CN111781927A - 一种多机器人协同运输任务的调度分配方法 - Google Patents
一种多机器人协同运输任务的调度分配方法 Download PDFInfo
- Publication number
- CN111781927A CN111781927A CN202010600629.5A CN202010600629A CN111781927A CN 111781927 A CN111781927 A CN 111781927A CN 202010600629 A CN202010600629 A CN 202010600629A CN 111781927 A CN111781927 A CN 111781927A
- Authority
- CN
- China
- Prior art keywords
- robot
- tasks
- task
- consumption
- robots
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000005265 energy consumption Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 4
- FGXWKSZFVQUSTL-UHFFFAOYSA-N domperidone Chemical compound C12=CC=CC=C2NC(=O)N1CCCN(CC1)CCC1N1C2=CC=C(Cl)C=C2NC1=O FGXWKSZFVQUSTL-UHFFFAOYSA-N 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000006748 scratching Methods 0.000 claims description 4
- 230000002393 scratching effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 description 11
- 238000005192 partition Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多机器人协同运输任务的调度分配方法，包括：步骤S1：接收任务；步骤S2：根据接收的任务计算搬运起点任务消费矩阵和搬运终点任务消费矩阵；步骤S3：根据计算的结果进行任务分配并规划最优路径，本发明提供一种多机器人协同运输任务的调度分配方法，通过此方法，可以对任务进行实时动态分配多种属性资源，并达到全局效率最优的效果。大大提高系统货物吞吐率、提高搬运效率。
Description
技术领域：
本发明涉及仓储物流技术领域，具体是涉及一种多机器人协同运输任务的调度分配方法，用于提高运输效率、提高设备利用率、减少能源消耗等特点。
背景技术：
针对仓储物流行业机器人搬运过程中，每个机器人状态、能耗、速度可能都不一样，任务数量也会动态变化的情况下，如何以最优方式分配任务保证效率最高，资源消耗最小。
例如申请号为：CN201910187310.1，名称为一种基于计算机算法的仓储搬运机器人任务调度系统，公开了一种基于计算机算法的仓储搬运机器人任务调度系统，包括调度系统，以及分布于仓储区域内的仓储货架、搬运机器人，所述仓储区域包括分区一、分区二、分区三与分区四，且每个分区内均设置有与其配合的仓储货架与搬运机器人，仓储货架与搬运机器人均携带有编号，仓储货架上设置有区域定位模块，仓储货架包括若干储货区域，且每一储货区域内均设置有压力传感器与编号条码；所述搬运机器人上携带有相互连接的获取模块、识别模块与控制模块，获取模块各搬运机器人的速度、位置和状态信息，且状态信息包括待规划状态与执行状态。本发明避免了多个机器人同时出现在拥塞程度高的区域而导致发生碰撞，从而减少了维护成本。
但是上述的调度方式并没有解决如何实现可以对任务进行实时动态分配多种属性资源，并达到全局效率最优的效果，从而大大提高系统货物吞吐率、提高搬运效率的问题。
发明内容：
针对现有技术的缺陷，本发明提供一种多机器人协同运输任务的调度分配方法，通过此方法，可以对任务进行实时动态分配多种属性资源，并达到全局效率最优的效果。大大提高系统货物吞吐率、提高搬运效率。
为实现上述目的，本发明提供如下技术方案：
一种多机器人协同运输任务的调度分配方法，包括：
步骤S1：接收任务；
步骤S2：根据接收的任务计算搬运起点任务消费矩阵和搬运终点任务消费矩阵；
步骤S3：根据计算的结果进行任务分配并规划最优路径。
作为本发明进一步的方案，所述步骤S1中接收的任务机器人包括M个、搬运起点位置有N个，搬运的终点位置为K个，即给M个机器人分配任务，将处于N中的货物搬运至K个终点处，其中M、N、K为大于1的自然数。
作为本发明进一步的方案，所述步骤S2中根据接收的任务计算搬运起点任务消费矩阵包括：
对于每个机器人，计算出该机器人执行每个任务所需的消耗；对于第i个机器人Ri，起点位置Mi，和一个搬运起点位置Nj：利用DWA算法，计算取得Mi至NJ的最短路径
中间点由信标组成。
作为本发明进一步的方案，所述步骤S2中根据接收的任务计算搬运起点任务消费矩阵其中包括：消费时间计算、消费电量计算和消费矩阵计算。
作为本发明进一步的方案，所述消费时间计算的公示为：Ti，j＝∑pti，p,其中p为两两相接的信标路径，机器人运动经过每一个信标路径所需的时间消耗为ti，p，所述消费电量计算公示为:PU，v＝kv*W,其中PU，v为机器人以速度v进行匀速运动时所消耗的电能，kv为匀速能耗系数，W为机器人货物重量，所述消费矩阵计算公示为：
机器人Ri在某路径
的消费为：Costi，j＝Costtime+CostQ
那么对于M个机器人，N个搬运起点任务，构建消费矩阵为M*N阶矩阵CostR_S，第i行第j列元素代表第i个机器人执行第j的任务的消费。
作为本发明进一步的方案，所述步骤S3中若机器人的数量与任务的数量相等，则通过对称任务指派来完成任务分配，具体如下：假设有N个任务，指派N个机器人去完成，各机器人完成各项工作的消费矩阵如下表所示
算法过程如下：
(1).找出矩阵中每一行的最小值，将该行所有数值都减去这个最小值，使每行至少出现一个0；
(2).从第(1)步中得到的矩阵中找出每一列的最小值，将该列所有数值都减去这个最小值，使每一列至少出现一个0，最小值为0的这一列不变；
(3).以最少的水平线和垂直线划去第(2)步中所得的数据，即没条直线尽可能多的覆盖0，如果线条数与矩阵行数相等，则已经找到最优方案，直接转第(6)步；
(4).从矩阵中未被划去的数值中找出最小值，所有未被划去的数值都减去这个最小值，而第(3)步中得到的数据中两条线相交的的数值则加上这个最小值，其他数不变；
(5).重复第(3)步和第(4)步，直到满足第(3)步条件，跳到第(6)步；
(6).从仅有0的列或者行，找出0所对应的就是最优指派方案；如果每行每列只有一个0，其对应的就是最优方案。
作为本发明进一步的方案，所述步骤S3中，若机器人小于任务数，则具体过程为：当机器人数M小于任务数N时，添加N-M个虚拟机器人，并赋予虚拟机器人完成任务的时间为0，此时将问题转化为对称的指派问题。
作为本发明进一步的方案，所述步骤S3还包括：根据机器人搬运任务的特点，设计任务分配算法的输入参数如下：起点作业点N：所有待分配任务的起点集合；终点作业点K：所有的可分配空闲作业点集合；机器人列表M；消费矩阵CostR_S和CostS_E；
得到匈牙利算法的两个输出，分别为机器人到搬运起点的任务分配，以及搬运起点到终点的任务分配。
综上，经由上述的技术方案可知，与现有技术相比，本发明具有如下优点：
可以对任务进行实时动态分配多种属性资源，并达到全局效率最优的效果。大大提高系统货物吞吐率、提高搬运效率。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。
附图说明：
图1是本发明的工作流程示意图。
具体实施方式：
参见图1所示，一种多机器人协同运输任务的调度分配方法，包括：
步骤S1：接收任务，其中接收的任务机器人包括M个、搬运起点位置有N个，搬运的终点位置为K个，即给M个机器人分配任务，将处于N中的货物搬运至K个终点处，其中M、N、K为大于1的自然数；
步骤S2：根据接收的任务计算搬运起点任务消费矩阵和搬运终点任务消费矩阵，其中根据接收的任务计算搬运起点任务消费矩阵包括：
对于每个机器人，计算出该机器人执行每个任务所需的消耗；对于第i个机器人Ri，起点位置Mi，和一个搬运起点位置Nj：利用DWA算法，计算取得Mi至Nj的最短路径
中间点由信标组成，以及根据接收的任务计算搬运起点任务消费矩阵其中包括：消费时间计算、消费电量计算和消费矩阵计算，进一步，消费时间计算的公示为：Ti，j＝∑pti，p,其中p为两两相接的信标路径，机器人运动经过每一个信标路径所需的时间消耗为ti，p，所述消费电量计算公示为:PU，v＝kv*W,其中PU，v为机器人以速度v进行匀速运动时所消耗的电能，kv为匀速能耗系数，W为机器人货物重量，所述消费矩阵计算公示为：
机器人Ri在某路径
的消费为：Costi，j＝Costtime+CostQ
那么对于M个机器人，N个搬运起点任务，构建消费矩阵为M*N阶矩阵CostR_S，第i行第j列元素代表第i个机器人执行第j的任务的消费；
步骤S3：根据计算的结果进行任务分配并规划最优路径；具体为：步骤S3中若机器人的数量与任务的数量相等，则通过对称任务指派来完成任务分配，具体如下：假设有N个任务，指派N个机器人去完成，各机器人完成各项工作的消费矩阵如下表所示
算法过程如下：
(1).找出矩阵中每一行的最小值，将该行所有数值都减去这个最小值，使每行至少出现一个0；
(2).从第(1)步中得到的矩阵中找出每一列的最小值，将该列所有数值都减去这个最小值，使每一列至少出现一个0，最小值为0的这一列不变；
(3).以最少的水平线和垂直线划去第(2)步中所得的数据，即没条直线尽可能多的覆盖0，如果线条数与矩阵行数相等，则已经找到最优方案，直接转第(6)步；
(4).从矩阵中未被划去的数值中找出最小值，所有未被划去的数值都减去这个最小值，而第(3)步中得到的数据中两条线相交的的数值则加上这个最小值，其他数不变；
(5).重复第(3)步和第(4)步，直到满足第(3)步条件，跳到第(6)步；
(6).从仅有0的列或者行，找出0所对应的就是最优指派方案；如果每行每列只有一个0，其对应的就是最优方案；
另外：步骤S3中若机器人大于任务数，则具体过程为：
当机器人数M大于任务数N时，添加M-N个虚拟任务，并赋予机器人完成这些虚拟任务的时间为0，此时将问题转化为对称的指派问题；若机器人小于任务数，则具体过程为：当机器人数M小于任务数N时，添加N-M个虚拟机器人，并赋予虚拟机器人完成任务的时间为0，此时将问题转化为对称的指派问题。
在本发明中，根据机器人搬运任务的特点，设计任务分配算法的输入参数如下：起点作业点N：所有待分配任务的起点集合；终点作业点K：所有的可分配空闲作业点集合；机器人列表M；消费矩阵CostR_S和CostS_E；
得到匈牙利算法的两个输出，分别为机器人到搬运起点的任务分配，以及搬运起点到终点的任务分配。
以下提供本发明的一具体的实施例
实施例1
本发明假定在一个多机器人运输环境中，当前共有M个任务空闲机器人可分配任务，任务描述为：搬运起点为N个(每个起点坐标已知)，空闲的搬运终点为K个，即，给M个机器人分配任务，将处于N中的货物搬运至K个可能的终点处。
从而确定本发明的输出为两个个映射集合，第一个映射集合将当前机器人最优分配至搬运起点，第二个映射集合，最优分配搬运起点至搬运终点的匹配。
其中机器人状态矩阵包含所有机器人的位置信息；搬运起点位置矩阵包含所有搬运起点的位置信息；搬运终点位置矩阵包含所有搬运终点的位置信息。本发明主要体现在任务消费矩阵的计算以及后续的最优任务分配算法。
任务消费矩阵，表征每个机器人将货物从某个起点搬运至终点，所需的消耗，包含时间消耗、能量消耗等。消费矩阵作为任务分配矩阵的输入，利用匈牙利算法对全体机器人进行任务分配，保证整个系统在执行多任务过程中，消耗最低。
本发明假定机器人的定位导航方式为信标导航(可以为磁钉或视觉二维码等方式)，中央控制系统保存有全场的拓扑地图。
具体的：搬运起点任务消费矩阵计算
对于每个机器人，计算出该机器人执行每个任务所需的消耗。对于第i个机器人Ri，起点位置Mi，和一个搬运起点位置Nj：利用DWA算法，计算取得Mi至Nj的最短路径
中间点由一些列的信标组成。那么这条路径下，两个信标之间即为表征机器人中间需要经过的路径。另外由于机器人可进行原地旋转运动，因此同一信标可作为一段路径的起点和终点。那么，机器人经过多个信标，完成从Mi至Nj的运动，所需要的消耗之和即为该路径的消费。
消费时间计算
首先，假定当前机器人的电池电能存量充足，那么机器人Ri行驶过路径
所消耗的时间可以表达为：Ti，j＝∑pti，p,表征共有p个两两相接的信标路径，机器人运动经过每一个信标路径所需的时间消耗为ti，p。定义机器人在路径
的时间能耗：Costtime＝Ti，j。
本发明中，机器人运动速度规划遵循梯形加减速控制。因此，求取ti，p的问题转换为：在已知信标之间距离S(m)、规划初速度V0(m/s)，最大加/减速度a(m/s2)、允许的最大速度Vmax(m/s)、最终的末速度为V1(m/s)，的情况下，求取机器人的运动时间ti，p(s)。
移动过程中一般包括三步分，加速行驶T1、匀速行驶T2、减速行驶T3，所以只要分别计算T1、T2、T3即可。
根据已知的初速度和末速度，分别计算最大加速/减速时间，如下：
T1＝(Vmax–V0)/a；
T2＝(Vmax-V1)/a；
加速距离S1＝V0*T1+0.5*a*T1*T1；
减速距离S2＝V1*T2+0.5*a*T2*T2；
如果S1+S2<＝S，说明还有一段匀速运动，T3＝(S-S1-S2)/Vmax；则返回结果T＝T1+T2+T3。
如果S1+S2>S，则说明末速度太大，减速距离不够，需要重新进行速度规划，重新计算T1、T2和末速度V1，置T3＝0。
V0+a*T1＝V1+a*T2；
S＝(V0*T1+0.5*a*T1*T1)+(V1*T2+0.5*a*T2*T2)；
解方程：
T2＝(V0+a*T1-V1)/a；
如果T2<0，表示无法减速，则T2＝0，同时更新末速度，V1＝V0+a*T1。
返回结果ti，p＝T1+T2+T3。原地回转的加减速时间与上述移动时间计算过程类似，此处不在赘述。
消费电量计算
一般的，机器人配备锂电池。锂电池的寿命与深度充放电次数密切相关。同时，从多机器人系统来说，尽量保证机器人在空闲时间充电，可以提升系统的工作效率。因此，在计算消费矩阵时，机器人的能耗和电量信息也是一个重要因素，需要植入其中。
另一方面，机器人运动过程中，由于临时障碍物、临时任务变更、环境变化、友机状态变换等原因，精确估计机器人能耗是不现实的，也无必要。本发明提供一种机器人运动能耗的估算方法，并将其作为机器人消费矩阵的输入。
对于搬运机器人而言，机器人的能耗主要反映在当前机器人负载上和机器人加减速过程。本发明利用离线测试估算，可得出机器人在匀速运动中，负载情况与能耗的关系，根据测试数据的平滑结果，可利用如下公式：PU，v＝kv*W,其中PU，v为机器人以速度v进行匀速运动时所消耗的电能，kv为匀速能耗系数，W为机器人货物重量。另外全向运动机器人的动力学方程可知，机器人匀速运动的能耗与运动方式和运动速度有关。
对于加减速运动，机器人为可控运动，即加/减速度为预设值，因此，可简化加减速运动的机器人能耗，对匀速运动的机器人能耗乘以加减速系数ka即可。
那么，计算所得的T1+T2+T3，可计算出机器人在两个信标之间所消耗的电量能耗CostQ。
消费矩阵计算
机器人Ri在某路径
(即执行任务Nj)的消费为：
Costi，j＝Costtime+CostQ
那么对于M个机器人，N个搬运起点任务，构建消费矩阵为M*N阶矩阵CostR_S，第i行第j列元素代表第i个机器人执行第j的任务的消费。
搬运终点任务消费矩阵计算
同理：将上述的任务起点N改为任务终点矩阵K，机器人矩阵M改为任务起点矩阵N，重复计算过程，可得搬运终点任务消费矩阵CostS_E。
基于匈牙利算法的任务分配算法实现
匈牙利算法原理
在机器人搬运过程中，每个机器人状态、能耗、速度可能都不一样，任务数量也会动态变化的情况下，如何以最优方式分配任务保证效率最高，资源消耗最小。
匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法。适用于标准的任务指派问题求解，常用于解决对称的任务指派(待指派的任务数与执行者数量一直)，非对称任务指派经过转换也可以变成对称的任务指派来求解。
对称任务指派：假设有N个任务，指派N个机器人去完成，各机器人完成各项工作的消费矩阵如下表所示
算法过程如下：
1.找出矩阵中每一行的最小值，将该行所有数值都减去这个最小值，使每行至少出现一个0；
2.从第1步中得到的矩阵中找出每一列的最小值，将该列所有数值都减去这个最小值，使每一列至少出现一个0，最小值为0的这一列不变；
3.以最少的水平线和垂直线划去第二步中所得的数据，即没条直线尽可能多的覆盖0，如果线条数与矩阵行数相等，则已经找到最优方案，直接转第6步；
4.从矩阵中未被划去的数值中找出最小值，所有未被划去的数值都减去这个最小值，而第3步中得到的数据中两条线相交的的数值则加上这个最小值，其他数不变；
5.重复第3步和第4步，直到满足第3步条件，跳到第6步；
6.从仅有0的列或者行，找出0所对应的就是最优指派方案。如果每行每列只有一个0，其对应的就是最优方案；
其中，非对称任务指派：机器人大于任务数
当机器人数m大于任务数n时，添加m-n个虚拟任务，并赋予机器人完成这些虚拟任务的时间为0，此时将问题转化为对称的指派问题。
例如：
非对称任务指派：机器人小于任务数
当机器人数m小于任务数n时，添加n-m个虚拟机器人，并赋予虚拟机器人完成任务的时间为0，此时将问题转化为对称的指派问题。
例如：
本发明中还包括：算法接口设计，具体包括：
根据机器人搬运任务的特点，设计任务分配算法的输入参数如下所示：
起点作业点N：所有待分配任务的起点集合
终点作业点K：所有的可分配空闲作业点集合
机器人列表M；
消费矩阵CostR_S和CostS_E。
得到匈牙利算法的两个输出，分别为机器人到搬运起点的任务分配，以及搬运起点到终点的任务分配。
本发明提供一种多属性运输任务的调度分配方法系统，通过此方法，可以对任务进行实时动态分配多种属性资源，并达到全局效率最优的效果。大大提高系统货物吞吐率、提高搬运效率。
以上结合具体实施例描述了本发明的技术原理，仅是本发明的优选实施方式。本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (9)
1.一种多机器人协同运输任务的调度分配方法，其特征在于，包括：
步骤S1：接收任务；
步骤S2：根据接收的任务计算搬运起点任务消费矩阵和搬运终点任务消费矩阵；
步骤S3：根据计算的结果进行任务分配并规划最优路径。
2.如权利要求1的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S1中接收的任务机器人包括M个、搬运起点位置有N个，搬运的终点位置为K个，即给M个机器人分配任务，将处于N中的货物搬运至K个终点处，其中M、N、K为大于1的自然数。
3.如权利要求2的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S2中根据接收的任务计算搬运起点任务消费矩阵包括：
对于每个机器人，计算出该机器人执行每个任务所需的消耗；对于第i个机器人Ri，起点位置Mi，和一个搬运起点位置Nj：利用DWA算法，计算取得Mi至Nj的最短路径
中间点由信标组成。
4.如权利要求2的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S2中根据接收的任务计算搬运起点任务消费矩阵其中包括：消费时间计算、消费电量计算和消费矩阵计算。
5.如权利要求4的一种多机器人协同运输任务的调度分配方法，其特征在于，所述消费时间计算的公示为：Ti，j＝∑pti，p,其中p为两两相接的信标路径，机器人运动经过每一个信标路径所需的时间消耗为ti，p，所述消费电量计算公示为:PU，v＝kv*W,其中PU，v为机器人以速度v进行匀速运动时所消耗的电能，kv为匀速能耗系数，W为机器人货物重量，所述消费矩阵计算公示为：
机器人Ri在某路径
的消费为：Costi，j＝Costtime+CostQ
那么对于M个机器人，N个搬运起点任务，构建消费矩阵为M*N阶矩阵CostR_S，第i行第j列元素代表第i个机器人执行第j的任务的消费。
6.如权利要求5的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S3中若机器人的数量与任务的数量相等，则通过对称任务指派来完成任务分配，具体如下：假设有N个任务，指派N个机器人去完成，各机器人完成各项工作的消费矩阵如下表所示
算法过程如下：
(1).找出矩阵中每一行的最小值，将该行所有数值都减去这个最小值，使每行至少出现一个0；
(2).从第(1)步中得到的矩阵中找出每一列的最小值，将该列所有数值都减去这个最小值，使每一列至少出现一个0，最小值为0的这一列不变；
(3).以最少的水平线和垂直线划去第(2)步中所得的数据，即没条直线尽可能多的覆盖0，如果线条数与矩阵行数相等，则已经找到最优方案，直接转第(6)步；
(4).从矩阵中未被划去的数值中找出最小值，所有未被划去的数值都减去这个最小值，而第(3)步中得到的数据中两条线相交的的数值则加上这个最小值，其他数不变；
(5).重复第(3)步和第(4)步，直到满足第(3)步条件，跳到第(6)步；
(6).从仅有0的列或者行，找出0所对应的就是最优指派方案；如果每行每列只有一个0，其对应的就是最优方案。
7.如权利要求5的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S3中若机器人大于任务数，则具体过程为：
当机器人数M大于任务数N时，添加M-N个虚拟任务，并赋予机器人完成这些虚拟任务的时间为0，此时将问题转化为对称的指派问题。
8.如权利要求5的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S3中，若机器人小于任务数，则具体过程为：当机器人数M小于任务数N时，添加N-M个虚拟机器人，并赋予虚拟机器人完成任务的时间为0，此时将问题转化为对称的指派问题。
9.如权利要求1-7任一项所述的一种多机器人协同运输任务的调度分配方法，其特征在于，所述步骤S3还包括：根据机器人搬运任务的特点，设计任务分配算法的输入参数如下：起点作业点N：所有待分配任务的起点集合；终点作业点K：所有的可分配空闲作业点集合；机器人列表M；消费矩阵CostR_S和CostS_E；得到匈牙利算法的两个输出，分别为机器人到搬运起点的任务分配，以及搬运起点到终点的任务分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010600629.5A CN111781927A (zh) | 2020-06-28 | 2020-06-28 | 一种多机器人协同运输任务的调度分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010600629.5A CN111781927A (zh) | 2020-06-28 | 2020-06-28 | 一种多机器人协同运输任务的调度分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111781927A true CN111781927A (zh) | 2020-10-16 |
Family
ID=72760726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010600629.5A Pending CN111781927A (zh) | 2020-06-28 | 2020-06-28 | 一种多机器人协同运输任务的调度分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111781927A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465439A (zh) * | 2021-02-02 | 2021-03-09 | 红石阳光（北京）科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
| CN113246129A (zh) * | 2021-05-21 | 2021-08-13 | 佛山科学技术学院 | 一种叉车机器人控制系统及方法 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
| 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 |
| CN115489912A (zh) * | 2021-06-17 | 2022-12-20 | 广州蓝胖子移动科技有限公司 | 一种智能仓储中机器人的货物转运方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140148175A1 (en) * | 2012-11-28 | 2014-05-29 | China Mobile Communications Corporation | Load balancing method and device |
| US20180032858A1 (en) * | 2015-12-14 | 2018-02-01 | Stats Llc | System and method for predictive sports analytics using clustered multi-agent data |
| US20180059685A1 (en) * | 2016-08-23 | 2018-03-01 | King Fahd University Of Petroleum And Minerals | Gps-free robots |
| CN108171353A (zh) * | 2018-03-12 | 2018-06-15 | 湘潭大学 | 一种基于时间片的电动汽车充电预约匹配方法 |
| CN108733074A (zh) * | 2018-05-23 | 2018-11-02 | 南京航空航天大学 | 一种基于匈牙利算法的多无人机编队航迹规划方法 |
| CN109615188A (zh) * | 2018-11-20 | 2019-04-12 | 南京理工大学 | 一种预分配结合匈牙利算法的多机器人任务分配方法 |
| CN110852470A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 无人机与车辆协同下交通巡逻任务分配的优化方法 |
-
2020
- 2020-06-28 CN CN202010600629.5A patent/CN111781927A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140148175A1 (en) * | 2012-11-28 | 2014-05-29 | China Mobile Communications Corporation | Load balancing method and device |
| US20180032858A1 (en) * | 2015-12-14 | 2018-02-01 | Stats Llc | System and method for predictive sports analytics using clustered multi-agent data |
| US20180059685A1 (en) * | 2016-08-23 | 2018-03-01 | King Fahd University Of Petroleum And Minerals | Gps-free robots |
| CN108171353A (zh) * | 2018-03-12 | 2018-06-15 | 湘潭大学 | 一种基于时间片的电动汽车充电预约匹配方法 |
| CN108733074A (zh) * | 2018-05-23 | 2018-11-02 | 南京航空航天大学 | 一种基于匈牙利算法的多无人机编队航迹规划方法 |
| CN109615188A (zh) * | 2018-11-20 | 2019-04-12 | 南京理工大学 | 一种预分配结合匈牙利算法的多机器人任务分配方法 |
| CN110852470A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 无人机与车辆协同下交通巡逻任务分配的优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIANCHENG LIU 等: "《Research on AGV Scheduling Optimization Based on Hungarian Algorithm》", 《THE 2020 4TH INTERNATIONAL WORKSHOP ON ADVANCED ALGORITHMS AND CONTROL ENGINEERING》, pages 1 - 7 * |
| 姚竟发 等: "《异型机群协同作业路径实时优化 》", 《中国农机化学报》, vol. 40, no. 12, pages 1 - 7 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465439A (zh) * | 2021-02-02 | 2021-03-09 | 红石阳光（北京）科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
| CN112465439B (zh) * | 2021-02-02 | 2021-05-11 | 红石阳光（北京）科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
| CN113246129A (zh) * | 2021-05-21 | 2021-08-13 | 佛山科学技术学院 | 一种叉车机器人控制系统及方法 |
| CN113246129B (zh) * | 2021-05-21 | 2022-04-26 | 佛山科学技术学院 | 一种叉车机器人控制系统及方法 |
| 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 |
| CN115489912A (zh) * | 2021-06-17 | 2022-12-20 | 广州蓝胖子移动科技有限公司 | 一种智能仓储中机器人的货物转运方法和系统 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111781927A (zh) | 一种多机器人协同运输任务的调度分配方法 | |
| AU2022279434A1 (en) | Management method, device and system applied to goods-to-person system, server and computer storage medium | |
| CN110807236A (zh) | 一种基于多机器人的仓储物流仿真系统 | |
| Fottner et al. | Autonomous systems in intralogistics: state of the Art and future research challenges | |
| CN110084471B (zh) | 拣选调度方法、装置、仓储系统及可读存储介质 | |
| CN105446342B (zh) | 用于机器人终端场地回流的方法和装置 | |
| CN106773686B (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
| Tao et al. | Joint planning of berth and yard allocation in transshipment terminals using multi-cluster stacking strategy | |
| CN110908381B (zh) | 机器人调度方法及装置 | |
| CN107678433B (zh) | 一种考虑agv碰撞规避的装卸设备调度方法 | |
| CN110717684B (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
| Li et al. | A simulation study on the robotic mobile fulfillment system in high-density storage warehouses | |
| CN112070412A (zh) | 一种立体库多提升机的配置方案及任务调度方法 | |
| Zhou et al. | Information-based allocation strategy for grid-based transshipment automated container terminal | |
| Hazard et al. | Alphabet soup: A testbed for studying resource allocation in multivehicle systems | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| CN117669992B (zh) | 面向智能仓储多移动机器人实时两阶段调度方法及系统 | |
| Wang et al. | Multi-criteria mission planning for a solar-powered multi-robot system | |
| Guan et al. | Scheduling of multi-load automated guided vehicles for material distribution based on multi-stage auction algorithm | |
| Ono et al. | Routing problem of multiple mobile robots with human workers for pickup and dispatch tasks in warehouse | |
| CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
| Pfrommer et al. | Solving the unit-load pre-marshalling problem in block stacking storage systems with multiple access directions | |
| Fu et al. | Cooperatively scheduling hundreds of fetch and freight robots in an autonomous warehouse | |
| Oliveira et al. | Multi-constrained voronoi-based task allocator for smart-warehouses | |
| Wang et al. | Layout optimisation of fishbone robotic mobile fulfilment system |
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 |
Address after: No. 8, No. 8, Dongjing Road, Shanghai, Shanghai Applicant after: Shanghai ruibote robot Co., Ltd Address before: 201613 18 Dong Jing Road, Songjiang District, Shanghai 8 Applicant before: Shanghai Yunxiao robot Co.,Ltd. |
|
| CB02 | Change of applicant information |