CN105793866A - 用于智能起重机吊装的方法和系统 - Google Patents

Abstract

提出了一种用于自动生成起重机吊装路径的方法，该起重机吊装路径描述起重机的动作。所述方法包括：对工厂进行激光扫描，以生成一个或多个点云；使用所述点云对将被起重机吊装的物体进行识别；对激光扫描后的点云进行格栅化，以生成数字数据，该数字数据描述该工厂并且为输入到图形处理单元(GPU)的格式；以及，对起重机吊装路径进行迭代优化，包括当起重机采用所述起重机吊装路径时，使用GPU和数字数据对一个或多个起重机与工厂之间的碰撞进行检测。

Description

用于智能起重机吊装的方法和系统

技术领域

本发明涉及用于规划起重机吊装路径的方法和系统，用于使用起重机移动物体。本发明还涉及实施该吊装的系统和方法。本发明可用于在石油化工、制药和制造业中实施工厂的维修服务，以确定智能起重机吊装规划，并因此提高工厂的生产率。

背景技术

现代石油化工、制药和制造工厂通过计算机辅助设计(CAD)创建，且通常通过工厂设计管理系统(PDMS)表现。在工厂的生命周期中，工厂的部件或物体由于各种原因需要被替换或改变。起重机广泛用于吊装用于工厂维修服务的部件或物体。安全性和生产率是任何起重机吊装作业的两个中心问题。确定起重机的无碰撞吊装路径具有挑战性，尤其对于高复杂度的工厂。

起重机吊装规划为，确定通过操作起重机将零件或物体从原位置移到目的地的无碰撞路径或轨迹。目前，起重机吊装规划通常由管理者、工程师、操作员、信号员和装配工组成的团队通过基于他们已有经验的试错法来制定。识别吊装规划涉及从所有可能的无碰撞起重机吊装路径中识别全局最优化方案。

起重机吊装规划的主要难点在于工厂的高复杂性。吊装规划的瓶颈问题是碰撞检测(CD)。对移动的起重机(加上吊装的物体/部件)与工厂之间可能的碰撞进行快速检测是十分必要的，尤其对于复杂的工厂。

常用的碰撞检测算法分为两类：物体空间算法和图像空间算法。物体空间碰撞检测算法的基本策略为，将由三角形构成的成对(pair-wise)几何基元进行比较。稳健的方式为考虑所有可能的基元对。这对于少量的三角形是有用的，但是如果物体具有复杂的形状或者存在大量的基元，则很难在可接受的时间内获得结果。为了提高效率，将物体CD过程分为两个阶段：宽泛阶段和精细阶段[1]。宽泛阶段的主要任务是，选择可能的碰撞对或者三角形的数量，对于可能的碰撞对或者三角形的数量，需要执行详细的测试。该目的通过引入加速度数据结构而实现，该加速度数据结构例如层次包围盒(BVH)[2-4]和空间分割[5-7]。MingC.Lin[8]提出了使用用于碰撞检测的轴对齐包围盒，该包围盒使用完全并紧密地容纳物体的盒子来表示用于碰撞检测的物体。空间分割层次的一个示例为八叉树(八进制空间分割层次)[5]。佛罗里达大学的Vemuri[8]在碰撞检测中使用八叉树代替常规的空间网格，以减少内存消耗并提高效率。精细阶段运行与以前的方法相同的任务：检测基元对或者基元群之间的干扰。诸如分离轴测试、分离平面测试和接近度测试的更有效的测试方法可以代替顶点之间、边之间和面之间的直接测试[1-3]。

图像空间碰撞检测算法对计算平台进行探究，例如对多核中央处理器(CPU)[10-13]和图形处理单元(GPU)上的计算平台进行探究。自2003年以来，诸如佛尔(Fauer)和Govindaraju[1，10，14]的研究人员已经研究了依赖GPU平台来加速碰撞检测的潜能，并获得了显著的成果。大多数由硬件辅助的图像空间碰撞检测方法使用诸如深度缓存、模板缓存或颜色缓存[14，15]的开放图形语言(OpenGL)缓存。蔡(Cai)等人[16]提出了使用多个投影来处理凸面物体的图像空间方法。然而，由于常见图形卡中的不对称加速图形端口总线，这些方法需要数据回读，而这往往是耗时的。并且，这些方法只能应用于凸面物体。该算法高度依赖于物体的形状。为了获得复杂形状的正确碰撞结果，所需的投影屏幕的数量可能非常大。

移动式起重机的吊装规划传统上由大的规划团队使用草图和现场调查来制定[17]。在调查、绘制草图、讨论和确认的规划过程中将会花费数天。交互式规划软件[18，20]可通过协助负载监控、地面压力检查、索具设计等来帮助加快进程。自动吊装规划工具将在吊装规划效率上带来巨大改善。雷迪(Reddy)[21]研究了在解决吊装规划问题中使用遗传算法的可能性，并示出了良好的结果。然而Reddy的算法非常费时，因此不适用于真实的工厂。

如上所述，在工厂的物理版本创建之前，使用计算机辅助设计软件，工厂可以被设计为诸如工厂设计管理系统(PDMS)或者“智能工厂”(某些国家使用的类似标准)的数字形式。然而，存在没有可用的CAD、PDMS或智能工厂模式的工厂。越来越多地使用激光器来扫描这种物理工厂，以形成点云形式的数字化工厂。GPU[22-25]技术可在工厂、起重机和负载的数字表示中发挥重要作用。

通过格栅化，可将点云或PDMS/智能工厂形式的工厂转化为深度图。通过数字几何处理[26，33-35]，传统CAD形式的起重机可在网格中表示。负载(物体或部件)在被传送到目标地点之前，通常被以CAD形式建模，并因此可通过类似的数字几何处理被转化为网格表示。一旦物体或部件被传送到它们的目的地，它们可被转化为GPU格栅化数字物体或部件。

发明内容

本发明旨在提供一种对使用起重机来移动物体的操作进行规划的新的且有用的方法。

具体地，该方法提出了一种生成起重机吊装路径的流程，在该流程中，表示工厂、至少一个起重机、优选地和物体的数据以格栅化格式呈现(即，表示为多层次深度图)，然后通过生成和测试候选起重机吊装路径，使用图形处理单元(GPU)来进行迭代优化，以检测一个或多个起重机与工厂之间的碰撞。

在本发明的优选实施方案中，起重机吊装路径优化由一种新的并行遗传算法基于统一计算设备架构(CUDA)编程来实现。要注意的是，使用以上所述GPU的已知方法是用于碰撞检测，而不是用于路径规划的优化。使用遗传算法[21]的已知优化方法没有被并行化，且该已知方法具有不同于本发明典型实施例的优化问题构想。

本发明可用于存在PDMS或智能工厂模型的工厂中，该模型包括将被移动的物体的位置。然而，在本发明的许多重要应用中，描述工厂和/或物体的这种数据并没有预先存在。在这种情况下，本发明提出了在对工厂进行激光扫描之前的步骤：对物体进行识别(优选包括从数据库中提取与物体有关的数据，当数据库可用时)，形成描述工厂的数据，以及将数据转化为适合输入GRU的格式的格栅化处理。

优选地，格栅化处理在对物体进行识别的步骤之后执行。虽然原则上其可以首先执行，即，使得对物体进行识别的步骤使用格栅化的数据。

因此，本发明的一种表达是，一种生成起重机吊装路径的方法，该方法包括以下步骤：

1)对工厂进行激光扫描，以生成一个或多个点云；

2)从所述点云识别将被吊装的物体；

3)如果数据库可用，从该数据库(例如，工厂设计管理系统)提取关于该物体的进一步的信息；

4)对激光扫描后的点云进行栅格化，以在图形处理单元(GPU)的帮助下生成以数字格式描述工厂的且适用于吊装路径规划的数字数据；以及

5)对起重机吊装路径进行迭代优化，包括使用GPU检测一个或多个起重机与格栅化的工厂之间的碰撞。

本发明的优选实施例允许通过精确的吊装物体识别、不依赖工厂复杂性的实时碰撞检测和全局优化吊装路径确定来对全局优化的起重机吊装路径进行智能规划。

在本发明的优选实施例中，所述精确的吊装物体识别通过新的数字几何处理的分割和模式识别技术来实现。实时碰撞检测通过不依赖工厂复杂性的由GPU加速的格栅化来保证。

在本发明的实施例中，格栅化处理也可由CUDA使用GPU来执行。这与以上所述的使用OpenGL渲染(rendering)的已知方法形成对比，该已知方法也可产生深度图，但是其将数据回读到CPU侧。而本发明可避免回读。

本发明的实施例利用数字化。在GPU的帮助下，起重机吊装规划变得不依赖于工厂的复杂性。使用GPU的数字工厂表示使得碰撞检测极其简单。此外，GPU技术使得能够并行化从而加快基于优化处理的遗传算法，而该优化处理传统上计算成本高。

通过本发明的实施例，最终用户可从该方案中获益，以缩短在工厂维护上的操作时间，从而提高生产率，并提高工作场所的安全性。

本发明可表述为一种用于生成起重机吊装路径的方法。该方法可自动执行，即，除了或许需要启动该方法之外，无需人工参与。

本发明可以可替代地表述为一种计算机(例如一种通用计算机)，该计算机包括存储程序指令的数据存储设备，该程序指令由处理器执行，以使所述处理器执行上述方法，从而输出优化的起重机吊装路径。系统还可包括起重机本身，且输出的起重机吊装路径可被发送到起重机，供起重机使用。

本发明可应用于石油化工、制药及制造业中的维修服务领域，以确定智能且最佳的起重机吊装规划，从而提高它们的生产率。本发明的一种潜在的商业应用为，在起重机中安装设置为实施本发明的处理器。本发明还可以用于对起重机作业团队进行安全培训。

附图说明

仅为了举例，现在将参照以下附图对本发明的实施例进行说明，其中：

图1为本发明的实施例的流程图；

图2为更详细地示出图1中方法的某些步骤的流程图；

图3示出了使用三角网格进行工厂数字化(格栅化)的数字化处理过程；

图4示出了使用点云模型执行图2过程中所使用的数字化处理；

图5为示出对工厂的道路区域中两个端点之间的拖车/长车辆(包括起重机)的最优轨迹进行确定的流程图；

图6示出了碰撞检测过程的工作流程；

图7示出了迭代运算优化步骤，该步骤为图1中的过程的一部分。

具体实施方式

首先参照图1，示出了由本发明执行的整个过程的实施例。虽然这些说明涉及多个图像处理单元(GPU)，但是应当理解的是，可以使用任意数量的GPU(包括仅使用一个)，以分时为基础在GPU之间适当地分配工作。

在第一步骤中(步骤1)中，对工厂进行激光扫描以生成“点云”，“点云”示出了工厂中点的三维位置。在步骤3中，对工厂中将被移动的物体进行识别，并从数据库中提取关于该物体的任何可用信息。在步骤4中，从数据库中提取关于工厂(例如，PDMS或智能工厂)的任何可用信息，并用于完善点云。该结果(或如果不存在这种可用信息，则点云本身)称为工厂的“数字地图”。

在步骤4中，将该结果进行格栅化(该过程在此处也称为“数字化”)，以生成良好格式化的多层次深度图。

该结果用于三个过程：驱动轨迹规划的优化(步骤5)，在该优化中，当起重机沿工厂内的预定义道路区域被驱动时对该起重机的动作进行规划；吊装路径的优化(步骤6)，该吊装路径的优化包括使用GRU检测引起碰撞的候选吊装路径；以及物体被移动时的实时碰撞检测(步骤7)。

图2更详细地示出了用于对待吊装的物体进行识别的步骤1和步骤2。该物体可由PDMS(或智能工厂)或点云来表示。如上所述，本实施例开始于真实工厂101，该工厂受到激光扫描108，以产生工厂的点云102。

在步骤1中，点云用于识别将被从工厂移走的特定的物体/部件。首先，在手动过程(例如用鼠标执行)中，交互式地引入笔画(stroke)103，以根据基于GPU工厂的点云近似地分割特定的物体/部件。这通常是涉及人机交互的实施例的最后阶段，且以下步骤自动执行。然后，被分割的物体/部件104用于在工厂的PDMS/智能工厂数据库107(当可用时)中搜索相应的物体/部件105。进行最小二乘法拟合，以识别PDMS工厂中完整物体/部件的最佳匹配106。

在步骤3中，将点云和任何可用数据进行组合，以生成“数字工厂”。

需要注意的是，在各自的数据已经是可用的情况下，可省略步骤1、步骤2和/或步骤3中所有步骤，例如，如果存在充分描述工厂(包括物体的位置)的PDMS或智能工厂数据。

然后，在格栅化步骤(步骤4)中将这些过程的结果进行格栅化，以生成多层次深度图。

图3示出了以数字模型为基础的三角网格的格栅化过程，这些数字模型例如起重机的CAD模型或三角网格形式的PDMS/智能工厂数据。该过程的输入表示为数字工厂301和三角网格302。在这种情况下，数字化包括两个阶段：三角分析和三角格栅化。三角分析阶段303准备三角格栅化所需的三角形的信息，该信息包括三角形与像素块和边缘函数参数的对应(correspondence)。在GPU307中处理该过程，每个线程处理一个三角形304。三角形格栅化阶段对对应的像素块中的所有像素进行查询。通过求解线性方程系统来计算像素位置的重心坐标305。该坐标用于在三角形上内插像素位置的深度值306。在该阶段，每个三角形由一个GPU线程扭曲处理，该扭曲中的线程并行查询像素。

对于点云数字模型，例如通过激光扫描生成的点云数字模型，如图4所示，应用了类似的数字化处理。将对工厂进行编码的工厂云401进行细分402。然后，GPU405的每个GPU线程对一个单独的3D点进行处理，对离该3D点最近的像素403进行计算，并将深度值存储在深度图中404。为了确保存储在深度图中的深度值是最高的一个，在GPU功能中应用原子存储同步。

在图5中，可以对用于确定最优轨迹的一般过程进行概括(步骤5)，该轨迹为拖车/长车辆(包括起重机)在工厂道路区域中的起点和终点之间行进的轨迹。

步骤5的起点为步骤1的过程(图5中表示为步骤：使用激光扫描仪208对真实工厂201进行扫描，以产生工厂的点云202)和表示为203的格栅化过程(步骤4)的结果。

在步骤5中，在道路区域中交互地布置种子204，随后是种子生长过程205，从而使道路区域群集。从群集的道路区域产生中轴206。然后基于中轴和群集的道路区域计算用于拖车/长车辆在两点之间行进的最优轨迹207。

在论述步骤6(吊装路径规划)之前，我们将参照图6论述碰撞检测过程，该碰撞检测过程用于步骤6中并用于执行步骤7(实时碰撞检测)。

当GPU数字化工厂、起重机和负载数据准备好可用时，碰撞检测在使用起重机吊装工厂中的负载时变得至关重要。GPU技术可以用于实时确定无碰撞吊装路径。由于GPU自然的并行式设计，本实施例使用给定工厂环境复杂性的通用GPU(GPGPU)。该实施例使用统一计算设备架构(CUDA)应用程序接口(API)来实现便于GPU内存分配和并行化的方法[24]。该实施例将方向包围盒(OBB)技术和深度图进行结合用于碰撞检测。GPU允许实时运行时的碰撞检测。这里数字化工厂、数字化起重机和数字化负载使碰撞检测极其简单和有效。我们的方法的主要优点是，它不依赖于工厂的复杂性。

在碰撞检测过程的开始，根据变换矩阵对起重机组件的所有OBB501进行更新502。然后，启动GPU内核以计算像素块的对应503和OBB的底面，该底面是具有深度掩模的碰撞的边界。然后用对应于像素的线程启动GPU内核504。这使用GPU507来执行。线程将深度图中的信息与OBB的边界进行比较505。一旦上述面和深度掩膜出现接触，内核将报告碰撞和相关信息506。

需要注意的是，当物体已经由起重机吊起时，则认为该物体是起重机的一部分，并相应地修改起重机的OBB。

以上算法不仅可用于检测起重机与工厂之间的实际碰撞，还可用于获得接近度的数值(当执行步骤6时使用此选项)。其通过想象一组嵌套的OBB来实现，对于每个起重机，该组嵌套的OBB的形状相同且集中在相同的位置，但尺寸不同。最小的OBB是起重机的原始OBB(加上起重机携载的任何物体)。如果在图5的过程中发现，该OBB不会遭受碰撞，但如果最小的OBB被至少大一定量的OBB所替代会发生碰撞，则可确定起重机到工厂的接近度，该接近度由值p表示。

现在我们转向图1中的步骤5的描述：自动确定全局优化起重机吊装路径。这个步骤的详细流程图在图7中示出。

遗传算法(GA)用于解决许多全局优化问题[27-32]。在本实施例中，选择主从并行GA以实现快速全局优化吊装规划的任务。GA的整个过程由CPU控制，而计算密集型部分，尤其是碰撞检测由并行线程处理。

参照图7，该过程的输入包括起重机信息601(例如吊臂长度、操作限制和OBB)。这些信息用于生成候选起重机吊装路径的初始群体602。然后，GPU608使用目标函数进行适应度评估603。GPU609使用发现的具有高适应度的候选起重机吊装路径，以提供选择和交叉604。然后，GPU609还完成突变步骤605。在步骤606中，确定是否满足终止准则。如果满足，则将具有最高适应度分数的候选适应度算法标记为“通过”的结果，且该算法为该实施例输出的最终结果607。如果不满足，则优化过程返回到步骤603，使用步骤604和605中所产生的新的候选起重机吊装路径。

在适应度评估中，每个候选起重机吊装路径表示为GA中的线性染色体。每个候选吊装路径表示为具有n个基因的线性染色体，由i＝1，...n标记，其中n为候选吊装路径的操作的数量。因此，每个基因表示起重机在物体上执行的单一操作，使得该吊装路径是一系列的连续操作。每个基因(称为第i个基因)由三个参数构成，并表示为(α_S ⁱ，α_L ⁱ，l_H ⁱ)。α_S ⁱ和α_L ⁱ表示跟随第i个操作的、物体所经历的摆动和升降的总数量。

GA使用的目标函数。优化问题的目标函数以各种因素为特征，这些因素包括操作的复杂性、时间、能量消耗和安全风险。吊装操作的动作可被进一步分为各种类型。

首先，存在操作轨迹的运动成本C_Motion，定义为：

C_Motion＝w_SL_S+w_LL_L+w_HL_H(+w_LSL_LS)(1)

$\begin{array}{c}{L}_{*}=\underset{i=1}{\overset{n}{\Σ}}\left|{\mathrm{\α}}_{*}^i-{\mathrm{\α}}_{*}^i\right|,where*\∈\{S,L,LS\}\\ L_H=\underset{i=1}{\overset{n}{\Σ}}\left|{l_H}^i-{l_H}^{i-1}\right|\end{array}$

最后一项是与负载摆动相关的成本。该成本在括号中示出，因为它仅适用于起重机运载物体时的操作。对于这种操作，在第i个基因上增加附加参数。w_S、w_L、w_H、w_LS分别表示摆动权重、吊装权重、升降权重和负载摆动权重。

第二，存在包括操作时间和操作切换时间的时间成本。具体操作的时间成本由改变的角度或长度以及操作的速度决定。该成本可表示为：

C_Time＝L_S/v_S+L_L/v_L+L_H/v_H(+L_LS/v_LS)+N₀t₀(2)

再次，此处涉及L_LS/V_LS的项处于括号中，以表示其仅适用于携带负载时的情况。此处C_Time表示操作轨迹的时间成本，v_S、v_L、v_H、v_LS分别表示摆动速度、吊装速度、升降速度和负载摆动速度。N₀和t₀表示切换操作的次数和每次切换的时间成本。需要注意的是，N₀至多等于n。

安全风险涉及起重机到工厂结构的接近度，并可表示为：

其中，p表示使用图6的方法得到的接近度，且g是增函数。

使用精确的接近度测试进行风险的连续建模。使接近度离散可简化建模。可以从碰撞检测算法来获得多层次接近度信息。这样，我们可以通过使用该信息来定义安全风险：

C_Safety表示由安全风险带来的成本。c₁和c₂为一些恒定值，其中c₂>c₁。

结合等式(1)、(2)和(3)，我们获得了吊装规划问题的目标函数的表示：

f(S_O)＝C_Motion+C_Time+C_Safety(4)

在子步骤604中，在具有相同适应度值的字符串上应用轮盘赌选择法。所涉及的遗传算子是基于参数的交叉，该交叉从亲代选择好的基因并将这些基因嵌入到后代基因座中。在子步骤605中，应用正常独立突变和平滑突变。该平滑突变取走邻近基因的凸组合，并替换基因座处的原始基因。

需要注意的是，该优化过程为了高性能再次利用并行化的GPU技术。

参考文件

以下参考文献中公开的全部内容通过引用合并于此。

[1]Govindaraju,N.K.,Redon,S.,Lin,M.C.&Manocha,D.CULLIDE:Interactivecollisiondetectionbetweencomplexmodelsinlargeenvironmentsusinggraphicshardware.inProceedingsoftheACMSIGGRAPH/EUROGRAPHICSconferenceonGraphicshardware.25-32(EurographicsAssociation).

[2]Tang,M.,Manocha,D.&Tong,R.MCCD:Multi-corecollisiondetectionbetweendeformablemodelsusingfront-baseddecomposition.GraphicalModels72,7-23(2010).

[3]Tang,M.,Manocha,D.,Lin,J.&Tong,R.Collision-streams:fastgpu-basedcollisiondetectionfordeformablemodels.inSymposiumonInteractive3DGraphicsandGames.63-70(ACM)(2011).

[4]Gottschalk,S.,Lin,M.C.&Manocha,D.OBBTree:ahierarchicalstructureforrapidinterferencedetection.inProceedingsofthe23rdannualconferenceonComputergraphicsandinteractivetechniques.171-180(ACM).(1996).

[5]Hunter,G.M.Efficientcomputationanddatastructuresforgraphics.(1978).

[6]Jung,D.&Gupta,K.K.Octree-basedhierarchicaldistancemapsforcollisiondetection.inRoboticsandAutomation,1996.Proceedings.,1996IEEEInternationalConferenceon.454-459(IEEE).

[7]Zhou,K.,Gong,M.,Huang,X.&Guo,B.Data-paralleloctreesforsurfacereconstruction.VisualizationandComputerGraphics,IEEETransactionson17,669-681(2011).

[8]Lin,M.C.EcientCollisionDetectionforAnimationandRobotics,Citeseer,(1993).

[9]Vemuri,BabaC.,Chen,L,Vu-Quoc,L,Zhang,X&Walton,O.Efficientandaccuratecollisiondetectionforgranularflowsimulation.Graphicalmodelsandimageprocessing60,403-422(1998).

[10]Faure,F.,Barbier,S.,Allard,J.&Falipou,F.Image-basedcollisiondetectionandresponsebetweenarbitraryvolumeobjects.inProceedingsofthe2008ACMSIGGRAPH/EurographicsSymposiumonComputerAnimation.155-162(EurographicsAssociation).

[11]Thomaszewski,B.,Pabst,S.&Blochinger,W.Paralleltechniquesforphysicallybasedsimulationonmulti-coreprocessorarchitectures.Computers&Graphics32,25-40(2008).

[12]Avril,Q.,Gouranton,V.&Arnaldi,B.Newtrendsincollisiondetectionperformance.VRIC'09Proceedings11(2009).

[13]Guy,S.J.,Chhugani,J.,Kim,C.,Satish,N.,Lin,M.,Manocha,D.&Dubey,P.Clearpath:highlyparallelcollisionavoidanceformulti-agentsimulation.inProceedingsofthe2009ACMSIGGRAPH/EurographicsSymposiumonComputerAnimation.177-187(ACM).

[14]Heidelberger,B.,Teschner,M.&Gross,M.Real-timevolumetricintersectionsofdeformingobjects.inProc.ofVision,ModelingandVisualization.

[15]Baciu,G.,Wong,W.S.K.&Sun,H.RECODE:animage-basedcollisiondetectionalgorithm.inComputerGraphicsandApplications,1998.PacificGraphics'98.SixthPacificConferenceon.125-133(IEEE).

[16]Vassilev,T.,Spanlang,B.&Chrysanthou,Y.Fastclothanimationonwalkingavatars.inComputerGraphicsForum.260-267(WileyOnlineLibrary).

[17]MinistryofManpower,Singapore,WSHCOUNCIL<https://www.wshc.sg/cms/Liftingplan>.

[18]CRANIMAX,CRANEMANAGER2011Homepage<http://www.cranimax.com/produkte/cranimation/en_produkt_cranimation.php>.

[19]A1ASoftware,3DLiftPlanHomepage<http://www.3dliftplan.com/>.

[20]MarkusScholl,kranXpertHomepage<http://www.kranxpert.de/>.

[21]Reddy,H.R.&Varghese,K.Automatedpathplanningformobilecranelifts.Computer-AidedCivilandInfrastructureEngineering17,439-448(2002).

[22]Wong,W.S.K.&Baciu,G(2005).GPU‐basedintrinsiccollisiondetectionfordeformablesurfaces.ComputerAnimationandVirtualWorlds16,153-161.

[23]Sanders,J.&Kandrot,E(2010).CUDAbyexample:anintroductiontogeneral-purposeGPUprogramming.Addison-Wesley.

[24]LeGrand(2007).,S.Broad-phasecollisiondetectionwithCUDA.GPUGems3,697-721.

[25]YYCai,ZWFan,HGWan,SMGao,BFLu,KTLim(2006),Hardware-acceleratedcollisiondetectionfor3Dvirtualrealitygaming,SimulationandGaming37(4):476-490.

[26]PChiang,JZheng,KMak,NThalmann,YCai(2012),ProgressiveSurfaceReconstructionforHeartMappingProcedure,Computer-aidedDesign44:289–299.

[27]Holland,J.H(1992).Geneticalgorithms.ScientificAmerican267,66-72.

[28]Biegel,J.E.&Davern,J.J.(1990),Geneticalgorithmsandjobshopscheduling.Computers&IndustrialEngineering19,81-91.

[29]Poon,P.W.&Carter,J.N.(1995),Geneticalgorithmcrossoveroperatorsfororderingapplications.Computers&OperationsResearch22,135-147.

[30]Hamidinia,A.,Khakabimamaghani,S.,Mazdeh,M.M.&Jafari,M.(2012),Ageneticalgorithmforminimizingtotaltardiness/earlinessofweightedjobsinabatcheddeliverysystem.Computers&IndustrialEngineering62,29-38.

[31]Renders,J.M.&Flasse,S.P.(1996),Hybridmethodsusinggeneticalgorithmsforglobaloptimization.IEEETransactionsonSystems,Man,andCybernetics,PartB:Cybernetics,26,243-258.

[32]Mühlenbein,Heinz,Schomisch,M&Born,Joachim(1991).Theparallelgeneticalgorithmasfunctionoptimizer.Parallelcomputing17,619-632.

[33]J.Zhang,J.Zheng,C.Wu,J.Cai(2012),Variationalmeshdecomposition,ACMTransactionsonGraphics(presentedatSIGGRAPH2012)31(3).

[34]JZheng,YCai(2006),InterpolationOverArbitraryTopologyMeshesUsingaTwo-PhaseSubdivisionScheme.IEEETransactionsonVisualizationandComputerGraphics2(3):301-310.

[35]YCai,NChia,DThalmann,NKee,JZhengetal(2013),DesignandDevelopmentofAVirtualDolphinariumforChildrenwithAutism,IEEETransactiononNeuralSystemandRehabilitation.

[36]PChiang,JZheng,YYu,KMak,CChui,YCai(2012),AVRSimulatorforIntra-CardiacIntervention:Concept,DesignandImplementation,IEEEComputerGraphics&Applications33(1):44-57.

[37]YCai&JBrown(editors),VRSimulation&Gaming,SpecialIssuewiththeJournalSimulationandGaming,SAGEPublisher,2006.[36]P.Cai,YCai,etal.(2012).AFrameworkoftheCraneSimulatorUsingGPU-basedCollisionDetection,Asia-EuropeWorkshoponSeriousGame&Simulation,CASA2012.

Claims (10)

1.一种生成起重机吊装路径的方法，所述起重机吊装路径描述工厂内携载物体的起重机的动作，所述方法包括：

(i)形成所述工厂的模型和所述起重机的模型，作为多层次深度图；

(ii)对描述所述工厂内起重机的动作的起重机吊装路径进行迭代优化，

所述迭代优化使用所述工厂的模型、所述起重机的模型以及至少一个图形处理单元GPU来完成，以当所述起重机采用所述起重机吊装路径时对所述起重机与所述工厂之间的碰撞进行检测。

2.根据权利要求1所述的方法，在步骤(i)和步骤(ii)之前，所述方法还包括以下步骤：

对所述工厂进行激光扫描，以生成一个或多个点云；

使用所述点云对将被所述起重机吊装的物体进行识别；以及

对激光扫描后的点云进行格栅化，以生成所述工厂的模型。

3.根据权利要求1所述的方法，所述方法还包括，从数据库中提取关于被识别物体的进一步信息。

4.根据权利要求1所述的方法，其中，迭代优化算法为遗传算法，其中，使用目标函数对多个候选起重机吊装路径进行评估，并根据结果生成新的候选起重机吊装路径，直到满足终止准则。

5.根据权利要求4所述的方法，其中，每个候选起重机吊装路径的目标函数为以下至少一者的函数(i)表示所述候选起重机吊装路径中所包括的总距离的动作成本和(ii)表示实施所述候选起重机吊装路径所采用时间的时间成本。

6.根据权利要求4或5所述的方法，其中，每个候选起重机吊装路径的目标函数还包括：表示当实施候选起重机吊装路径时，起重机到格栅化后的工厂的接近度的安全成本。

7.根据前述权利要求任一项所述的方法，其中，为了描述一部分起重机吊装操作，将所述起重机的模型修改为所述起重机和物体的模型，在所述起重机吊装操作中所述起重机正在吊装所述物体。

8.一种系统，所述系统包括处理器和存储计算机程序指令的数据存储设备，当所述处理器执行所述计算机程序指令时，所述计算机程序指令运行以使所述处理器执行根据前述权利要求任一项所述的方法，从而生成并输出起重机吊装路径。

9.根据权利要求8所述的系统，所述系统还包括至少一个配置为实施所述起重机吊装路径的起重机。

10.根据权利要求9所述的系统，其中，所述起重机设置有GPU，所述GPU设置为使用所述起重机和工厂的多层次深度图对所述起重机与所述工厂之间的碰撞进行实时检测。