CN108764579A - 一种基于拥塞控制的仓储多机器人任务调度方法 - Google Patents
一种基于拥塞控制的仓储多机器人任务调度方法 Download PDFInfo
- Publication number
- CN108764579A CN108764579A CN201810556964.2A CN201810556964A CN108764579A CN 108764579 A CN108764579 A CN 108764579A CN 201810556964 A CN201810556964 A CN 201810556964A CN 108764579 A CN108764579 A CN 108764579A
- Authority
- CN
- China
- Prior art keywords
- storage
- multirobot
- congestion
- congestion probability
- grid point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种仓储多机器人的拥塞控制方法,包括如下步骤:S1、更新核心调度机构的货架位置;S2、根据核心调度机构的订单信息,选择对应的仓储多机器人和停放货架位置,并随机生成任务编号;S3、根据对应的仓储多机器人、停放货架位置和更新后的货架位置,使用核心调度机构生成单次拣选任务;S4、根据单次拣选任务,使用拥塞控制方法,规划仓储多机器人的最优执行路径;S5、根据最优执行路径,使对应的仓储多机器人按照任务编号的顺序执行单次拣选任务,实现仓储多机器人的任务调度。本发明解决了现有技术存在的实用性低、维护成本高、系统运行时间长、运行效率低、资源利用率低和资源分配不合理的问题。
Description
技术领域
本发明涉及仓储机器人技术领域,具体涉及一种基于拥塞控制的仓储多机器人任务调度方法。
背景技术
机器人技术随着计算机技术提升取得了长足发展,到21世纪以来人工智能、传感器技术、通信技术等新兴技术更是为机器人应用打下坚实基础。机器人在许多方面具备着人类无法企及的优点,能够在复杂的、高重复性的、高危险性的诸多领域得到广泛的应用。目前在机器人结构设计、感知系统、控制系统、智能决策等诸多领域都注入了大量的研究者。近年来随着传感器技术以及机器人控制理论的发展,使机器人商用成为可能,机器人已经广泛应用在室外巡检、服务、医疗、仓储物流等诸多领域,从而获得更高的生产效率。
仓储机器人从本质上讲是一类自动导引车(Automated guided vehicle,AGV),常用作仓库中货物搬运,其最早在二十世纪五十年代就已经出现,AGV的导航方式基本上表明了其历史发展脉络。早期的AGV通过电磁感应方式引导,其后改用磁带导引,目前主流的导引方式有激光导引、惯性导航、视觉导航。仓储机器人经常被用于电商下单发货拣选中的货物搬运,以替代人工拣选进而提高拣选效率,降低人工成本。
现有技术存在以下缺点:
(1)现有技术的路径规划方法只针对于单机器人情况,并不能满足多机器人情况的要求,其方法的实用性低;
(2)针对于多机器人环境的部分现有技术,由于在工作区域内包含多个机器人同时运行,难免遇到抢占道路和碰撞等情况,并且投入工作的机器人数量越多、环境越狭窄,机器人间就有更大概率发生碰撞,导致机器人容易损坏,增加维护成本;
(3)并且由于抢占道路和碰撞等情况,容易造成某些区域的拥塞程度较高,导致系统运行时间长,效率低;
(4)现有技术在应对顺序任务时,机器人存在无用移动多的调度问题,导致资源利用低且资源分配不合理。
发明内容
针对现有技术中的上述不足,本发明提供的一种高实用性的针对多机器人环境的基于拥塞控制的仓储多机器人任务调度方法,在减少系统的拥塞程度和维护成本的同时,缩短运行时间并提高运行效率高,以及避免机器人在应对顺序任务时产生无用移动,提高资源利用率并合理分配资源,解决了现有技术存在的实用性低,发生碰撞导致机器人损坏从而增加维护成本,拥塞程度较高导致系统运行时间长和运行效率低,资源利用率低和资源分配不合理。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于拥塞控制的仓储多机器人任务调度方法,包括如下步骤:
S1:更新核心调度机构的货架位置;
S2:根据核心调度机构的订单信息,选择对应的仓储多机器人和停放货架位置;
S3:根据对应的仓储多机器人、停放货架位置和步骤S1更新后的货架位置,使用核心调度机构生成单次拣选任务以及任务编号;
S4:根据单次拣选任务,使用拥塞控制方法,规划仓储多机器人的最优执行路径;
S5:根据最优执行路径,使对应的仓储多机器人按照步骤S3得到的任务编号的顺序执行单次拣选任务,实现仓储多机器人的任务调度。
进一步地,步骤S2中,选择仓储多机器人的计算公式为:
式中,Rx为执行当前任务的仓储多机器人编号;为当前任务点仓储多机器人x按路径path运动预测花费时间;
预测花费时间的计算公式为:
式中,为当前任务点仓储多机器人x按路径path运动预测花费时间;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和。
进一步地,步骤S2中,选择停放货架位置的计算公式为:
式中,Pi,j为停放货架位置;为仓储多机器人按路径path行进到(ie,je)处的开销;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;
仓储多机器人按路径path行进到(ie,je)处的开销的计算公式为:
式中,为仓储多机器人按路径path行进到(ie,je)处的开销;为栅格点(i,j)处的预测拥塞概率地图;(is,js)为当前栅格点坐标;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为当前栅格点到目标栅格点所确定的方形区域内预测拥塞概率总和;为预测拥塞概率的总和。
进一步地,步骤S3中,单次拣选任务,包括如下步骤:
S3-1:使仓储多机器人从当前位置到达货架位置,提取货架;
S3-2:使仓储多机器人从货架位置到达卸货位置,并停留预设时间;
S3-3:使仓储多机器人从卸货位置到达停放货架位置,停放货架,并等待下一次调度;
S3-4:判断是否收到下一次调度信息,若是则更新货架位置,并进入步骤S3-1;否则进入步骤S3-5;
S3-5:使仓储多机器人从停放货架位置到达预设停靠位置。
进一步地,步骤S4中,拥塞控制方法,包括如下步骤:
S4-1:更新货架位置,并规划仓储多机器人的原始执行路径;
S4-2:根据原始执行路径,建立原始拥塞概率地图;
S4-3:将拥塞概率地图进行栅格描述,得到每个栅格中的数值,即为预测拥塞概率;
S4-4:将预测拥塞概率累加到对应的原始拥塞概率地图中,生成预测拥塞概率地图;
S4-5:根据预测拥塞概率地图,使用A*算法,得到代价估计;
S4-6:根据代价估计,规划使仓储多机器人规避高拥塞程度区域的最优执行路径,实现仓储多机器人执行路径的拥塞控制。
进一步地,步骤S4-4中,预测拥塞概率地图的计算公式为:
式中,为栅格点(i,j)处的预测拥塞概率地图;为栅格点(i,j)处的原始拥塞概率地图;为栅格点(i,j)处的综合预测拥塞概率;
综合预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的综合预测拥塞概率;为栅格点(i,j)处的时间预测拥塞概率;为栅格点(i,j)处的数量预测拥塞概率;
时间预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的时间预测拥塞概率;kt为时间参数;为栅格点(i,j)处的仓储多机器人停留时间;
仓储多机器人停留时间的计算公式为:
式中,为栅格点(i,j)处的仓储多机器人停留时间;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;
仓储多机器人数量预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的数量预测拥塞概率;kr为数量参数;Nr为即将进入此区域的仓储多机器人数量。
进一步地,步骤S4-5中,代价估计的计算公式为:
式中,fn为初始栅格点经由栅格点n到目标栅格点的代价估计;为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;
预测拥塞概率地图的实际代价的计算公式为:
式中,为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;kg为实际比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为预测拥塞概率的总和;
预测拥塞概率地图的估计代价的计算公式为:
式中,为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的估计代价;kh为估计比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和。
本方案的有益效果为:
(1)本方法满足多机器人环境的要求,提高了实用性;
(2)拥塞控制将环境拥塞程度加入到路径规划考量中,避免了多个机器人同时出现在拥塞程度高的区域而导致发生碰撞,从而减少了维护成本;
(3)由于避免了抢占道路和发生碰撞,该方法减小了系统拥塞程度并缩短了运行时间和提高了运行效率;
(4)任务调度通过查找距离任务点处机器人预测到达时间最短且处于可调度状态的机器人作为调度对象,并避免了拥塞程度较高的区域,选择拥塞程度较低的区域放置货架,减少了机器人的无用移动和能源消耗,提高资源利用率并合理分配资源,进一步提高了方法实用性。
附图说明
图1为基于拥塞控制的仓储多机器人任务调度方法流程图;
图2为单次拣选任务流程图;
图3为拥塞控制方法流程图;
图4为预测拥塞概率地图;
图5为引入拥塞控制前后避碰次数对比图;
图6为引入拥塞控制前后运行时间对比图;
图7为引入拥塞控制前后运行路径长度对比图;
图8为机器人个数与避碰次数对比图;
图9为机器人个数与多机器人任务调度总时间、总路径长度对比图;
图10为多机器人任务调度甘特图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明实施例中,一种仓储多机器人的拥塞控制方法,如图1所示,包括如下步骤:
一种基于拥塞控制的仓储多机器人任务调度方法,包括如下步骤:
S1:更新核心调度机构的货架位置;
S2:根据核心调度机构的订单信息,选择对应的仓储多机器人和停放货架位置;
选择仓储多机器人的计算公式为:
式中,Rx为执行当前任务的仓储多机器人编号;为当前任务点仓储多机器人x按路径path运动预测花费时间;
预测花费时间的计算公式为:
式中,为当前任务点仓储多机器人x按路径path运动预测花费时间;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和;
选择停放货架位置的计算公式为:
式中,Pi,j为停放货架位置;为仓储多机器人按路径path行进到(ie,je)处的开销;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;
仓储多机器人按路径path行进到(ie,je)处的开销的计算公式为:
式中,为仓储多机器人按路径path行进到(ie,je)处的开销;为栅格点(i,j)处的预测拥塞概率地图;(is,js)为当前栅格点坐标;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为当前栅格点到目标栅格点所确定的方形区域内预测拥塞概率总和;为预测拥塞概率的总和;
S3:根据对应的仓储多机器人、停放货架位置和步骤S1更新后的货架位置,使用核心调度机构生成单次拣选任务以及任务编号;
如图2所示,单次拣选任务,包括如下步骤:
S3-1:使仓储多机器人从当前位置到达货架位置,提取货架;
S3-2:使仓储多机器人从货架位置到达卸货位置,并停留预设时间;
S3-3:使仓储多机器人从卸货位置到达停放货架位置,停放货架,并等待下一次调度;
S3-4:判断是否收到下一次调度信息,若是则更新货架位置,并进入步骤S3-1;否则进入步骤S3-5;
S3-5:使仓储多机器人从停放货架位置到达预设停靠位置;
S4:根据单次拣选任务,使用拥塞控制方法,规划仓储多机器人的最优执行路径;
在实施例中,规划包括从当前位置到达货架位置的最优执行路径、从货架位置到达卸货位置的最优执行路径、从卸货位置到达停放货架位置的最优执行路径以及从停放货架位置到达预设停靠位置的最优执行路径;
步骤S4中,如图3所示,拥塞控制方法,包括如下步骤:
S4-1:更新货架位置,并规划仓储多机器人的原始执行路径;
S4-2:根据原始执行路径,建立原始拥塞概率地图;
S4-3:将拥塞概率地图进行栅格描述,得到每个栅格中的数值,即为预测拥塞概率;
S4-4:将预测拥塞概率累加到对应的原始拥塞概率地图中,生成预测拥塞概率地图,如图4所示;
预测拥塞概率地图的计算公式为:
式中,为栅格点(i,j)处的预测拥塞概率地图;为栅格点(i,j)处的原始拥塞概率地图;为栅格点(i,j)处的综合预测拥塞概率;
综合预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的综合预测拥塞概率;为栅格点(i,j)处的时间预测拥塞概率;为栅格点(i,j)处的数量预测拥塞概率;
时间预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的时间预测拥塞概率;kt为时间参数;为栅格点(i,j)处的仓储多机器人停留时间;
仓储多机器人停留时间的计算公式为:
式中,为栅格点(i,j)处的仓储多机器人停留时间;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;
仓储多机器人数量预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的数量预测拥塞概率;kr为数量参数;Nr为即将进入此区域的仓储多机器人数量;
S4-5:根据预测拥塞概率地图,使用A*算法,得到代价估计;
代价估计的计算公式为:
式中,fn为初始栅格点经由栅格点n到目标栅格点的代价估计;为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;
预测拥塞概率地图的实际代价的计算公式为:
式中,为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;kg为实际比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为预测拥塞概率的总和;
预测拥塞概率地图的估计代价的计算公式为:
式中,为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的估计代价;kh为估计比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和;
S4-6:根据代价估计,规划使仓储多机器人规避高拥塞程度区域的最优执行路径,实现仓储多机器人执行路径的拥塞控制;
S5:根据最优执行路径,使对应的仓储多机器人按照步骤S3得到的任务编号的顺序执行单次拣选任务,实现仓储多机器人的任务调度。
实验分析:
拥塞控制实验分析:本发明实施例中,如图4所示,通过不同的灰度值表示了拥塞概率地图中每个栅格处的预测拥塞概率,颜色越深的区域越有可能发生碰撞,图中显示的是刚开始分配任务时的情形。起始时机器人都停靠在停靠区域,可以看出在机器人停靠区域,由于机器人个数较多,因此具有较大预测拥塞概率,转弯处也可能加重碰撞发生的概率。
搭建仓储仿真环境,其在物理世界中为20.4m*15m的区域,仓库中心区域安放240个货架,1个卸货台。在停靠区域放置了N台仓储多机器人,在后续的仿真中仓储多机器人通过进行15次随机任务生成获取随机任务,每次任务数目为25,进行模拟搬运。通过实验对比使用拥塞控制策略前后避碰次数、路径长度、运行时间等以验证算法的正确性,如图5所示,引入拥塞控制后发生的避碰次数与无拥塞控制时发生的避碰次数进行比较,可以得到引入拥塞控制后避碰次数明显降低约10%,证明了拥塞控制方法的有效性。
如图6所示,将引入拥塞控制前后仓储多机器人的运行时间进行对比,得到引入拥塞控制后总运行时间明显降低,也就是提高了系统运行效率。空闲等待到举架完成时间有所增加,主要可能原因是由于引入拥塞控制后路径长度、转角次数增加的原因,但是考虑到总体运行时间,系统仍然具有更高的效率。
如图7所示,将引入拥塞控制前后仓储多机器人的运行路径长度进行对比,得到引入拥塞控制后总路径长度有所增加,这主要是因为引入拥塞控制后机器人更加偏向于避开拥塞区域,所以可能增加了路径长度,但是同时也降低了碰撞的次数,从而减小机器人的刹车、启动时间,提高系统的稳定性。
任务调度实验分析:建仓储仿真环境,其在物理世界中为20.4m*15m的区域,仓库中心区域安放240个货架,1个卸货台。在停靠区域放置了10台仓储多机器人,通过手工设定25个任务。并进行25次仿真实验,使每次实验的机器人个数单台逐渐递增为25台。
如图8所示,可以从图中看出随着机器人个数增加,避碰次数呈现指数级别增长,即投入机器人数量越多,越容易加大环境复杂度与拥塞程度。因此在实际环境中单纯增加投入机器人数量,并不一定能够提高效率,相反可能会对环境带来不必要的拥塞。
如图9所示,可以从图中看出,总运行时间随着机器人个数增加,先减少然后又增加。可能原因是由于适量增加机器人个数可以实现任务的并行处理,从而减小运行时间,但是继续增加机器人将加重环境拥塞程度,从而极具加大机器人无用等待时间。可以看出在20.4m*15m区域的环境大小,投入5-10台机器人较为适合。另一方面机器人个数对于总路径长度影响并不大,虽然在机器人数量较少时,行进的无用路径较少,但是当机器人进一步增加,其总路径长度基本趋于平稳。
如图10所示,可以看出调度系统通过调度10台机器人完成了25次任务。在调度过程中每台机器人都适度分配到2-3次任务,8号机器人完成最后一个任务。同时可以看出在任务充足的情况下,机器人尽量快的调度一辆机器人完成任务,期间基本无空隙,即机器人处于全功率调度运行状态中。
本发明提供的一种高实用性的针对多机器人环境的基于拥塞控制的仓储多机器人任务调度方法,在减少系统的拥塞程度和维护成本的同时,缩短运行时间并提高运行效率高,以及避免机器人在应对顺序任务时产生无用移动,提高资源利用率并合理分配资源,解决了现有技术存在的实用性低,发生碰撞导致机器人损坏从而增加维护成本,拥塞程度较高导致系统运行时间长和运行效率低,资源利用率低和资源分配不合理。
Claims (7)
1.一种基于拥塞控制的仓储多机器人任务调度方法,其特征在于,包括如下步骤:
S1:更新核心调度机构的货架位置;
S2:根据核心调度机构的订单信息,选择对应的仓储多机器人和停放货架位置;
S3:根据对应的仓储多机器人、停放货架位置和步骤S1更新后的货架位置,使用核心调度机构生成单次拣选任务以及任务编号;
S4:根据单次拣选任务,使用拥塞控制方法,规划仓储多机器人的最优执行路径;
S5:根据最优执行路径,使对应的仓储多机器人按照步骤S3生成的任务编号的顺序执行单次拣选任务,实现仓储多机器人的任务调度。
2.根据权利要求1所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S2中,选择仓储多机器人的计算公式为:
式中,Rx为执行当前任务的仓储多机器人编号;为当前任务点仓储多机器人x按路径path运动预测花费时间;
预测花费时间的计算公式为:
式中,为当前任务点仓储多机器人x按路径path运动预测花费时间;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和。
3.根据权利要求1所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S2中,选择停放货架位置的计算公式为:
式中,Pi,j为停放货架位置;为仓储多机器人按路径path行进到(ie,je)处的开销;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;
仓储多机器人按路径path行进到(ie,je)处的开销的计算公式为:
式中,为仓储多机器人按路径path行进到(ie,je)处的开销;为栅格点(i,j)处的预测拥塞概率地图;(is,js)为当前栅格点坐标;(ie,je)为目标栅格点坐标;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为当前栅格点到目标栅格点所确定的方形区域内预测拥塞概率总和;为预测拥塞概率的总和。
4.根据权利要求1所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S3中,单次拣选任务,包括如下步骤:
S3-1:使仓储多机器人从当前位置到达货架位置,提取货架;
S3-2:使仓储多机器人从货架位置到达卸货位置,并停留预设时间;
S3-3:使仓储多机器人从卸货位置到达停放货架位置,停放货架,并等待下一次调度;
S3-4:判断是否收到下一次调度信息,若是则更新货架位置,并进入步骤S3-1;否则进入步骤S3-5;
S3-5:使仓储多机器人从停放货架位置到达预设停靠位置。
5.根据权利要求1所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S4中,拥塞控制方法,包括如下步骤:
S4-1:更新货架位置,并规划仓储多机器人的原始执行路径;
S4-2:根据原始执行路径,建立原始拥塞概率地图;
S4-3:将拥塞概率地图进行栅格描述,得到每个栅格中的数值,即为预测拥塞概率;
S4-4:将预测拥塞概率累加到对应的原始拥塞概率地图中,生成预测拥塞概率地图;
S4-5:根据预测拥塞概率地图,使用A*算法,得到代价估计;
S4-6:根据代价估计,规划使仓储多机器人规避高拥塞程度区域的最优执行路径,实现仓储多机器人执行路径的拥塞控制。
6.根据权利要求5所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S4-4中,预测拥塞概率地图的计算公式为:
式中,为栅格点(i,j)处的预测拥塞概率地图;为栅格点(i,j)处的原始拥塞概率地图;为栅格点(i,j)处的综合预测拥塞概率;
综合预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的综合预测拥塞概率;为栅格点(i,j)处的时间预测拥塞概率;为栅格点(i,j)处的数量预测拥塞概率;
时间预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的时间预测拥塞概率;kt为时间参数;为栅格点(i,j)处的仓储多机器人停留时间;
仓储多机器人停留时间的计算公式为:
式中,为栅格点(i,j)处的仓储多机器人停留时间;d为栅格距离;θ为仓储多机器人转向角度;v为仓储多机器人运动速度;w为仓储多机器人运动角速度;
仓储多机器人数量预测拥塞概率的计算公式为:
式中,为栅格点(i,j)处的数量预测拥塞概率;kr为数量参数;Nr为即将进入此区域的仓储多机器人数量。
7.根据权利要求5所述的基于拥塞控制的仓储多机器人任务调度方法,其特征在于,所述步骤S4-5中,代价估计的计算公式为:
式中,fn为初始栅格点经由栅格点n到目标栅格点的代价估计;为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;
预测拥塞概率地图的实际代价的计算公式为:
式中,为预测拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的实际代价;kg为实际比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;为预测拥塞概率的总和;
预测拥塞概率地图的估计代价的计算公式为:
式中,为预测拥塞概率地图中栅格点n到目标栅格点的最佳路径的估计代价;为原始拥塞概率地图中栅格空间的初始栅格点到栅格点n的估计代价;kh为估计比例参数;为栅格点(i,j)处的预测拥塞概率地图;iu为预测拥塞概率地图中x方向的栅格个数;jm为预测拥塞概率地图中y方向的栅格个数;(ie,je)为目标栅格点坐标;为初始栅格点到目标栅格点所确定的方形区域内预测拥塞概率的总和;为预测拥塞概率的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556964.2A CN108764579B (zh) | 2018-06-01 | 2018-06-01 | 一种基于拥塞控制的仓储多机器人任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556964.2A CN108764579B (zh) | 2018-06-01 | 2018-06-01 | 一种基于拥塞控制的仓储多机器人任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764579A true CN108764579A (zh) | 2018-11-06 |
CN108764579B CN108764579B (zh) | 2021-09-07 |
Family
ID=64001766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556964.2A Active CN108764579B (zh) | 2018-06-01 | 2018-06-01 | 一种基于拥塞控制的仓储多机器人任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764579B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711723A (zh) * | 2018-12-26 | 2019-05-03 | 广东嘉腾机器人自动化有限公司 | 一种agv任务分配方法、存储装置及调度系统 |
CN110275535A (zh) * | 2019-06-27 | 2019-09-24 | 大连理工大学 | 一种基于改进a星算法的多状态车辆路径规划方法 |
CN110530388A (zh) * | 2019-09-05 | 2019-12-03 | 苏宁云计算有限公司 | 多agv的路径规划方法及系统 |
CN110530390A (zh) * | 2019-09-16 | 2019-12-03 | 哈尔滨工程大学 | 一种在狭窄环境下的非质点车辆路径规划方法 |
CN110728475A (zh) * | 2019-09-27 | 2020-01-24 | 一汽物流(青岛)有限公司 | 一种loc模式下klt零件的拣选系统及其拣选方法 |
CN111435491A (zh) * | 2019-01-14 | 2020-07-21 | 菜鸟智能物流控股有限公司 | 一种拣选方法和装置 |
CN113222310A (zh) * | 2020-02-04 | 2021-08-06 | 北京京东振世信息技术有限公司 | 一种拣货生产力调度方法和装置 |
CN115293711A (zh) * | 2022-10-08 | 2022-11-04 | 南通海隼信息科技有限公司 | 一种用于智能仓储的优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212188A1 (en) * | 2003-02-27 | 2006-09-21 | Joel Kickbusch | Method and apparatus for automatic selection of alternative routing through congested areas using congestion prediction metrics |
JP2010134581A (ja) * | 2008-12-03 | 2010-06-17 | Seiko Epson Corp | ロボットの制御方法およびロボットの制御システム |
CN102096865A (zh) * | 2011-02-01 | 2011-06-15 | 武汉理工大学 | 移动式货架自动仓库的动态管理方法和系统 |
CN105488892A (zh) * | 2016-01-04 | 2016-04-13 | 杭州亚美利嘉科技有限公司 | 一种用于机器人排队管理的方法及服务器 |
CN106483943A (zh) * | 2016-10-13 | 2017-03-08 | 北京京东尚科信息技术有限公司 | 机器人的调度方法、装置以及计算机可读存储介质 |
CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
CN107025533A (zh) * | 2017-03-29 | 2017-08-08 | 上海极络智能科技有限公司 | 货物拣选方法、货物拣选系统、计算装置和计算机可读存储介质 |
CN107168054A (zh) * | 2017-05-10 | 2017-09-15 | 沈阳工业大学 | 多机器人任务分配及路径规划方法 |
CN107703943A (zh) * | 2017-10-23 | 2018-02-16 | 清华大学 | 一种控制多个移动机器人并发运行的方法及其系统 |
-
2018
- 2018-06-01 CN CN201810556964.2A patent/CN108764579B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212188A1 (en) * | 2003-02-27 | 2006-09-21 | Joel Kickbusch | Method and apparatus for automatic selection of alternative routing through congested areas using congestion prediction metrics |
JP2010134581A (ja) * | 2008-12-03 | 2010-06-17 | Seiko Epson Corp | ロボットの制御方法およびロボットの制御システム |
CN102096865A (zh) * | 2011-02-01 | 2011-06-15 | 武汉理工大学 | 移动式货架自动仓库的动态管理方法和系统 |
CN105488892A (zh) * | 2016-01-04 | 2016-04-13 | 杭州亚美利嘉科技有限公司 | 一种用于机器人排队管理的方法及服务器 |
CN106483943A (zh) * | 2016-10-13 | 2017-03-08 | 北京京东尚科信息技术有限公司 | 机器人的调度方法、装置以及计算机可读存储介质 |
CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
CN107025533A (zh) * | 2017-03-29 | 2017-08-08 | 上海极络智能科技有限公司 | 货物拣选方法、货物拣选系统、计算装置和计算机可读存储介质 |
CN107168054A (zh) * | 2017-05-10 | 2017-09-15 | 沈阳工业大学 | 多机器人任务分配及路径规划方法 |
CN107703943A (zh) * | 2017-10-23 | 2018-02-16 | 清华大学 | 一种控制多个移动机器人并发运行的方法及其系统 |
Non-Patent Citations (3)
Title |
---|
代亚兰等: "hAPF-ACO:广义障碍环境下的移动机器人路径规划算法", 《高技术通讯》 * |
徐贤浩等: "基于最短取货时间的仓储机器人待命位策略研究", 《工业工程与管理》 * |
朱爱斌等: "解决路径规划局部极小问题的势场栅格法", 《机械设计与研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711723A (zh) * | 2018-12-26 | 2019-05-03 | 广东嘉腾机器人自动化有限公司 | 一种agv任务分配方法、存储装置及调度系统 |
CN111435491B (zh) * | 2019-01-14 | 2023-11-07 | 菜鸟智能物流控股有限公司 | 一种拣选方法和装置 |
CN111435491A (zh) * | 2019-01-14 | 2020-07-21 | 菜鸟智能物流控股有限公司 | 一种拣选方法和装置 |
CN110275535A (zh) * | 2019-06-27 | 2019-09-24 | 大连理工大学 | 一种基于改进a星算法的多状态车辆路径规划方法 |
CN110275535B (zh) * | 2019-06-27 | 2022-02-15 | 大连理工大学 | 一种基于改进a星算法的多状态车辆路径规划方法 |
CN110530388A (zh) * | 2019-09-05 | 2019-12-03 | 苏宁云计算有限公司 | 多agv的路径规划方法及系统 |
CN110530390A (zh) * | 2019-09-16 | 2019-12-03 | 哈尔滨工程大学 | 一种在狭窄环境下的非质点车辆路径规划方法 |
CN110728475A (zh) * | 2019-09-27 | 2020-01-24 | 一汽物流(青岛)有限公司 | 一种loc模式下klt零件的拣选系统及其拣选方法 |
CN110728475B (zh) * | 2019-09-27 | 2022-09-23 | 一汽物流(青岛)有限公司 | 一种loc模式下klt零件的拣选系统及其拣选方法 |
CN113222310A (zh) * | 2020-02-04 | 2021-08-06 | 北京京东振世信息技术有限公司 | 一种拣货生产力调度方法和装置 |
CN113222310B (zh) * | 2020-02-04 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种拣货生产力调度方法和装置 |
CN115293711B (zh) * | 2022-10-08 | 2022-12-20 | 南通海隼信息科技有限公司 | 一种用于智能仓储的优化方法 |
CN115293711A (zh) * | 2022-10-08 | 2022-11-04 | 南通海隼信息科技有限公司 | 一种用于智能仓储的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108764579B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764579A (zh) | 一种基于拥塞控制的仓储多机器人任务调度方法 | |
Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Van Laarhoven et al. | Job shop scheduling by simulated annealing | |
CN110807236A (zh) | 一种基于多机器人的仓储物流仿真系统 | |
WO2022007179A1 (zh) | 一种多agv运动规划方法、装置和系统 | |
CN106251016A (zh) | 一种基于动态时间窗的泊车系统路径规划方法 | |
Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
Zhang et al. | An effective multi-AGVs dispatching method applied to matrix manufacturing workshop | |
Caridá et al. | Approaches of fuzzy systems applied to an AGV dispatching system in a FMS | |
Li et al. | A simulation study on the robotic mobile fulfillment system in high-density storage warehouses | |
Tao et al. | An efficient self-adaptive artificial bee colony algorithm for the distributed resource-constrained hybrid flowshop problem | |
Du et al. | Research on multi-load AGV path planning of weaving workshop based on time priority | |
EP3696744A1 (en) | Safeguarding resources of physical entites in a shared environment | |
CN109934388A (zh) | 一种用于智能拣选优化系统 | |
CN113064449B (zh) | 一种无人机调度方法及系统 | |
Teck et al. | Optimization models for scheduling operations in robotic mobile fulfillment systems | |
Siddique et al. | Puzzle-based parking | |
CN115951691A (zh) | 一种5g通讯下密集库的穿梭车的轨迹规划方法及其系统 | |
Shi et al. | Task allocation and path planning of many robots with motion uncertainty in a warehouse environment | |
CN113240339B (zh) | 一种面向大规模打车平台的任务匹配公平方法 | |
Luo et al. | Scheduling storage process of shuttle-based storage and retrieval systems based on reinforcement learning | |
CN110245809B (zh) | 一种用于多机器人多任务协作工作的智能优化方法和系统 | |
Xia et al. | A multi-AGV optimal scheduling algorithm based on particle swarm optimization | |
Greasley | Implementing reinforcement learning in simio discrete-event simulation software |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |