CN111598316B - 物体转移装箱过程策略生成方法、装置、计算机设备 - Google Patents

物体转移装箱过程策略生成方法、装置、计算机设备 Download PDF

Info

Publication number
CN111598316B
CN111598316B CN202010371670.XA CN202010371670A CN111598316B CN 111598316 B CN111598316 B CN 111598316B CN 202010371670 A CN202010371670 A CN 202010371670A CN 111598316 B CN111598316 B CN 111598316B
Authority
CN
China
Prior art keywords
boxed
boxing
target
determining
strategy
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
CN202010371670.XA
Other languages
English (en)
Other versions
CN111598316A (zh
Inventor
胡瑞珍
黄惠
张皓
龚明伦
许聚展
陈滨
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010371670.XA priority Critical patent/CN111598316B/zh
Priority to PCT/CN2020/090524 priority patent/WO2021223262A1/zh
Publication of CN111598316A publication Critical patent/CN111598316A/zh
Priority to US17/947,933 priority patent/US20230011757A1/en
Application granted granted Critical
Publication of CN111598316B publication Critical patent/CN111598316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B1/00—Packaging fluent solid material, e.g. powders, granular or loose fibrous material, loose masses of small articles, in individual containers or receptacles, e.g. bags, sacks, boxes, cartons, cans, or jars
    • B65B1/30—Devices or methods for controlling or determining the quantity or quality or the material fed or filled
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Container Filling Or Packaging Operations (AREA)
  • Auxiliary Devices For And Details Of Packaging Control (AREA)

Abstract

本申请涉及一种物体转移装箱过程策略生成方法、装置、计算机设备。该方法包括：获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束；通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。采用本方法能够提高物体转移装箱效率。

Description

物体转移装箱过程策略生成方法、装置、计算机设备
技术领域
本申请涉及物体装箱技术领域，特别是涉及一种物体转移装箱过程策略生成方法、装置、计算机设备和存储介质。
背景技术
装箱问题是众所周知的离散优化问题，已经在计算机图形学领域中被发现了引人注目的几何应用，例如纹理图生成、艺术排版、二维面板制造和三维打印等。然而，在其他涉及物理对象的实际应用中(如机器人装箱运输等)，通常还必须应对更多的约束条件。物理装箱问题的一个重要变化是，在初始时，物体就已经处于某种空间配置中了(如，积累的仓库库存等)。物体的移动必须遵循一些先后顺序，比如压在某个物体上面的物体被转移并装箱之前，前者无法被移动。因此，在实际物理对象装箱应用中，装箱过程对物体最终的装箱状态的影响至关重要。
然而，几何装箱问题中，仅需优化虚拟对象的装箱效果，以用于显示、存储或制造等场景中。在物理装箱问题中，初始状态对物品的装箱顺序和朝向有严格的约束；现有装箱技术通过假定提供的待装箱物体没有任何额外的空间或依赖约束进行装箱，得到的装箱效果仅具有装箱结果显示，实际装箱过程，需要花费时间根据装箱效果分析如何搬运，导致物体装箱效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高物体转移装箱效率的物体转移装箱过程策略生成方法、装置、计算机设备和存储介质。
一种物体转移装箱过程策略生成方法，所述方法包括：
获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到所述待装箱物体集合的物体装箱序列；
根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
在一个实施例中，所述获取初始容器中待装箱物体集合的优先级图包括：
获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；
根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体进行几何分析，确定所述待装箱物体集合的优先级图。
在一个实施例中，所述根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体进行几何分析，确定所述待装箱物体集合的优先级图包括：
根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体每个方向进行遍历，确定每个方向的限制状态；
根据所述限制状态，确定所述待装箱物体集合的优先级图。
在一个实施例中，所述通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、动态信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列包括：
通过神经网络中编码器对所述每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；
通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；
根据所述第一高维向量和所述第二高维向量，确定所述每个待装箱物体在预设状态下的装箱概率值；
根据所述装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
在一个实施例中，在所述确定当次待装箱物体和对应的搬运状态之后，所述方法还包括：
将确定的当次待装箱物体从所述待装箱物体集合移除；
更新所述待装箱物体集合的优先级图和所述目标容器的当前高度图，执行所述获取初始容器中待装箱物体集合的优先级图步骤。
在一个实施例中，所述根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述当前装箱过程策略包括：
根据装箱目标、所述物体装箱序列和各装箱物体的搬运状态，计算所述待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值；
根据所述装箱目标值从所述预设摆放策略集中确定所述待装箱物体集合的目标摆放策略。
在一个实施例中，所述装箱目标包括密度目标、锥形程度目标和稳定性目标中至少一种；所述根据装箱目标、所述物体装箱序列和各装箱物体的搬运状态，计算所述待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值包括:
根据所述物体装箱序列、各装箱物体的搬运状态和所述预设摆放策略将所述待装箱物体集合中每个待装箱物体依次装箱到所述目标容器中；
根据所述装箱目标计算装箱后所述目标容器对应的密度值、锥形程度值和稳定性值；
根据所述密度值、锥形程度值和稳定性值计算预设摆放策略集中每个预设摆放策略对应的装箱目标数值。
一种物体转移装箱过程策略生成装置，所述装置包括：
获取模块，用于获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
编码模块，用于通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
卷积模块，用于通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；
确定模块，用于根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；
根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；
根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
上述物体转移装箱过程策略生成方法、装置、计算机设备和存储介质，通过获取初始容器中待装箱物体集合的优先级图，对优先级图进行编码得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略集，确定待装箱物体集合的装箱过程策略。由于装箱过程策略是根据物体装箱序列、各装箱物体的搬运状态和预设摆放策略得到的，因此，装箱过程策略考虑了物体的装箱顺序，装箱过程中的搬运状态以及转移后被摆放的位置，根据装箱过程策略即可对装箱工作进行指导来解决了物体转移和装箱问题，提高了物体转移装箱效率。
附图说明
图1为一个实施例中物体转移装箱过程策略生成方法的流程示意图；
图2为一个实施例中待装箱物体的初始搬运和旋转搬运对应的示意图；
图3为一个实施例中对待装箱物体几何信息和依赖信息的编码结果；
图4为一个实施例中物体转移装箱过程策略生成方法对应的装箱示意图；
图5为一个实施例中建立优先级图方法的流程示意图；
图6为一个实施例中建立优先级图的过程分析示意图；
图7为一个实施例中确定物体装箱序列方法的流程示意图；
图8为一个实施例中TAP-Net的网络结构图；
图9为一个实施例中确定目标摆放策略方法的流程示意图；
图10为一个实施例中密度值、锥形程度值和稳定性值的效果示意图；
图11为另一个实施例中物体转移装箱过程策略生成方法的流程示意图；
图12为一个实施例中物体转移装箱过程策略生成方法应用于滚动装箱的示意图；
图13为一个实施例中物体转移装箱到不同目标容器的示意图；
图14为一个实施例中物体转移装箱过程策略生成装置的结构框图；
图15为另一个实施例中物体转移装箱过程策略生成装置的结构框图；
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种物体转移装箱过程策略生成方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束。
其中，物体装箱可包括二维物体装箱和三维物体装箱。本实施中以二维装箱为例进行说明。依赖约束是每个待装箱物体在转移过程中相互之间的转移限制；其中，转移限制可以是阻挡、待装箱物体是否能被触及等。例如，初始容器中包括待装箱物体1、2；待装箱物体1叠放在待装箱物体2上面，待装箱物体2的顶部被待装箱物体1阻挡，待装箱物体2被待装箱物体1阻挡，故待装箱物体2只有在待装箱物体1被转移之后才能被装箱。
优先级图是以图形描述的方式展示待装箱物体之间的依赖约束；优先级图是通过分析初始容器中每个待装箱物体的初始位置信息和初始几何信息确定的，根据优先级图可以确定初始容器中待装箱物体的搬运顺序；其中，初始位置信息是指每个待装箱物体在初始容器中的相对坐标位置；初始几何信息是每个待装箱物体在初始容器中摆放的宽度和高度。
具体地，终端接收输入的初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；根据每个待装箱物体的初始位置信息和初始几何信息进行分析，确定每个待装箱物体之间的依赖约束，以图形描述的方式将每个待装箱物体之间的依赖约束进行描述，得到初始容器中待装箱物体集合的优先级图。
步骤104，通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息。
其中，预设状态是指预先设置的物体搬运状态，搬运状态包括初始搬运和旋转搬运，如图2所示，上图为初始搬运情况下的转移和装箱示例和下图为旋转搬运情况下的转移和装箱示例；左图代表初始状态，右图表示目标容器。
具体地，终端把待装箱物体集合的优先级图发送到神经网络中，神经网络可以但不仅限于是转移装箱神经网络(TAP-Net)，TAP-Net由一个编码器和一个带有注意力机制的解码器组成；TAP-Net中编码器根据优先级图提取待装箱集合中的每个待装箱物体，对每个待装箱物体在预设状态下的几何信息和依赖信息进行编码，得到编码后的几何信息和依赖信息；其中，编码后的依赖信息可以用“0”和“1”来表示，“0”代表无约束限制，“1”代表约束限制，可选地，编码后的几何信息和依赖信息可包括待装箱物体初始搬运对应的几何信息和依赖信息、以及旋转搬运对应的几何信息和依赖信息,如图3所示，待装箱物体集合中有装箱物体A、B、C、D、E；装箱物体A的初始搬运的几何信息为(wA，hA)，w代表宽度，h代表高度；顶部依赖信息表示为“00011”，即装箱物体A初始搬运时顶部有装箱物体D、E；A顶部有左侧的依赖信息为“00000”，即装箱物体A初始搬运时左侧没有依赖约束；右侧方向的依赖信息为“00000”，即装箱物体A初始搬运时右侧没有依赖约束。装箱物体A的旋转搬运的几何信息为(hA，wA)，顶部依赖信息表示为“00011”，即装箱物体A旋转搬运时顶部有装箱物体D、E；左侧的依赖信息为“10000”，即装箱物体A旋转搬运时左侧紧挨着目标容器壁；右侧方向的依赖信息为“01000”，即装箱物体A旋转搬运时右侧有装箱物体B。
步骤106，通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
其中，高度图用于反映目标容器的实际装箱状态，高度图与目标容器之间存在映射关系，高度图是一组多维数组，数组中的每个元素的索引值定位不同的网格，每个元素值是网格的高度。
具体地，将编码后的待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图作为神经网络的输入信息，通过神经网络中编码器和解码器对输入信息进行卷积运算的，输出确定当次待装箱物体和对应的搬运状态。可选地，待装箱物体集合中有n个待装箱物体，神经网络执行n次卷积运算，进行n次确定当次待装箱物体和对应的搬运状态，根据n次确定的当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
步骤108，根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略集，确定待装箱物体集合的装箱过程策略。
其中，装箱目标是用于判断装箱质量的标准，装箱包括密度目标、锥形程度目标和稳定性目标中的至少一种；其中，密度目标通过所有装箱物体的总面积、所有装箱物体在目标容器底部方向的投影面积和目标容器最高高度确定的矩形面积的比例来判断；锥形程度目标通过所有装箱物体的总面积和所有装箱物体在容器底部方向的投影面积的比例来判断；稳定性目标通过目标容器中稳定的装箱物体数量在已装箱物体的总数量所占的比例值来判断。装箱中每个装箱物体的稳定性判断首先通过几何分析，找出该装箱物体在该位置时其下表面与已放置的装箱物体的边缘的所有接触点；找出该装箱物体下表面的中心点；将接触点两两相连，将组成一个轮廓区域，该区域在二维情况下是一条线段，在三维情况下是一个多边形；判断中心点是否在该区域中，若中心点是否在该区域中，则认为该装箱物体是稳定，否则认为该装箱物体是不稳定。
预设摆放策略是预先设置的装箱物体摆放策略；预设摆放策略是基于最大剩余空间的装箱策略，包括最左最低装箱策略、多角落装箱策略，两者都在目标容器的剩余空间中找到最大剩余空间。其中，最左最低装箱策略仅尝试每个最大剩余空间的左下角位置，然后选择装箱目标值最高的策略。多角落装箱策略测试每个最大剩余空间的每个角落，然后选择装箱目标值最高的策略。
具体地，根据神经网络输出的物体装箱序列、各装箱物体的搬运状态以及预设摆放策略装箱目标计算物体装箱序列、各装箱物体的搬运状态在每个预设摆放策略下的装箱目标值，从计算得到的装箱目标值中获取数值最大的装箱目标值，将数值最大的装箱目标值对应的预设摆放策略作为待装箱物体集合的装箱过程策略。
在一个实施例中，根据物体装箱序列、各装箱物体的搬运状态和预设最大化可触及凸空间摆放策略，确定待装箱物体集合的装箱过程策略。可选地，在装箱之前，确定目标容器中所有可触及的凸空间；对目标容器进行装箱时，根据最大化可触及凸空间摆放策略将当次待装箱物体按照对应的搬运状态，依次摆放至目标容器中可触及的凸空间，计算摆放后剩下的剩余空间中的最大可触及凸空间面积，确定最大可触及凸空间面积最大对应的预设最大化可触及凸空间摆放策略作为待装箱物体集合的装箱过程策略。该方法可以提高目标容器的摆放空间的利用率。
以下为物体转移装箱过程策略生成的一个应用场景，如图4所示。
终端通过获取初始容器(a)中待装箱物体集合的优先级图(b)，其中，优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束；通过TAP-Net中编码器对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；每个待装箱物体在预设状态下的几何信息和依赖信息和目标容器的高度图输入到TAP-Net(c)中，通过TAP-Net中的编码器和带注意力机制的解码器依次对输入信息进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。终端与搬运设备进行通讯，根据确定的装箱过程策略生成对应的控制指令，该控制指令用于指示搬运设备根据装箱过程策略将初始容器中的待装箱物体依次装箱到目标容器中，完成物体装箱，装箱效果如(d)所示。
上述物体转移装箱过程策略生成方法中，通过获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束；通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。由于装箱过程策略是根据物体装箱序列、各装箱物体的搬运状态和预设摆放策略得到的，因此，装箱过程策略考虑了物体的装箱顺序，装箱过程中的搬运状态以及转移后被摆放的位置，根据装箱过程策略即可对装箱工作进行指导解决了物体转移和装箱问题，进而提高了物体转移装箱效率。
在一个实施例中，如图5所示，提供了一种建立优先级图的方法，本实施例以该方法应用于终端进行举例说明，本实施例中，该方法包括以下步骤：
步骤502，获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息。
其中，初始位置信息是指每个待装箱物体在初始容器中的相对坐标位置；初始几何信息是每个待装箱物体在初始容器中摆放的宽度和高度。
具体地，终端接收界面输入的初始容器信息，根据初始容器信息获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息。
步骤504，根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图。
在一个实施例中，根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图包括：
根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体每个方向进行遍历，确定每个方向的限制状态；根据限制状态，确定待装箱物体集合的优先级图。
具体地，获取初始位置信息和初始几何信息，采用遍历算法依次遍历每个待装箱物体每个方向，确定每个方向的限制状态。例如遍历竖直方向上方，若有其他待装箱物体，则在它们之间建立对应的顶部阻挡标识，如“TB”；遍历其左边的中间位置以上的空间，若有其他待装箱物体，则在它们之间建立对应的左侧触及阻挡标识，如“LAB”；遍历其右边的中间位置以上的空间，若有其他待装箱物体，则在它们之间建立右侧触及阻挡标识，如“RAB”。如图6所示，为一个实施例中，为一个待装箱物体集合的优先级图，在优先级图中黑色实线表示头顶部阻挡标识(如，TB)；浅色虚线表示为左侧触及阻挡标识(如，LAB)，深色虚线表示为右侧触及阻挡标识(如，RAB)。通过遍历分析待装箱物体每个方向，确定待装箱物体每个方向是否存在其他待装箱物体，根据遍历结果，确定每个待装箱物体的限制状态，得到待装箱物体集合的优先级图，明确初始容器中待装箱物体的状态，减少转移装箱时间和提高装箱效率。
本实施例中，通过获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图，根据优先级图获取装箱过程中初始容器中待装箱物体的依赖信息变化，根据变化的依赖信息不断优化目标容器中物体摆放策略，能够达到提高装箱效果以及目标容器空间的利用率。
在一个实施例中，如图7所示，提供了一种确定物体装箱序列方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤702，通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量。
具体地，编码器的输入是每个待装箱物体在预设状态下编码后的几何信息和优先级图中的依赖信息；几何信息静态的，依赖信息是动态的。每个待装箱物体的几何信息和依赖信息通过卷积运算映射到高维空间，合并转化为一个高维向量，可以表示为e，记录的是每个输入状态的信息。
步骤704，通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量。
其中，解码器使用的是一个循环神经网络(Recurrent Neural Network，RNN)，将装箱过程中每次装箱物体的搬运状态、几何信息以及依赖信息进行累计。RNN的输入包括两部分，一个输入是上一个装箱物体的几何信息和目标容器的当前高度图通过卷积得到的高维向量，另一个输入是上一次装箱RNN的输出的累计高维向量。
具体地，解码器的通过对是上一次刻注意力机制的输出，即上一个被选择装箱的装箱物体的几何信息和目标容器的当前高度图，通过卷积层映射到高维空间并合并，再输入上一次RNN的输出得到解码器的输出，通过卷积层映射到高维空间并合并，将运算结果映射到高维空间得到对应的第二高维向量。其中，解码器的输出向量包含着前面所有步骤所有已选择搬运状态的状态物体的几何信息。
步骤706，根据第一高维向量和第二高维向量，确定每个待装箱物体在预设状态下的装箱概率值。
具体地，将第一高维向量和第二高维向量输入注意力机制中，计算待装箱物体预设状态的装箱概率值。
步骤708，根据装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
具体地，从计算得到的装箱概率值中确定数值最大的装箱概率值，确定数值最大的装箱概率值对应的装箱物体和对应的预设状态；将数值最大的装箱概率值对应的装箱物体和对应的预设状态作为当次待装箱物体和对应的搬运状态。根据每次确定的当次待装箱物体，得到待装箱物体集合的物体装箱序列。
在一个实施例中，在确定当次待装箱物体和对应的搬运状态之后，方法还包括：将确定的当次待装箱物体从待装箱物体集合移除；更新待装箱物体集合的优先级图和目标容器的当前高度图，执行获取初始容器中待装箱物体集合的优先级图步骤。
具体地，通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；根据第一高维向量和第二高维向量，确定每个待装箱物体在预设状态下的装箱概率值；根据装箱概率值确定当次待装箱物体和对应的搬运状态，将确定的当次待装箱物体从待装箱物体集合移除；更新待装箱物体集合的优先级图和目标容器的当前高度图，执行获取初始容器中待装箱物体集合的优先级图步骤。通过更新初始容器中待装箱物体集合中的待装箱物体和优先级图，确定装箱物体在目标容器中的目标位置，提高了装箱物体摆放的合理性，提高了目标容器的空间利用合理性以及转移装箱的效率。
wi在一个实施例中，如图8所示，为TAP-Net的网络结构图，TAP-Net的网络结构由一个编码器和一个带有注意力机制的解码器组成。TAP-Net得到待装箱物体集合的物体装箱序列的实现过程为：每个装箱物体有两个不同的状态，即初始状态和旋转状态，待装箱物体集合中n个装箱物体对应2n个状态，TAP-Net的网路只输出n个状态。当TAP-Net处理n个装箱物体的转移装箱问题时，TAP-Net网路会重复n次选择状态的步骤。在每个步骤t中，编码器模块的输入表示为
Figure BDA0002478530430000131
其中si＝{wi，hi}i＝1.....2n，si表示第i个装箱物体静态的宽度wi和高度hi信息，/>
Figure BDA0002478530430000132
则表示第i个装箱物体在步骤t时的动态的依赖信息。解码器将上一个步骤选择的状态yt-1、目标容器在步骤t-1之后的高度图ht-1以及t-1时刻RNN的输出ωt-1作为输入解码器。
通过编码器将输入的
Figure BDA0002478530430000133
转换为高维度向量/>
Figure BDA0002478530430000134
解码器将输入的yt-1和ht-1转换为高维向量ωt，通过注意力机制根据/>
Figure BDA0002478530430000135
和ωt这些高维向量的数据来计算2n个状态所对应的2n个概率值，从2n个概率值中选出对应概率最大的搬运状态作为当次输出yt，将当次装箱物体从待装箱物体集合中删除，更新初始容器的待装箱物体集合的优先级图；该过程反复执行直到获取n个搬运状态的序列，即得到待装箱物体集合的物体装箱序列{yt}t＝1.....n。在TAP-Net最开始进行计算的时候，yt-1和ht-1是数值为初始值，初始值可以是零。
上述确定物体装箱序列中，通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；根据第一高维向量和第二高维向量，确定每个待装箱物体在预设状态下的装箱概率值；根据装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。根据初始容器中待装箱物体的优先级图和目标容器的当前高度图依次确定当次装箱物体和对应的搬运状态，确保了转移装箱的合理性和准确性。
在一个实施例中，如图9所示，提供了一种确定目标摆放策略方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤902，根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值。
其中，装箱目标包括密度目标、锥形程度目标和稳定性目标中至少一种；装箱目标值包括密度值、锥形程度值和稳定性值中至少一种。装箱目标R可以但不仅限于用以下函数关系式来表示：
R＝(C+P+S)/3
其中，紧密度值C定义为装箱好的装箱物体的总面积Apacked和目标容器的当前最高高度和容器宽度Arect确定的矩形面积之间的比例，如图10(a)所示，紧密度的度量倾向于将装箱物体紧密装箱，当且仅当所有装箱物体完全填满矩形区域时，紧密度值C为1。可选地，紧密度值C的取值范围可为0～1。
锥状程度值P定义为Apacked和所有装箱物体在容器底部方向的投影面积Aproj之间的比例，如图10(b)所示。投影区域之外的区域允许被将来的装箱物体填充，若当前状态能使后续装箱物体紧密装箱时，锥状程度值P越大。可选地，锥状程度值P的取值范围可为0～1。
稳定性值S定义为稳定装箱物体的数量Nstable占所有已装箱物体数量Npacked的占比；可选地，稳定性值S的取值范围可为0～1。装箱中每个装箱物体的稳定性判断首先通过几何分析，找出该装箱物体在该位置时其下表面与已放置的装箱物体的边缘的所有接触点；找出该装箱物体下表面的中心点；将接触点两两相连，将组成一个轮廓区域，该区域在二维情况下是一条线段，在三维情况下是一个多边形；判断中心点是否在该区域中，若中心点是否在该区域中，则认为该装箱物体是稳定，否则认为该装箱物体是不稳定，如图10(c)和(d)所示，图10(c)的稳定性值大于图10(d)的稳定性值，即图10(c)所示的装箱效果比(d)的装箱效果好。
步骤904，根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略。
具体地，装箱目标包括密度目标、锥形程度目标和稳定性目标中至少一种；根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值为：根据物体装箱序列、各装箱物体的搬运状态和预设摆放策略将待装箱物体集合中每个待装箱物体依次装箱到目标容器中；计算装箱后目标容器对应的密度值、锥形程度值和稳定性值；根据密度值、锥形程度值和稳定性值计算预设摆放策略集中每个预设摆放策略对应的装箱目标数值。从计算得到的装箱目标数值中获取装箱目标数值最大的预设摆放策略，将装箱目标数值最大的预设摆放策略作为待装箱物体集合的目标摆放策略。
上述确定目标摆放策略中，通过根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值；根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略。通过计算计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值，比较装箱目标值的大小，确定最佳预设摆放策略，提高目标容器的空间利用率。
在另一个实施例中，如图11所示，提供了一种物体转移装箱过程策略生成方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤1102，获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息。
步骤1104，根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图。
步骤1106，对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息。
步骤1108，通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量。
步骤1110，通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量。
步骤1112，根据装箱概率值确定当次待装箱物体和对应的搬运状态，将确定的当次待装箱物体从待装箱物体集合移除，更新待装箱物体集合的优先级图和目标容器的当前高度图，得到待装箱物体集合的物体装箱序列。
可选地，在训练TAP-Net时，TAP-Net的容量根据训练对象数量n来确定，当初始容器中有m(m>n)个待装箱物体时，可以选择n个物体的集合(Ω)用于TAP-Net进行转移和装箱，当确定当次装箱物体和对应的搬运状态后，将当次装箱物体从初始容器中删除，并将另一个待装箱物体添加到Ω中，更新待装箱物体集合的优先级图和目标容器的当前高度图；重复该过程，直至装箱完所有物体，得到待装箱物体集合的物体装箱序列，如图12所示，初始容器中有6个待装箱物体，当TAP-Net使用4个物体训练而要处理6个要装箱的物体时，首先选择4个物体进入初始集Ω，然后使用TAP-Net选择第一个要装箱的物体(如例子中的C)。取出并装箱C后，另一个物体(例子中的F)被添加到Ω中。重复该过程，直至装箱完所有物体。
步骤1114，根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值。
步骤1116，根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略。
可选地，在一个实施例中，待装箱物体集合中每个待装箱物体需要装箱到不同的目标容器中，获取每个待装箱物体对应的目标容器编号，将每个待装箱物体对应的目标容器编号和每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量。通过神经网络中解码器对上一个装箱物体的几何信息、每个目标容器编号对应目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量。根据装箱概率值确定当次待装箱物体、对应的搬运状态以及对应的目标容器，将确定的当次待装箱物体从待装箱物体集合移除，更新待装箱物体集合的优先级图和目标容器的当前高度图，得到待装箱物体集合在不同目标容器中的物体装箱序列。执行根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值步骤。如图13所示，初始容器中初始配置的中包括编号A-J的待装箱物体，执行上述步骤，把分别装箱到对应的目标容器1和目标容器2中。
上述物体转移装箱过程策略生成方法，通过获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图；对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；根据装箱概率值确定当次待装箱物体和对应的搬运状态，将确定的当次待装箱物体从待装箱物体集合移除，更新待装箱物体集合的优先级图和目标容器的当前高度图，得到待装箱物体集合的物体装箱序列。
根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值；根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略。通过确定待装箱物体集合的优先级图，根据优先级图对待装箱物体之间的约束进行转移规划，提高了转移装箱效率以及提高了目标容器的空间利用率。
在一个实施例中，物体装箱为三维装箱，通过获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束；通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。通过确定待装箱物体集合的优先级图，根据优先级图对待装箱物体之间的约束进行转移规划，提高了转移装箱效率。可选地，三维物体转移装箱过程策略生成装置的具体限定可以参见上文中对于二维物体转移装箱过程策略生成方法的限定，在此不再赘述。
应该理解的是，虽然图1、图5、图7、图9、图11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图5、图7、图9、图11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种物体转移装箱过程策略生成装置，包括：获取模块1402、编码模块1404、卷积模块1406和确定模块1408，其中：
获取模块1402，用于获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束。
编码模块1404，用于通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息。
卷积模块1406，用于通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
确定模块1408，用于根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。
上述物体转移装箱过程策略生成装置中，通过获取初始容器中待装箱物体集合的优先级图；优先级图用于描述待装箱物体集合中每个待装箱物体之间的依赖约束；通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络的卷积层依次对待装箱物体集合中每个待装箱物体的几何信息、依赖信息和目标容器的当前高度图进行卷积运算，确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；根据装箱目标、物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定待装箱物体集合的装箱过程策略。通过确定待装箱物体集合的优先级图，根据优先级图对待装箱物体之间的约束进行转移规划，解决了物体转移和装箱问题，以及提高了物体转移装箱效率。
在另一个实施例中，如图15所示，提供了一种物体转移装箱过程策略生成装置，除获取模块1402、编码模块1404、卷积模块1406和确定模块1408，还包括其中：
在一个实施例中，获取模块1402还用于获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息。
几何分析模块1410，用于根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图。
遍历模块1412，用于根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体每个方向进行遍历，确定每个方向的限制状态；根据限制状态确定待装箱物体集合的优先级图。
在一个实施例中，卷积模块1406还用于通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；
根据第一高维向量和第二高维向量，确定每个待装箱物体在预设状态下的装箱概率值；根据装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列。
移除模块1414，用于将确定的当次待装箱物体从待装箱物体集合移除。
更新模块1416，用于更新待装箱物体集合的优先级图和目标容器的当前高度图，执行获取初始容器中待装箱物体集合的优先级图步骤。
计算模块1418，用于根据装箱目标、物体装箱序列和各装箱物体的搬运状态，计算待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值。
在一个实施例中，计算模块1418还用于根据物体装箱序列、各装箱物体的搬运状态和预设摆放策略将待装箱物体集合中每个待装箱物体依次装箱到目标容器中；计算装箱后目标容器对应的密度值、锥形程度值和稳定性值。
在一个实施例中，确定模块1408还用于根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略；装箱目标包括密度目标、锥形程度目标和稳定性目标中至少一种。
在一个实施例中，确定模块1408还用于根据密度值、锥形程度值和稳定性值计算预设摆放策略集中每个预设摆放策略对应的装箱目标数值。
上述物体转移装箱过程策略生成装置中，通过获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；根据初始位置信息和初始几何信息对待装箱物体集合中每个待装箱物体进行几何分析，确定待装箱物体集合的优先级图；通过对优先级图进行编码，得到每个待装箱物体在预设状态下的几何信息和依赖信息；通过神经网络中编码器对每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；根据第一高维向量和第二高维向量，确定每个待装箱物体在预设状态下的装箱概率值；根据装箱概率值确定当次待装箱物体和对应的搬运状态，将确定的当次待装箱物体从待装箱物体集合移除；更新待装箱物体集合的优先级图和目标容器的当前高度图，执行获取初始容器中待装箱物体集合的优先级图步骤，得到待装箱物体集合的物体装箱序列。
根据物体装箱序列、各装箱物体的搬运状态和预设摆放策略将待装箱物体集合中每个待装箱物体依次装箱到目标容器中；根据装箱目标计算装箱后目标容器对应的密度值、锥形程度值和稳定性值；根据密度值、锥形程度值和稳定性值计算预设摆放策略集中每个预设摆放策略对应的装箱目标数值；根据装箱目标值从预设摆放策略集中确定待装箱物体集合的目标摆放策略。通过确定待装箱物体集合的优先级图，根据优先级图对待装箱物体之间的约束进行转移规划，提高了转移装箱效率以及提高了目标容器的空间利用率。
关于物体转移装箱过程策略生成装置的具体限定可以参见上文中对于物体转移装箱过程策略生成方法的限定，在此不再赘述。上述物体转移装箱过程策略生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种物体转移装箱过程策略生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种物体转移装箱过程策略生成方法，其特征在于，所述方法包括：
获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
通过神经网络中编码器对所述每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；
通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；
根据所述第一高维向量和所述第二高维向量，确定所述每个待装箱物体在预设状态下的装箱概率值；
根据所述装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；
根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
2.根据权利要求1所述的方法，其特征在于，所述获取初始容器中待装箱物体集合的优先级图包括：
获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；
根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体进行几何分析，确定所述待装箱物体集合的优先级图。
3.根据权利要求2所述的方法，其特征在于，所述根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体进行几何分析，确定所述待装箱物体集合的优先级图包括：
根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体每个方向进行遍历，确定每个方向的限制状态；
根据所述限制状态确定所述待装箱物体集合的优先级图。
4.根据权利要求1所述的方法，其特征在于，在所述确定当次待装箱物体和对应的搬运状态之后，所述方法还包括：
将确定的当次待装箱物体从所述待装箱物体集合移除；
更新所述待装箱物体集合的优先级图和所述目标容器的当前高度图，执行所述获取初始容器中待装箱物体集合的优先级图步骤。
5.根据权利要求1所述的方法，其特征在于，所述根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略包括：
根据装箱目标、所述物体装箱序列和各装箱物体的搬运状态，计算所述待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值；
根据所述装箱目标值从所述预设摆放策略集中确定所述待装箱物体集合的目标摆放策略。
6.根据权利要求5所述的方法，其特征在于，所述装箱目标包括密度目标、锥形程度目标和稳定性目标中至少一种；所述根据装箱目标、所述物体装箱序列和各装箱物体的搬运状态，计算所述待装箱物体集合在预设摆放策略集中每个预设摆放策略下的装箱目标值包括:
根据所述物体装箱序列、各装箱物体的搬运状态和所述预设摆放策略将所述待装箱物体集合中每个待装箱物体依次装箱到所述目标容器中；
根据所述装箱目标计算装箱后所述目标容器对应的密度值、锥形程度值和稳定性值；
根据所述密度值、锥形程度值和稳定性值计算预设摆放策略集中每个预设摆放策略对应的装箱目标数值。
7.一种物体转移装箱过程策略生成装置，其特征在于，所述装置包括：
获取模块，用于获取初始容器中待装箱物体集合的优先级图；所述优先级图用于描述所述待装箱物体集合中每个待装箱物体之间的依赖约束；
编码模块，用于通过对所述优先级图进行编码，得到所述每个待装箱物体在预设状态下的几何信息和依赖信息；
卷积模块，用于通过神经网络中编码器对所述每个待装箱物体的几何信息和依赖信息进行卷积运算，将运算结果映射到高维空间得到对应的第一高维向量；通过神经网络中解码器对上一个装箱物体的几何信息、目标容器的当前高度图进行卷积运算，将运算结果映射到高维空间得到对应的第二高维向量；根据所述第一高维向量和所述第二高维向量，确定所述每个待装箱物体在预设状态下的装箱概率值；根据所述装箱概率值确定当次待装箱物体和对应的搬运状态，得到待装箱物体集合的物体装箱序列；
确定模块，用于根据装箱目标、所述物体装箱序列、各装箱物体的搬运状态和预设摆放策略，确定所述待装箱物体集合的装箱过程策略。
8.根据权利要求7所述的装置，其特征在于，
所述获取模块，还用于获取初始容器中待装箱物体集合中每个待装箱物体的初始位置信息和初始几何信息；
所述装置还包括：
几何分析模块，用于根据所述初始位置信息和所述始几何信息对所述待装箱物体集合中每个待装箱物体进行几何分析，确定所述待装箱物体集合的优先级图。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010371670.XA 2020-05-06 2020-05-06 物体转移装箱过程策略生成方法、装置、计算机设备 Active CN111598316B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010371670.XA CN111598316B (zh) 2020-05-06 2020-05-06 物体转移装箱过程策略生成方法、装置、计算机设备
PCT/CN2020/090524 WO2021223262A1 (zh) 2020-05-06 2020-05-15 物体转移装箱过程策略生成方法、装置、计算机设备
US17/947,933 US20230011757A1 (en) 2020-05-06 2022-09-19 Method and apparatus for generating strategy of object transport-and-pack process, and computer device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371670.XA CN111598316B (zh) 2020-05-06 2020-05-06 物体转移装箱过程策略生成方法、装置、计算机设备

Publications (2)

Publication Number Publication Date
CN111598316A CN111598316A (zh) 2020-08-28
CN111598316B true CN111598316B (zh) 2023-03-24

Family

ID=72185621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371670.XA Active CN111598316B (zh) 2020-05-06 2020-05-06 物体转移装箱过程策略生成方法、装置、计算机设备

Country Status (3)

Country Link
US (1) US20230011757A1 (zh)
CN (1) CN111598316B (zh)
WO (1) WO2021223262A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112407725B (zh) * 2020-11-20 2022-11-22 深圳市海柔创新科技有限公司 货物取出方法、装置、机器人、仓储系统及存储介质
CN112884410B (zh) * 2021-02-26 2023-01-13 深圳蓝胖子机器智能有限公司 装箱方法、电子设备以及存储介质
CN113516300B (zh) * 2021-06-18 2024-03-29 北京控制工程研究所 一种多任务多约束高可信实时自主决策优化方法及系统
CN113705860B (zh) * 2021-08-05 2023-10-17 北京航空航天大学 一种实时智能强鲁棒性的多形状制造件排样优化方法及系统
CN116228838B (zh) * 2023-05-10 2024-03-08 深圳大学 一种基于视觉检测的物体装箱强化学习方法及相关装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009675A (zh) * 2017-11-28 2018-05-08 上海量科电子科技有限公司 货物装箱方法、装置及系统
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN109685278A (zh) * 2018-12-28 2019-04-26 深圳蓝胖子机器人有限公司 装箱方法、设备和计算机可读存储介质
CN110210685A (zh) * 2019-06-12 2019-09-06 广东三维家信息科技有限公司 物流装箱方法及装置
CN110288287A (zh) * 2019-05-23 2019-09-27 深圳市启海仓储有限公司 一种仓储货物的分理方法及系统
CN110555424A (zh) * 2019-09-10 2019-12-10 深圳前海微众银行股份有限公司 港口集装箱布局检测方法、装置、设备及可读存储介质
CN110852324A (zh) * 2019-08-23 2020-02-28 上海撬动网络科技有限公司 一种基于深度神经网络集装箱箱号检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268878A (zh) * 2016-12-30 2018-07-10 乐视汽车（北京）有限公司 三维全卷积网络实现设备
KR102415508B1 (ko) * 2017-03-28 2022-07-01 삼성전자주식회사 컨볼루션 신경망 처리 방법 및 장치
US11308563B2 (en) * 2018-02-01 2022-04-19 Oracle International Corporation Energy program communication control system and method based on load shape analysis
CN110929792A (zh) * 2019-11-27 2020-03-27 深圳市商汤科技有限公司 图像标注方法、装置、电子设备及存储介质
CN111099363B (zh) * 2020-01-09 2021-10-22 湖南视比特机器人有限公司 码垛方法、码垛系统和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009675A (zh) * 2017-11-28 2018-05-08 上海量科电子科技有限公司 货物装箱方法、装置及系统
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN109685278A (zh) * 2018-12-28 2019-04-26 深圳蓝胖子机器人有限公司 装箱方法、设备和计算机可读存储介质
CN110288287A (zh) * 2019-05-23 2019-09-27 深圳市启海仓储有限公司 一种仓储货物的分理方法及系统
CN110210685A (zh) * 2019-06-12 2019-09-06 广东三维家信息科技有限公司 物流装箱方法及装置
CN110852324A (zh) * 2019-08-23 2020-02-28 上海撬动网络科技有限公司 一种基于深度神经网络集装箱箱号检测方法
CN110555424A (zh) * 2019-09-10 2019-12-10 深圳前海微众银行股份有限公司 港口集装箱布局检测方法、装置、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三维集装箱装载优化系统的研究和设计;孔亮等;《铁道货运》;20081110(第11期);全文 *
多种物品三维装箱问题的一种启发式算法;翟钰等;《上海交通大学学报》;20070828(第08期);全文 *

Also Published As

Publication number Publication date
CN111598316A (zh) 2020-08-28
US20230011757A1 (en) 2023-01-12
WO2021223262A1 (zh) 2021-11-11

Similar Documents

Publication Publication Date Title
CN111598316B (zh) 物体转移装箱过程策略生成方法、装置、计算机设备
CN111750864B (zh) 一种基于视觉地图的重定位方法和装置
Lau et al. Efficient grid-based spatial representations for robot navigation in dynamic environments
Lau et al. Improved updating of Euclidean distance maps and Voronoi diagrams
JP6692107B1 (ja) 物体識別のための方法および計算システム
EP3583575B1 (en) Image transformation for machine learning
Krull et al. Poseagent: Budget-constrained 6d object pose estimation via reinforcement learning
US20070222793A1 (en) Evolutionary Direct Manipulation Of Free Form Deformation Representations For Design Optimization
CN110210685B (zh) 物流装箱方法及装置
JP2022547288A (ja) 画像処理を使用したシーン表示
US9412074B2 (en) Optimized trotterization via multi-resolution analysis
CN110189366A (zh) 一种激光粗配准方法、装置、移动终端及存储介质
CN111985675A (zh) 托盘空间规划方法、码垛方法及其装置、及电子设备
CN103838829A (zh) 一种基于分层次边界拓扑搜索模型的栅格转矢量系统
CN113592855A (zh) 基于启发式深度强化学习的自主抓取与装箱方法及系统
Jaillet et al. Efficient asymptotically-optimal path planning on manifolds
JP4699598B2 (ja) 問題解決器として動作するデータ処理装置、及び記憶媒体
US20070226661A1 (en) Evolutionary Design Optimization Using Extended Direct Manipulation Of Free Form Deformations
CN109292347A (zh) 立体仓库智能控制方法及系统
Bunis et al. Caging polygonal objects using formationally similar three-finger hands
Miao et al. Safe, occlusion-aware manipulation for online object reconstruction in confined spaces
CN111191083B (zh) 用于对象标识的方法和计算系统
Qin et al. Dynamic detection of topological information from grid-based generalized Voronoi diagrams
CN112733910A (zh) 一种放置位置的获取方法、模型的训练方法以及相关设备
Cecil et al. A variational approach to path planning in three dimensions using level set methods

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