CN111415026B - 无人设备调度装置、系统和方法 - Google Patents
无人设备调度装置、系统和方法 Download PDFInfo
- Publication number
- CN111415026B CN111415026B CN201910015076.4A CN201910015076A CN111415026B CN 111415026 B CN111415026 B CN 111415026B CN 201910015076 A CN201910015076 A CN 201910015076A CN 111415026 B CN111415026 B CN 111415026B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- data
- scheduling
- equipment
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 46
- 230000008447 perception Effects 0.000 claims description 43
- 238000007405 data analysis Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 29
- 238000003786 synthesis reaction Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000013024 troubleshooting Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000033748 Device issues Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供了一种无人设备调度装置、系统和方法，涉及物流领域。该装置包括边缘设备，位于边缘设备集群区域内，被配置为获得所控制的无人设备的调度结果，基于调度结果对无人设备进行调度；其中，调度结果根据当前订单数据和外部环境数据利用调度模型和调度规则生成，调度模型和调度规则基于各无人设备的运营数据生成。本公开利用集群的总体执行能力对个体无人设备进行调度，能够实现对无人设备群体的最优规划，降低调度成本。
Description
技术领域
本公开涉及物流领域，尤其涉及一种无人设备调度装置、系统和方法。
背景技术
在物流领域，随着无人车、无人机的应用，大大提高了物流运营能力，但目前物流无人机体系仅实现了以个体或者网上平台监管情况下的物流配送、调度等。
发明内容
本公开要解决的一个技术问题是提供一种无人设备调度装置、系统和方法，利用集群的总体执行能力对个体无人设备进行调度，能够实现对无人设备群体的最优规划，降低调度成本。
根据本公开一方面，提出一种无人设备调度装置，包括：边缘设备，位于边缘设备集群区域内，被配置为获得所控制的无人设备的调度结果，基于调度结果对无人设备进行调度；其中，调度结果根据当前订单数据和外部环境数据利用调度模型和调度规则生成，调度模型和调度规则基于各无人设备的运营数据生成。
在一个实施例中，调度模型和调度规则基于无人设备的运营数据和外部环境数据在时间维度上进行优化。
在一个实施例中，任务调度设备，位于调度设备集群区域内，与多个边缘设备进行交互，被配置为获取所控制的各边缘设备上传的无人设备的运营数据，根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型和调度规则生成调度结果，并将调度结果下发至对应的边缘设备。
在一个实施例中，调度结果包括各无人设备分配的订单内容和任务路径。
在一个实施例中，数据分析设备，与多个任务调度设备交互，被配置为获取各任务调度设备上传的无人设备的运营数据，根据无人设备的运营数据生成调度模型和调度规则。
在一个实施例中，数据分析设备还被配置为根据各无人设备的运营数据、外部环境数据和无人设备故障检修数据生成无人设备健康度模型，以便基于无人设备健康度模型预测各无人设备的健康信息。
在一个实施例中，任务调度设备还被配置为根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型、调度规则和无人设备健康度模型生成调度结果，并将调度结果下发至对应的边缘设备。
在一个实施例中，数据分析设备还被配置为基于第一训练数据和第一标注数据利用强化学习算法优化调度规则，其中，第一训练数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据，第一标注数据包括第一训练数据实际任务执行过程总时间；或者数据分析设备还被配置为基于第二训练数据和第二标注数据利用深度学习算法优化调度模型，其中，第二训练数据包括无人设备的运营数据、无人设备健康度模型、外部环境数据和调度规则，第二标注数据包括第二训练数据实际任务执行过程总时间；或者数据分析设备还被配置为基于第三训练数据和第三标注数据利用深度学习算法优化无人设备健康度模型，其中，第三训练数据包括无人设备的运营数据和外部环境数据，第三标注数据包括无人设备故障检修数据。
在一个实施例中，数据分析设备还被配置为将第一验证数据输入至调度规则，基于输出结果与第一验证数据实际任务执行过程总时间验证调度规则，其中，第一验证数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据；或者数据分析设备还被配置为将第二验证数据输入至调度模型，基于输出结果与第二验证数据实际任务执行过程总时间验证调度模型，其中，第二验证数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据；或者数据分析设备还被配置为将第三验证数据输入至无人设备健康度模型，基于输出结果与无人设备实际故障检修数据验证无人设备健康度模型，其中，第三验证数据包括无人设备运营数据和外部环境数据。
在一个实施例中，边缘设备还被配置为基于运营数据进行信息综合和感知综合，并将进行信息综合和感知综合后的运营数据发送至所属的任务调度设备。
在一个实施例中，运营数据包括个体信息、任务信息、运行状态信息、感知建图信息、环境感知信息、参数感知信息中的至少一项。
在一个实施例中，边缘设备还被配置为通过搜索单元获取第一无人设备数据，根据各无人设备反馈的数据确定第二无人设备数据，基于各无人设备的感知信息确定第三无人设备数据，基于第一无人设备数据、第二无人设备数据和第三无人设备数据中的位置信息确定侵入无人设备集合和各侵入无人设备的位置信息。
在一个实施例中，边缘设备还被配置为确定无人设备可见的侵入无人设备集合，基于侵入无人设备集合和无人设备可见的侵入无人设备集合之差，确定无人设备不可见的侵入无人设备集合，基于无人设备不可见的侵入无人设备集合利用路径规划算法确定无人设备的最优路径，以便对无人设备进行侵入危机调度。
在一个实施例中，边缘设备还被配置为向各无人设备发送问询请求，以便识别无人设备，响应于无人设备发送的响应消息，向发送响应消息的无人设备发送获取运营数据请求，以便获取无人设备的运营数据，其中，运营数据请求中携带边缘设备识别码和无人设备识别码。
根据本公开的另一方面，还提出一种无人设备调度系统，包括：无人设备；以及上述的无人设备调度装置。
根据本公开的另一方面，还提出一种无人设备调度方法，包括：位于边缘设备集群区域内的边缘设备获得所控制的无人设备的调度结果；基于调度结果对无人设备进行调度；其中，调度结果根据当前订单数据和外部环境数据利用调度模型和调度规则生成，调度模型和调度规则基于各无人设备的运营数据生成。
在一个实施例中，调度模型和调度规则基于无人设备的运营数据和外部环境数据在时间维度上进行优化。
在一个实施例中，位于调度设备集群区域内的任务调度设备获取控制的各边缘设备上传的无人设备的运营数据；根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型和调度规则生成调度结果，并将调度结果下发至对应的边缘设备。
在一个实施例中，与多个任务调度设备交互的数据分析设备获取各任务调度设备上传的无人设备的运营数据；根据无人设备的运营数据生成调度模型和调度规则。
在一个实施例中，数据分析设备根据各无人设备的运营数据、外部环境数据和无人设备故障检修数据生成无人设备健康度模型，以便基于无人设备健康度模型预测各无人设备的健康信息。
在一个实施例中，任务调度设备根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型、调度规则和无人设备健康度模型生成调度结果，并将调度结果下发至对应的边缘设备。
在一个实施例中，边缘设备通过搜索单元获取第一无人设备数据；根据各无人设备反馈的数据确定第二无人设备数据；基于各无人设备的感知信息确定第三无人设备数据；基于第一无人设备数据、第二无人设备数据和第三无人设备数据中的位置信息确定侵入无人设备集合和各侵入无人设备的位置信息。
根据本公开的另一方面，还提出一种无人设备调度装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的无人设备调度方法。
根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的无人设备调度方法的步骤。
与现有技术相比，本公开实施例基于各无人设备的运营数据生成调度模型和调度规则，然后根据当前订单数据和外部环境数据利用调度模型和调度规则生成调度结果，利用集群的总体执行能力对个体无人设备进行调度，能够实现对无人设备群体的最优规划，降低调度成本。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开无人设备调度装置的一个实施例的结构示意图。
图2为本公开无人设备调度系统的一个实施例的结构示意图。
图3为本公开无人设备调度方法的一个实施例的流程示意图。
图4为本公开无人设备调度方法的一个实施例的流程示意图。
图5为本公开无人设备调度方法的另一个实施例的流程示意图。
图6为本公开无人设备调度方法的再一个实施例的流程示意图。
图7为本公开无人设备调度方法的又一个实施例的流程示意图。
图8为本公开无人设备调度方法的又一个实施例的流程示意图。
图9为本公开无人设备调度方法的又一个实施例的流程示意图。
图10为本公开无人设备调度方法的又一个实施例的流程示意图。
图11为本公开无人设备调度方法的又一个实施例的流程示意图。
图12为本公开无人设备调度装置的再一个实施例的结构示意图。
图13为本公开无人设备调度装置的又一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
在本公开的一个实施例中，一种无人设备调度装置，包括位于边缘设备集群区域内的边缘设备，被配置为获得所控制的无人设备的调度结果，基于调度结果对无人设备进行调度。其中，调度结果是根据当前订单数据和外部环境数据利用调度模型和调度规则生成，调度模型和调度规则基于各无人设备的运营数据生成。
无人设备例如为无人车、无人机等物流设备。边缘设备例如为边缘站，边缘站可以视规模大小，由1台或N台组网，边缘站可以使用CPU(Central Processing Unit，中央处理器)+GPU(Graphics Processing Unit，图形处理器)的架构或者FPGA(Field－Programmable Gate Array，现场可编程门阵列)的架构进行实现，具备与符合应答机制的无人设备个体进行信息交互的能力。多个无人设备可以配属一台边缘设备，在不发生跨局部场景配属的情况发生下，始终与所属边缘设备进行信息交互。
在一个实施例中，可以利用无人设备的运营数据作为训练集，利用运筹学、机器学习、图理论、自适应优化、深度神经网络等相关算法技术生成无人设备-订单的最优调度模型。然后，利用强化学习等算法或者社会形态模拟等生成最优的调度规则。其中，可以基于无人设备的运营数据和外部环境数据在时间维度上优化调度模型和调度规则。然后根据当前订单数据和外部环境数据利用调度模型和调度规则可以生成调度结果，边缘设备根据调度结果实现对相应无人设备的调度、规划。
无人设备的运营数据例如包括无人设备的个体信息、任务信息、运行状态信息、感知建图信息、环境感知信息和参数感知信息等。在该实施例中，无人设备具有利用视觉传感器、UWB(Ultra Wide Band，超宽带)等技术进行辅助定位，利用搭载温湿度、风速等传感器进行环境感知，利用搭载动力系统参数采集传感器、结构应力传感器等进行自身运行参数感知，搭载激光或视觉传感器实现感知建图，以及进行物体检测和自动避障等能力。外部环境数据例如包括天气数据、是否有空中管制等数据。
在该实施例中，基于各无人设备的运营数据生成调度模型和调度规则，然后根据当前订单数据和外部环境数据利用调度模型和调度规则生成调度结果，利用集群的总体执行能力对个体无人设备进行调度，能够实现对无人设备群体的最优规划，降低调度成本。
图1为本公开无人设备调度装置的一个实施例的结构示意图。该无人设备调度装置中包括边缘设备110和任务调度设备120。其中，边缘设备110位于边缘设备集群区域内，任务调度设备120位于调度设备集群区域内。边缘设备110与所控制的无人设备进行通信，获取所控制的无人设备的运营数据，然后将无人设备的运营数据发送至归属的任务调度设备120。任务调度设备120根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型和调度规则生成各无人设备分配的订单内容和任务路径等调度结果，并将调度结果下发至对应的边缘设备110。边缘设备110根据调度结果对所控制的无人设备进行调度。
在一个实施例中，调度模型和调度规则可以由数据分析设备130生成。其中，数据分析设备130与多个任务调度设备120交互，被配置为获取各任务调度设备120上传的无人设备的运营数据，根据无人设备的运营数据生成并优化调度模型和调度规则。数据分析设备130将生成的调度模型和调度规则下发至各任务调度设备120，以便任务调度设备120生成各无人设备的调度结果。
在该实施例中，由数据分析设备生成并优化调度模型和调度规则，然后下发至各任务调度设备，任务调度设备根据保存的各无人设备的运营数据以及当前订单数据、外部环境数据，利用该调度模型和调度规则生成各无人设备的调度结果，并下发至对应的边缘设备，边缘设备将调度指令下发对应的无人设备，使得无人设备从松散的个体运营，转变为采用集群方式对运营状态进行监控、感知，从而实现对无人设备的最优调度，提高物流体系的智能化水平，有效降低人力成本。
下面将以一个具体实施例为例对本公开的无人设备调度装置进行介绍。该实施例中，无人设备例如为无人机，无人设备调度装置中的边缘设备例如为边缘站、任务调度设备例如为分布式任务调度存储中心、数据分析设备例如为云上算力存储中心。其中，无人机和无人设备调度装置构成无人设备调度系统。
如图2所示，在一个局部范围内，包含多架无人机210和边缘站220，其中，边缘站220位于边缘站集群区域内，无人机210与边缘站220之间使用4G/5G或者其它无线通信设备进行数据交互。多个局部范围内的边缘站220与一个区域内的分布式任务调度存储中心230进行信息交互。各个区域内的分布式任务调度存储中心230与全局的云上算力存储中心240进行交互，其中，分布式任务调度存储中心230可以通过无线或者光纤等通信手段分别与边缘站220、云上算力存储中心240进行信息交互。
在该实施例中，将无人设备调度装置分为三级，本领域的技术人员应当理解，可以根据实际情况，将每一级的功能再分为多级执行，或者将多级功能综合为一级执行。
每个无人机210具备执行物流运送的能力，并且能够汇总自身信息。例如，能够汇总个体信息、任务信息、运行状态信息、感知建图信息、环境感知信息和参数感知信息等。个体信息例如包括无人机隶属局部识别码、区域识别码、全局识别码；任务信息例如包括订单内容、所搭载货物、任务路线等；运行状态信息即飞行状态信息，例如包括姿态、速度、位置、GPS状态、角速度、线加速度等；感知建图信息例如包括通过激光传感器、视觉传感器或雷达传感器探测到的物体的位置信息、物体检测信息；环境感知信息例如包括温度、湿度、风速等；参数感知信息例如通过动力系统参数采集系统得到的动力系统电源、转速、温度信息，通过结构应力传感器得到的测量点的应力信息等。
各无人机210将自身信息发送至所属的边缘站220，各边缘站220对所控制的各无人机210的信息进行信息综合与感知综合。例如，对个体信息、任务信息、飞行状态信息、环境感知信息、参数感知信息等进行信息综合打包。将各无人机的感知建图信息进行感知综合，例如将感知建图信息集合拼合在同一张地图上，将集合中不同地图中重合的点进行判别、合并，即综合无人机个体所建立的小范围图组成局部地图。
各边缘站220还被配置为向各无人机发送问询请求，以便识别无人机，响应于无人机发送的响应消息，向发送响应消息的无人机发送获取运营数据请求，以便获取无人机的运营数据，其中，运营数据请求中携带边缘设备识别码和无人机识别码。
各边缘站220将信息综合与感知综合数据发送至所属的分布式任务调度存储中心230。分布式任务调度存储中心230存储各边缘站220上传的数据，将各边缘站220上传的数据综合为无人机的运营数据，并将无人机的运营数据发送至云上算力存储中心240。云上算力存储中心240存储所有分布式任务调度存储中心230上传的数据、自身中间生产的所有数据、模型、规则、无人机健康档案等数据。
云上算力存储中心240被配置为基于无人机的运营数据和外部环境数据在时间维度上进行优化调度模型和调度规则，并根据各无人机的运营数据、外部环境数据和无人机故障检修数据生成无人机健康度模型，以便基于无人机健康度模型预测各无人机的健康信息。
在一个实施例中，以部分运营数据作为训练集，根据特定的算法技术生成无人机—订单的最优调度模型，并通过特定的算法计算或者社会形态模拟等生成最优的调度规则；将上述产生的最优调度模型、调度规则，使用另外的部分运营数据作为验证集进行模拟运营，测试其运营状态，并根据人为设置的评测参数进行反馈，并根据这些反馈进行训练，以便达到持续最优，其中，评测参数例如包括无人机每天完成的平均订单量、一段时间内单架无人机的起降架次、任务饱和度等。
在一个实施例中，云上算力存储中心240被配置为基于第一训练数据和第一标注数据利用强化学习算法优化调度规则，其中，第一训练数据包括无人机的运营数据、无人机健康度模型和外部环境数据，第一标注数据包括第一训练数据实际任务执行过程总时间。然后将第一验证数据输入至调度规则，基于输出结果与第一验证数据实际任务执行过程总时间验证调度规则，其中，第一验证数据包括无人机的运营数据、无人机健康度模型和外部环境数据。在一个实施例中，无人机的运营数据可以根据实际情况选择历史订单数据。
云上算力存储中心240还被配置为基于第二训练数据和第二标注数据利用深度学习算法优化调度模型，其中，第二训练数据包括无人机的运营数据、无人机健康度模型、外部环境数据和调度规则，第二标注数据包括第二训练数据实际任务执行过程总时间。然后将第二验证数据输入至调度模型，基于输出结果与第二验证数据实际任务执行过程总时间验证调度模型，其中，第二验证数据包括无人机的运营数据、无人机健康度模型和外部环境数据。在一个实施例中，无人机的运营数据可以根据实际情况选择历史订单数据。
在本公开的另一个实施例中，云上算力存储中心240还被配置为基于第三训练数据和第三标注数据利用深度学习算法优化无人机健康度模型，其中，第三训练数据包括无人机的运营数据和外部环境数据，第三标注数据包括无人机故障检修数据。将第三验证数据输入至无人机健康度模型，基于输出结果与无人机实际故障检修数据验证无人机健康度模型，其中，第三验证数据包括无人机运营数据和外部环境数据。无人机运营数据例如为无人机的飞行状态数据、具体运营任务等数据，无人机实际故障检修数据例如为无人机实际维修、部件损坏或故障情况。
在一个实施例中，根据无人机动力学模型、外界扰动模型等特定模型对无人机进行全寿命建模，输出每台无人机的健康度信息预测，将每台无人机的健康信息预测将发送至维修部门，以便对无人机进行及时维修、保养等。
云上算力存储中心240可以将调度模型、调度规则和无人机健康度模型发送至分布式任务调度存储中心230。分布式任务调度存储中心230与订单系统进行对接，获取所有的订单数据，根据当前订单数据、外部环境数据和无人机的运营数据以及综合无人机的场景地图为输入，利用调度模型、调度规则和无人机健康度模型生成最优调度结果，并通过将最优调度结果下发至对应的边缘站220，边缘站220将调度或控制指令传达给所能通信上的每一台无人机210。
在上述实施例中，描述了无人机多级体系结构，边缘站和无人机个体负责完成局部的物流配送任务、个体感知、自动避障、群体信息搜集、本级内感知综合，分布式任务调度存储中心根据调度模型和调度规则负责完成本区域内的订单配送规划，实现无人机的最优调度，搜集区域内边缘站发送的无人机的运营数据，云上算力存储中心负责存储整个无人机运营系统的所有信息，并对信息分类后进行数据分析，得到运营所需要的运营区域的稀疏地图、调度系统的最优化模拟、动态最优运营规则产生、无人机健康度预测等。即该实施例能够实现无人机从松散的个体运营到采用群体智能手段的运营状态监控、全场景感知综合、最优调度、信息存储、模型优化、规则产生、无人机健康度预测等，完成整个运营流程，提高了无人机物流体系的智能水平，有效降低了人力成本，有助于整个行业的推广应用。
在本公开的另一个实施例中，边缘站220还能够实现异常侵入检测以及危机调度等。
例如，通过搜索单元获取第一无人机数据，根据各无人机反馈的数据确定第二无人机数据，基于各无人机的感知信息确定第三无人机数据，基于第一无人机数据、第二无人机数据和第三无人机数据中的位置信息确定侵入无人机集合和各侵入无人机的位置信息。
其中，搜索单元例如为雷达，边缘站220始终保持雷达设备处在搜索状态，关注可见区域中的所有无人机，同时经过问询可以通信到的无人机，可以获取其有效信息。通过收集雷达以及无人机反馈的信息，可以得知雷达搜索的无人机数量N1，位置为P1＝{P11、P12…P1N1}；通过问询请求得到的无人机数量N2，位置为P2＝{P21、P22…P2N2}；通过请求编号为H的无人机的感知信息，感知到的无人机数量N3，位置为P3＝{PH31、PH32…PH3N3}。
首先，归类雷达搜索到的目标是否是物流无人机，计算雷达搜索结果与问询请求得到的无人机的交集，筛选出可识别的无人机的数量。例如，求取雷达搜索到的飞行器位置与请求到的物流无人机的位置的距离的平方根其中m表示雷达搜索到的无人机n1与请求到的无人机n2的位置距离的平方根。如果Sm小于ε，其中，ε为距离阈值，例如ε＝2，则认为此时雷达搜索到的无人机n1与请求到的无人机n2是同一台无人机，属于非侵入状态，从而能够得到雷达探测到的非侵入状态的无人机集合，将剩余的雷达探测到的无人机集合定义为F，F为侵入的无人机集合G的一个子集。
然后归类基于无人机的感知信息得到的非重复的集合I。例如，先计算无人机h所感知到的第n台无人机与无人机j感知到的第m台无人机的位置距离平方根如果Si小于ε，则认为无人机h所感知到的第n台无人机与无人机j感知到的第m台无人机为同一台无人机，进而可以基于无人机的感知信息得到的非重复的集合I。
然后计算集合G中第g台无人机与集合I中第i台无人机距离的平方根，从而得到集合G与集合I中的重复集合进而可以得到侵入无人机的集合并且能够获知侵入无人机的集合A中无人机的位置{P}。
在上述实施例中，边缘站可以确定侵入无人机集合以及各侵入无人机的位置信息，进而能够进行危机调度。例如，边缘设备220确定无人机可见的侵入无人机集合，基于侵入无人机集合和无人机可见的侵入无人机集合之差，确定无人机不可见的侵入无人机集合，基于无人机不可见的侵入无人机集合利用路径规划算法确定无人机的最优路径，以便对无人机进行侵入危机调度。
在一个具体实施例中，边缘站已经确定了侵入无人机的集合A以及其位置集合{P}。由于无人机具备自动避障能力，因此如果侵入的无人机被其感知到，它可以自己规划，避免出现危险，此时仅需确定第n台无人机不可见的侵入无人机集合C。其中，C＝A-B，B为第n台无人机可见的侵入无人机集合。集合C中的某些无人机并不在无人机n的预定飞行区域，定义为集合C1，其位置集合为{PC1}，这样就确定了集合C对第n台物流无人机的危害程度。然后利用A*等路径规划算法，得到第n台无人机的最优路径，并将路径规格结果上传至对应的无人机。
图3为本公开无人设备调度方法的一个实施例的流程示意图。
在步骤310，位于边缘设备集群区域内的边缘设备获得所控制的无人设备的调度结果。其中，无人设备例如为无人机、无人车等物流设备。调度结果根据当前订单数据和外部环境数据利用调度模型和调度规则生成，调度模型和调度规则基于各无人设备的运营数据生成。
在步骤320，基于调度结果对无人设备进行调度。调度结果包括各无人设备分配的订单内容和任务路径。
在该实施例中，基于各无人设备的运营数据生成调度模型和调度规则，然后根据当前订单数据和外部环境数据利用调度模型和调度规则生成调度结果，利用集群的总体执行能力对个体无人设备进行调度，能够实现对无人设备群体的最优规划，降低调度成本。
图4为本公开无人设备调度方法的一个实施例的流程示意图。
在步骤410，位于边缘设备集群区域内的边缘设备获得所控制的无人设备的运营数据。运营数据例如包括个体信息、任务信息、运行状态信息、感知建图信息、环境感知信息、参数感知信息等，边缘设备基于运营数据进行信息综合和感知综合，并将进行信息综合和感知综合后的运营数据发送至所属的任务调度设备。
例如，无人机1、2、3归属于边缘站1，无人机4、5归属于边缘站2，则无人机1、2、3分别向边缘站1发送自身的运营数据，无人机4、5分别向边缘站2发送自身的运营数据。
在步骤420，位于调度设备集群区域内的任务调度设备获取控制的各边缘设备上传的无人设备的运营数据。任务调度设备例如为分布式任务调度存储中心。
例如，边缘站1、2、3归属于分布式任务调度存储中心1，边缘站4、5、6归属于分布式任务调度存储中心2，则边缘站1、2、3分别对所控无人机的运营数据进行信息综合和感知综合后，将进行信息综合和感知综合后的运营数据发送至分布式任务调度存储中心1，边缘站4、5、6分别对所控无人机的运营数据进行信息综合和感知综合后，将进行信息综合和感知综合后的运营数据发送至分布式任务调度存储中心2。
在步骤430，与多个任务调度设备交互的数据分析设备获取各任务调度设备上传的无人设备的运营数据。
在步骤440，数据分析设备根据无人设备的运营数据生成调度模型和调度规则。可以基于无人设备的运营数据和外部环境数据在时间维度上优化调度模型和调度规则。
在一个实施例中，数据分析设备根据各无人设备的运营数据、外部环境数据和无人设备故障检修数据生成无人设备健康度模型，以便基于无人设备健康度模型预测各无人设备的健康信息。
在步骤450，数据分析设备将调度模型和调度规则下发至任务调度设备。
在步骤460，任务调度设备根据当前订单数据、外部环境数据和无人设备的运营数据，利用调度模型和调度规则生成调度结果，并将调度结果下发至对应的边缘设备。
在步骤470，边缘设备基于调度结果对无人设备进行调度。
在该实施例中，由数据分析设备生成并优化调度模型和调度规则，然后下发至各任务调度设备，任务调度设备根据保存的各无人设备的运营数据以及当前订单数据、外部环境数据，利用该调度模型和调度规则生成各无人设备的调度结果，并下发至对应的边缘设备，边缘设备将调度指令下发对应的无人设备，使得无人设备从松散的个体运营，转变为采用集群方式对运营状态进行监控、感知，从而实现对无人设备的最优调度，提高物流体系的智能化水平，有效降低人力成本。
图5为本公开无人设备调度方法的另一个实施例的流程示意图。
在步骤510，数据分析设备将历史订单数据、无人设备健康度模型和外部环境数据作为第一训练数据。在该实施例中选择无人设备的运营数据中的历史订单数据作为训练数据，在实际情况中，还可以利用运营数据中的其他数据作为训练数据。
在步骤520，将第一训练数据实际任务执行过程总时间作为第一标注数据。
在步骤530，基于第一训练数据和第一标注数据利用强化学习算法优化调度规则。
在优化调度规则时，保持训练执行时刻调度模型不变。
进一步的，该实施例还可以包括步骤540-550。
在步骤540，将历史订单数据、无人设备健康度模型和外部环境数据作为第一验证数据。第一验证数据和第一训练数据可以为不同的数据集。
在步骤550，将第一验证数据输入至调度规则，基于输出结果与第一验证数据实际任务执行过程总时间验证调度规则。例如可以比较输出结果与第一验证数据实际任务执行过程总时间的差值是否在预定范围内，或者，将输出结果与第一验证数据实际任务执行过程总时间进行其他运算，判断优化的调度规则是否可行。
图6为本公开无人设备调度方法的再一个实施例的流程示意图。
在步骤610，数据分析设备将历史订单数据、无人设备健康度模型、外部环境数据和调度规则作为第二训练数据。在该实施例中选择无人设备的运营数据中的历史订单数据作为训练数据，在实际情况中，还可以利用运营数据中的其他数据作为训练数据。该实施例中调度规则为约束条件。
在步骤620，将第二训练数据实际任务执行过程总时间作为第二标注数据。
在步骤630，基于第二训练数据和第二标注数据利用深度学习算法优化调度模型。例如，调度模型输出的结果为任务执行过程总时间Tk2，而第二训练数据实际任务执行过程总时间Tk1，则优化目标为(Tk2-Tk1)<0。
进一步的，该实施例还可以包括步骤640-650。
在步骤640，将历史订单数据、无人设备健康度模型和外部环境数据作为第二验证数据。第二验证数据和第二训练数据可以为不同的数据集。
在步骤650，将第二验证数据输入至调度模型，基于输出结果与第二验证数据实际任务执行过程总时间验证调度模型。
图7为本公开无人设备调度方法的又一个实施例的流程示意图。
在步骤710，数据分析设备将无人设备的运行状态数据、具体运营任务、外部环境数据作为第三训练数据。在该实施例中，选择无人设备的运营数据中的运行状态数据、具体运营任务作为训练数据，在实际情况中，还可以利用运营数据中的其他数据作为训练数据。
在步骤720，将无人设备故障检修数据作为第三标注数据。其中，无人设备故障检修数据例如包括无人设备实际检修、部件损坏以及实际故障情况。
在步骤730，基于第三训练数据和第三标注数据利用深度学习算法优化无人设备健康度模型。
进一步的，该实施例还可以包括步骤740-750。
在步骤740，将无人设备的运行状态数据、具体运营任务、外部环境数据作为第三验证数据。第三验证数据和第三训练数据可以为不同的数据集。
在步骤750，将第三验证数据输入至无人设备健康度模型，基于输出结果与无人设备实际故障检修数据验证无人设备健康度模型。
在图5-图7所示实施例中，对调度规则、调度模型和无人设备健康度模型进行优化、验证，使得各模型能够达到实时最优状态，数据分析设备将最优调度规则、调度模型和无人设备健康度模型定期主动下发至任务调度设备，从而任务调度设备能够计算调度结果。
图8为本公开无人设备调度方法的又一个实施例的流程示意图。
在步骤810，任务调度设备获取当前订单数据、外部环境数据和无人设备的运营数据。其中，任务调度设备可以与订单系统对接，获取所有的订单数据。
在步骤820，利用调度模型、调度规则和无人设备健康度模型生成调度结果。例如，调度结果为某区域某局部某号无人设备分配到的订单内容以及任务路径。
在步骤830，将调度结果下发至所控的边缘设备，以便边缘设备将具体调度内容下发至对应的无人设备。
在该实施例中，任务调度设备基于数据分析设备优化的调度模型、调度规则和无人设备健康度模型，然后根据当前订单数据、外部环境数据和无人设备的运营数据生成调度结果，然后下发至所控的边缘设备，由边缘设备将具体调度内容下发至对应的无人设备，能够实现对无人设备的最优调度。
图9为本公开无人设备调度方法的又一个实施例的流程示意图。
在步骤910，边缘设备向各无人设备发送问询请求，以便识别无人设备。即边缘站询问在可通信区域是否有可识别的无人机。当边缘站可通信区域内不存在可识别的无人机时，会继续执行步骤910。
在步骤920，无人设备向归属的边缘设备进行应答。当存在可识别的无人机接收到问询信号，该无人机会发送应答信号，其中，应答信号中包括全局识别码、区域识别码、局部识别码、无人机编号码的一段信息等。
在步骤930，边缘设备向发送响应消息的无人设备发送获取运营数据请求。例如，当边缘站接收到无人机x的应答信号，将针对无人机x发送信息请求，该信息请求中携带请求方的边缘站全国识别码、区域识别码、局部识别码，被请求方的无人机全局识别码、区域识别码、局部识别码、物流无人机编号码。
在步骤940，无人设备将运营数据发送至边缘设备。其中，运营数据例如包括无人机的飞行状态、自身结构应力、动力系统参数、挂载的产品情况、任务路线、感知到的环境地图等。边缘设备可以对收到的数据进行信息综合和感知综合，并将处理后的数据发送至上层的任务调度设备。
如果在预定时间内，边缘设备没有收到无人设备发送的运营数据，则可以再次向无人设备发送获取运营数据请求。为了减少资源消耗，可以设定边缘设备向无人设备发送获取运营数据请求的次数，例如设置5次。
在一个实施例中，可以采用多通信信道、分时复用通信等机会提高单位时间内某一边缘设备与不同无人设备的交互次数。
图10为本公开无人设备调度方法的又一个实施例的流程示意图。
在步骤1010，边缘设备通过搜索单元获取第一无人设备数据。例如，边缘站设置有雷达设备，雷达设备保持处在搜索状态，关注可见区域中的所有无人机，同时经过问询可以通信到的无人机，可以获取其有效信息。通过收集雷达以及无人机反馈的信息，可以得知雷达搜索的无人机数量N1，位置为P1＝{P11、P12…P1N1}。
在步骤1020，根据各无人设备反馈的数据确定第二无人设备数据。例如，通过问询请求得到的无人机数量N2，位置为P2＝{P21、P22…P2N2}。
在步骤1030，基于各无人设备的感知信息确定第三无人设备数据。例如，通过请求编号为H的无人机的感知信息，感知到的无人机数量N3，位置为P3＝{PH31、PH32…PH3N3}。
在步骤1040，基于第一无人设备数据、第二无人设备数据和第三无人设备数据中的位置信息确定侵入无人设备集合和各侵入无人设备的位置信息。
首先，归类雷达搜索到的目标是否是物流无人机，计算雷达搜索结果与问询请求得到的无人机的交集，筛选出可识别的无人机的数量。例如，求取雷达搜索到的飞行器位置与请求到的物流无人机的位置的距离的平方根其中m表示雷达搜索到的无人机n1与请求到的无人机n2的位置距离的平方根。如果Sm小于ε，其中，ε为距离阈值，例如ε＝2，则认为此时雷达搜索到的无人机n1与请求到的无人机n2是同一台无人机，属于非侵入状态，从而能够得到雷达探测到的非侵入状态的无人机集合，将剩余的雷达探测到的无人机集合定义为F，F为侵入的无人机集合G的一个子集。
然后归类基于无人机的感知信息得到的非重复的集合I。例如，先计算无人机h所感知到的第n台无人机与无人机j感知到的第m台无人机的位置距离平方根如果Si小于ε，则认为无人机h所感知到的第n台无人机与无人机j感知到的第m台无人机为同一台无人机，进而可以基于无人机的感知信息得到的非重复的集合I。
然后计算集合G中第g台无人机与集合I中第i台无人机距离的平方根，从而得到集合G与集合I中的重复集合进而可以得到侵入无人机的集合并且能够获知侵入无人机的集合A中无人机的位置{P}。
在上述实施例中，边缘站可以确定侵入无人机集合以及各侵入无人机的位置信息，进而能够进行危机调度。
在进行危机调度时，如图11所示。
在步骤1110，边缘设备确定无人设备可见的侵入无人设备集合。
在步骤1120，基于侵入无人设备集合和无人设备可见的侵入无人设备集合之差，确定无人设备不可见的侵入无人设备集合。边缘站已经确定了侵入无人机的集合A以及其位置集合{P}。由于无人机具备自动避障能力，因此如果侵入的无人机被其感知到，它可以自己规划，避免出现危险，此时仅需确定第n台无人机不可见的侵入无人机集合C。其中，C＝A-B，B为第n台无人机可见的侵入无人机集合。
在步骤1130，基于无人设备不可见的侵入无人设备集合利用路径规划算法确定无人设备的最优路径，以便对无人设备进行侵入危机调度。集合C中的某些无人机并不在无人机n的预定飞行区域，定义为集合C1，其位置集合为{PC1}，这样就确定了集合C对第n台物流无人机的危害程度。然后利用A*等路径规划算法，得到第n台无人机的最优路径，并将路径规格结果上传至对应的无人机。
在该实施例中，边缘设备监控无人设备是否按照规划路径在飞行，执行相应的动作。当监控到无人设备执行完毕规划的路径任务，则完成了针对第n台无人设备的异常侵入危机调度流程。
图12为本公开无人设备调度装置的再一个实施例的结构示意图。该装置包括存储器1210和处理器1220，其中，存储器1210可以是磁盘、闪存或其它任何非易失性存储介质。存储器1210被配置为存储图3-11所对应实施例中的指令。处理器1220耦接至存储器1210，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器1220被配置为执行存储器中存储的指令。
在一个实施例中，还可以如图13所示，该装置1300包括存储器1310和处理器1320。处理器1320通过BUS总线1330耦合至存储器1310。该装置1300还可以通过存储接口1340连接至外部存储装置1350以便调用外部数据，还可以通过网络接口1360连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够实现对无人设备的最优调度，提高物流体系的智能化水平，有效降低人力成本。
在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图3-11所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (20)
1.一种无人设备调度装置，包括：
任务调度设备，位于调度设备集群区域内，与多个边缘设备进行交互，被配置为获取所控制的各所述边缘设备上传的所述无人设备的运营数据，根据当前订单数据、外部环境数据和所述无人设备的运营数据，利用调度模型和调度规则生成调度结果，并将所述调度结果下发至对应的边缘设备；
边缘设备，位于边缘设备集群区域内，被配置为获得所控制的无人设备的调度结果，基于所述调度结果对所述无人设备进行调度，以及通过搜索单元获取第一无人设备数据，根据各无人设备反馈的数据确定第二无人设备数据，基于各无人设备的感知信息确定第三无人设备数据，基于所述第一无人设备数据、所述第二无人设备数据和所述第三无人设备数据中的位置信息确定侵入无人设备集合和各侵入无人设备的位置信息。
2.根据权利要求1所述的无人设备调度装置，其中，
所述调度模型和所述调度规则基于所述无人设备的运营数据和所述外部环境数据在时间维度上进行优化。
3.根据权利要求2所述的无人设备调度装置，其中，
所述调度结果包括各所述无人设备分配的订单内容和任务路径。
4.根据权利要求1所述的无人设备调度装置，还包括：
数据分析设备，与多个所述任务调度设备交互，被配置为获取各所述任务调度设备上传的所述无人设备的运营数据，根据所述无人设备的运营数据生成所述调度模型和所述调度规则。
5.根据权利要求4所述的无人设备调度装置，其中，
所述数据分析设备还被配置为根据各所述无人设备的运营数据、所述外部环境数据和无人设备故障检修数据生成无人设备健康度模型，以便基于所述无人设备健康度模型预测各所述无人设备的健康信息。
6.根据权利要求5所述的无人设备调度装置，其中，
所述任务调度设备还被配置为根据所述当前订单数据、所述外部环境数据和所述无人设备的运营数据，利用所述调度模型、所述调度规则和所述无人设备健康度模型生成所述调度结果，并将调度结果下发至对应的边缘设备。
7.根据权利要求5所述的无人设备调度装置，其中，
所述数据分析设备还被配置为基于第一训练数据和第一标注数据利用强化学习算法优化所述调度规则，其中，所述第一训练数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据，所述第一标注数据包括第一训练数据实际任务执行过程总时间；或者
所述数据分析设备还被配置为基于第二训练数据和第二标注数据利用深度学习算法优化所述调度模型，其中，所述第二训练数据包括无人设备的运营数据、无人设备健康度模型、外部环境数据和调度规则，所述第二标注数据包括第二训练数据实际任务执行过程总时间；或者
所述数据分析设备还被配置为基于第三训练数据和第三标注数据利用深度学习算法优化所述无人设备健康度模型，其中，所述第三训练数据包括无人设备的运营数据和外部环境数据，所述第三标注数据包括无人设备故障检修数据。
8.根据权利要求7所述的无人设备调度装置，其中，
所述数据分析设备还被配置为将第一验证数据输入至所述调度规则，基于输出结果与第一验证数据实际任务执行过程总时间验证所述调度规则，其中，所述第一验证数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据；或者
所述数据分析设备还被配置为将第二验证数据输入至所述调度模型，基于输出结果与第二验证数据实际任务执行过程总时间验证所述调度模型，其中，所述第二验证数据包括无人设备的运营数据、无人设备健康度模型和外部环境数据；或者
所述数据分析设备还被配置为将第三验证数据输入至所述无人设备健康度模型，基于输出结果与无人设备实际故障检修数据验证所述无人设备健康度模型，其中，所述第三验证数据包括无人设备运营数据和外部环境数据。
9.根据权利要求1所述的无人设备调度装置，其中，
所述边缘设备还被配置为基于所述运营数据进行信息综合和感知综合，并将进行信息综合和感知综合后的运营数据发送至所属的所述任务调度设备。
10.根据权利要求1-9任一所述的无人设备调度装置，其中，
所述运营数据包括个体信息、任务信息、运行状态信息、感知建图信息、环境感知信息、参数感知信息中的至少一项。
11.根据权利要求1所述的无人设备调度装置，其中，
所述边缘设备还被配置为确定无人设备可见的侵入无人设备集合，基于所述侵入无人设备集合和所述无人设备可见的侵入无人设备集合之差，确定无人设备不可见的侵入无人设备集合，基于所述无人设备不可见的侵入无人设备集合利用路径规划算法确定所述无人设备的最优路径，以便对所述无人设备进行侵入危机调度。
12.根据权利要求10所述的无人设备调度装置，其中，
所述边缘设备还被配置为向各所述无人设备发送问询请求，以便识别无人设备，响应于所述无人设备发送的响应消息，向发送所述响应消息的无人设备发送获取运营数据请求，以便获取所述无人设备的运营数据，其中，所述运营数据请求中携带所述边缘设备识别码和无人设备识别码。
13.一种无人设备调度系统，包括：
无人设备；以及
权利要求1-12任一所述的无人设备调度装置。
14.一种无人设备调度方法，包括：
位于调度设备集群区域内的任务调度设备获取所控制的各边缘设备上传的无人设备的运营数据；
根据当前订单数据、外部环境数据和所述无人设备的运营数据，利用调度模型和调度规则生成调度结果，并将所述调度结果下发至对应的边缘设备；
位于边缘设备集群区域内的边缘设备获得所控制的无人设备的调度结果；
基于所述调度结果对所述无人设备进行调度；
其中，所述无人设备调度方法还包括：
所述边缘设备通过搜索单元获取第一无人设备数据；
根据各无人设备反馈的数据确定第二无人设备数据；
基于各无人设备的感知信息确定第三无人设备数据；
基于所述第一无人设备数据、所述第二无人设备数据和所述第三无人设备数据中的位置信息确定侵入无人设备集合和各侵入无人设备的位置信息。
15.根据权利要求14所述的无人设备调度方法，其中，
所述调度模型和所述调度规则基于所述无人设备的运营数据和所述外部环境数据在时间维度上进行优化。
16.根据权利要求14所述的无人设备调度方法，还包括：
与多个所述任务调度设备交互的数据分析设备获取各所述任务调度设备上传的所述无人设备的运营数据；
根据所述无人设备的运营数据生成所述调度模型和所述调度规则。
17.根据权利要求16所述的无人设备调度方法，还包括：
所述数据分析设备根据各所述无人设备的运营数据、所述外部环境数据和无人设备故障检修数据生成无人设备健康度模型，以便基于所述无人设备健康度模型预测各所述无人设备的健康信息。
18.根据权利要求17所述的无人设备调度方法，其中，
所述任务调度设备根据所述当前订单数据、所述外部环境数据和所述无人设备的运营数据，利用所述调度模型、所述调度规则和所述无人设备健康度模型生成所述调度结果，并将调度结果下发至对应的边缘设备。
19.一种无人设备调度装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求14至18任一项所述的无人设备调度方法。
20.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求14至18任一项所述的无人设备调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910015076.4A CN111415026B (zh) | 2019-01-08 | 2019-01-08 | 无人设备调度装置、系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910015076.4A CN111415026B (zh) | 2019-01-08 | 2019-01-08 | 无人设备调度装置、系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415026A CN111415026A (zh) | 2020-07-14 |
| CN111415026B true CN111415026B (zh) | 2024-08-16 |
Family
ID=71490718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910015076.4A Active CN111415026B (zh) | 2019-01-08 | 2019-01-08 | 无人设备调度装置、系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415026B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064449B (zh) * | 2021-03-31 | 2024-03-12 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及系统 |
| CN113298445B (zh) * | 2021-07-22 | 2022-07-15 | 北京三快在线科技有限公司 | 一种模型训练和调度无人设备的方法及装置 |
| CN114064989B (zh) * | 2022-01-18 | 2022-04-19 | 山东矩阵软件工程股份有限公司 | 一种使用多维数据智能化控制物料装填的方法 |
| CN115955383B (zh) * | 2023-03-14 | 2023-05-16 | 中国电子科技集团公司第五十四研究所 | 一种宽带低时延高精度的混合算力的信号协同处理系统 |
| CN116880555B (zh) * | 2023-07-21 | 2024-07-23 | 河南天腾航空科技有限公司 | 一种基于边缘计算的无人机机群调度系统 |
| CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
| CN118521123B (zh) * | 2024-07-19 | 2024-10-18 | 中国人民解放军火箭军工程大学 | 考虑健康退化的工业设备作业调度方法、系统及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592941A (zh) * | 2013-10-30 | 2014-02-19 | 天津大学 | 一种飞行速度限制下的无人飞行器航迹规划方法 |
| CN107491925A (zh) * | 2017-09-25 | 2017-12-19 | 湖北工业大学 | 一种基于蚁群算法的快递无人机运输系统及方法 |
| CN108932862A (zh) * | 2018-07-27 | 2018-12-04 | 北京小马智行科技有限公司 | 一种自动驾驶车辆调度方法和装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835020A (zh) * | 2014-10-28 | 2015-08-12 | 北汽福田汽车股份有限公司 | 物流车辆的调度系统 |
| CN105259916A (zh) * | 2015-10-30 | 2016-01-20 | 杨珊珊 | 无人飞行器的调度装置及其调度方法 |
| CN105807791A (zh) * | 2016-02-25 | 2016-07-27 | 汪禹 | 一种采用无人机传递物件的系统及其方法 |
| CN105701634A (zh) * | 2016-03-15 | 2016-06-22 | 江阴中科今朝科技有限公司 | 基于移动终端的物流监控及调度系统 |
| CN105957404B (zh) * | 2016-05-09 | 2018-10-26 | 丁元沅 | 无人机与载人航空器共存环境下机载自主调度系统及方法 |
| CN106447256A (zh) * | 2016-09-09 | 2017-02-22 | 智能侠（北京）科技有限公司 | 基于智能移动装备的仓储智能调度监控管理方法及系统 |
| CN109891443B (zh) * | 2016-09-28 | 2024-01-23 | 联邦快递公司 | 用于使用一个或多个内部监控无人机监控装运储存器的内部储存内容的系统和方法 |
| CN106855966A (zh) * | 2016-11-30 | 2017-06-16 | 北京京东尚科信息技术有限公司 | 基于无人配送车进行调度的方法和系统 |
| CN108364143A (zh) * | 2017-01-26 | 2018-08-03 | 北京京东尚科信息技术有限公司 | 配送方法和配送系统 |
| CN107705045A (zh) * | 2017-11-01 | 2018-02-16 | 山东大学 | 一种基于云‑站‑点架构的生产物流智能配送agv系统及其应用 |
| CN107728643B (zh) * | 2017-11-10 | 2019-10-25 | 西安电子科技大学 | 一种动态环境下的无人机群分布式任务调度方法 |
| CN108229719B (zh) * | 2017-11-29 | 2021-12-14 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
| CN108520375B (zh) * | 2018-03-30 | 2022-02-01 | 陆英玮 | 一种基于基站的分布式物流系统和方法 |
| CN108490976A (zh) * | 2018-04-28 | 2018-09-04 | 广州亿航智能技术有限公司 | 一种无人机集群的调度系统 |
| CN108427423B (zh) * | 2018-05-07 | 2024-10-15 | 温州大学瓯江学院 | 一种无人仓储智能综合监控调度系统及其控制方法 |
-
2019
- 2019-01-08 CN CN201910015076.4A patent/CN111415026B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592941A (zh) * | 2013-10-30 | 2014-02-19 | 天津大学 | 一种飞行速度限制下的无人飞行器航迹规划方法 |
| CN107491925A (zh) * | 2017-09-25 | 2017-12-19 | 湖北工业大学 | 一种基于蚁群算法的快递无人机运输系统及方法 |
| CN108932862A (zh) * | 2018-07-27 | 2018-12-04 | 北京小马智行科技有限公司 | 一种自动驾驶车辆调度方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415026A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415026B (zh) | 无人设备调度装置、系统和方法 | |
| US11030906B2 (en) | System for taking into account micro wind conditions in flight plans for aerial vehicles | |
| US11209816B2 (en) | Autonomous long range aerial vehicles and fleet management system | |
| US20210080955A1 (en) | Systems and Methods for Vehicle Motion Planning Based on Uncertainty | |
| CN108416376B (zh) | 一种基于svm的在途物流人车跟踪监控管理系统及方法 | |
| CN102915652A (zh) | 飞行器交通分离系统 | |
| CN103903117A (zh) | 一种物流智能运输监管方法 | |
| CN117808180B (zh) | 一种基于知识与数据联合的路径规划方法、应用及装置 | |
| KR20170087156A (ko) | 클라우드 기반의 자율주행차량을 위한 차등보상형 협력적 맵데이터 제공시스템 | |
| Lam et al. | Evaluation of a transportation system employing autonomous vehicles | |
| CN104504942B (zh) | 一种空中交通管制系统的飞行冲突预警方法 | |
| Hadjaz et al. | Online learning for ground trajectory prediction | |
| CN117519944A (zh) | 一种基于算力感知和边缘云计算协同的无人车及其协同方法 | |
| CN116880555B (zh) | 一种基于边缘计算的无人机机群调度系统 | |
| Um | Embracing cyber-physical system as cross-platform to enhance fusion-application value of spatial information | |
| Hu et al. | Risk-based dynamic anisotropic operational safety bound for rotary UAV traffic control | |
| Ishihara et al. | Rapid trajectory prediction for a fixed-wing UAS in a uniform wind field with specified arrival times | |
| Heizinger et al. | Algorithmic Efficiency Analysis of Harvest and Transport of Biomass | |
| Andersen et al. | Reoptimisation strategies for dynamic vehicle routing problems with proximity-dependent nodes | |
| Campbell et al. | Benchmark Problem for Autonomous Urban Air Mobility | |
| CN116862353A (zh) | 用于为现实物料供应生成统一数字化物料供应链的系统、方法及计算机存储介质 | |
| Gu et al. | A data-driven intelligent algorithm for dynamic path design of automated-guided vehicle systems | |
| CN118274846B (zh) | 用于道路隐患排查的无人机群协同路径规划方法及系统 | |
| US12084085B1 (en) | Systems and methods for autonomous vehicle validation | |
| CN118469426B (zh) | 一种基于物联网的数据处理方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210305 Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd. Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant before: Beijing Jingbangda Trading Co.,Ltd. Effective date of registration: 20210305 Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant after: Beijing Jingbangda Trading Co.,Ltd. Address before: 100086 8th Floor, 76 Zhichun Road, Haidian District, Beijing Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |