Первый роботизированный даркстор Яндекс Лавки работает уже год — достаточно, чтобы оценить эффект роботизации в условиях реальной операционной нагрузки.
Проект реализован совместно с Яндекс Роботикс на базе Yandex Robotics Platform. Эта платформа управляет роботами и логикой робозоны: получает задачи от WMS, формирует волны отбора, рассчитывает маршруты роботов и последовательность подвоза стеллажей к сборщику.
В результате удалось:
В кейсе разберём, какие ограничения в работе даркстора получилось снять и как система Goods-to-Person (товар к человеку) показала себя в эксплуатации.
Дарксторы стали основой сервисов быстрой доставки продуктов. Только сеть Яндекс Лавки насчитывает более 700 площадок в 18 городах, а ассортимент отдельных дарксторов превышает 12 тысяч товарных позиций.
Но рост производительности такой площадки упирается в два ограничения:
Чтобы сократить перемещения сборщиков и повысить производительность на той же площади, Яндекс Лавка совместно с Яндекс Роботикс запустила систему Goods-to-Person на базе Yandex Robotics Platform.
Для запуска выбрали даркстор на Братиславской в Москве — площадку формата «Большая Лавка», где ассортимент примерно втрое шире стандартного. Высокая нагрузка позволяла оценить влияние роботизации на ключевые показатели.
Под робозону выделили 300 м² — 28% общей площади, и в августе 2025 года решение вышло в эксплуатацию.
Вот как это выглядит:
Принцип работы роботизированного даркстора строится на бесшовном взаимодействии человека и робота, которым управляет Yandex Robotics Platform (YRP).
Площадь даркстора делится на три ключевые зоны:
Когда покупатель оформляет заказ, WMS Яндекс Лавки (система управления складом) анализирует его состав и распределяет задачи между роботом и человеком. Товары из холодной зоны человек комплектует сам — пешком доходит до нужного стеллажа и забирает товар.
Товары длительного хранения сборщик получает по принципу Goods-to-Person: стеллаж подвозит к нему автономный мобильный робот (AMR), а сам сборщик остаётся на месте. На робозону приходится около 40% всех позиций даркстора, при этом две трети заказов включают хотя бы одну позицию оттуда.
Робот плавно перемещает стеллаж, поэтому товары не падают. Источник: Яндекс Роботикс
YRP рассчитывает маршрут и направляет одного из 12 роботов к нужным стеллажам. Одновременно система ведёт до 54 заказов в режиме волнового отбора: группирует товары из нескольких заказов, подбирает минимальное количество стеллажей среди 84 доступных и выстраивает последовательность их подвоза.
Безопасность движения роботов обеспечивает лидар, рядом находится оператор, который отслеживает предупреждения системы и помогает быстро разбирать коллизии.
В результате сборщик упаковывает полный заказ для курьера, объединяя свою часть и товары, привезённые роботом.
На одном стеллаже в робозоне Лавки могут лежать чипсы, кола, салфетки и зубная паста — на первый взгляд, в случайном порядке. В команде это называют «управляемым хаосом»: товар не закреплён за конкретной полкой, один SKU может лежать на нескольких стеллажах в разных сочетаниях, а раскладка меняется каждый день.
Алгоритм размещения опирается на данные о спросе и анализ комплиментарности — какие товары чаще оказываются в одной корзине. На этих данных система выстраивает весовые коэффициенты сочетаемости.
При SLA 8 минут на заказ недостаточно просто проложить маршруты роботов — нужно заранее разложить товары так, чтобы к станции чаще приезжали стеллажи с нужными сочетаниями.
Система смотрит, какие товары на стеллаже уже лежат, сколько свободного объёма осталось, и с весовыми коэффициентами оценивает сочетаемость.
Допустим, нужно разместить чипсы. На одном стеллаже стоит кола, на другом — лимонад. Связка чипсы и кола в заказах встречается чаще, поэтому система порекомендует разместить чипсы к коле — и с большей вероятностью робот привезёт стеллаж сразу с двумя позициями из заказа
Помимо стеллажа, система подсказывает конкретную полку на основе ABC-анализа оборачиваемости. Быстро продающийся товар она рекомендует ставить на уровень глаз — сборщику проще до него дотянуться. Но если товар тяжёлый — например, полуторалитровые бутылки в упаковке — система поступится удобством ради устойчивости и отправит его вниз, чтобы не сместить центр тяжести стеллажа.
Рекомендации при этом остаются мягкими: чтобы система могла жёстко предписывать размещение, нужно знать физические свойства каждой упаковки из тысяч позиций ассортимента — что можно слегка сжать, что складывать друг на друга, что нельзя деформировать. Такого уровня детализации пока нет ни в одной автоматической системе, так что человек на размещении может отступить от подсказки, поскольку может знать о товаре больше, чем алгоритм.
При ручной сборке гибкая раскладка ничего не даёт — сборщик всё равно пойдёт к каждой полке отдельно. Эффект появляется в связке с роботами. Робот привозит стеллаж целиком, и если на нём уже лежат пять позиций из заказа — это одна поездка вместо пяти.
Сборщику остаётся взять нужные позиции со стеллажа и добавить в заказ. Источник: Яндекс Роботикс
Кроме того, поскольку в робозоне не нужно предусматривать проходы между стеллажами (как в человеческой зоне), на той же площади помещается на 15% больше товарных позиций. Для даркстора с фиксированным метражом — это расширение ассортимента без дополнительной аренды.
Спрос в дарксторе динамичный и волнообразный.
ABC-анализ, на основе которого строится размещение, классифицирует товары по оборачиваемости и стабильности спроса, но при такой высокой динамике изменений классификация быстро теряет актуальность.
Поэтому необходимо регулярно подстраивать раскладку под фактические данные. Именно это YRP делает каждую ночь: анализирует актуальную оборачиваемость и перемещает стеллажи с ходовыми товарами ближе к станциям сборки, а редко востребованные отодвигает в дальние ячейки.
В отличие от проектов автоматизации, где эффект достигается за счёт оптимизации процессов с очевидным запасом для улучшения, Яндекс Лавка запускала роботизацию на площадке с уже высокими операционными показателями.
Тем не менее почти за год реальной эксплуатации робозона дополнительно улучшила ключевые метрики:
При росте объёма заказов Лавка повысила производительность сборки и уменьшила зависимость от персонала, перераспределив часть сотрудников на другие операционные задачи.
При этом численность смены остаётся гибкой. Команда планирует количество сотрудников с учётом загрузки роботов и станций комплектации: система показывает периоды пикового спроса и простоя, поэтому Лавка точнее прогнозирует потребность в персонале.
Даркстор работает бесперебойно: при необходимости роботы заезжают на станцию для зарядки. Источник: Яндекс Роботикс
Эти результаты стали основанием для возможного масштабирования проекта. Сейчас команда рассматривает разные сценарии: например, выделять роботизированные зоны в действующих дарксторах за счёт перераспределения внутреннего пространства или открывать новые крупные дарксторы, где робозону закладывают уже на этапе проектирования.
По мере масштабирования Лавка ожидает дальнейшего роста производительности, а также сокращения срока окупаемости, который на текущем этапе составляет около трёх лет.
Реклама. ООО «Яндекс Роботикс», ИНН 9705231081
© КСЛ Экспо, 2026
.svg)
