CN110908381A - 机器人调度方法及装置 - Google Patents
机器人调度方法及装置 Download PDFInfo
- Publication number
- CN110908381A CN110908381A CN201911215075.0A CN201911215075A CN110908381A CN 110908381 A CN110908381 A CN 110908381A CN 201911215075 A CN201911215075 A CN 201911215075A CN 110908381 A CN110908381 A CN 110908381A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- robot
- event
- task
- matching
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000004064 recycling Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Manipulator (AREA)
Abstract
本发明涉及物流技术领域,尤其涉及机器人调度方法及装置,应用于包含机器人的仓库中,所述方法包括:对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。本发明能够避免机器人出现绕路和拥堵的现象,无需人工强行介入,提高了机器人的运输效率。
Description
技术领域
本发明涉及物流技术领域,尤其涉及机器人调度方法及装置。
背景技术
随着电子商务的蓬勃发展,仓库中商品拣选策略优化问题也变得越来越重要。其中出现了一种新型仓库场景,即无人仓。无人仓是指利用机器车(Automated GuidedVehicle,AGV)取代人力,其特点是利用机器车把所需商品所在的托盘整体搬运到工作台,然后由工作台的机械手臂逐一拣选所需数量的商品。无人仓模式尤其适合中件或者大件商品,因为中大件商品是一件一个包裹,原始订单拆开后就不需要再等待别的商品进行合并。
然而,现有的无人仓所使用的机器车调度方法为单个机器车的启发式调度方法,采用上述方法容易致使机器车出现绕路现象,进而造成机器车拥堵,需要人工强行介入,降低了机器车的运输效率。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的机器人调度方法及装置。
依据本发明的第一个方面,本发明提供一种机器人调度方法,应用于包含机器人的仓库中,所述方法包括:
对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;
根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;
根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;
基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。
优选的,所述调度事件包括出库事件、回库事件、回收事件、盘货事件、库存调整事件和充电事件中的至少一种。
优选的,所述对调度事件进行跟踪,利用所述调度事件填满匹配池,包括:
跟踪所述调度事件的优先级,按照所述优先级的先后顺序利用所述调度事件填满具有预设事件处理阈值的所述匹配池。
优选的,所述根据所述三分图匹配模型,为所述机器人分配调度任务,包括:
在所述三分图匹配模型中求解最大流最小费用问题,为所述机器人分配调度任务。
优选的,所述根据所述三分图匹配模型,为所述机器人分配调度任务,包括:
将所述三分图匹配模型转换为二分图匹配模型;
在所述二分图匹配模型中求解最大匹配最小成本问题,为所述机器人分配调度任务。
优选的,所述运动状态包括匀速状态、加速状态、减速状态、停止状态和转方向状态中的至少一种。
优选的,在所述确定所述机器人的运动路径和运动状态之前,所述方法还包括:
为所述仓库的仓库地图进行额外边添加处理;
其中,所述在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态,包括:
在经过额外边添加处理后的所述仓库地图中,根据所述机器人的当前位置和所述调度任务的任务目的地,确定所述机器人的运动路径和运动状态。
依据本发明的第二个方面,本发明提供一种机器人调度装置,应用于包含机器人的仓库中,所述装置包括:
跟踪模块,用于对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;
三分图模型建立模块,用于根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;
分配模块,用于根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;
确定模块,用于基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。
依据本发明的第三个方面,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前述第一个方面中的方法步骤。
依据本发明的第四个方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如前述第一个方面中的方法步骤。
根据本发明的机器人调度方法及装置,应用于包含机器人的仓库中,首先,对调度事件进行跟踪,利用调度事件填满匹配池,其中,位于匹配池中的调度事件为目标调度事件,接着,根据机器人的当前位置和目标调度事件,建立三分图匹配模型,然后,根据三分图匹配模型,为机器人分配调度任务,其中,调度任务至少包含任务目的地,最后,基于时间和空间的不相交路径条件,在机器人的当前位置和调度任务的任务目的地之间,确定机器人的运动路径和运动状态。本发明采用匹配池的方式从调度事件中确定出目标调度事件,并结合三分图匹配模型为机器人分配调度任务,最终利用时间和空间的不相交路径条件确定机器人的运动路径和运动状态,能够避免机器人出现绕路和拥堵的现象,无需人工强行介入,提高了机器人的运输效率。
上述说明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
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。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,用相同的参考图形表示相同的部件。在附图中:
图1示出了本发明实施例中机器人调度方法的流程图;
图2示出了本发明实施例中三分图匹配模型的示意图;
图3示出了本发明实施例中二分图匹配模型的示意图;
图4示出了本发明实施例中基于时间切片的三维地图的示意图;
图5示出了本发明实施例中分解前相邻的两个点的示意图;
图6示出了本发明实施例中分解后相邻的两个点的示意图;
图7示出了本发明实施例中并行的时间切片方式的示意图;
图8示出了本发明实施例中机器人调度装置的结构示意图;
图9示出了本发明实施例中计算机设备的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明第一实施例提供一种机器人调度方法,如图1所示,应用于包含机器人的仓库中,该机器人可以为机器小车等具有搬运功能的机器,所述方法包括:
步骤101:对调度事件进行跟踪,利用调度事件填满匹配池,其中,位于匹配池中的调度事件为目标调度事件。
步骤102:根据机器人的当前位置和目标调度事件,建立三分图匹配模型。
步骤103:根据三分图匹配模型,为机器人分配调度任务,其中,调度任务至少包含任务目的地。
步骤104:基于时间和空间的不相交路径条件,在机器人的当前位置和调度任务的任务目的地之间,确定机器人的运动路径和运动状态。
具体来讲,在本发明实施例中,调度事件包括出库事件、回库事件、回收事件、盘货事件、库存调整事件和充电事件中的至少一种。出库事件是指订单商品打包后运输至货车,回库事件是指将工作台上打包订单剩下的商品运送回库存,回收事件是指托盘上的商品清空后将托盘运送到空托集放处,盘货事件是指根据优化逻辑把库存商品相互挪动位置使得后续出库更优,库存调整事件是指将整个仓库内的商品进行统一调整使得后续出库最优,充电事件是指根据充电桩分布和占用情况为机器人充电。
对于步骤101而言,跟踪调度事件的优先级,按照优先级的先后顺序利用调度事件填满具有预设事件处理阈值的匹配池。例如,预先建立一匹配池,匹配池具有预设事件处理阈值,如预设事件处理阈值为100个事件,则在对调度事件进行跟踪的过程中,优先跟踪调度事件的优先级,按照优先级的先后顺序,将优先级排名前100的调度事件填入匹配池。
需要说明的是,本发明在利用调度事件填满匹配池的过程中,除了将调度事件的优先级作为填入条件,还会将与调度事件相对应的关联信息作为填入条件。其中,调度事件的优先级作为填入匹配池的第一优先权,与调度事件相对应的关联信息作为填入匹配池的第二优先权。例如,当调度事件为出库事件时,出库事件中包含有订单详情,订单详情包含订单商品数量和订单优先级,订单商品即为待出库商品,订单优先级可以由出库时间决定,订单优先级即为出库事件的优先级,其中,与出库事件相对应的关联信息包括待出库商品的累积量和位置中至少一种。若将待出库商品的累积量与出库事件的优先级同时作为填入条件,则,在步骤101中,跟踪出库事件的优先级以及与出库事件对应的待出库商品的数量,按照出库事件的优先级对相同的待出库商品进行积累,将积累量达到积累上限阈值时所对应的所有出库事件填入匹配池直至匹配池被填满。例如,若匹配池的预设事件处理阈值为100件,对于相同商品而言的积累上限阈值为10件,若与第一出库事件对应的待出库商品A的数量为3个,与第二出库事件对应的待出库商品A的数量为4个,与第三出库事件对应的待出库商品A的数量为3个,第一出库事件、第二出库事件和第三出库事件的优先级顺次降低,则由于第一出库事件、第二出库事件和第三出库事件对于待出库商品A的积累量达到积累上限阈值,则将第一出库事件、第二出库事件和第三出库事件填入匹配池,依次类推,直至匹配池被填满。
需要说明的是,在本发明实施例中,填入匹配池内的调度事件被称为目标调度事件。在将调度事件填入匹配池之后,匹配池内的目标调度事件不再具有优先级,但填入匹配池的目标调度事件可以保障滞后的时间是具有下界的,即,最多延迟至匹配池内所有目标调度事件处理完毕所需时间内,所有目标调度事件均将会被处理掉。本发明采用匹配池的方式屏蔽全局任务统筹优先级的问题,使得优先级可控,同时使得统筹优化空间扩大。
对于步骤102而言,当调度事件为出库事件时,实时考虑空闲机器人当前位置、目标出库事件中待出库商品以及空闲工位位置,其中,工位是指拣货后再打包的工作台,通常一个工作台会有3个工位作为额外缓冲。进而,建立关于空闲机器人当前位置、目标出库事件中待出库商品以及空闲工位位置的三分图匹配模型,该三分图匹配模型如图2所示。本发明通过建立三分图匹配模型,并利用三分图匹配模型为机器人分配调度任务目的是最小化机器人的运动路径,三分图匹配模型可以灵活的扩展到不同的调度事件中。
接着,在步骤103中,对于如何根据三分图匹配模型为机器人分配调度任务,本发明实施例提供下面两种具体的实施例方式:
在第一种实施方式中,在三分图匹配模型中求解最大流最小费用问题,为机器人分配调度任务。
具体来讲,三分图匹配实际是对一个有向图计算最大流的最小费用解,也就是说在保障任务数量最大化的前提下计算费用最小匹配。实现三分图匹配主要通过求解最大流-最小费用问题,相应的数学模型如下所示:
xij,yik,zip,uiq,vjl,wkr,nps,mqr∈{0,1}
其中,xij,yik,zip,uiq,vjl,wkr,nps,mqr为变量,分别代表不同资源之间的匹配关系,具体来说,xij指的是第i个机器人是否分配到第j个出库的托盘;yik指的是第i个机器人是否分配到第k个需回库的托盘;zip指的是第i个机器人是否分配到第p个需回收的托盘;uiq指的是第i个机器小车是否分配到第q个需入库的托盘;vjl指的是第j个需出库托盘是否分配到第l个工作台;wkr指的是第k个需回库托盘是否分配到第r个空货架;nps指的是第p个需回收托盘是否分配到第s个空垛处;mqr指的是第q个需入库托盘是否分配到第r个空货架。
接着,求解上述最大流问题得到的最优解为MaxFlow,求解最大流问题主要是用来判断三分图模型中的瓶颈资源,即可以保证瓶颈资源可以完全被利用到。在求得最大流的基础上,我们求解在此基础上的最小费用问题,参见下述过程:
与上述最大流模型一样,除了最大流的目标外,也包括其所有限制条件。目标函数中aij,bik,cip,dip,ejl,fkr,gps,hqr分别表示距离成本,tij表示对不同任务类型打分,βij代表分区打分成本,αij表示依据库存量对出库托盘打分。
对于求解上述模型,可以将整数变量放松为线性变量,从而在多项式时间内求解线性规划问题,得到的最优解自然是整数,也就是原整数规划问题的最优解,这一特性也是最大流最小成本问题的优势。上述问题可以转换为线性规划问题利用单纯形法进行求解。同时,注意到实际场景中上述模型的求解有一定的难度,因为对求解速度有实时性需求(秒级),而真实仓库场景中变量数会达到几十万甚至上百万,约束条件也有几万个,这样的话现有的开源求解器都无法在实时内求得精确解。
基于上述问题,为了提升求解效率,本发明实施例提供第二种实施方式,在第二种实施方式中,首先将三分图匹配模型转换为二分图匹配模型,接着在二分图匹配模型中求解最大匹配最小成本问题,为机器人分配调度任务。
具体来讲,本发明通过等价变换,将三分图匹配问题转换为二分图匹配问题,在转换过程中,考虑到三分图中可连接的边是有限制的,不能直接对机器人和工作台/空垛处/空货架连边,需要通过任务托盘来连接,以构成完整的任务链,因此,解决的方法是对每一个任务托盘复制一份,分别位于两边,如图3所示,然后采用同样的连边方式,即图3中的二分图匹配模型的结果可以转化为原三分图的匹配结果,从而问题变成求解二分图的最大匹配最小成本问题。
进一步来讲,该二分图匹配问题实际上是一种线性匹配问题,可以采用Jonker-Volgenant算法,JV算法是在著名的Hungarian算法的基础上做了改进,要比Hungarian算法的实际求解速度快,从而满足实时计算的需求。
更进一步,求解中还涉及到set coverage的问题。举例来说,我们是要求一个机器人去取远处的一个带有100商品的托盘,还是排两个机器人去取近处的两个分别有50商品的托盘。在实际求解中,使用了Lagrange松弛系数,以及一些大规模线性规划的优化方法来优化求解速度,使得实时求解成为可能。
进一步,在步骤104中,时间和空间的不相交路径条件为基于时间切片模型的不相交路径问题(Disjoint Paths Problem),即,允许机器人运动路径在平面图上有交点但是只要不在同一时刻被占据即可,从而,转换为在时间切片的三维地图中,如图4所示,求解每个机器人的运动路径和运动状态,运动状态包括匀速状态、加速状态、减速状态、停止状态和转方向状态中的至少一种,转弯时可以包括先停止后转方向的运动状态的拆分。本发明通过时间和空间的不相交路径条件能够避免机器人在运动过程中出现拥堵、碰撞和死锁。进一步,在本发明实施例中,在确定机器人的运动路径和运动状态时,可以预判机器人在预设步数内是否发生碰撞。
另外,为进一步避免机器人之间发生碰撞,在确定机器人的运动路径和运动状态之前,所述方法还包括:为仓库的仓库地图进行额外边添加处理。进而,在经过额外边添加处理后的仓库地图中,根据机器人的当前位置和调度任务的任务目的地,确定机器人的运动路径和运动状态。
具体来讲,额外边添加处理是指将仓库地图中的每个点分解为四个分解点,四个分解点分别位于上下左右四个方向,且四个分解点的位置对称,四个分解点相邻的分解点两两连线。分解前仓库地图中两个相邻的点的示意图如图5所示,分解后这两个相邻的点的示意图如图6所示,其中,对于A点而言,将其分解为A1、A2、A3和A4,对于B点而言,将其分解为B1、B2、B3和B4。若机器人小车从A点驶到北边的B点,在现有技术中,如果从B点要转弯的话不能直接从地图表示中得知,而需要额外判断,这个判断就依赖于小车具体路径是什么,即需动态计算,效率因重复计算而低下。若采用本发明的技术方案,把原地图一个点A转换成东南西北四个点A1,A2,A3,A4,即A1代表小车在A,且朝向为北。四个方向点之间有两两连线,且连线的边权重表示小车转方向费用。这里A1必须连接B1,而不是B3,即,分解后的点对应连接,即小车在A点朝北行进到B点还是朝北。另一方面,如果要表示驶到北边的B点且朝向南,就需要先到B1,再从B1到B3。通过这种方式的转换,可以在地图中直接模拟的转弯费用,不需要根据具体路径动态计算。
在本发明实施例中,采用上述方法在模型上减少了复杂度,只是增加了图计算的复杂度。特别地,在防拥堵处理上的有限步时间维度的计算,可以通过划分覆盖区域的方式来并行计算,这是因为距离远的机器人之间可能的碰撞并不关心,从而上述时间切片方式在具体实施过程中,采用并行的方式。如图7所示,将整个仓库区域划分成ABCD四个区域,如果现在要考虑给区域A内的机器人规划路径,那么我们只需将虚线区域内的所有机器人接下来的几步路径点从地图上面去掉,而BCD其他区域的可以看成没有机器人的存在,当A区域的机器人进入到D(或B、C)区域后,就需要考虑该区域所在虚线范围内的机器人小车了。该方法可以扩展到分布式系统。
另外,在本发明实施例中,为保证仓库内的每个工作台的工作量保持动态均衡,还会对库存和工作台的工作进行分区预处理。通常来说,分区不需要频繁进行,小时计的分区足够满足实际情况。这里要注意的是分区的边界并不影响小车的移动,分区的概念只是给库存分配一个缺省的工作台,并不是强制性的。而事实上在没有分区的情况下流程也可以顺利进行。在分区模型的建立上,本发明采用的是计算量较大的线性规划模型来求精确解。用线性规划求精确解,可以克服Voronoi Partition方法的收敛问题,其本质上是求解Minimum-Cost Flow。目标函数是满足匹配关系的所有最短路径和的最小化,其限制条件是一个托盘匹配一个或多个工位,也就是说如果托盘含有有用库存量单位(SKU),那托盘可能按其对SKU需求量分配到附近几个工位。同时一个工位可以匹配X个托盘,这里X=所有结点的权重A和与工位数量|Ⅰ|的比值,
其中,xij指的是第j个托盘分配到工位i的SKU数量,dij指的是第j个托盘到工位i的距离。对工位匹配不唯一的托盘(这里只可能是那些含有有用SKU的托盘),我们保留多种匹配可能性。也就是说,在之后的匹配中我们将对多个可能工位按分区比例xij进行打分,从而让工作量更均衡。
需要说明的是,上述仅以调度事件为出库事件为例对本发明的机器人调度方法进行详细说明,对于其他事件可以参照调度事件进行实现,不再赘述。
本发明的机器人调度方法在避免人工干预的同时,全局性地优化出库任务,区别于一些启发性算法的局部优化,使得效率在整体上达到更优,让无序的机器人在中央控制下做最聪明的行动。本发明与其他方法相比,在无人仓场景下,可以在模型上很容易扩展到不同的仓库内任务,并且能够实现效率最优化,输出稳定性高。
基于同一发明构思,本发明第二实施例还提供一种机器人调度装置,如图8所示,应用于包含机器人的仓库中,所述装置包括:
跟踪模块801,用于对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;
三分图模型建立模块802,用于根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;
分配模块803,用于根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;
确定模块804,用于基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。
优选的,所述调度事件包括出库事件、回库事件、回收事件、盘货事件、库存调整事件和充电事件中的至少一种。
优选的,跟踪模块,包括:
跟踪单元,用于跟踪所述调度事件的优先级,按照所述优先级的先后顺序利用所述调度事件填满具有预设事件处理阈值的所述匹配池。
优选的,分配模块,包括:
第一分配单元,用于在所述三分图匹配模型中求解最大流最小费用问题,为所述机器人分配调度任务。
优选的,分配模块,包括:
转换单元,用于将所述三分图匹配模型转换为二分图匹配模型;
第二分配单元,用于在所述二分图匹配模型中求解最大匹配最小成本问题,为所述机器人分配调度任务。
优选的,所述运动状态包括匀速状态、加速状态、减速状态、停止状态和转方向状态中的至少一种。
优选的,所述装置还包括:
额外边处理模块,用于为所述仓库的仓库地图进行额外边添加处理;
其中,所述确定模块,包括:
确定单元,用于在经过额外边添加处理后的所述仓库地图中,根据所述机器人的当前位置和所述调度任务的任务目的地,确定所述机器人的运动路径和运动状态。
基于同一发明构思,本发明实施例还提供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前述实施例所述的方法步骤。
基于同一发明构思,本发明实施例还提供了一种计算机设备,如图9所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机设备可以为包括手机、平板电脑、PDA(Personal DigitalAssistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备,以计算机设备为手机为例:
图9示出的是与本发明实施例提供的计算机设备相关的部分结构的框图。参考图9,该计算机设备包括:存储器901和处理器902。本领域技术人员可以理解,图9中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图9对计算机设备的各个构成部件进行具体的介绍:
存储器901可用于存储软件程序以及模块,处理器902通过运行存储在存储器901的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器901可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储数据(比如音频数据、电话本等)等。此外,存储器901可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器902是计算机设备的控制中心,通过运行或执行存储在存储器901内的软件程序和/或模块,以及调用存储在存储器901内的数据,执行各种功能和处理数据。可选的,处理器902可包括一个或多个处理单元;优选的,处理器902可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。
在本发明实施例中,该计算机设备所包括的处理器902可以具有前述实施例中任一方法步骤所对应的功能。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种机器人调度方法,其特征在于,应用于包含机器人的仓库中,所述方法包括:
对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;
根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;
根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;
基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。
2.如权利要求1所述的机器人调度方法,其特征在于,所述调度事件包括出库事件、回库事件、回收事件、盘货事件、库存调整事件和充电事件中的至少一种。
3.如权利要求1所述的机器人调度方法,其特征在于,所述对调度事件进行跟踪,利用所述调度事件填满匹配池,包括:
跟踪所述调度事件的优先级,按照所述优先级的先后顺序利用所述调度事件填满具有预设事件处理阈值的所述匹配池。
4.如权利要求1所述的机器人调度方法,其特征在于,所述根据所述三分图匹配模型,为所述机器人分配调度任务,包括:
在所述三分图匹配模型中求解最大流最小费用问题,为所述机器人分配调度任务。
5.如权利要求1所述的机器人调度方法,其特征在于,所述根据所述三分图匹配模型,为所述机器人分配调度任务,包括:
将所述三分图匹配模型转换为二分图匹配模型;
在所述二分图匹配模型中求解最大匹配最小成本问题,为所述机器人分配调度任务。
6.如权利要求1所述的机器人调度方法,其特征在于,所述运动状态包括匀速状态、加速状态、减速状态、停止状态和转方向状态中的至少一种。
7.如权利要求1所述的机器人调度方法,其特征在于,在所述确定所述机器人的运动路径和运动状态之前,所述方法还包括:
为所述仓库的仓库地图进行额外边添加处理;
其中,所述在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态,包括:
在经过额外边添加处理后的所述仓库地图中,根据所述机器人的当前位置和所述调度任务的任务目的地,确定所述机器人的运动路径和运动状态。
8.一种机器人调度装置,其特征在于,应用于包含机器人的仓库中,所述装置包括:
跟踪模块,用于对调度事件进行跟踪,利用所述调度事件填满匹配池,其中,位于所述匹配池中的调度事件为目标调度事件;
三分图模型建立模块,用于根据所述机器人的当前位置和所述目标调度事件,建立三分图匹配模型;
分配模块,用于根据所述三分图匹配模型,为所述机器人分配调度任务,其中,所述调度任务至少包含任务目的地;
确定模块,用于基于时间和空间的不相交路径条件,在所述机器人的当前位置和所述调度任务的任务目的地之间,确定所述机器人的运动路径和运动状态。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一权利要求所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215075.0A CN110908381B (zh) | 2019-12-02 | 2019-12-02 | 机器人调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215075.0A CN110908381B (zh) | 2019-12-02 | 2019-12-02 | 机器人调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110908381A true CN110908381A (zh) | 2020-03-24 |
CN110908381B CN110908381B (zh) | 2021-08-24 |
Family
ID=69821651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911215075.0A Active CN110908381B (zh) | 2019-12-02 | 2019-12-02 | 机器人调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110908381B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111890336A (zh) * | 2020-06-15 | 2020-11-06 | 成都飞机工业(集团)有限责任公司 | 一种机器人多目标点示教方法、系统 |
CN112198880A (zh) * | 2020-10-20 | 2021-01-08 | 浙江迈睿机器人有限公司 | 一种agv任务分配方法、物流分拣方法及系统 |
CN112396258A (zh) * | 2021-01-20 | 2021-02-23 | 民航成都物流技术有限公司 | Ics行李处理系统空托盘回收控制方法 |
CN112926875A (zh) * | 2021-03-23 | 2021-06-08 | 广州宸祺出行科技有限公司 | 一种缓解高峰期拥堵的智能调度方法及系统 |
CN113050577A (zh) * | 2021-03-29 | 2021-06-29 | 深圳市商汤科技有限公司 | 智能移动设备的调度方法及装置 |
CN113095753A (zh) * | 2021-04-06 | 2021-07-09 | 江苏省港口集团信息科技有限公司 | 一种基于集装箱智能管理派位的无人集卡调度方法 |
CN113268088A (zh) * | 2021-06-10 | 2021-08-17 | 中国电子科技集团公司第二十八研究所 | 一种基于最小费用最大流的无人机任务分配方法 |
CN113627775A (zh) * | 2021-08-04 | 2021-11-09 | 昆山塔米机器人有限公司 | 机器人的调度方法、装置、设备和存储介质 |
CN115796387A (zh) * | 2023-01-29 | 2023-03-14 | 深圳市普拉托科技有限公司 | 托盘调度寻优方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199428A (zh) * | 2014-09-17 | 2014-12-10 | 上海畔慧信息技术有限公司 | 群体机器人管理服务器及其方法 |
CN107065888A (zh) * | 2017-05-26 | 2017-08-18 | 金陵科技学院 | 一种基于磁导航机器人及导航调度系统和方法 |
CN107463173A (zh) * | 2017-07-31 | 2017-12-12 | 广州维绅科技有限公司 | 仓储agv导航方法及装置、计算机设备及存储介质 |
CN107621824A (zh) * | 2017-09-20 | 2018-01-23 | 清华大学 | 一种管理和调度移动订单车的系统及其方法 |
-
2019
- 2019-12-02 CN CN201911215075.0A patent/CN110908381B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199428A (zh) * | 2014-09-17 | 2014-12-10 | 上海畔慧信息技术有限公司 | 群体机器人管理服务器及其方法 |
CN107065888A (zh) * | 2017-05-26 | 2017-08-18 | 金陵科技学院 | 一种基于磁导航机器人及导航调度系统和方法 |
CN107463173A (zh) * | 2017-07-31 | 2017-12-12 | 广州维绅科技有限公司 | 仓储agv导航方法及装置、计算机设备及存储介质 |
CN107621824A (zh) * | 2017-09-20 | 2018-01-23 | 清华大学 | 一种管理和调度移动订单车的系统及其方法 |
Non-Patent Citations (2)
Title |
---|
杨世辉: "《完备三分图的同构分解》", 《曲阜师院学报(自然科学版)》 * |
陈晓旭等: "《基于最小费用最大流的大规模资源调度方法》", 《软件学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111890336A (zh) * | 2020-06-15 | 2020-11-06 | 成都飞机工业(集团)有限责任公司 | 一种机器人多目标点示教方法、系统 |
CN112198880A (zh) * | 2020-10-20 | 2021-01-08 | 浙江迈睿机器人有限公司 | 一种agv任务分配方法、物流分拣方法及系统 |
CN112396258A (zh) * | 2021-01-20 | 2021-02-23 | 民航成都物流技术有限公司 | Ics行李处理系统空托盘回收控制方法 |
CN112396258B (zh) * | 2021-01-20 | 2021-05-28 | 民航成都物流技术有限公司 | Ics行李处理系统空托盘回收控制方法 |
CN112926875A (zh) * | 2021-03-23 | 2021-06-08 | 广州宸祺出行科技有限公司 | 一种缓解高峰期拥堵的智能调度方法及系统 |
CN112926875B (zh) * | 2021-03-23 | 2023-12-19 | 广州宸祺出行科技有限公司 | 一种缓解高峰期拥堵的智能调度方法及系统 |
CN113050577A (zh) * | 2021-03-29 | 2021-06-29 | 深圳市商汤科技有限公司 | 智能移动设备的调度方法及装置 |
CN113095753A (zh) * | 2021-04-06 | 2021-07-09 | 江苏省港口集团信息科技有限公司 | 一种基于集装箱智能管理派位的无人集卡调度方法 |
CN113268088A (zh) * | 2021-06-10 | 2021-08-17 | 中国电子科技集团公司第二十八研究所 | 一种基于最小费用最大流的无人机任务分配方法 |
CN113627775A (zh) * | 2021-08-04 | 2021-11-09 | 昆山塔米机器人有限公司 | 机器人的调度方法、装置、设备和存储介质 |
CN113627775B (zh) * | 2021-08-04 | 2024-01-19 | 昆山塔米机器人有限公司 | 机器人的调度方法、装置、设备和存储介质 |
CN115796387A (zh) * | 2023-01-29 | 2023-03-14 | 深圳市普拉托科技有限公司 | 托盘调度寻优方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110908381B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110908381B (zh) | 机器人调度方法及装置 | |
JP7014917B2 (ja) | Gtpシステムの管理方法と装置、システム、サーバーならびにコンピュータ記憶媒体 | |
da Costa Barros et al. | Robotic mobile fulfillment systems: A survey on recent developments and research opportunities | |
CN111149071B (zh) | 物品处理协调系统和重新定位运输容器的方法 | |
JP6891314B2 (ja) | 搬送デバイスの移動を制御する方法、システムおよび装置 | |
US7774243B1 (en) | Method and system for predestination item transfer among agents within a materials handling facility | |
US8306650B1 (en) | Method and system for agent exchange-based materials handling | |
US11565882B2 (en) | Intelligent warehousing system, method for fetching and placing material and background processing terminal thereof | |
US20200103921A1 (en) | Coordinated Operation of Autonomous Robots | |
CN111027902B (zh) | 无人仓货品运输匹配方法及装置 | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
CN113075927A (zh) | 基于预约表的仓储潜伏式多agv路径规划方法 | |
CN108346025B (zh) | 基于云的智慧物流计算方法 | |
Lin et al. | MLATSO: A method for task scheduling optimization in multi-load AGVs-based systems | |
CN108416471B (zh) | 用于供应链的智能计算方法 | |
CN113614768A (zh) | 仓库订单履行操作中优化的装运箱推荐过程 | |
WO2022113992A1 (ja) | 移動体システム、ピッキングシステム、および経路決定方法 | |
Xidias et al. | SERobWaS: a support environment for a robot-based warehousing system | |
JP6621142B2 (ja) | 配送ルート組換システム | |
Yue et al. | Minimizing Robot Digging Times to Retrieve Bins in Robotic-Based Compact Storage and Retrieval Systems | |
JP2022002995A (ja) | 情報処理システムおよび情報処理方法 | |
CN108376325B (zh) | 物流信息网络化管理方法 | |
Liu et al. | Efficient order-based scheduling algorithms for automated retrieval system (ARS) in smart warehouses | |
JP7404424B2 (ja) | 情報処理装置、情報処理方法、プログラムおよび情報処理システム | |
CN114803243B (zh) | 货物出库方法、装置、系统与电子设备 |
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 |