministica diretta. Questa proprietà li rende particolarmente adatti a problemi di assegnazione strutturata come l’allocazione contenitore–oggetto. Il framework è stato inizialmente sviluppato per oggetti rettangolari descritti mediante larghezza, altezza e profondità, ed è stato successivamente esteso a oggetti di forma irregolare attraverso descrittori geometrici arricchiti derivati da rappresentazioni mesh tridimensionali. La ricerca dimostra che l’approccio assistito da modelli di diffusione fornisce previsioni affidabili dei contenitori con un utilizzo dello spazio competitivo, offrendo al contempo un’alternativa computazionalmente più efficiente rispetto alle strategie basate esclusivamente su reinforcement learning.