CN111224443A - 基于大数据的配送机器人充电方法、系统及处理终端 - Google Patents

基于大数据的配送机器人充电方法、系统及处理终端 Download PDF

Info

Publication number
CN111224443A
CN111224443A CN202010081009.5A CN202010081009A CN111224443A CN 111224443 A CN111224443 A CN 111224443A CN 202010081009 A CN202010081009 A CN 202010081009A CN 111224443 A CN111224443 A CN 111224443A
Authority
CN
China
Prior art keywords
task
robot
current
power consumption
distribution task
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.)
Pending
Application number
CN202010081009.5A
Other languages
English (en)
Inventor
俞锦涛
黄永锋
李睿
李良源
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.)
Guangzhou Saite Intelligent Technology Co Ltd
Original Assignee
Guangzhou Saite Intelligent 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 Guangzhou Saite Intelligent Technology Co Ltd filed Critical Guangzhou Saite Intelligent Technology Co Ltd
Priority to CN202010081009.5A priority Critical patent/CN111224443A/zh
Publication of CN111224443A publication Critical patent/CN111224443A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • 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
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于大数据的配送机器人充电方法、系统及处理终端，方法包括：向所述调度系统返回当前位置信息；接收所述调度系统发送的配送任务，记为当前配送任务；计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。本发明的优点在于：能够提高机器人执行任务的可靠性和安全性，在多机器人同时工作时提高机器人的使用效率。

Description

基于大数据的配送机器人充电方法、系统及处理终端
技术领域
本发明涉及机器人控制领域，具体涉及基于大数据的配送机器人充电控制策略。
背景技术
目前机器人的充电策略基本是根据机器人当前电量，或者设置固定时间人为控制机器到充电桩充电。这些固定的充电策略，不能充分发挥机器人的使用率。在多台机器一起工作情况下，没有起到智能调度的作用。可能会出现没有机器可以工作，多台机器人一起充电的情况。如何更高效地调度机器人执行任务，是机器人充电策略需要解决的问题。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于大数据的配送机器人充电方法，解决如何更高效地调度机器人执行任务的技术问题。
本发明的目的之二在于提供一种基于大数据的配送机器人充电系统，解决如何更高效地调度机器人执行任务的技术问题。
本发明的目的之三在于提供一种处理终端，解决如何更高效地调度机器人执行任务的技术问题。
为实现上述目的之一，本发明所采用的技术方案如下：
基于大数据的配送机器人充电方法，包括：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
优选的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000021
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
优选的，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
为实现上述目的之二，本发明所采用的技术方案如下：
基于大数据的配送机器人充电系统，包括：
响应模块，用于响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
任务管理模块，若符合所述调度系统计算出的最佳配送机器人条件，则用于接收所述调度系统发送的配送任务，记为当前配送任务；
算法模块，用于根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
处理执行模块，用于判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
优选的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000041
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
优选的，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
为实现上述目的之三，本发明所采用的技术方案如下：
一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
优选的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000051
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
优选的，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
相比现有技术，本发明的有益效果在于：根据当前任务信息、机器人信息、历史任务数据和机器学习等帮助机器人判断当前电量是否能完成任务，以及任务中断后的恢复执行，能够提高机器人执行任务的可靠性和安全性，在多机器人同时工作时提高机器人的使用效率。
附图说明
图1为本发明基于大数据的配送机器人充电方法的流程图；
图2为本发明基于大数据的配送机器人充电系统的结构图；
图3为本发明处理终端的结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
实施例一：
参考图1，本发明公开了一种基于大数据的配送机器人充电方法，包括以下步骤：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息。
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务。
S3、根据当前配送任务中的任务信息计算当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，其中，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量。
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
具体的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000071
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。当前机器人的重量信息可以通过机器人底部的压力传感器获取，当前配送任务的路径坡度信息是通过历史配送任务中采集的。
平均耗电量E＇是将当前计算得到的电量E与历史相同的配送任务数据中的耗电量相加取平均值得到的，历史相同的配送任务是指出发地与目的地相同的配送任务。
机器学习框架为Google Tensorflow，建立预测耗电量模型后对其进行训练，训练过程如下：
建立数据表，举例表结构如下：
起点 终点 里程(m) 耗电(％)
库房 护士站1 534.5 3.0
中心药房 手术室1 343.3 2.3
待机区 护士站2 612.7 5.1
库房 护士站1 542.7 3.3
... ... ... ...
... ... ... ...
护士站1 手术室2 142.6 1.6
... ... ... ...
由数据表可以看出，耗电量与里程和任务起始之间存在线性关系(耗电量不仅仅跟里程有关，不同的任务起点会因为机器动态规划的行走路径不同带来不同的耗电量，比如执行某些任务会搭乘电梯，开关电动门等)。因此，设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数。
由于预测耗电量模型输出的预测耗电量f(x)与实际耗电量存在偏差，因此要不断对预测耗电量模型进行训练，通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。通过不断增加训练数据，会不断增加预测耗电量模型的准确性，从而得到更加准确的模型函数参数a、b、c。
最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。路程S通过如下公式计算得出，
Figure BDA0002380316020000091
机器人位置为(x1,y1)，任务起点位置为(x2,y2)。
执行充电任务是指控制机器人前往路程最短的充电桩进行充电。在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务并取消执行自身的当前配送任务，否则待充电至满足执行配送任务的电量后继续执行当前配送任务。
执行配送任务是指向当前配送任务的目的地前进。在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，记录到的这些信息作为历史配送任务的信息。由于坡度信息的变化会导致机器人速度的变化，因此根据实时的速度和坡度信息实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行，起到节省电量的作用。
本发明的配送机器人充电方法的优点在于：根据当前任务信息、机器人信息、历史任务数据和机器学习等帮助机器人判断当前电量是否能完成任务，以及任务中断后的恢复执行，能够提高机器人执行任务的可靠性和安全性，在多机器人同时工作时提高机器人的使用效率。
实施例二：
参考图2，本发明公开了基于大数据的配送机器人充电系统，包括：
响应模块，用于响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
任务管理模块，若符合所述调度系统计算出的最佳配送机器人条件，则用于接收所述调度系统发送的配送任务，记为当前配送任务；
算法模块，用于根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
处理执行模块，用于判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
优选的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000101
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
优选的，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
实施例三：
参考图3，本发明公开了一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
优选的，当前配送任务所需的电量E的计算公式为：
Figure BDA0002380316020000121
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
优选的，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.基于大数据的配送机器人充电方法，其特征在于，包括：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
2.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，当前配送任务所需的电量E的计算公式为：
Figure FDA0002380316010000011
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
3.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。
4.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。
5.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，所述机器学习框架为Google Tensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，
g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。
6.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。
7.基于大数据的配送机器人充电系统，其特征在于，包括：
响应模块，用于响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
任务管理模块，若符合所述调度系统计算出的最佳配送机器人条件，则用于接收所述调度系统发送的配送任务，记为当前配送任务；
算法模块，用于根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
处理执行模块，用于判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
8.根据权利要求7所述的基于大数据的配送机器人充电系统，其特征在于，当前配送任务所需的电量E的计算公式为：
Figure FDA0002380316010000031
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
9.一种处理终端，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。
10.根据权利要求9所述的处理终端，其特征在于，当前配送任务所需的电量E的计算公式为：
Figure FDA0002380316010000041
其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。
CN202010081009.5A 2020-02-05 2020-02-05 基于大数据的配送机器人充电方法、系统及处理终端 Pending CN111224443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010081009.5A CN111224443A (zh) 2020-02-05 2020-02-05 基于大数据的配送机器人充电方法、系统及处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010081009.5A CN111224443A (zh) 2020-02-05 2020-02-05 基于大数据的配送机器人充电方法、系统及处理终端

Publications (1)

Publication Number Publication Date
CN111224443A true CN111224443A (zh) 2020-06-02

Family

ID=70808019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010081009.5A Pending CN111224443A (zh) 2020-02-05 2020-02-05 基于大数据的配送机器人充电方法、系统及处理终端

Country Status (1)

Country Link
CN (1) CN111224443A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768155A (zh) * 2020-06-30 2020-10-13 上海木木聚枞机器人科技有限公司 一种调度控制方法、智能移动设备、服务器和存储介质
CN113256217A (zh) * 2021-06-11 2021-08-13 北京之前科技有限公司 利用酒店机器人进行物品配送的方法、设备及系统
CN113305833A (zh) * 2021-05-13 2021-08-27 深圳优地科技有限公司 机器人控制方法、装置、终端和存储介质
CN113640679A (zh) * 2021-08-03 2021-11-12 国网浙江省电力有限公司嘉兴供电公司 一种基于机器人工作量实现电量判断的方法
CN113708438A (zh) * 2021-08-06 2021-11-26 上海有个机器人有限公司 包裹配送机器人的充电控制方法、装置、设备及存储介质
CN114374239A (zh) * 2021-11-30 2022-04-19 杭州申昊科技股份有限公司 一种防爆型巡检机器人的充电方法
CN114493398A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 一种中央厨房机器人配送方法及系统
CN114819611A (zh) * 2022-04-22 2022-07-29 上海景吾酷租科技发展有限公司 机器人低电量执行任务优化的方法及系统
TWI773339B (zh) * 2021-05-26 2022-08-01 東元電機股份有限公司 無人載物車派遣系統與方法
CN115157263A (zh) * 2022-08-01 2022-10-11 无锡市健齿生物科技有限公司 一种护理机器人的智能调度方法、装置、设备及存储介质
CN116027794A (zh) * 2023-03-30 2023-04-28 深圳市思傲拓科技有限公司 一种基于大数据的泳池机器人自动定位管理系统及方法
CN116205554A (zh) * 2023-04-26 2023-06-02 浙江天柜科技有限公司 一种移动自助售货设备及售货控制方法
CN117707077A (zh) * 2023-12-15 2024-03-15 苏州奥特兰恩自动化设备有限公司 一种agv机动调度系统、方法、装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104655953A (zh) * 2013-11-22 2015-05-27 财团法人资讯工业策进会 耗电预测装置及方法
CN105459842A (zh) * 2015-11-19 2016-04-06 安徽师范大学 电动汽车续航里程的估算方法
CN107291078A (zh) * 2017-06-06 2017-10-24 歌尔股份有限公司 一种服务机器人的调度方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104655953A (zh) * 2013-11-22 2015-05-27 财团法人资讯工业策进会 耗电预测装置及方法
CN105459842A (zh) * 2015-11-19 2016-04-06 安徽师范大学 电动汽车续航里程的估算方法
CN107291078A (zh) * 2017-06-06 2017-10-24 歌尔股份有限公司 一种服务机器人的调度方法和装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768155A (zh) * 2020-06-30 2020-10-13 上海木木聚枞机器人科技有限公司 一种调度控制方法、智能移动设备、服务器和存储介质
CN111768155B (zh) * 2020-06-30 2024-03-26 上海木木聚枞机器人科技有限公司 一种调度控制方法、智能移动设备、服务器和存储介质
CN113305833A (zh) * 2021-05-13 2021-08-27 深圳优地科技有限公司 机器人控制方法、装置、终端和存储介质
TWI773339B (zh) * 2021-05-26 2022-08-01 東元電機股份有限公司 無人載物車派遣系統與方法
CN113256217A (zh) * 2021-06-11 2021-08-13 北京之前科技有限公司 利用酒店机器人进行物品配送的方法、设备及系统
CN113256217B (zh) * 2021-06-11 2021-11-16 北京远鲸科技有限公司 利用酒店机器人进行物品配送的方法、设备及系统
CN113640679A (zh) * 2021-08-03 2021-11-12 国网浙江省电力有限公司嘉兴供电公司 一种基于机器人工作量实现电量判断的方法
CN113708438A (zh) * 2021-08-06 2021-11-26 上海有个机器人有限公司 包裹配送机器人的充电控制方法、装置、设备及存储介质
CN113708438B (zh) * 2021-08-06 2023-09-08 上海有个机器人有限公司 包裹配送机器人的充电控制方法、装置、设备及存储介质
CN114374239A (zh) * 2021-11-30 2022-04-19 杭州申昊科技股份有限公司 一种防爆型巡检机器人的充电方法
CN114374239B (zh) * 2021-11-30 2023-08-04 杭州申昊科技股份有限公司 一种防爆型巡检机器人的充电方法
CN114493398A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 一种中央厨房机器人配送方法及系统
CN114493398B (zh) * 2021-12-17 2024-04-09 重庆特斯联智慧科技股份有限公司 一种中央厨房机器人配送方法及系统
CN114819611A (zh) * 2022-04-22 2022-07-29 上海景吾酷租科技发展有限公司 机器人低电量执行任务优化的方法及系统
CN115157263A (zh) * 2022-08-01 2022-10-11 无锡市健齿生物科技有限公司 一种护理机器人的智能调度方法、装置、设备及存储介质
CN116027794A (zh) * 2023-03-30 2023-04-28 深圳市思傲拓科技有限公司 一种基于大数据的泳池机器人自动定位管理系统及方法
CN116205554A (zh) * 2023-04-26 2023-06-02 浙江天柜科技有限公司 一种移动自助售货设备及售货控制方法
CN116205554B (zh) * 2023-04-26 2024-02-09 浙江天柜科技有限公司 一种移动自助售货设备及售货控制方法
CN117707077A (zh) * 2023-12-15 2024-03-15 苏州奥特兰恩自动化设备有限公司 一种agv机动调度系统、方法、装置及介质

Similar Documents

Publication Publication Date Title
CN111224443A (zh) 基于大数据的配送机器人充电方法、系统及处理终端
US8983657B2 (en) System and method of managing vehicles deployed in a worksite
CN104914866B (zh) 基于拓扑点分类的巡检机器人全局路径规划方法及系统
CN108909514A (zh) 基于自动电池更换的多agv电量管理系统及方法
CN207198902U (zh) 一种基于agv移动平台的自动运输任务调度系统
CN108985497B (zh) 一种智能运输车数量及充电桩数量的规划方法及系统
CN111768155A (zh) 一种调度控制方法、智能移动设备、服务器和存储介质
CN114256940B (zh) 一种多机器人充电调度方法、装置及系统
CN117314283B (zh) 混流装配车间的物料配送方法、装置、系统及存储介质
WO2019135330A1 (ja) エネルギー需給システム
CN114415610B (zh) 机器人的调度方法、装置、电子设备及存储介质
CN113919543A (zh) 一种基于5g物联网的agv调度路径优化方法
CN109435760A (zh) Agv叉车自主充电控制装置及方法
CN116400651A (zh) 智慧工厂数字孪生平台的多agv协同调度方法及装置
CN111376789A (zh) Agv电池充电管理方法、系统和计算机可读存储介质
CN114866592A (zh) 一种导轨式移动共享充电机器人管理系统及管理方法
CN111231734A (zh) 一种agv换电控制方法及系统
CN112157652B (zh) 机器人作业管理方法及系统
CN113762597A (zh) 一种基于云平台管理的智能agv调度系统和方法
WO2024066788A1 (zh) 无人档案库房机器人管理方法、装置、电子设备和存储介质
CN115877854A (zh) 一种无人驾驶叉式移动机器人的控制系统
CN114457733B (zh) 清洁机器人的控制方法、装置、清洁机器人、系统及介质
CN114636220B (zh) 电梯空调的控制方法、装置、计算机设备和存储介质
TWI648696B (zh) 電池管理方法
CN113837452B (zh) 一种面向水下无线传感器网络的移动充电路径规划方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510000 201, building a, No.19 nanxiangsan Road, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU SAITE INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: 510000 Room 303, 36 Kaitai Avenue, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU SAITE INTELLIGENT TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602