CN110197309A - 订单处理方法、装置、设备和存储介质 - Google Patents

订单处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110197309A
CN110197309A CN201910487280.6A CN201910487280A CN110197309A CN 110197309 A CN110197309 A CN 110197309A CN 201910487280 A CN201910487280 A CN 201910487280A CN 110197309 A CN110197309 A CN 110197309A
Authority
CN
China
Prior art keywords
order
commodity
processed
commodities
container
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
Application number
CN201910487280.6A
Other languages
English (en)
Other versions
CN110197309B (zh
Inventor
郑勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jizhijia Technology Co Ltd
Original Assignee
Beijing Jizhijia Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jizhijia Technology Co Ltd filed Critical Beijing Jizhijia Technology Co Ltd
Priority to CN201910487280.6A priority Critical patent/CN110197309B/zh
Publication of CN110197309A publication Critical patent/CN110197309A/zh
Priority to PCT/CN2019/128114 priority patent/WO2020244202A1/zh
Application granted granted Critical
Publication of CN110197309B publication Critical patent/CN110197309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明实施例公开了一种订单处理方法、装置、设备和存储介质，所述方法包括：依据历史订单，确定预测订单的商品集；控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。本发明实施例的技术方案解决了在订单暴涨的特殊时期，订单拣选处理效率仍然无法满足物流仓储行业的需求的问题，为订单商品的拣选提供了一种新思路，以实现快速命中订单商品，大幅度地提高订单拣选处理效率。

Description

订单处理方法、装置、设备和存储介质
技术领域
本发明实施例涉及物流仓储技术领域，尤其涉及一种订单处理方法、装置、设备和存储介质。
背景技术
随着电子商务的快速发展，电子商务已在消费者生活中扮演着越来越重要的角色，如何快速有效地处理倍增的用户订单，是每个电子商务服务公司都面临的一个巨大挑战。
在现有技术中，对订单商品的拣选操作通常需要人工从商品拣选区的货架上拣选商品，或者通过机器人将商品拣选区内承载目标商品的容器搬运至工作站，来协助人工拣选商品。然而，采用机器人协助人工进行订单商品的拣选操作与单纯的人工拣选订单商品相比，虽然在一定程度上提高了拣选效率，降低了人工劳动强度。但是，由于库存商品种类繁多，对于订单量暴涨的特殊时期(如促销时期)，现有技术的拣选效率仍然无法满足物流仓储行业的需求，亟需解决。
发明内容
鉴于上述问题，本发明实施例中提供了一种订单处理方法、装置、设备和存储介质，为订单商品的拣选提供了一种新思路，以实现快速命中订单商品，大幅度地提高订单拣选处理效率。
第一方面，本发明实施例中提供了一种订单处理方法，该方法包括：
依据历史订单，确定预测订单的商品集；
控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
进一步的，所述预测订单的数量为至少一个，各预测订单的商品集中的商品数量为至少一个。
进一步的，将所述预测订单的商品集存储在至少一个缓存容器中，所述缓存容器位于缓存容器区和/或分散在拣选容器区；其中，所述缓存容器区位于工作站的预设位置，和/或位于拣选容器区的预设位置。
进一步的，所述缓存容器区位于工作站的预设位置包括：
所述缓存容器区设置在工作站靠近拣选工位的位置。
进一步的，所述缓存容器区位于拣选容器区的预设位置包括：
所述缓存容器区位于拣选容器区的出入口处。
进一步的，将所述预测订单的商品集存储在缓存容器中，包括：
将所述预测订单的商品集中各商品存储至一个缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器。
进一步的，若将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器，则确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，包括：
将所述待处订单的商品集中的商品按照其所属种类进行划分；
从各种类对应的缓存容器中查找划分后该种类的商品命中的目标商品。
进一步的，若将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器，则确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，包括：
将所述待处理订单的商品集与各预测订单的商品集进行相似度匹配；
依据相似度匹配结果，确定目标预测订单；
从所述目标预测订单所属的缓存容器的商品集中获取待处理订单命中的商品作为所述待处理订单的目标商品。
进一步的，所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，包括：
获取一个待处理订单，从所述缓存容器的商品集中查找是否存在所述待处理订单命中的商品；
若存在，则将所述待处理订单命中的商品作为所述待处理订单的目标商品。
进一步的，所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，包括：
获取至少两个待处理订单，统计所述至少两个待处理订单包含的所有订单商品，作为总待处理订单商品集；
从所述缓存容器的商品集中查找是否存在所述总待处理订单商品集命中的商品；
若存在，则将所述总待处理订单商品集命中的商品的集合作为总目标商品集；
将所述总目标商品集拆分到其对应的各待处理订单中，得到各待处理订单在所述缓存容器的商品集中命中的目标商品集。
进一步的，在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品之后，还包括：
为目标商品分配第二机器人，并向所述第二机器人发送第一控制指令，以使所述第二机器人根据所述第一控制指令将承载目标商品的目标缓存容器搬运至工作站；
相应的，将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作，包括:
将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站的工作人员或拣选设备依据所述待处理订单和目标商品的商品信息，从目标缓存容器中获取目标商品，放置在所述待处理订单对应的周转箱中。
进一步的，将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作，包括：
将所述待处理订单和目标商品的商品信息分派至工作站，以使工作站的工作人员或拣选设备根据所述商品信息移动至承载目标商品的目标缓存容器位置处，并从目标缓存容器中获取目标商品，放置在所述待处理订单对应的周转箱中。
进一步的，在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品之后，还包括：
若所述待处理订单中包含所述缓存容器的商品集中未命中的缺失商品，则从库存容器和/或拣选容器中查找承载所述缺失商品的目标库存容器或目标拣选容器；
为所述缺失商品分配第三机器人，并向所述第三机器人发送第二控制指令，以使所述第三机器人根据所述第二控制指令将目标库存容器或目标拣选容器搬运至工作站。
进一步的，所述依据历史订单信息，确定预测订单的商品集，包括：
将商品映射成网络节点，以及将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为所述两个网络节点之间的关联权重，构建出商品与商品之间的商品关联网络；
依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值；
依据各网络节点对应的商品的特征值对各商品进行聚类处理，将聚合为一类的商品的集合作为一个预测订单的商品集。
进一步的，在依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值之后，还包括：
将一个特征值作为一个维度，对所述商品关联网络中各网络节点对应的商品的特征值进行降维处理。
进一步的，所述依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值，包括：
采用深度游走算法或者大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值。
进一步的，采用深度游走算法计算所述商品关联网络中各网络节点对应的商品的特征值，包括：
在进行每次随机游走时，从所述商品关联网络中均匀随机采样一个网络节点作为本次随机游走的起始点，游走过程中对上一个访问到的节点均匀随机采样一个具有关联权重的邻接点，直到游走达到预设的最大长度结束本次随机游走，最终获得多个节点序列；
通过机器学习对所述多个节点序列进行训练，得到各网络节点对应的商品的特征值向量。
进一步的，采用大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值，包括：
确定所述商品关联网络中各网络节点间的一阶相似度，并对各网络节点间的一阶相似度进行优化，得到各网络节点对应的商品的第一特征值向量；
确定所述商品关联网络中各网络节点间的二阶相似度，并对各网络节点间的二阶相似度进行优化，得到各网络节点对应商品的第二特征值向量；
将所述第一特征值向量和所述第二特征值向量进行拼接，得到各网络节点对应的商品的特征值向量。
第二方面，本发明实施例中还提供了一种订单处理装置，该装置包括：
预测商品确定模块，用于依据历史订单，确定预测订单的商品集；
预拣选处理模块，用于控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
订单处理模块，用于获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
进一步的，所述预测订单的数量为至少一个，各预测订单的商品集中的商品数量为至少一个。
进一步的，将所述预测订单的商品集存储在至少一个缓存容器中，所述缓存容器位于缓存容器区和/或分散在拣选容器区；其中，所述缓存容器区位于工作站的预设位置，和/或位于拣选容器区的预设位置。
进一步的，所述缓存容器区位于工作站的预设位置包括：
所述缓存容器区设置在工作站靠近拣选工位的位置。
进一步的，所述缓存容器区位于拣选容器区的预设位置包括：
所述缓存容器区位于拣选容器区的出入口处。
进一步的，所述预拣选处理模块将所述预测订单的商品集存储在缓存容器中时，具体用于：
将所述预测订单的商品集中各商品存储至一个缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器。
进一步的，若预拣选处理模块将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器，则订单处理模块在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
将所述待处订单的商品集中的商品按照其所属种类进行划分；
从各种类对应的缓存容器中查找划分后该种类的商品命中的目标商品。
进一步的，若预拣选处理模块将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器，则订单处理模块在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
将所述待处理订单的商品集与各预测订单的商品集进行相似度匹配；
依据相似度匹配结果，确定目标预测订单；
从所述目标预测订单所属的缓存容器的商品集中获取待处理订单命中的商品作为所述待处理订单的目标商品。
进一步的，所述订单处理模块在所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
获取一个待处理订单，从所述缓存容器的商品集中查找是否存在所述待处理订单命中的商品；
若存在，则将所述待处理订单命中的商品作为所述待处理订单的目标商品。
进一步的，所述订单处理模块在所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
获取至少两个待处理订单，统计所述至少两个待处理订单包含的所有订单商品，作为总待处理订单商品集；
从所述缓存容器的商品集中查找是否存在所述总待处理订单商品集命中的商品；
若存在，则将所述总待处理订单商品集命中的商品的集合作为总目标商品集；
将所述总目标商品集拆分到其对应的各待处理订单中，得到各待处理订单在所述缓存容器的商品集中命中的目标商品集。
进一步的，所述装置还包括：
控制指令发送模块，用于为目标商品分配第二机器人，并向所述第二机器人发送第一控制指令，以使所述第二机器人根据所述第一控制指令将承载目标商品的目标缓存容器搬运至工作站；
相应的，所述订单处理模块在将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作时，具体用于：
将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站的工作人员或拣选设备依据所述待处理订单和目标商品的商品信息，从目标缓存容器中获取目标商品放置在所述待处理订单对应的周转箱中。
进一步的，所述订单处理模块在将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作时，具体用于：
将所述待处理订单和目标商品的商品信息分派至工作站，以使工作站的工作人员或拣选设备根据所述商品信息移动至承载目标商品的目标缓存容器位置处，并从目标缓存容器中获取目标商品，放置在所述待处理订单对应的周转箱中。
进一步的，所述装置还包括：
缺失商品处理模块，用于若所述待处理订单中包含所述缓存容器的商品集中未命中的缺失商品，则从库存容器和/或拣选容器中查找承载所述缺失商品的目标库存容器或目标拣选容器；
所述控制指令发送模块，用于为所述缺失商品分配第三机器人，并向所述第三机器人发送第二控制指令，以使所述第三机器人根据所述第二控制指令将目标库存容器或目标拣选容器搬运至工作站。
进一步的，所述预测商品确定模块具体包括：
关联网络构建单元，用于将商品映射成网络节点，以及将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为所述两个网络节点之间的关联权重，构建出商品与商品之间的商品关联网络；
特征值确定单元，用于依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值；
订单商品确定单元，用于依据各网络节点对应的商品的特征值对各商品进行聚类处理，将聚合为一类的商品的集合作为一个预测订单的商品集。
进一步的，所述预测商品确定模块还包括：
降维处理单元，用于在依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值之后，将一个特征值作为一个维度，对所述商品关联网络中各网络节点对应的商品的特征值进行降维处理。
进一步的，所述特征值确定单元具体用于：
采用深度游走算法或者大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值。
进一步的，所述特征值确定单元采用深度游走算法计算所述商品关联网络中各网络节点对应的商品的特征值时，具体用于：
在进行每次随机游走时，从所述商品关联网络中均匀随机采样一个网络节点作为本次随机游走的起始点，游走过程中对上一个访问到的节点均匀随机采样一个具有关联权重的邻接点，直到游走达到预设的最大长度结束本次随机游走，最终获得多个节点序列；
通过机器学习对所述多个节点序列进行训练，得到各网络节点对应的商品的特征值向量。
进一步的，所述特征值确定单元采用大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值时，具体用于：
确定所述商品关联网络中各网络节点间的一阶相似度，并对各网络节点间的一阶相似度进行优化，得到各网络节点对应的商品的第一特征值向量；
确定所述商品关联网络中各网络节点间的二阶相似度，并对各网络节点间的二阶相似度进行优化，得到各网络节点对应商品的第二特征值向量；
将所述第一特征值向量和所述第二特征值向量进行拼接，得到各网络节点对应的商品的特征值向量。
第三方面，本发明实施例中还提供了一种设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的订单处理方法。
第四方面，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的订单处理方法。
本发明实施例中提供的技术方案，通过依据历史订单，确定预测订单的商品集，并控制第一机器人辅助完成对该商品集的预拣选后，存储在缓存容器中，当获取到待处理订单时，确定缓存容器的商品集中是否存在待处理订单命中的商品，若是，则将命中商品作为待处理订单的目标商品，将本次待处理订单和目标商品信息分派至工作站，以使工作站根据接收到的信息完成对待处理订单的拣选操作。本发明实施例的方案为订单商品的拣选处理提供了一种新思路，通过预先预测订单的商品集，将预测订单的商品集进行预拣选后单独存储，在实际待处理订单来临时，可以通过在缓存容器中进行实际拣选，从而实现快速命中待处理订单中的商品，提高待处理订单中的商品的命中概率，大幅度地提高订单拣选处理效率。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1a是本发明实施例中提供的一种库存系统的系统结构示意图；
图1b是本发明实施例中提供的一种货架的结构示意图；
图1c是本发明实施例中提供的一种机器人的结构示意图；
图2是本发明实施例中提供的一种订单处理方法的流程示意图；
图3a是本发明实施例中提供的另一种订单处理方法的流程示意图；
图3b是本发明实施例中提供的一种商品关联网络的网络结构示意图；
图4是本发明实施例中提供的一种订单处理装置的结构示意图；
图5是本发明实施例中提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外，还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要说明的是，在介绍本发明实施例之前，先对本发明实施例的订单处理方法、装置、设备和存储介质的使用场景进行说明，具体的，图1a是本发明实施例中提供的一种库存系统的系统结构示意图。参见图1a，库存系统100可以包括：机器人110、控制系统120、存储容器区(可以包括但不限于本实施例中的缓存容器区、拣选容器区和库存容器区)130以及工作站140，存储容器区130设置有多个存储容器131，存储容器131(可以包括但不限于本实施例中的缓存容器、拣选容器和库存容器)上可以放置有各种库存商品，如同在超市中见到的放置有各种商品的货架一样，作为可替换方案，存储容器131上也可以放置有料箱或托盘等载物器件，在这些载物器件中容纳有各种库存物品，多个存储容器131之间排布成阵列形式。通常，在存储容器区130的一侧可以设置有多个工作站140。
控制系统120与机器人110进行无线通信，工作人员通过操作台160可以使控制系统120工作，机器人110可以在控制系统120的控制下，执行搬运库存容器的任务。其中，该库存容器可以包括但不限于可移动库存容器，机器人110可以为自驱动机器人。以存储容器131为可移动库存容器为例，比如可移动库存容器具体可以为可移动货架，机器人110可以沿可移动货架阵列中的空着的空间(机器人110通行通道的一部分)行驶，运动到可移动货架的底部，利用举升机构举起可移动货架，并搬运到被分配到的工作站140。
在一个示例中，机器人110可以具有举升机构或挂钩结构，以及具有定位导航功能，机器人110能够行驶至存储容器131底部，并利用举升机构将整个存储容器131举起或利用挂钩结构拉动整个存储容器131，使得整个存储容器131能够随着具有升降功能的举升机构上下移动或随着挂钩机构进行拉动。
在另一个示例中，机器人110能够根据摄像头拍摄到的二维码信息向前行驶，并且能够根据控制系统120确定的路线行驶至控制系统120提示的存储容器131下面。机器人110将存储容器131搬运到工作站140，在工作站140处的工作人员141或其它自动化设备(如机械臂)对存储容器131进行各类库存操作，包括但不限于：拣选、盘货或补货等。以拣选操作为例，工作人员141或者其它自动化设备从存储容器131上拣选物品并放入周转箱150中等待打包。
存储容器131以货架为例，图1b是本发明实施例中提供的一种货架的结构示意图。如图1b所示，货架131包括多个隔层以及四个落地支撑柱1362，货架的隔层上可以直接放置各种商品136。在特定实施例中，商品136可以悬挂在货架内或货架上的挂钩或杆上，商品136能够以任何适当的方式放置在货架的内部或外表面。
货架的隔层也可以设置有多个料箱，该料箱可以与货架分离，也可以与货架为一体结构，料箱中可以放置一个或多个商品。另外，货架可以是双向开口货架，延隔层的纵深方向可以放置两个商品，即，在每个开口方向各放置一个商品，或者延隔层的纵深方向设置两个料箱，即，在每个开口方向各设置一个料箱。货架也可以是单向开口货架(图1b示出的是单向开口货架)，延隔层的纵深方向可以放置一个商品，即，在开口方向只放置一个商品，或者延隔层的纵深方向设置一个料箱，即，在开口方向只设置一个料箱。
图1c是本发明实施例中提供的一种机器人的结构示意图。如图1c所示，在一个示例中，自驱动机器人110可以包括驱动机构1101，通过该驱动机构1101，自驱动机器人110能够在工作空间内移动，自驱动机器人110还可以包括用于搬运货架的举升机构1102，自驱动机器人110可以运动到目标货架131的下方，利用举升机构1102举起目标货架131，并搬运到被分配到的工作站140。举升机构1102升起时将整个目标货架131从地面抬起，以使得自驱动机器人110搬运目标货架131，举升机构1102下降时将目标货架131放在地面上。自驱动机器人110上的目标识别组件1103在自驱动机器人110举升目标货架131时，能够有效的对目标货架131进行识别。
除此之外，如果是基于二维码导航，自驱动机器人110还包括导航识别组件(图1c未示出)，用于识别铺设地面上的二维码标记。自驱动机器人110除了可以采用二维码导航外，还可以采用其它导航方式，如惯性导航、SLAM导航等，还可以同时结合两种或者两种以上导航方式，如二维码导航和惯性导航，SLAM导航和二维码导航等等。当然，自驱动机器人110还包括控制整个自驱动机器人110实现运动、导航等功能的控制模块(图1c未示出)。在一个示例中，自驱动机器人110至少包括向上和向下的两个摄像头，其能够根据向下的摄像头拍摄到的二维码信息(也可以是其它地面标识)向前行驶，并且能够根据控制系统120确定的路线行驶至控制系统120提示的目标货架131下面。
如图1b所示，目标货架131底部的正中央设有二维码1361，当自驱动机器人110行驶到目标货架131下面后，通过向上的摄像头正确拍摄二维码1361，确保自驱动机器人10正好位于目标货架131的正下方，以此保证自驱动机器人110可以平稳的抬起和搬运目标货架131。
控制系统120为在服务器上运行的、具有数据存储、信息处理能力的软件系统，可通过无线或有线与机器人、硬件输入系统、其它软件系统连接。控制系统120可以包括一个或多个服务器，可以为集中式控制架构或者分布式计算架构。服务器具有处理器1201和存储器1202，在存储器1202中可以具有订单池1203。
在图1a所示的库存系统中，随着仓库面积的增加，机器人在仓库中的运动距离随之增加，库存商品种类的增加，拣选效率随之下降；仓库商品入库和出库是一个实时动态的过程，仓库中货架的位置需要实时调整。上述在仓库中的各种运营操作，尤其对于订单拣选操作来说，当订单量暴涨时，拣选效率仍然无法满足物流仓储行业的需求。因此，需要改进订单处理方法。
下面针对本发明实施例中提供的订单处理方法、装置、设备和存储介质进行详细阐述。
图2是本发明实施例中提供的一种订单处理方法的流程示意图，本发明实施例可应用于根据预测订单的商品集对待处理订单进行处理的场景。该方法可由订单处理装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以集成在任何具有网络通信功能的设备上，该设备可以为终端设备或服务器，该终端设备可以具体为手机、平板电脑、电脑等，该服务器可以具体为用于进行数据处理的后台服务器，或者其他服务器。如图2所示，本发明实施例中的订单处理方法可以包括：
S201，依据历史订单，确定预测订单的商品集。
其中，历史订单可以是当前时刻之前，本实施例的订单处理装置接收到的用户订单。为了保证本实施例确定的预测订单的商品集的准确性，本实施例可以选择尽可能多的历史订单来确定预测订单的商品集。预测订单可以是根据历史订单，预测的用户可能会下的商品订单，预测订单的商品集可以是预测订单中包含的商品构成的集合。可选的，根据历史订单，确定的预测订单的数量为至少一个，各预测订单的商品集中的商品数量为至少一个。
在本实施例中，商品集中的每一种商品可以对应设置有唯一的SKU，同属于一个预测订单的商品的SKU可以位于同一个SKU簇中。SKU(Stock Keeping Unit，库存量单位)为库存进出计量的单位，可以是以件，盒，托盘等为单位。本申请实施例中涉及到的SKU可以被引申为库存商品统一编号的简称，每种库存商品均对应有唯一的SKU号。SKU可以被理解为库存商品的统一编号或唯一标识号，通过各商品对应的SKU可以识别各种商品的身份。
在本实施例中，依据历史订单，确定预测订单的商品集时，可以是对所有历史订单中的商品进行分析，得到各商品之间的关联网络，然后按照预设的算法确定出各商品的特征值，并依据该特征值对各商品进行聚类处理，将聚合为一类的商品作为预测出的可能在同一个订单中出现的商品，进而将聚合为一类的商品的集合作为一个预测订单的商品集。例如，可以是将历史订单中在不同订单中多次重复出现的商品设置相同的特征值，将具有该特征值的商品聚合为一类，并将该类商品的商品集作为一个预测订单的商品集；还可以是将历史订单中的各商品出现的频率设置为各商品的特征值，将特征值属于同一范围内的商品聚合为一类，并将该类商品的商品集作为一个预测订单的商品集；也可以采用其他的方式来根据历史订单，确定预测订单的商品集。对此本实施例不进行限定。具体的，本实施例如何依据历史订单，确定预测订单的商品集的详细过程，将在后续实施例进行详细的介绍。
S202，控制第一机器人辅助完成预测订单的商品集的预拣选，经过预拣选后，将预测订单的商品集存储在缓存容器中。
其中，缓存容器可以是专门用于放置预测订单的商品集的容器，例如，该缓存容器可以是货架，其上可以放置有料箱或托盘等可以承载商品的器件。可选的，本发明实施例中放置预测订单的商品集的缓存容器可以位于缓存容器区和/或分散在拣选容器区。若未设置固定的缓存容器区，则可以是将缓存容器分散设置在拣选容器区、拣选工作站区域或者其他位置处。若缓存容器位于缓存容器区，则可以是专门为缓存容器设置一个或多个可容纳至少一个缓存容器的存储区作为缓存容器区。该缓存容器区可以是位于工作站的预设位置，如可以在执行拣选操作的工作站的工位旁边设置一个缓存容器区，以便于工作站的工作人员进行人工拣选商品时，无需移动较远的距离就可以快速从缓存容器中拣选到订单商品。该缓存容器区还可以是位于拣选容器区的预设位置，例如，可以是将缓存容器区设置在拣选容器区的出入口处，以便于机器人协助人工拣选商品时，减少机器人搬运缓存容器的行驶路径，提高拣选效率。可选的，当有多个缓存容器区时，还可以是一部分缓存容器区与工作站相邻，另一部分位于拣选容器区的预设位置，还可以设置在其他位置。需要说明的是，本实施例不对如何放置缓存容器进行限定，可根据实际采用的订单拣选方式设置在便于执行订单拣选操作的任意位置处。
可选的，本发明实施例中，在确定了预测订单商品集后，可以先控制第一机器人(该第一机器人可以是任意一个可执行商品拣选操作的机器人)，从拣选容器或库存容器中对预测订单的商品集进行预拣选操作。具体的，控制第一机器人辅助完成对预测订单的商品集的预拣选操作的过程可以与现有技术中控制机器人对待处理订单的商品进行的实际拣选的过程类似，只是实际拣选过程是对待处理订单的商品进行拣选，然后将拣选到的商品放置到周转箱中，而预拣选过程是对预测订单的商品集进行拣选，然后将拣选到的商品存储在缓存容器中。本实施例通过对预测订单的商品集进行预拣选操作，使得后续对实际的待处理订单执行实际拣选操作时，只需从预拣选操作后的缓存容器中进行待处理订单的商品集的拣选操作，因为缓存容器中存储了预测的出现概率比较大商品，因此后续可以直接从缓存容器中拣选到待处理订单中的商品，极大地提高了待处理订单的商品集的拣选效率。
在本发明实施例中，在将预拣选到的预测订单的商品集存储在缓存容器时可以是将预测订单的商品集存储在至少一个缓存容器。具体的存储方法可以有很多，本实施例对此不进行限定。例如，可以至少包括如下几种存储方式：
方式一、当预测订单以及各预测订单的商品集的数量较少时，可以将预拣选到的所有的预测订单的所有商品集存储至一个缓存容器中。
方式二、若要区分商品集的商品种类时，可以是将预拣选到的预测订单的商品集中各商品存储至其所属种类对应的缓存容器。其中，商品种类的划分方法也可以有很多，例如，可以是按照商品生产商、商品的所属领域(如食品领域、电子领域、服装领域等)以及商品编号等进行分类。具体的，可以预先为不同的商品种类设置该种类对应的至少一个缓存容器，在将预拣选到的预测订单的商品集存储至缓存容器时，可将所有预拣选到的预测订单的商品集中的商品按照所属种类进行划分后，将属于同一种类的商品存储至该种类对应的缓存容器中。需要说明的是，商品种类划分的细度，决定存储商品集的缓存容器的个数，例如，若商品种类划分的细度较大，则可能是较多的商品属于同一类，此时存储预拣选到的商品集的缓存容器的个数就会相对少一些；若商品种类划分的细度较小，则可能会出现一个或少量的几个商品属于一类，此时存储预拣选到的商品集的缓存容器的个数就会相对多一些。
方式三、若要区分不同的预测订单时，则可以将预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器。具体的，可以预先为各预测订单都设置该预测订单对应的至少一个缓存容器，在将预拣选到的预测订单的商品集存储至缓存容器时，将该预测订单的商品集存储到该预测订单对应的缓存容器中。可选的，当该预测订单的商品集中商品的数量较少时，可以是为该预测订单分配一个缓存容器，并将该预测订单的商品集都存储至该缓存容器中；当该预测订单的商品的数量较多时，则可以进一步对该商品集中的商品按照种类进行划分，将商品集中的商品按照所属种类存储到该预测订单对应的各种类的缓存容器中。
需要说明的是，本步骤对预测订单的商品集的预拣选操作也可以是由人工或其他方式辅助执行的，对此本实施例不进行限定。
S203，获取待处理订单，确定待处理订单在缓存容器的商品集中命中的目标商品，并将待处理订单和目标商品的商品信息分派至工作站，以使工作站完成对待处理订单的拣选操作。
其中，目标商品可以是在承载有预测订单的商品集的缓存容器中查找到的命中该待处理订单的商品，其可以是一个也可以是多个。例如，若待处理订单中的商品为商品A和商品B，缓存容器中承载的商品为商品A、商品B和商品C，此时商品A和商品B为目标商品。目标商品的商品信息可以是目标商品的相关信息，例如，可以包括但不限于目标商品的编号、生成厂家、所需数量、以及商品所在缓存容器的标识等等。需要说明的是，对于一个待处理订单而言，其目标商品可能包含待处理订单中的所有商品，也可能只包含待处理订单中的一部分商品，对此本实施例不进行限定。
在本发明实施例中，执行获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，可以采用如下“摘果”和“摘果加播种”两种方法来确定待处理订单的目标商品：
(一)、摘果法确定待处理订单在缓存容器的商品集中命中的目标商品。
该方法可以是获取一个待处理订单，从缓存容器的商品集中查找是否存在所述待处理订单命中的商品；若存在，则将所述待处理订单命中的商品作为所述待处理订单的目标商品。
具体的，可以是一次获取一个待处理订单，将该待处理订单中的每一个商品都分别与缓存容器的商品集进行比较，查看缓存容器的商品集中是否包含有该商品，若有，则认为待处理订单命中缓存容器的商品集中的该商品，此时，将命中的该商品作为待处理订单的一个目标商品。例如，待处理订单1中的商品集为商品A、商品B和商品C，缓存容器的商品集为商品B、商品C和商品D，此时通过将待处理订单1中的每一个商品与缓存容器的商品集中的商品进行比较，确定待处理订单1命中的商品为商品B和商品C，此时商品B和商品C为该待处理订单1的目标商品，确定完待处理订单1的目标商品后，再对待处理订单2按照同样的方法进行处理。摘果法每次只处理一个待处理订单，针对每一个待处理订单中的每一个商品都执行上述操作，从而确定出该待处理订单在缓存容器的商品集中命中的所有目标商品。
(二)、摘果加播种法确定待处理订单在缓存容器的商品集中命中的目标商品。
该方法可以是获取至少两个待处理订单，统计至少两个待处理订单包含的所有订单商品作为总待处理订单商品集；从缓存容器的商品集中查找是否存在所述总待处理订单商品集命中的商品；若存在，则将总待处理订单商品集命中的商品的集合作为总目标商品集；将总目标商品集拆分到其对应的各待处理订单中，得到各待处理订单在缓存容器的商品集中命中的目标商品集。
具体的，可以是一次获取多个待处理订单，统计出多个待处理订单中所有出现的商品作为总待处理订单商品集，然后针对总待处理订单商品集中的每一个商品将其与缓存容器的商品集中的商品进行比较，查找缓存容器的商品集中的被多个待处理订单命中的商品作为目标商品，从而确定出多个待处理订单命中的所有目标商品，构成总目标商品集。最后按照总目标商品集中各目标商品对应的待处理订单，将总目标商品集中的各目标商品拆分到其对应的待处理订单中，总目标商品集拆分完成后，各待处理订单所分到的目标商品即为该待处理订单在缓存容器的商品集中命中的目标商品。例如，若一次获取了两个待处理订单，即待处理订单1和待处理订单2，其中，待处理订单1的商品集为商品A、商品B和商品C；待处理订单2的商品集为商品C、商品D和商品E；缓存容器的商品集为商品B、商品C和商品D，此时可以是先统计待处理订单1和待处理订单2中出现的总待处理订单商品集包括：商品A、商品B、商品C、商品D和商品E。针对总待处理订单商品集中的每一个商品，将其与缓存容器的商品集中的商品进行比较，确定出总目标商品集包括：商品B、商品C和商品D，将总目标商品集中的商品B和商品C拆分到待处理订单1中，将总目标商品集中的商品C和商品D拆分到待处理订单2中，从而可以得到待处理订单1的目标商品集为商品B和商品C；待处理订单2的目标商品集为商品C和商品D。摘果加播种法每次可以同时处理多个待处理订单，相对于上述摘果法提高了订单拣选处理的效率。
在本发明实施例中，无论是采用上述哪种方法确定待处理订单在缓存容器的商品集中命中的目标商品时，都需要执行查找待处理订单中的各商品是否命中缓存容器的商品集的过程。由于S202将预拣选到的预测订单的商品集存储至缓存容器的方法不同，对于查找待处理订单中的各商品是否命中缓存容器的商品集的过程也不同。具体的：
若S202是将所有的预测订单的所有商品集存储至一个缓存容器中，则此时可以是从该缓存容器中查找其承载的商品中是否存在待处理订单命中的商品，若是，则将其作为所述待处理订单的目标商品，此时只通过查找一个缓存容器就可以完成目标商品的确定。
若S202是将预测订单的商品集中各商品存储至其所属种类对应的缓存容器，则此时可以是确定待处理订单中各商品所属种类；将所述待处订单的商品集中的商品按照其所属种类进行划分；从各种类对应的缓存容器中查找是否存在所述待处订单的商品集中的该种类的商品。即从各种类对应的缓存容器中查找其中承载的商品是否被待处理订单命中，若是，则将命中商品作为该待处理订单的目标商品。
若S202是将预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器，则此时可以是将待处理订单的商品集与各预测订单的商品集进行相似度匹配；依据相似度匹配结果，确定目标预测订单；从目标预测订单所属的缓存容器的商品集中获取待处理订单命中的商品作为所述待处理订单的目标商品。具体的，本方法可以是先将待处理订单的商品集(待处理订单中包含的各商品构成的集合)与每一个预测订单都进行商品一致性匹配，计算待处理订单与各预测订单的商品集的相似度，从各预测订单中选出相似度最高的预测订单作为目标预测订单，由于该目标预测订单与待处理订单的商品集的相似度最高，所以，该目标预测订单中必定包含最多的目标商品，因此可直接从目标预测订单所对应的缓存容器的商品集中获取待处理订单命中的商品作为该待处理订单的目标商品。采用该方法，可以在预测订单的商品集对应的商品数量较多时，无需再对每一个缓存容器都进行查找，只需要查找与待处理订单匹配度最高的目标预测订单的缓存容器，以提高目标商品的确定效率。
可选的，在订单商品实际拣选的过程中，通常可采用“货到人”和“人到货”两种不同的方法拣选订单，其中，“货到人”的拣选方法可以是指机器人将承载目标商品的容器搬运到工作站，此时工作站的工作人员无需移动，直接从机器人搬运来的容器中拣选目标商品。“人到货”的拣选方式可以是工作站的工作人员需要走到承载目标商品的容器旁边，从容器中拣选目标商品并拿回工作站。本发明实施例的订单处理方法既适用于“货到人”的拣选过程，也适用于“人到货”的拣选过程。具体的：
若本发明实施例采用“货到人”的方式来进行商品的拣选，则可以在确定待处理订单在缓存容器的商品集中命中的目标商品之后，执行如下两个子步骤：
S2031a，为目标商品分配第二机器人，并向第二机器人发送第一控制指令，以使第二机器人根据第一控制指令将承载目标商品的目标缓存容器搬运至工作站。
具体的，订单处理装置会为目标商品分配第二机器人，其中，该第二机器人可以是任何一个可执行缓存容器搬运操作的机器人，可以与上述第一机器人是同一机器人，也可以是不同的机器人。可选的，为目标商品分配第二机器人可以是为一个目标商品分配一个第二机器人，也可以是为多个目标商品分配一个第二机器人。例如，当多个目标商品放置在一个缓存容器时，可以为多个目标商品分配一个第二机器人。为目标商品分配完第二机器人后，可以是根据第二机器人当前所在位置，以及其需要搬运的目标缓存容器所在位置，为该第二机器人规划行驶路线，根据规划好的行驶路线生成第一控制指令发送至该第二机器人，以使该第二机器人根据第一控制指令中包含的行驶路线，行驶至承载目标商品的目标缓存容器位置处，并将该目标缓存容器搬运至工作站。
S2031b，将待处理订单和目标商品的商品信息分派至工作站，以使工作站的工作人员或拣选设备依据待处理订单和目标商品的商品信息，从目标缓存容器中获取目标商品，并将获取的目标商品放置在所述待处理订单对应的周转箱中。
具体的，订单处理装置在确定了待处理订单在缓存容器的商品集中命中的目标商品后，需要将待处理订单和目标商品的商品信息发送至工作站，此时工作站的工作人员或者拣选设备(该拣选设备可以是配置有机械手的设备，其可以实现从容器中抓取商品，以及将商品放置在容器中的操作，如该拣选设备可以是拣选机器人，)可以根据接收到的目标商品的商品信息，从第二机器人搬运来的目标缓存容器中查找到对应的目标商品，将其放置在待处理订单对应的周转箱中等待打包，当待处理订单中的所有商品都拣选到周转箱后，则执行对该周转箱打包，从而完成该待处理订单的拣选操作。
需要说明的是，上述S2031a和S2031b可以是订单处理装置在确定待处理订单在缓存容器的商品集中命中的目标商品后同时执行的，也可以是按照上述顺序执行的，还可以是先执行S2031b再执行S2031a，对此本发明实施例不进行限定。
若本发明实施例采用“人到货”的方式来进行商品的拣选，则可以在确定待处理订单在缓存容器的商品集中命中的目标商品之后，执行将所述待处理订单和目标商品的商品信息分派至工作站，以使工作站的工作人员或拣选设备根据所述商品信息移动至承载目标商品的目标缓存容器位置处，并从目标缓存容器中获取目标商品，放置在所述待处理订单对应的周转箱中。
具体的，订单处理装置在确定了待处理订单在缓存容器的商品集中命中的目标商品后，需要将待处理订单和目标商品的商品信息发送至工作站，此时工作站的工作人员或者拣选设备(该拣选设备与上述“货到人”的拣选方法种的拣选设备类似)可以拿着该待处理订单的周转箱，根据目标商品信息行走或者行驶至承载目标商品的目标缓存容器附近的位置，从目标缓存容器中拣选出目标商品，并将获取的目标商品放置在该待处理订单对应的周转箱中等待打包，当待处理订单中的所有商品都拣选到周转箱后，则执行对该周转箱打包，从而完成该待处理订单的拣选操作。
需要说明的是，本发明实施例具体采用“货到人”的方式来进行订单拣选，还是选用“人到货”的方式来进行订单商品的拣选，可以取决与缓存容器的设置位置，例如，若可放置缓存容器的缓存容器区与工作站相邻，则可以是选择“人到货”的方式来进行订单商品的拣选，实现工作人员或拣选设备通过少量的移动就可以完成待处理订单的商品拣选，降低了机器人的功耗。若缓存容器分散在拣选容器区，或可放置缓存容器的缓存容器区设置在拣选区的预设位置，则可以是选择“货到人”的方式来进行订单商品的拣选，通过机器人的协助，减少工作人员或拣选设备的移动，实现工作人员或拣选设备在工作站无需移动即可完成待处理订单的商品选择，提高了订单拣选效率。
在本发明实施例中，由于预测订单及其商品集是根据历史订单预判的，因此缓存容器的商品集中的商品只是尽可能多的涵盖待处理订单中的商品，但是还可能存在待处理订单中所没有的商品，或者缺少待处理订单中的商品。为了能够快速准确拣选完待处理订单中的所有商品，本发明实施例的方案可以在执行完本步骤确定待处理订单在缓存容器的商品集中命中的目标商品之后，还包括：
若待处理订单中包含缓存容器的商品集中未命中的缺失商品，则从库存容器和/或拣选容器中查找承载所述缺失商品的目标库存容器或目标拣选容器；为所述缺失商品分配第三机器人，并向所述第三机器人发送第二控制指令，以使所述第三机器人根据所述第二控制指令将目标库存容器或目标拣选容器搬运至工作站。其中，第三机器人可以是执行搬运承载缺失商品的目标库存容器或目标拣选容器的机器人，其可以与上述第一机器人或第二机器人相同，也可以不同，对此本实施例不进行限定。
具体的，若待处理订单中包含缓存容器的商品集中未命中的缺失商品，则说明该缺失商品没有在在预测订单中出现，此时可按照常规拣选方法，从库存容器或者拣选容器中查找该缺失商品，并将查找到的承载该缺失商品的库存容器或者拣选容器作为目标库存容器或者目标拣选容器。由于库存容器中承载的商品种类齐全，但是查找速度慢，所以本发明实施例可以是先从拣选容器中查找是否存在该缺失商品，若有则将承载该缺失商品的拣选容器作为目标拣选容器；若没有，再从库存容器中查找该缺失商品，并将承载该缺失商品库存容器作为目标库存容器。确定了承载缺失商品的容器后，为该缺失商品分配第三机器人，与为目标商品分配第二机器人类似，为缺失商品分配的第三机器人可以为一个缺失商品分配一个第三机器人，也可以是为多个缺失商品分配一个第三机器人。为缺失商品分配完第三机器人后，可以是根据第三机器人当前所在位置，以及其需要搬运的目标库存容器或目标拣选容器所在位置，为该第三机器人规划行驶路线，根据规划好的行驶路线生成第二控制指令发送至该第三机器人，以使该第三机器人根据第二控制指令中包含的行驶路线，行驶至承载缺失商品的目标库存容器或目标拣选容器所在位置处，并将该目标库存容器或目标拣选容器搬运至工作站。工作站的工作人员或拣选设备就可以从目标库存容器或目标拣选容器中找到待处理订单的缺失商品，从而完成本次待处理订单的所有商品的拣选操作。
本发明实施例中提供的技术方案，通过依据历史订单，确定预测订单的商品集，并控制第一机器人辅助完成对该商品集的预拣选后，存储在缓存容器中，当获取到待处理订单时，确定缓存容器的商品集中是否存在待处理订单命中的商品，若是，则将命中商品作为待处理订单的目标商品，将本次待处理订单和目标商品信息分派至工作站，以使工作站根据接收到的信息完成对待处理订单的拣选操作。本发明实施例的方案为订单商品的拣选处理提供了一种新思路，通过历史订单预测未来订单中可能包含的商品集，将其进行预拣选后单独集中存储在一个或多个缓存容器中，从而实现将未来订单中出现概率大的商品集与出现概率小的商品集分开存储，在后续实际待处理订单来临时，可以通过在存储出现概率大的商品集的缓存容器中进行实际拣选操作，从而实现快速命中待处理订单中的商品，提高待处理订单中的商品的命中效率，大幅度地提高订单拣选处理效率。
图3a是本发明实施例中提供的另一种订单处理方法的流程示意图；图3b是本发明实施例中提供的一种商品关联网络的网络结构示意图。本发明实施例在上述实施例的基础上进行了优化，具体给出了如何依据历史订单信息，确定预测订单的商品集的具体情况介绍。本发明实施例可以与上述实施例中各个可选方案结合。如图3a-b所示，本发明实施例中的订单处理方法可以包括：
S301、将商品映射成网络节点，以及将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为两个网络节点之间的关联权重，构建出商品与商品之间的商品关联网络。
在本实施例中的商品可以是库存中的所有商品，其种类比较广泛，商品可以为有形的商品，比如，服装、食品等；也可以为无形的商品，比如金融产品等。另外，商品与商品之间可以具有一定的关联属性，该关联属性可以是商品本身所固有的属性，商品在不同领域区别于其他商品的性质，也可以是通过用户的行为定义的商品与商品之间的关联性。例如，在实际应用中，商品与商品之间的关联属性可以为商品与商品共同出现的共现属性，即两个商品共同出现在同一个订单中的属性。基于两个商品共同出现的属性，可以构建商品与商品之间的关联网络。其中，从商品关联网络中可以反映出商品关联网络中包括的各商品之间的关联关系。
在本实施例中，若两个商品共同出现在同一个历史订单，则表明两个商品之间具备共同出现的关联属性；若两个商品未共同出现在同一个历史订单，则表明两个商品之间不具备共同出现的关联属性。此外，鉴于两个商品共同出现在同一个历史订单的频次可能是一次，也可能是多次，不同的频次可以反映两个商品之间关联程度高低。
参见图3b，在构建商品与商品之间的商品关联网络时，可以将各商品映射成网络节点，每个网络节点均可以代表一个维度。若任意两个商品在同一个历史订单中共同出现，则在两个商品对应的网络节点之间添加一条边，以将两个商品进行关联；若两个商品不在同一个历史订单共同出现，则两个商品对应的网络节点之间不添加边，即不对两个商品进行关联。
在本实施例中，参见图3b，考虑到两个商品共同出现在同一个历史订单的频次可能是一次，也可能是多次，在构建商品关联网络时，还可以同时参考任意两个网络节点对应的商品在历史订单中共同出现的频次。可选的，可以将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为两个网络节点之间的关联权重。两个网络节点对应的商品在历史订单中共同出现的频次与两个商品对应的网络节点之间添加的边的权重成正比关系。两个商品共同出现在一个历史订单的次数越多，在构建的商品关联网络中两个商品对应的网络节点之间的边的权重越大；两个商品共同出现在一个历史订单的次数越少，商品关联网络中两个商品对应的网络节点之间的边的权重越小。采用上述方式，可以依据实际的商品与商品关联情况，构建出更加贴合实际情况的商品关联网络，从而通过商品关联网络可以反映出各商品之间的真实关联程度。
S302、依据图嵌入算法确定商品关联网络中各网络节点对应的商品的特征值。
在本实施例中，在构建得到商品关联网络之后，商品关联网络中的每一个商品均可以作为一个待评估对象。针对商品关联网络中包含的每一个商品，可以通过图嵌入算法对商品关联网络进行处理，并从该商品关联网络中提取各网络节点对应的商品的特征值。其中，网络节点对应的商品的特征值可以是指用于表征商品在商品关联网络中与其他商品之间关联关系的特征向量。可选的，在构建得到商品关联网络后，可以采用图嵌入算法对商品关联网络中包含各网络节点进行处理，从该商品关联网络中提取每一个网络节点与其他网络节点的关联信息，并作为各网络节点对应的商品的特征值。
在本实施例中，图嵌入算法可以包括：深度游走算法和大规模信息网络嵌入算法等。依据图嵌入算法确定商品关联网络中各网络节点对应的商品的特征值，可以包括：采用深度游走算法或者大规模信息网络嵌入算法计算商品关联网络中各网络节点对应的商品的特征值。
在本实施例的一种可选方式中，采用深度游走算法计算商品关联网络中各网络节点对应的商品的特征值，可以包括以下步骤S3021a～S3021b：
S3021a、在进行每次随机游走时，从商品关联网络中均匀随机采样一个网络节点作为本次随机游走的起始点，游走过程中对上一个访问到的节点均匀随机采样一个具有关联权重的邻接点，直到游走达到预设的最大长度结束本次随机游走，最终获得多个节点序列。
S3021b、通过机器学习对多个节点序列进行训练，得到各网络节点对应的商品的特征值向量。
在本实施方式中，通过深度游走算法可以学习商品关联网络中各网络节点隐式表征信息。其中，该隐式表征信息可以理解为商品关联网络中反映的各个网络节点对应的商品之间的隐含关联信息。
在本实施方式中，可以采用随机游走生成器从商品关联网络中均匀的选取至少一个网络节点，并采用深度游走算法对选取的每一个网络节点均进行一次随机游走处理。可选的，在进行每次随机游走时，可以使用随机游走生成器从商品关联网络中均匀随机采样一个网络节点作为本次随机游走的起始点，每次游走都对上一个访问到的网络节点均匀随机采样一个具有关联权重的邻接点直到达到最大长度，从而得到本次随机游走的所走网络节点组合，作为本次随机游走的节点序列。按照上述方式可以使用随机游走生成器从商品关联网络中均匀采样多个网络节点分别作为每次随机游走的起始点，经过多次随机游走过程最终可以获得多个节点序列。
在本实施方式中，在得到多个网络节点序列后，可以通过预设的机器学习模型对获取的多个节点序列进行训练，以将随机游走得到的节点序列中的每一网络节点分别映射到连续向量空间中，进而得到商品关联网络中各网络节点对应的特征值。通过深度游走算法可以通过随机游走的方式从商品关联网络中获得多个节点序列，然后对节点序列尽心训练从节点序列中学习出各个网络节点之间存在的关联特征向量，从而可以得到商品关联网络中包括的各个网络节点对应的商品的特征值。
示例性地，参见图3b，商品关联网络中可以包含多个网络节点和各个网络节点之间的关联权重。商品关联网络可以采用商品关联图G＝(V,E)表示，在商品关联网络G＝(V,E)中，其中V表示商品关联网络中的商品种类，E代表V中点的连接，采用不同的符号V命名不同的网络节点，用二维数组的存储结构表示两个网络节点间是否存在连边，存在为1，否则为0。具体过程为：在每一次随机游走过程中，采用深度随机游走算法可以从商品关联网络G＝(V,E)中随机均匀地选取一个网络节点vi，并将选取的网络节点vi作为本次随机游走的起始点进行随机游走，从而可以得到本次随机游走的所走网络节点组合，作为本次随机游走的节点序列。通过从商品关联网络中均匀采样多个网络节点分别作为每次随机游走的起始点，经过多次随机游走过程最终可以获得多个节点序列。在构建生成固定长度的多个节点序列后，可以采用Skip-gram模型对构建生成的节点序列进行训练，从中间网络节点学习训练得到各个网络节点对应的低维特征向量，并将各网络节点对应的低维特征向量作为商品关联网络中包括的各网络节点对应的商品的特征值。例如，通过随机游走获取的多个节点序列具体可以为：1-4-13-1-11-5-7…、33-34-10-3-20-25…、28-24-30-27-9-21…，进而通过对节点序列进行训练可以得到商品关联网络中每一个网络节点对应的低维特征向量，即可得到各网络节点对应的商品的特征值。参见图3b，网络节点1对应的商品的特征值可以为：0.016579、-0.0336、0.3452167、0.04698…；网络节点2对应的商品的特征值可以为：-0.00703、0.26589、-0.351422、0.043923…。
在本实施方式中，采用上述技术方案，在从商品关联网络中提取各网络节点对应的商品的特征值时，充分利用了深度游走算法自适应性(在新添加网络节点之后，不用重新学习)、合理性(将特征向量相似的网络节点分到同一类的概率大)、低纬度(可以产生低维度的特征向量可以加速商品的分类效率)以及连续性(可以在连续空间中进行订单表示，增加分类的效果)的特点，以便能够更好地从商品关联网络中提取各网络节点对应的商品的特征值。
虽然，通过深度游走算法可以尽可能的从商品关联网络中提取各网络节点之间的关联信息，以得到各网络节点对应的商品的特征值，然而深度游走算法只考虑了商品的一阶接近度，商品关联网络中隐藏更深的多阶接近度的信息无法被有效获得。鉴于上述情况，本发明实施例可以采用大规模信息网络嵌入算法从商品关联网络中提取隐藏更深的多阶接近度的信息。
在本实施例的一种可选方式中，采用大规模信息网络嵌入算法计算商品关联网络中各网络节点对应的商品的特征值，可以包括以下步骤S3022a～S3022c：
S3022a、确定商品关联网络中各网络节点间的一阶相似度，并对各网络节点间的一阶相似度进行优化，得到各网络节点对应的商品的第一特征值向量。
S3022b、确定商品关联网络中各网络节点间的二阶相似度，并对各网络节点间的二阶相似度进行优化，得到各网络节点对应商品的第二特征值向量。
S3022c、将第一特征值向量和第二特征值向量进行拼接，得到各网络节点对应的商品的特征值向量。
在本实施方式中，可以同时引入了一阶相似度和二阶相似度，通过一阶相似度和二阶相似度的结合来从商品关联网络中提取隐藏更深的多阶接近度信息，以从商品关联网络中提取各网络节点对应的商品的特征值。
在本实施方式中，商品关联网络中的一阶相似度可以是指两个网络节点间的局部成对相似度，两个网络节点间连接的边的权重可以用于表示两个网络节点间的一阶相似度。若两个网络节点之间无边，则表明两个网络节点之间的一阶相似度为0。商品关联网络中的二阶相似度可以是指商品关联网络中邻居网络结构的相似度，例如，在商品关联网络中，用pu表示网络节点u到其他相邻网络节点之间的一阶相似度，用pv表示网络节点v到其他相邻网络节点之间的一阶相似度，相应的网络节点v与网络节点u之间的二阶相似度就是pu和pv之间的相似度。如果没有其他网络节点与网络节点u和网络节点v相连，那么网络节点v与网络节点u之间的二阶相似度为0。
在本实施方式中，为了保证得到的一阶相似度的准确性，在确定商品关联网络中各网络节点间的一阶相似度后，可以对各网络节点间的一阶相似度进行优化，从而可以得到各网络节点对应的商品的第一特征值向量；另外，可以依据各网络节点间的一阶相似度确定商品关联网络中各网络节点间的二阶相似度，并对各网络节点间的二阶相似度进行优化处理，从而可以得到各网络节点对应商品的第二特征值向量。
在本实施方式中，在得到各网络节点对应的商品的第一特征值向量和第二特征值向量后，可以对第一特征值向量和第二特征值向量进行拼接处理，得到各网络节点对应的第三特征值向量，并将第三特征值向量作为各网络节点对应的商品的特征值向量。此外，考虑到第一特征值向量和第二特征值向量不一定都满足最小相似度的条件。换言之，即使第一特征值向量所表示的一阶相似度单独满足最小相似度条件和第二特征值向量所表示的二阶相似度单独满足最小相似度条件，但是并不代表拼接后的第三特征值向量所表示的相似度也满足最小相似度条件。为此，可以分别为第一特征值向量和第二特征值向量设置权重比例，通过权重比例来平衡拼接后的第三特征值向量。例如，以第一特征值向量为A，第二特征值向量为B为例，拼接后的第三特征值向量为C＝[A；B]，通过为第一特征值向量A归一化设置权重β，为第二特征值向量B归一化设置权重γ，得到权重平衡后的第三特征值向量C'＝[β*A；γ*B]，并将权重平衡后的第三特征值向量C'作为各网络节点对应的商品的特征值向量，即得到各网络节点对应的商品的特征值。
在本实施方式中，为了更好地对第一特征值向量和第二特征值向量进行拼接处理，可以先分别对第一特征值向量和第二特征值向量进行归一化处理，并将归一化处理后的第一特征值向量和第二特征值向量进行拼接，得到拼接处理后的第三特征值向量。可选的，在对一化处理后的第一特征值向量和第二特征值向量进行拼接时，可以对第一特征值向量和第二特征值向量的权重比例进行平衡，以便得到准确的各网络节点对应的商品的特征值向量。
在本实施方式中，商品关联网络可以采用商品关联图G＝(V,E)表示，在商品关联图G＝(V,E)中，其中V表示商品关联网络中的商品种类，E代表V中点的连接，每对边是有序对e＝(u,v)且有大于零的权重wuv，表示在所有订单中有多少订单中同时包含u,v两种商品。可以采用大规模网络算法将商品关联图中的每个网络节点v映射到低维空间Rd中，学习一个函数fG:V→Rd，其中d＜＜|V|，从而在空间Rd中保留一阶相似度和二阶相似度。下面针对一阶相似度的优化处理和二阶相似度优化处理进行示例性说明。
(1)对一阶相似度进行优化处理的情况：
具体的，对于商品关联图G＝(V,E)中每条边(i,j)定义两个网络节点vi，vj之间的网络节点间的连接概率具体可以为：
其中，ui是vi的低维向量表示，在商品关联图G＝(V,E)定义的V×V空间内的分布，经验分布其中，
为了保留一阶相似度，可以减小以下目标函数：其中，d是两个分布之间的距离。
通过减小两个概率分布的KL散度，用KL散度替换距离函数并去掉常量后，从而可以得到：找到减小上式的就可以表示d维空间内的每个点，从而就可以得到第一特征值向量。
(2)对二阶相似度进行优化处理的情况：
具体的，给定一个假设有向的商品关联图G＝(V,E)，假设任一网络节点与其他网络节点共享多条连接，每个网络节点有两种情况：网络节点本身和其他网络节点的外部节点，此时引入两个向量分别表示网络节点的vi和作为外部节点的vi，对于每个有向边(i,j)首先定义环境vj生成网络节点vi的概率：
其中，|V|是网络节点或环境的数量。对于每个网络节点vi，上式p2(vj,vi)确定了环境上的条件分布。
为保留二阶相似度，应当由低维表示确定条件分布来接近经验分布最简单的方法是减小以下目标函数：
其中，d(·,·)表示两个分布的距离，由于在商品关联图G＝(V,E)中网络节点的重要性不同，引入λi来表示网络节点i可通过度或者算法来衡量的重要性。
经验分布其中wij表示边(i,j)的权重，di是节点i的出度，为了简化计算，引入KL散度作为距离函数，将λi设为度di并去掉常量后得到如下目标函数：
通过学习和来减小上式的目标函数，就可以用d维向量表示每个节点vi，从而就可以得到第二特征值向量。
经过上述对一阶相似度和二阶相似度的优化处理后，可以得到第一特征值向量和第二特征值向量，通过对第一特征值向量和第二特征值向量进行拼接处理，可以得到各网络节点对应的商品的特征值向量。
在本实施方式中，在结合一阶相似度和二阶相似度联合训练上述目标函数O1和目标函数O2时，考虑到计算条件概率p2时需要累加全部节点，代价非常高，于是引入了“负采样”，根据每个节点间的边(i,j)的噪声分布取样多个负边，特别对每个节点间的边指定了以下函数：
其中，σ(x)＝1/(1+exp(-x))，第一项为构造观测边，第二项构造由噪声分布画出的负边，K是负边数。令其中dv是节点v的出度。另外，为了优化上式，可以采用异步随机梯度算法(ASGD)来优化。
S303、依据各网络节点对应的商品的特征值对各商品进行聚类处理，将聚合为一类的商品的集合作为一个预测订单的商品集。
在本实施例中，在商品关联网络中各网络节点对应的商品的特征值后，可以根据各网络节点对应的商品的特征值，通过预设的聚类算法，对商品关联网络中包括的各网络节点对应的商品进行聚类处理。根据对各网络节点对应的商品的聚类结果，可以将商品关联网络中包括的各网络节点对应的商品分配到不同的商品类，每一种商品类对应一个预测订单，从而可以确定至少一个预测订单的商品集。其中，预设的聚类算法可以用于对商品关联网络中包括的各网络节点对应的商品进行聚类分析。可选的，预设的聚类算法可以包括但不限于K均值聚类(K-means)、谱聚类等。
在本实施例中，本实施例的聚类可以理解为按照某个特定标准把包含多个商品的商品集合分割成不同的类或簇，使得位于同一类或簇中的商品的相似性尽可能大，同时不位于同一类或簇中的商品的差异性也尽可能地大。
在本实施例的一种可选方式中，在依据图嵌入算法确定商品关联网络中各网络节点对应的商品的特征值之后，还可以包括：
将一个特征值作为一个维度，对商品关联网络中各网络节点对应的商品的特征值进行降维处理。
在本实施方式中，在依据图嵌入算法确定商品关联网络中各网络节点对应的商品的特征值后，每一个网络节点对应的商品的特征值的维数可能还是比较高，且在每一个网络节点对应的商品的特征值中可能会存在无效数据。如果网络节点对应的商品的特征值维数较高或者存在无效数据，那么在依据各网络节点对应的商品的特征值进行聚类时会增加数据处理的复杂度，从而影响预测订单商品集的聚类效率。为此，可以采用预设的降维算法对将每一个网络节点对应的商品的特征值作为一个维度，对商品关联网络中各网络节点对应的商品的特征值进行降维。预设的降维算法可以包括主成分分析(PCA)、等距映射(Isomap)、拉普拉斯特征映射(LE)、局部线性嵌入(LLE)和t分布随机邻域嵌入(t-SNE)等算法。
在本实施方式中，通过将商品映射成网络节点，以及将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为所述两个网络节点之间的关联权重，构建出商品与商品之间的商品关联网络，依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值，可以提取到从商品的描述内容上看不到商品之间的明显联系的特征，从而可以依据各网络节点对应的商品的特征值对各商品进行聚类处理，获得多个商品类，实现了对不同商品的聚类，将聚合为一类的商品作为预测出的可能在同一个订单中出现的商品，进而将聚合为一类的商品的集合作为一个预测订单的商品集。
S304，控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中。
S305，获取待处理订单，确定待处理订单在缓存容器的商品集中命中的目标商品，并将待处理订单和目标商品的商品信息分派至工作站，以使工作站完成对待处理订单的拣选操作。
本发明实施例的技术方案，通过构建商品与商品之间的商品关联网络，依据图嵌入算法确定商品关联网络中各网络节点对应的商品的特征值，可以提取到从商品的描述内容上看不到商品之间的明显联系的特征，从而可以依据各网络节点对应的商品的特征值对各商品进行聚类处理，从历史订单预测未来订单中可能包含的商品集，对其进行预拣选后单独集中存储在一个或多个缓存容器中，当获取到待处理订单时，将待处理订单命中的缓存容器中商品作为待处理订单的目标商品，将本次待处理订单和目标商品信息分派至工作站，以使工作站根据接收到的信息完成对待处理订单的拣选操作。本实施例通过特有的确定预测订单的商品集的方法，极大地提高了预测未来订单中可能包含的商品集的准确性，进而使得预拣选后存储在缓存容器中的商品集涵盖尽可能多的待处理订单商品，在实际待处理订单来临时，从缓存容器中就可以快速命中订单商品，提高商品的拣选效率。
图4是本发明实施例中提供的一种订单处理装置的结构示意图，本发明实施例可应用于根据预测订单的商品集对待处理订单进行处理的场景。该装置可以采用软件和/或硬件的方式实现，该装置可以集成在任何具有网络通信功能的设备上。
如图4所示，本发明实施例中的订单处理装置可以包括：预测商品确定模块401、预拣选处理模块402和订单处理模块403。其中：
预测商品确定模块401，用于依据历史订单，确定预测订单的商品集；
预拣选处理模块402，用于为控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
订单处理模块403，用于获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
本发明实施例中提供的技术方案，通过依据历史订单，确定预测订单的商品集，并控制第一机器人辅助完成对该商品集的预拣选后，存储在缓存容器中，当获取到待处理订单时，确定缓存容器的商品集中是否存在待处理订单命中的商品，若是，则将命中商品作为待处理订单的目标商品，将本次待处理订单和目标商品信息分派至工作站，以使工作站根据接收到的信息完成对待处理订单的拣选操作。本发明实施例的方案为订单商品的拣选处理提供了一种新思路，通过历史订单预测未来订单中可能包含的商品集，将其进行预拣选后单独集中存储在一个或多个缓存容器中，从而实现将未来订单中出现概率大的商品集与出现概率小的商品集分开存储，在后续实际待处理订单来临时，可以通过在存储出现概率大的商品集的缓存容器中进行实际拣选操作，从而实现快速命中待处理订单中的商品，提高待处理订单中的商品的命中效率，大幅度地提高订单拣选处理效率。
在上述实施例的基础上，可选的，所述预测订单的数量为至少一个，各预测订单的商品集中的商品数量为至少一个。
在上述实施例的基础上，可选的，将所述预测订单的商品集存储在至少一个缓存容器中，所述缓存容器位于缓存容器区和/或分散在拣选容器区；
其中，所述缓存容器区位于工作站的预设位置，和/或位于拣选容器区的预设位置。
在上述实施例的基础上，可选的，所述缓存容器区位于工作站的预设位置包括：
所述缓存容器区设置在工作站靠近拣选工位的位置。
在上述实施例的基础上，可选的，所述缓存容器区位于拣选容器区的预设位置包括：
所述缓存容器区位于拣选容器区的出入口处。
在上述实施例的基础上，可选的，所述预拣选处理模块402将所述预测订单的商品集存储在缓存容器中时，具体用于：
将所述预测订单的商品集中各商品存储至一个缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器。
在上述实施例的基础上，可选的，若预拣选处理模块402将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器，则订单处理模块403在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
将所述待处订单的商品集中的商品按照其所属种类进行划分；
从各种类对应的缓存容器中查找划分后该种类的商品命中的目标商品。
在上述实施例的基础上，可选的，若预拣选处理模块402将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器，则订单处理模块403在确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
将所述待处理订单的商品集与各预测订单的商品集进行相似度匹配；
依据相似度匹配结果，确定目标预测订单；
从所述目标预测订单所属的缓存容器的商品集中获取待处理订单命中的商品作为所述待处理订单的目标商品。
在上述实施例的基础上，可选的，所述订单处理模块403在所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
获取一个待处理订单，从所述缓存容器的商品集中查找是否存在所述待处理订单命中的商品；
若存在，则将所述待处理订单命中的商品作为所述待处理订单的目标商品。
在上述实施例的基础上，可选的，所述订单处理模块403在所述获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品时，具体用于：
获取至少两个待处理订单，统计所述至少两个待处理订单包含的所有订单商品，作为总待处理订单商品集；
从所述缓存容器的商品集中查找是否存在被所述总待处理订单命中的商品；
若存在，则将所述总待处理订单命中的商品的集合作为总目标商品集；
将所述总目标商品集拆分到其对应的各待处理订单中，得到各待处理订单在所述缓存容器的商品集中命中的目标商品集。
在上述实施例的基础上，可选的，所述装置还包括：
控制指令发送模块，用于为目标商品分配第二机器人，并向所述第二机器人发送第一控制指令，以使所述第二机器人根据所述第一控制指令将承载目标商品的目标缓存容器搬运至工作站；
相应的，所述订单处理模块403在将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作时，具体用于：
将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站的工作人员或拣选设备依据所述待处理订单和目标商品的商品信息，从目标缓存容器中获取目标商品放置在所述待处理订单对应的周转箱中。
在上述实施例的基础上，可选的，所述订单处理模块403在将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作时，具体用于：
将所述待处理订单和目标商品的商品信息分派至工作站，以使工作站的工作人员或拣选设备根据所述商品信息移动至承载目标商品的目标缓存容器位置处，并从目标缓存容器中获取目标商品，放置在所述待处理订单对应的周转箱中。
在上述实施例的基础上，可选的，所述装置还包括：
缺失商品处理模块，若所述待处理订单中包含所述缓存容器的商品集中未命中的缺失商品，则从库存容器和/或拣选容器中查找承载所述缺失商品的目标库存容器或目标拣选容器；
所述控制指令发送模块，用于为所述缺失商品分配第三机器人，并向所述第三机器人发送第二控制指令，以使所述第三机器人根据所述第二控制指令将目标库存容器或目标拣选容器搬运至工作站。
在上述实施例的基础上，可选的，所述预测商品确定模块401具体包括：
关联网络构建单元，用于将商品映射成网络节点，以及将任意两个网络节点对应的商品在历史订单中共同出现的频次映射为所述两个网络节点之间的关联权重，构建出商品与商品之间的商品关联网络；
特征值确定单元，用于依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值；
订单商品确定单元，用于依据各网络节点对应的商品的特征值对各商品进行聚类处理，将聚合为一类的商品的集合作为一个预测订单的商品集。
在上述实施例的基础上，可选的，所述预测商品确定模块401还包括：
降维处理单元，用于在依据图嵌入算法确定所述商品关联网络中各网络节点对应的商品的特征值之后，将一个特征值作为一个维度，对所述商品关联网络中各网络节点对应的商品的特征值进行降维处理。
在上述实施例的基础上，可选的，所述特征值确定单元具体用于：
采用深度游走算法或者大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值。
在上述实施例的基础上，可选的，所述特征值确定单元采用深度游走算法计算所述商品关联网络中各网络节点对应的商品的特征值时，具体用于：
在进行每次随机游走时，从所述商品关联网络中均匀随机采样一个网络节点作为本次随机游走的起始点，游走过程中对上一个访问到的节点均匀随机采样一个具有关联权重的邻接点，直到游走达到预设的最大长度结束本次随机游走，最终获得多个节点序列；
通过机器学习对所述多个节点序列进行训练，得到各网络节点对应的商品的特征值向量。
在上述实施例的基础上，可选的，所述特征值确定单元采用大规模信息网络嵌入算法计算所述商品关联网络中各网络节点对应的商品的特征值时，具体用于：
确定所述商品关联网络中各网络节点间的一阶相似度，并对各网络节点间的一阶相似度进行优化，得到各网络节点对应的商品的第一特征值向量；
确定所述商品关联网络中各网络节点间的二阶相似度，并对各网络节点间的二阶相似度进行优化，得到各网络节点对应商品的第二特征值向量；
将所述第一特征值向量和所述第二特征值向量进行拼接，得到各网络节点对应的商品的特征值向量。
本发明实施例中提供的订单处理装置可执行上述本发明任意实施例中所提供的订单处理方法，具备执行订单处理方法相应的功能模块和有益效果。
图5是本发明实施例中提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备512的框图。图5显示的设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，设备512以通用计算设备的形式表现。设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元516，存储装置528，连接不同系统组件(包括存储装置528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与设备512交互的设备通信，和/或与使得该设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与设备512的其它模块通信。应当明白，尽管图5中未示出，可以结合设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例中所提供的订单处理方法，该方法包括：
依据历史订单，确定预测订单的商品集；
控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例中所提供的订单处理方法中的技术方案。
本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中提供的订单处理方法，该方法包括：
依据历史订单，确定预测订单的商品集；
控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
当然，本发明实施例中所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的订单处理方法的操作，还可以执行本发明任意实施例中所提供的订单处理方法中的相关操作，且具备相应的功能和有益效果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种订单处理方法，其特征在于，所述方法包括：
依据历史订单，确定预测订单的商品集；
控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
2.根据权利要求1所述的方法，其特征在于，所述预测订单的数量为至少一个，各预测订单的商品集中的商品数量为至少一个。
3.根据权利要求1所述的方法，其特征在于，将所述预测订单的商品集存储在至少一个缓存容器中，所述缓存容器位于缓存容器区和/或分散在拣选容器区；
其中，所述缓存容器区位于工作站的预设位置，和/或位于拣选容器区的预设位置。
4.根据权利要求3所述的方法，其特征在于，所述缓存容器区位于工作站的预设位置包括：
所述缓存容器区设置在工作站靠近拣选工位的位置。
5.根据权利要求3所述的方法，其特征在于，所述缓存容器区位于拣选容器区的预设位置包括：
所述缓存容器区位于拣选容器区的出入口处。
6.根据权利要求1所述的方法，其特征在于，将所述预测订单的商品集存储在缓存容器中，包括：
将所述预测订单的商品集中各商品存储至一个缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器；或者，
将所述预测订单的商品集中各商品存储至其所属预测订单对应的缓存容器。
7.根据权利要求6所述的方法，其特征在于，若将所述预测订单的商品集中各商品存储至其所属种类对应的缓存容器，则确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，包括：
将所述待处订单的商品集中的商品按照其所属种类进行划分；
从各种类对应的缓存容器中查找划分后该种类的商品命中的目标商品。
8.一种订单处理装置，其特征在于，所述装置包括：
预测商品确定模块，用于依据历史订单，确定预测订单的商品集；
预拣选处理模块，用于控制第一机器人辅助完成所述预测订单的商品集的预拣选，经过预拣选后，将所述预测订单的商品集存储在缓存容器中；
订单处理模块，用于获取待处理订单，确定所述待处理订单在所述缓存容器的商品集中命中的目标商品，并将所述待处理订单和目标商品的商品信息分派至工作站，以使所述工作站完成对所述待处理订单的拣选操作。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上权利要求1-7中任一所述的订单处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上权利要求1-7中任一所述的订单处理方法。
CN201910487280.6A 2019-06-05 2019-06-05 订单处理方法、装置、设备和存储介质 Active CN110197309B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910487280.6A CN110197309B (zh) 2019-06-05 2019-06-05 订单处理方法、装置、设备和存储介质
PCT/CN2019/128114 WO2020244202A1 (zh) 2019-06-05 2019-12-25 订单处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910487280.6A CN110197309B (zh) 2019-06-05 2019-06-05 订单处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110197309A true CN110197309A (zh) 2019-09-03
CN110197309B CN110197309B (zh) 2021-11-26

Family

ID=67754102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910487280.6A Active CN110197309B (zh) 2019-06-05 2019-06-05 订单处理方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN110197309B (zh)
WO (1) WO2020244202A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866723A (zh) * 2019-11-14 2020-03-06 北京旷视机器人技术有限公司 立体仓储系统中订单到站点的分配方法、装置及系统
CN111210074A (zh) * 2020-01-06 2020-05-29 北京旷视机器人技术有限公司 仓库中的订单处理方法、装置、介质、电子设备与系统
CN111242554A (zh) * 2020-01-17 2020-06-05 秒针信息技术有限公司 拣货方式类型确定方法和装置
CN111652408A (zh) * 2020-04-13 2020-09-11 北京旷视机器人技术有限公司 仓库中的订单处理方法、装置、介质、电子设备与系统
CN111667181A (zh) * 2020-06-08 2020-09-15 拉扎斯网络科技（上海）有限公司 任务处理方法、装置、电子设备及计算机可读存储介质
WO2020244202A1 (zh) * 2019-06-05 2020-12-10 北京极智嘉科技有限公司 订单处理方法、装置、设备和存储介质
CN112446658A (zh) * 2019-09-04 2021-03-05 北京京东乾石科技有限公司 一种仓储物品分流上架的方法和装置
CN113052536A (zh) * 2021-04-06 2021-06-29 北京京东振世信息技术有限公司 订单处理方法、装置及系统
CN113496368A (zh) * 2020-03-20 2021-10-12 北京京东乾石科技有限公司 拣选工作站的配置方法及装置
CN113538075A (zh) * 2020-04-14 2021-10-22 阿里巴巴集团控股有限公司 数据的处理方法、模型的训练方法、装置和设备
CN113780909A (zh) * 2020-08-11 2021-12-10 北京京东乾石科技有限公司 一种物品出库方法和装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763014B (zh) * 2021-01-05 2024-09-20 北京沃东天骏信息技术有限公司 物品共现关系确定方法和装置及判定模型获得方法和装置
CN112712861A (zh) * 2021-01-07 2021-04-27 北京明略软件系统有限公司 模型构建方法、装置、设备及计算机可读介质
CN113177819B (zh) * 2021-04-22 2024-01-12 北京京东振世信息技术有限公司 一种物品分播方法、物品分播装置和存储介质
CN113673934B (zh) * 2021-08-26 2024-04-26 深圳市易流科技股份有限公司 一种订单与线路的匹配方法及装置、设备和存储介质
CN113850441A (zh) * 2021-09-30 2021-12-28 广州品唯软件有限公司 一种预测送达时效方法及装置
CN113919916A (zh) * 2021-10-20 2022-01-11 广州品唯软件有限公司 订单拆分方法、装置及电子设备
CN116308190B (zh) * 2023-03-23 2023-08-25 国网浙江省电力有限公司 基于能源物联网服务系统的工单全生命周期监控方法
CN118428701B (zh) * 2024-07-04 2024-09-17 杭州智源电子有限公司 一种排单信息的生成方法、装置、计算机设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080167884A1 (en) * 2007-01-05 2008-07-10 Kiva Systems, Inc. System and Method for Filling an Order
CN104903922A (zh) * 2012-10-04 2015-09-09 亚马逊科技公司 在库存支架处填充订单
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
CN107437146A (zh) * 2017-08-01 2017-12-05 北京同城必应科技有限公司 一种订单供需调度方法、系统、计算机设备和存储介质
CN108846609A (zh) * 2018-06-15 2018-11-20 北京极智嘉科技有限公司 基于订单任务的拣选方法、装置、服务器和介质
CN109086921A (zh) * 2018-07-19 2018-12-25 北京极智嘉科技有限公司 货架位置调整方法、装置、计算机设备和存储介质
CN109146350A (zh) * 2017-06-28 2019-01-04 菜鸟智能物流控股有限公司 一种仓库的发货操作执行方法和装置
CN109214730A (zh) * 2017-06-29 2019-01-15 北京京东尚科信息技术有限公司 信息推送方法和装置
CN109284866A (zh) * 2018-09-06 2019-01-29 安吉汽车物流股份有限公司 商品订单预测方法及装置、存储介质、终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10026044B1 (en) * 2012-09-10 2018-07-17 Amazon Technologies, Inc. System and method for arranging an order
CN107563702B (zh) * 2017-09-14 2021-04-30 北京京东尚科信息技术有限公司 商品仓储调配方法、装置以及存储介质
CN110197309B (zh) * 2019-06-05 2021-11-26 北京极智嘉科技股份有限公司 订单处理方法、装置、设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080167884A1 (en) * 2007-01-05 2008-07-10 Kiva Systems, Inc. System and Method for Filling an Order
CN104903922A (zh) * 2012-10-04 2015-09-09 亚马逊科技公司 在库存支架处填充订单
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
CN109146350A (zh) * 2017-06-28 2019-01-04 菜鸟智能物流控股有限公司 一种仓库的发货操作执行方法和装置
CN109214730A (zh) * 2017-06-29 2019-01-15 北京京东尚科信息技术有限公司 信息推送方法和装置
CN107437146A (zh) * 2017-08-01 2017-12-05 北京同城必应科技有限公司 一种订单供需调度方法、系统、计算机设备和存储介质
CN108846609A (zh) * 2018-06-15 2018-11-20 北京极智嘉科技有限公司 基于订单任务的拣选方法、装置、服务器和介质
CN109086921A (zh) * 2018-07-19 2018-12-25 北京极智嘉科技有限公司 货架位置调整方法、装置、计算机设备和存储介质
CN109284866A (zh) * 2018-09-06 2019-01-29 安吉汽车物流股份有限公司 商品订单预测方法及装置、存储介质、终端

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020244202A1 (zh) * 2019-06-05 2020-12-10 北京极智嘉科技有限公司 订单处理方法、装置、设备和存储介质
CN112446658A (zh) * 2019-09-04 2021-03-05 北京京东乾石科技有限公司 一种仓储物品分流上架的方法和装置
CN110866723A (zh) * 2019-11-14 2020-03-06 北京旷视机器人技术有限公司 立体仓储系统中订单到站点的分配方法、装置及系统
CN111210074A (zh) * 2020-01-06 2020-05-29 北京旷视机器人技术有限公司 仓库中的订单处理方法、装置、介质、电子设备与系统
CN111242554A (zh) * 2020-01-17 2020-06-05 秒针信息技术有限公司 拣货方式类型确定方法和装置
CN111242554B (zh) * 2020-01-17 2023-10-17 秒针信息技术有限公司 拣货方式类型确定方法和装置
CN113496368A (zh) * 2020-03-20 2021-10-12 北京京东乾石科技有限公司 拣选工作站的配置方法及装置
CN111652408A (zh) * 2020-04-13 2020-09-11 北京旷视机器人技术有限公司 仓库中的订单处理方法、装置、介质、电子设备与系统
CN113538075A (zh) * 2020-04-14 2021-10-22 阿里巴巴集团控股有限公司 数据的处理方法、模型的训练方法、装置和设备
CN111667181A (zh) * 2020-06-08 2020-09-15 拉扎斯网络科技（上海）有限公司 任务处理方法、装置、电子设备及计算机可读存储介质
CN113780909A (zh) * 2020-08-11 2021-12-10 北京京东乾石科技有限公司 一种物品出库方法和装置
CN113780909B (zh) * 2020-08-11 2024-10-18 北京京东乾石科技有限公司 一种物品出库方法和装置
CN113052536A (zh) * 2021-04-06 2021-06-29 北京京东振世信息技术有限公司 订单处理方法、装置及系统

Also Published As

Publication number Publication date
WO2020244202A1 (zh) 2020-12-10
CN110197309B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN110197309B (zh) 订单处理方法、装置、设备和存储介质
CN111523918B (zh) 商品聚类的方法、装置、设备和存储介质
US12051038B2 (en) Order processing method, apparatus and device, and storage medium
US11182743B2 (en) Order processing method and device, server, and storage medium
Zeng et al. Robotic pick-and-place of novel objects in clutter with multi-affordance grasping and cross-domain image matching
CN111557013B (zh) 仓库订单履行操作中的订单分组
CN109117999B (zh) 播种位分配方法、装置、服务器和介质
CN109733783B (zh) 一种货物上架方法、装置、电子设备及存储介质
CN108806115A (zh) 无人的自助式操作系统、方法和操作门
JP2022523506A (ja) 倉庫注文履行動作における通い箱誘導
US10981724B2 (en) Packing by destination for automated fulfilled goods
WO2023020105A1 (zh) 物资盘点方法、装置、设备以及存储介质
CN105531715A (zh) 检测物品交互和移动
KR102687433B1 (ko) 창고 주문 이행 작업들에서의 최적화된 토트 추천 프로세스
WO2024093758A1 (zh) 立体仓库的搬运调度方法及装置
CN111325049B (zh) 商品识别方法、装置、电子设备及可读介质
CN113570179A (zh) 容器确定方法及装置、电子设备和计算机可读存储介质
US20240257047A1 (en) Systems and methods for analyzing and labeling images in a retail facility
CN111553621B (zh) 物品存放方法及装置、存储介质和电子设备
JP2024030102A (ja) 情報処理方法、情報処理プログラムおよび情報処理装置
Jefroy et al. A Simulation Study for Integrating Library Material Handling with Autonomous Mobile Robots
WO2023205160A1 (en) Multi-sensor perception for resource tracking and quantification
CN114505250A (zh) 货品的自动分拣装置、方法、设备及计算机存储介质
CN117401324A (zh) 货物拣选方法及装置
Encinas et al. Three Simulation Cases of Automated Warehouse Picking Systems: A Comparative Analysis

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
CB02 Change of applicant information

Address after: 100020 No. 1 Building, No. 36 Chuangyuan Road, Chaoyang District, Beijing 101

Applicant after: Beijing jizhijia Technology Co.,Ltd.

Address before: 100020 No. 1 Building, No. 36 Chuangyuan Road, Chaoyang District, Beijing 101

Applicant before: Beijing Geekplus Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant