CN110977979B - 一种闲置机器人调度方法及系统 - Google Patents

一种闲置机器人调度方法及系统 Download PDF

Info

Publication number
CN110977979B
CN110977979B CN201911286018.1A CN201911286018A CN110977979B CN 110977979 B CN110977979 B CN 110977979B CN 201911286018 A CN201911286018 A CN 201911286018A CN 110977979 B CN110977979 B CN 110977979B
Authority
CN
China
Prior art keywords
robot
idle
scheduling
idle robot
kth
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.)
Active
Application number
CN201911286018.1A
Other languages
English (en)
Other versions
CN110977979A (zh
Inventor
邹兵
陈宇
段鑫
唐朝阳
黄丹
陈启宇
白大勇
陈儒
黄文昶
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.)
Guangdong Institute of Intelligent Manufacturing
South China Robotics Innovation Research Institute
Original Assignee
Guangdong Institute of Intelligent Manufacturing
South China Robotics Innovation Research Institute
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 Guangdong Institute of Intelligent Manufacturing, South China Robotics Innovation Research Institute filed Critical Guangdong Institute of Intelligent Manufacturing
Priority to CN201911286018.1A priority Critical patent/CN110977979B/zh
Publication of CN110977979A publication Critical patent/CN110977979A/zh
Application granted granted Critical
Publication of CN110977979B publication Critical patent/CN110977979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种闲置机器人调度方法，其特征在于，包括以下步骤：接收调度任务；读取闲置机器人数据库，获取闲置机器人数据库中的闲置机器人数据；基于调度任务初步筛选符合调度任务需求的n个闲置机器人；分别计算并比较n个闲置机器人的评价值α，评价值
Figure DDA0002317998550000011
其中βk为第k个闲置机器人在已执行的调度任务中所消耗的寿命，ωk为第k个闲置机器人预估的理论寿命上限；驱动评价值最小的闲置机器人执行调度任务。该闲置机器人调度方法通过基于寿命得出的评价值来进行闲置机器人的调度选取，可使若干台机器人的使用期限趋于平均，具有良好的实用性。另外，本发明还提供了一种闲置机器人调度系统。

Description

一种闲置机器人调度方法及系统
技术领域
本发明涉及调度算法领域，具体涉及到一种闲置机器人调度方法及系统。
背景技术
在现代化智能工厂中，通常设置有相当数量的机器人，机器人在工作状态和充电状态中进行状态循环，为了对机器人的电池进行保护，机器人通常只有在充满电后才会切换至工作状态进行作业，且在电量低于安全水平时才会切换至充电状态进行充电。
处于充电状态下的机器人可认为是闲置的，但闲置的机器人并非是完全不能切换至工作状态的，在调度任务要求紧急时，通过下调电量的安全水平、人工释放、降低工作状态切换的电量需求等方式可使充电状态下的机器人切换至工作状态。
如何从若干个处于充电状态下的机器人选取合适的机器人进行调度任务的执行是行业内的一个难题。
发明内容
本发明提供了一种闲置机器人调度方法及系统，通过基于寿命得出的评价值来进行闲置机器人的调度选取，可使若干台机器人的使用期限趋于平均，以降低机器人零星损坏的可能性，减少工厂运行可能出现的故障问题，具有良好的实用性。
相应的，本发明提供了一种闲置机器人调度方法，包括以下步骤：
接收调度任务；
读取闲置机器人数据库，获取闲置机器人数据库中的闲置机器人数据；
基于调度任务初步筛选符合所述调度任务需求的n个闲置机器人；
分别计算并比较所述n个闲置机器人的评价值α，所述评价值
Figure GDA0003159122950000021
其中βk为第k个闲置机器人在已执行的调度任务中所消耗的寿命，ωk为第k个闲置机器人预估的理论寿命上限；
驱动评价值最小的闲置机器人执行所述调度任务。
可选的，所述分别计算并比较所述n个闲置机器人的评价值α包括以下步骤：
将第k闲置机器人已执行的调度任务用函数
Figure GDA0003159122950000022
表示，其中，m为已执行的调度任务的总次数，
Figure GDA0003159122950000023
为第k闲置机器人在第i次调度任务中的平均速度，Li为第k闲置机器人在第i次调度任务中的轨迹长度，Fi为第k闲置机器人在第i次调度任务中的负载；
预设置一理论寿命最大值Tkmax；
构建第k闲置机器人模拟生涯调度任务函数
Figure GDA0003159122950000024
其中，vk额定为第k闲置机器人的最优行驶速度；
将第k闲置机器人模拟生涯调度任务函数输入预构建的神经网络模型，得出第k个闲置机器人预估的理论寿命上限ωk；
第k个闲置机器人在已执行的调度任务中所消耗的寿命
Figure GDA0003159122950000031
所述第k闲置机器人的评价值
Figure GDA0003159122950000032
可选的，所述理论寿命最大值Tkmax可基于以下方法进行计算：
以最优行驶速度驱动机器人空载进行运动，直至机器人寿命完结并得到理论寿命最大值Tkmax。
可选的，对同型号的多辆机器人的理论寿命最大值进行求均值处理，并以计算结构作为该型号机器人的理论寿命最大值Tkmax。
可选的，所述预构建的神经网络模型基于以下方式构建：
构建原始神经网络模型；
以若干个寿命完结的机器人的生涯调度任务数据和服役寿命ωj作为训练样本训练所述原始神经网络模型，其中，生涯调度任务数据作为输入数据，服役寿命作为输出结果；
每一个所述寿命完结的机器人的生涯调度任务数据用函数
Figure GDA0003159122950000033
表示，其中，g为生涯调度任务的总次数，
Figure GDA0003159122950000034
为对应机器人第j次调度任务中的平均速度，Lj为对应机器人在第j次调度任务中的轨迹长度，Fj为对应机器人在第j次调度任务中的负载。
可选的，所述调度任务包括负载要求、速度要求和轨迹要求；
所述闲置机器人数据包括每一个闲置机器人的额定负载和剩余电量。
可选的，所述基于调度任务初步筛选符合所述调度任务需求的闲置机器人包括：
基于所述负载要求筛选所述闲置机器人数据库中的闲置机器人，得到第一筛选集合；
基于所述速度要求和所述轨迹要求遍历计算所述第一筛选集合中的每一个闲置机器人的任务所需电量，且以所述任务所需电量与所述剩余电量的比较作为条件对所述第一筛选集合进行筛选，得到所述符合所述调度任务需求的闲置机器人。
相应的，本发明提供了一种闲置机器人调度系统，用于执行上述的任一项所述的商品进出库方法。
本发明提供了一种闲置机器人调度方法及系统，该闲置机器人调度方法通过基于寿命得出的评价值来进行闲置机器人的调度选取，可使若干台机器人的使用期限趋于平均，降低机器人零星损坏的可能性，减少工厂运行可能出现的故障问题，具有良好的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本发明实施例闲置机器人调度方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例闲置机器人调度方法的流程示意图。
本发明实施例提供了一种闲置机器人调度方法，包括以下步骤：
S101：接收调度任务；
一般的，所述调度任务包括负载要求、速度要求和轨迹要求；其中负载要求是该调度任务的物品重量，速度要求和轨迹要求是相互配合的，以使物品重量能在指定时间到达指定地点。
S102：读取闲置机器人数据库，获取闲置机器人数据库中的闲置机器人数据；
具体的，为了完成调度任务，所述闲置机器人数据需要包括每一个闲置机器人的额定负载和剩余电量，其中额定负载是为了验证是否满足调度任务的负载要求，剩余电量是为了验证是否满足调度任务的速度要求和轨迹要求。
S103：基于调度任务初步筛选符合所述调度任务需求的n个闲置机器人；
具体的，基于所述负载要求筛选所述闲置机器人数据库中的闲置机器人，得到第一筛选集合；
基于所述速度要求和所述轨迹要求遍历计算所述第一筛选集合中的每一个闲置机器人的任务所需电量，且以所述任务所需电量与所述剩余电量的比较作为条件对所述第一筛选集合进行筛选，得到所述符合所述调度任务需求的闲置机器人。
最终得出的符合所述调度任务需求的闲置机器人数量为n个。
S104：分别计算并比较所述n个闲置机器人的评价值α，所述评价值
Figure GDA0003159122950000051
其中，βk为第k个闲置机器人在已执行的调度任务中所消耗的寿命，ωk为第k个闲置机器人预估的理论寿命上限。
具体的，可采用以下方式计算评价值α。
S201：将第k闲置机器人已执行的调度任务用函数
Figure GDA0003159122950000052
表示；
其中，m为已执行的调度任务的总次数，
Figure GDA0003159122950000061
为第k闲置机器人在第i次调度任务中的平均速度，Li为第k闲置机器人在第i次调度任务中的轨迹长度，Fi为第k闲置机器人在第i次调度任务中的负载；
具体的，影响机器人寿命的因素主要与机器人的运动路程、相对应的运动速度和负载有关系，以函数
Figure GDA0003159122950000062
进行表示，具体的，在一次已执行的调度任务中，速度和轨迹可能都是存在变化的，为了便于处理，将每一次一致性的调度任务以平均速度
Figure GDA0003159122950000063
和轨迹总长度Li表示。
S202：预设置一理论寿命最大值Tkmax；
具体的，每一辆机器人的电机都具有一个最优转速，相对应的，每一辆机器人都存在一个最优行驶速度，因此，理论寿命最大值Tkmax可基于以下方法进行计算：
以最优行驶速度驱动机器人空载进行运动，直至机器人寿命完结并得到理论寿命最大值Tkmax。
可选的，可对同型号的多辆机器人的理论寿命最大值Tkmax进行求均值处理，以排除个体差异。
S203:构建第k闲置机器人模拟生涯调度任务函数
Figure GDA0003159122950000064
其中，vk额定为第k闲置机器人的最优行驶速度；
S204：将第k闲置机器人模拟生涯调度任务函数输入预构建的神经网络模型，得出第k个闲置机器人预估的理论寿命上限ωk；
该神经网络模型的输入侧数据为机器人在寿命期限内的调度任务数据，输出侧则为机器人的寿命期限；该神经网络模型的建立主要是考虑到训练样本的可获取性，无论是输入侧数据(机器人在寿命期限内的调度任务数据)还是输出侧数据(机器人的寿命期限)都是可获取的，但是输入侧数据和输出侧数据的关联方式是不可知的或不易用特定的函数关系进行表示，因此，本实施例以神经网络模型构建输入侧数据(机器人在寿命期限内的调度任务数据)和输出侧数据(机器人的寿命期限)的关系，以实现特定的计算目的。
对第k闲置机器人模拟生涯调度任务函数
Figure GDA0003159122950000071
行分析，其中，
Figure GDA0003159122950000072
为第k个闲置机器人已执行的调度任务，显而易见，如果直接将βk作为输入侧数据导入神经网络模型是不合理的，因为第k个闲置机器人是还没有进行报废的(即寿命完结)，因此，需要以第k个闲置机器人已执行的调度任务
Figure GDA0003159122950000073
和预估将要执行的调度任务作为整体数据导入至神经网络模型中。
具体的，将要执行的调度任务也是不可知的，因此，需要采用特定的预估方法进行预测。
具体的，参照已执行的调度任务的函数格式
Figure GDA0003159122950000081
将将要执行的调度任务整体视为一次任务
Figure GDA0003159122950000082
然后分别对
Figure GDA0003159122950000083
Lx,Fx的值进行设定。
结合理论实际，机器人在负载越大的情况下运行，寿命越短；至于速度方面的影响，由于涉及到加速度、偏离最优形式速度的幅度、速度转换等方面的影响，较难判定其对寿命的影响(本发明为了计算的便利性采用平均速度表示，但实际执行中速度变化是十分复杂的)；综上，本发明实施例将
Figure GDA0003159122950000084
定义为
Figure GDA0003159122950000085
将将要执行的调度任务的速度定义为vk额定，运行轨迹距离定义为
Figure GDA0003159122950000086
负载定义为最大负载Fk满载。
具体的，最大负载定义为Fk满载，可使最终通过神经网络模型得到的理论寿命上限趋于一较小值；在该条件下，由于机器人在将来的调度作业中是不一定始终保持满载执行的，因此，将要执行的调度任务的速度定义为vk额定，可一定程度上削弱将负载定义为最大负载Fk满载所带来的寿命较小的问题；将要执行的调度任务的距离定义为
Figure GDA0003159122950000091
其中，Tkmax是实际上机器人可达到的最大寿命，
Figure GDA0003159122950000092
为对应机器人的已运行寿命，假设机器人后续的调度任务均为空载任务，则机器人最大可运行轨迹距离即为
Figure GDA0003159122950000093
即
Figure GDA0003159122950000094
为最理想状态下的机器人运行距离；具体的，因为机器人的总寿命可视为已经历寿命和未经历寿命相加组成，如果将将要执行的调度任务的距离定义为
Figure GDA0003159122950000095
会出现以下问题：
如果机器人的运行时间短，由于本实施例将将要执行的调度任务的负载定义为满载，如果直接采用
Figure GDA0003159122950000096
作为运行轨迹距离，则明显不符合常规(满载状态下运行空载的距离)；
因此，为了解决上述问题，需要对
Figure GDA0003159122950000097
增加一个合理的系数，以合适的对
Figure GDA0003159122950000098
进行缩放。
具体的，本实施例所选取的系数为
Figure GDA0003159122950000101
其中，c为一基于不同机器人所确立的常数。
通过以上实施方式，最终所确立的
Figure GDA0003159122950000102
具有良好的仿真性，能够初步预估对应机器人将要执行的调度任务，并基于神经网络模型得出第k个闲置机器人预估的理论寿命上限ωk
具体的，神经网络模型的构建后续进行说明。
S205：第k个闲置机器人在已执行的调度任务中所消耗的寿命
Figure GDA0003159122950000103
在该步骤中，可以看出，最终所得到的已执行的调度任务中所消耗的寿命βk为理论寿命上限ωk减去
Figure GDA0003159122950000104
其中，理论寿命上限ωk是通过
Figure GDA0003159122950000105
预估出来的，理论寿命上限ωk减去
Figure GDA0003159122950000106
可进一步降低因
Figure GDA0003159122950000107
预估不精确所带来的误差问题，从而能够提高相关机器人已执行的调度任务中所消耗的寿命βk的精确度，具有良好的实用性。
S206：所述第k闲置机器人的评价值
Figure GDA0003159122950000108
最终求出每一个闲置机器人的评价值α，评价值α用于表示对应机器人的已消耗寿命占总寿命的百分比，值越小表明闲置机器人越“新”，故障率越低，为了平衡各机器人的总使用寿命和降低故障发生概率，应选择评价值α最小的闲置机器人执行调度任务。
S105：驱动评价值最小的闲置机器人执行所述调度任务。
具体的，本发明实施例还提供了一种神经网络模型建立方法：
S301：构建原始神经网络模型；
S302：以若干个寿命完结的机器人的生涯调度任务数据和服役寿命ωj作为训练样本训练所述原始神经网络模型，其中，生涯调度任务数据作为输入数据，服役寿命作为输出结果；
具体的，每一个所述寿命完结的机器人的生涯调度任务数据用函数
Figure GDA0003159122950000111
表示，其中，g为生涯调度任务的总次数，
Figure GDA0003159122950000112
为对应机器人第j次调度任务中的平均速度，Lj为对应机器人在第j次调度任务中的轨迹长度，Fj为对应机器人在第j次调度任务中的负载。
相应的，本发明还提供了一种闲置机器人调度系统，所述闲置机器人调度系统用于执行上述的闲置机器人调度方法。
综上，本发明实施例提供了一种闲置机器人调度方法及系统，该闲置机器人调度方法通过基于寿命得出的评价值来进行闲置机器人的调度选取，可使若干台机器人的使用期限趋于平均，降低机器人零星损坏的可能性，减少工厂运行可能出现的故障问题，具有良好的实用性。
以上对本发明实施例所提供的一种闲置机器人调度方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种闲置机器人调度方法，其特征在于，包括以下步骤：
接收调度任务；
读取闲置机器人数据库，获取闲置机器人数据库中的闲置机器人数据；
基于调度任务初步筛选符合所述调度任务需求的n个闲置机器人；
分别计算并比较所述n个闲置机器人的评价值α，所述评价值
Figure FDA0003159122940000011
其中βk为第k个闲置机器人在已执行的调度任务中所消耗的寿命，ωk为第k个闲置机器人预估的理论寿命上限；
驱动评价值最小的闲置机器人执行所述调度任务。
2.如权利要求1所述的闲置机器人调度方法，其特征在于，所述分别计算并比较所述n个闲置机器人的评价值α包括以下步骤：
将第k闲置机器人已执行的调度任务用函数
Figure FDA0003159122940000012
表示，其中，m为已执行的调度任务的总次数，
Figure FDA0003159122940000013
为第k闲置机器人在第i次调度任务中的平均速度，Li为第k闲置机器人在第i次调度任务中的轨迹长度，Fi为第k闲置机器人在第i次调度任务中的负载；
预设置一理论寿命最大值Tkmax；
构建第k闲置机器人模拟生涯调度任务函数
Figure FDA0003159122940000021
其中，vk额定为第k闲置机器人的最优行驶速度，c为对应于第k闲置机器人的常数，Fk满载为第k闲置机器人的最大负载；
将第k闲置机器人模拟生涯调度任务函数输入预构建的神经网络模型，得出第k个闲置机器人预估的理论寿命上限ωk；
第k个闲置机器人在已执行的调度任务中所消耗的寿命
Figure FDA0003159122940000022
所述第k闲置机器人的评价值
Figure FDA0003159122940000023
3.如权利要求2所述的闲置机器人调度方法，其特征在于，所述理论寿命最大值Tkmax基于以下方法进行计算：
以对应于所述第k个闲置机器人的最优行驶速度驱动机器人空载进行运动，直至机器人寿命完结并得到理论寿命最大值Tkmax。
4.如权利要求3所述的闲置机器人调度方法，其特征在于，对同型号的多辆机器人的理论寿命最大值进行求均值处理，并以计算结果作为该型号机器人的理论寿命最大值Tkmax。
5.如权利要求2所述的闲置机器人调度方法，其特征在于，所述预构建的神经网络模型基于以下方式构建：
构建原始神经网络模型；
以若干个寿命完结的机器人的生涯调度任务数据和服役寿命ωj作为训练样本训练所述原始神经网络模型，其中，生涯调度任务数据作为输入数据，服役寿命作为输出结果；
每一个所述寿命完结的机器人的生涯调度任务数据用函数
Figure FDA0003159122940000031
表示，其中，g为生涯调度任务的总次数，
Figure FDA0003159122940000032
为对应机器人第j次调度任务中的平均速度，Lj为对应机器人在第j次调度任务中的轨迹长度，Fj为对应机器人在第j次调度任务中的负载。
6.如权利要求1所述的闲置机器人调度方法，其特征在于，所述调度任务包括负载要求、速度要求和轨迹要求；
所述闲置机器人数据包括每一个闲置机器人的额定负载和剩余电量。
7.如权利要求6所述的闲置机器人调度方法，其特征在于，所述基于调度任务初步筛选符合所述调度任务需求的n个闲置机器人包括：
基于所述负载要求筛选所述闲置机器人数据库中的闲置机器人，得到第一筛选集合；
基于所述速度要求和所述轨迹要求遍历计算所述第一筛选集合中的每一个闲置机器人的任务所需电量，且以所述任务所需电量与所述剩余电量的比较作为条件对所述第一筛选集合进行筛选，得到所述符合所述调度任务需求的n个闲置机器人。
8.一种闲置机器人调度系统，其特征在于，用于执行权利要求1至7的任一项所述的闲置机器人调度方法。
CN201911286018.1A 2019-12-13 2019-12-13 一种闲置机器人调度方法及系统 Active CN110977979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911286018.1A CN110977979B (zh) 2019-12-13 2019-12-13 一种闲置机器人调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911286018.1A CN110977979B (zh) 2019-12-13 2019-12-13 一种闲置机器人调度方法及系统

Publications (2)

Publication Number Publication Date
CN110977979A CN110977979A (zh) 2020-04-10
CN110977979B true CN110977979B (zh) 2021-11-02

Family

ID=70093633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911286018.1A Active CN110977979B (zh) 2019-12-13 2019-12-13 一种闲置机器人调度方法及系统

Country Status (1)

Country Link
CN (1) CN110977979B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114770494A (zh) * 2022-03-01 2022-07-22 深圳市普渡科技有限公司 机器人调度方法、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108701285A (zh) * 2017-08-23 2018-10-23 深圳蓝胖子机器人有限公司 机器人调度方法、服务器、电子设备及可读存储介质
CN109193854A (zh) * 2018-10-15 2019-01-11 北京极智嘉科技有限公司 一种调度机器人充电的方法、装置、调度系统及存储介质
CN109866225A (zh) * 2019-03-26 2019-06-11 上海钛米机器人科技有限公司 机器人任务处理方法、服务器、机器人及机器人系统
CN110046818A (zh) * 2019-04-15 2019-07-23 广州高新兴机器人有限公司 一种多机器人任务分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108701285A (zh) * 2017-08-23 2018-10-23 深圳蓝胖子机器人有限公司 机器人调度方法、服务器、电子设备及可读存储介质
WO2019036932A1 (zh) * 2017-08-23 2019-02-28 深圳蓝胖子机器人有限公司 机器人调度方法、服务器、电子设备及可读存储介质
CN109193854A (zh) * 2018-10-15 2019-01-11 北京极智嘉科技有限公司 一种调度机器人充电的方法、装置、调度系统及存储介质
CN109866225A (zh) * 2019-03-26 2019-06-11 上海钛米机器人科技有限公司 机器人任务处理方法、服务器、机器人及机器人系统
CN110046818A (zh) * 2019-04-15 2019-07-23 广州高新兴机器人有限公司 一种多机器人任务分配方法

Also Published As

Publication number Publication date
CN110977979A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
CN103048625A (zh) 电池的状态预测系统、方法及程序
CN111581850A (zh) 一种应用数字孪生技术的全周期动力电池管理系统
CN109143074A (zh) 一种动力电池模型参数辨识方法及系统
CN110977979B (zh) 一种闲置机器人调度方法及系统
JP3360520B2 (ja) 日負荷曲線予測方法
Yao et al. Study and application of an elevator failure monitoring system based on the internet of things technology
CN115081743A (zh) 充电站系统配置方法、装置、设备及计算机可读存储介质
CN104299043A (zh) 极限学习机超短期负荷预测方法
Wang et al. Mutual trust based scheduling for (semi) autonomous multi-agent systems
CN115688420A (zh) 基于城轨iscs的电扶梯质量评价方法、系统、设备及介质
CN106548284B (zh) 一种面向运行调控的自适应模块化电网安全评价方法
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
Reiman et al. App deconfliction: Orchestrating distributed, multi-agent, multi-objective operations for power systems
CN110570117B (zh) 可靠性分配方法
Kübler et al. Simulation-assisted run-to-run control for battery manufacturing in a cloud environment
Wong Computational intelligence applications in unit commitment, economic dispatch and load flow
CN112365024A (zh) 一种基于深度学习的高压直流换流站能效预测方法及系统
Rigaut et al. Scalable forecasting and model predictive control for electric vehicles smart charging
Hanif et al. Artificial Bee colony algorithm for optimization in energy-saving elevator group control system
Xue et al. Research on joint scheduling method of heterogeneous TT&C network resources based on improved DQN algorithm
Hoashalarajh et al. Digital Twin of an intelligent production line with adaptive resource handling
Desdouits et al. The Sourcing Problem
Zaghdoud et al. A multi-objective approach for assignment containers to AIVs in a container terminal
CN110909945B (zh) 一种电网调度异常处理辅助决策方法

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