CN111832986A - 一种产品入库存储方法、系统、存储介质及计算机设备 - Google Patents
一种产品入库存储方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111832986A CN111832986A CN202010507386.0A CN202010507386A CN111832986A CN 111832986 A CN111832986 A CN 111832986A CN 202010507386 A CN202010507386 A CN 202010507386A CN 111832986 A CN111832986 A CN 111832986A
- Authority
- CN
- China
- Prior art keywords
- product
- warehousing
- data
- data set
- dimensional 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011022 operating instruction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Images
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提出了一种产品入库存储方法、系统、存储介质及计算机设备,通过聚类算法对采集到的产品三维数据进行处理,完成对产品的分类,在面对数量庞大和种类多样的入库产品时做到分类清晰且错误率低;同时采用最短路径算法为产品规划入库路线,并结合电子标签达到自动辨识和追踪产品的效果,实现了产品入库存储的智能化、自动化控制。
Description
技术领域
本发明涉及仓储控制技术领域,更具体地,涉及一种产品入库存储方法、系统、存储介质及计算机设备。
背景技术
至今为止很多仓库仍旧采取依靠人工操作,这种模式难以适应增长越来越快的仓储业务,即当仓库的入库产品增多时,会因操作人员数量不够而出现产品入库慢的问题,这就导致了仓库运作效率低下的问题,加上在面临数量庞大的入库产品时,操作人员在将产品分类入库存储的正确率难以得到保证。
如申请号为201911282673.X的专利所示,该专利将神经网络等技术运用在仓储运输调度系统中,但其算法中需要依赖权重函数来进行调整,因而具有一定的局限性。
发明内容
针对的现有技术的局限,本发明提出一种产品入库存储方法和装置,本发明采用的技术方案是:
一种产品入库存储方法,包括以下步骤:
扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
对所述产品数据集的数据进行聚类,得到产品的分类信息;
将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
相较于现有技术,本申请提供的产品入库存储方法,通过聚类算法对采集到的产品三维数据进行处理,完成对产品的分类,在面对数量庞大和种类多样的入库产品时做到分类清晰且错误率低;同时采用最短路径算法为产品规划入库路线,并结合电子标签达到自动辨识和追踪产品的效果,实现了产品入库存储的智能化、自动化控制。
作为一种优选方案,按以下步骤对所述三维立体模型的数据进行预处理得到产品数据集:
运用min-max标准化法,按以下转换函数,对所述三维立体模型的数据进行线性变换,使结果值映射到[0,1]之前,得到产品数据集:
X*=(x-min)/(max-min);
其中,max为所述三维立体模型的数据的最大值,min为所述三维立体模型的数据的最小值。
原始数据经过上述数据标准化处理后,各指标会处于同一数量级,可以提升之后聚类的速度和精度。
作为一种优选方案,通过K-MEANS算法对所述产品数据集的数据进行聚类,得到产品的分类信息。
进一步的,对所述产品数据集的数据进行聚类,得到产品的分类信息,包括以下步骤:
预设K值,从所述产品数据集内随机选取K个点作为初始质心;
重复以下步骤:获取所述产品数据集内各点分别与质心的欧式距离,并将各点划分到最近质心所属的簇,获取各簇的质心以及各簇的质心到初始质心的欧式距离;直至各簇的质心到初始质心的欧式距离小于阈值。
使用K-MEANS算法对所述产品数据集的数据进行聚类,能够实现对入库产品的自动分类的结果,提高了产品分类入库存储的效率和精确度。
作为一种优选方案,所属最短路径算法为Dijkstra算法。
作为一种优选方案,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储,包括以下步骤:
运用AGV运输车执行所述入库路线将产品入库存储。
进一步的,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储,包括以下步骤:
在电磁导航的平台上模拟实地的车辆磁道钉导航自动驾驶设计车辆的运动路线并生成对应的操作指令;
由所述AGV运输车执行所述操作指令将产品入库存储。
采用电子标签RFID与AGV小车自动化技术的结合,实现了产品的定点定位入库存放,从而更进一步减低了操作人员的控制难度。
本发明还包括以下内容:
一种产品入库存储系统,包括:
产品数据集获取模块,用于扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
分类信息获取模块,用于对所述产品数据集的数据进行聚类,得到产品的分类信息;
电子标签信息写入模块,用于将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
产品入库存储模块,用于根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
一种储存介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前述的产品入库存储方法的步骤。
一种计算机设备,包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时实现如前述的产品入库存储方法的步骤。
附图说明
图1为本发明实施例1提供的产品入库存储方法的流程图;
图2为本发明实施例2提供的产品入库存储方法的流程图;
图3为本发明实施例S02步骤示意图;
图4为本发明实施例3提供的产品入库存储方法的流程图;
图5为本发明实施例提供的产品入库存储系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,仅用于示例性说明,不能理解为对本专利的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明针对现有技术难以适应增长越来越快的仓储业务,且201911282673.X的专利需要依赖权重函数来进行调整的。
为了解决现有技术的局限性,本实施例提供了一种技术方案,下面结合附图和实施例对本发明的技术方案做进一步的说明。
请参考图1,一种产品入库存储方法,包括以下步骤:
S01,扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
S02,对所述产品数据集的数据进行聚类,得到产品的分类信息;
S03,将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
S04,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
相较于现有技术,本申请提供的产品入库存储方法,通过聚类算法对采集到的产品三维数据进行处理,完成对产品的分类,在面对数量庞大和种类多样的入库产品时做到分类清晰且错误率低;同时采用最短路径算法为产品规划入库路线,并结合电子标签达到自动辨识和追踪产品的效果,实现了产品入库存储的智能化、自动化控制。
具体的,在步骤S01中,可运用工业扫描仪对待入库的产品进行扫描;产品的三维点云包括产品表面点的三维坐标、纹理等数据信息。
电子标签本身拥有电源,可以主动发出无线电波,由于无线电的信号是通过调成无线电频率的电磁场,把数据从附着在物品上的标签上传送出去,因此可以通过识别器识别其所发出的无线电频率,达到自动辨识和追踪产品的效果。本案所涉及的电子标签,可在写入数据后再与对应的产品绑定,亦可先绑定再写入数据。
而在各类产品的在仓库存放空间位置已经确定的情况下,即初始点和结束点已知,就可以通过运用最短路径算法得出从初始点到其他每一节点的最短路径,生成产品对应的入库路线。
作为一种可选的实施例,请参阅图2,在步骤S01中具体包括以下步骤:
S011,扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;
S012,运用min-max标准化法,按以下转换函数,对所述三维立体模型的数据进行线性变换,使结果值映射到[0,1]之前,得到产品数据集:
X*=(x-min)/(max-min);
其中,max为所述三维立体模型的数据的最大值,min为所述三维立体模型的数据的最小值。
原始数据经过上述数据标准化处理后,各指标会处于同一数量级,可以提升之后聚类的速度和精度。
作为一种可选的实施例,通过K-MEANS算法对所述产品数据集的数据进行聚类,得到产品的分类信息。
进一步的,请参阅图3,在步骤S02中具体包括以下步骤:
S021,预设K值,从所述产品数据集内随机选取K个点作为初始质心;
S022,重复以下步骤:获取所述产品数据集内各点分别与质心的欧式距离,并将各点划分到最近质心所属的簇,获取各簇的质心以及各簇的质心到初始质心的欧式距离;直至各簇的质心到初始质心的欧式距离小于阈值。
使用K-MEANS算法对所述产品数据集的数据进行聚类,能够实现对入库产品的自动分类的结果,提高了产品分类入库存储的效率和精确度。k均值聚类算法(K-MEANSclustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
具体的,在完成聚类后,即可将产品所在聚类簇的情况汇总为产品的分类信息输出。
作为一种可选的实施例,所属最短路径算法为Dijkstra算法。
Dijkstra算法是典型最短路径算法,用于计算一个节点到其他节点的最短路径。它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止。
作为一种可选的实施例,请参阅图4,在步骤S04中可具体包括以下步骤:
S041,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线;
S043A,运用AGV运输车执行所述入库路线将产品入库存储。
进一步的,请参阅图2,在步骤S04中还可具体包括以下步骤:
S041,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线;
S042,在电磁导航的平台上模拟实地的车辆磁道钉导航自动驾驶设计车辆的运动路线并生成对应的操作指令;
S043B,由所述AGV运输车执行所述操作指令将产品入库存储。
采用电子标签RFID与AGV小车自动化技术的结合,实现了产品的定点定位入库存放,从而更进一步减低了操作人员的控制难度。
本发明还包括以下内容:
请参阅图5,一种产品入库存储系统,包括:
产品数据集获取模块1,用于扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
分类信息获取模块2,用于对所述产品数据集的数据进行聚类,得到产品的分类信息;
电子标签信息写入模块3,用于将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
产品入库存储模块4,用于根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
一种储存介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前述的产品入库存储方法的步骤。
一种计算机设备,包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时实现如前述的产品入库存储方法的步骤。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种产品入库存储方法,其特征在于,包括以下步骤:
扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
对所述产品数据集的数据进行聚类,得到产品的分类信息;
将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
2.根据权利要求1所述的产品入库存储方法,其特征在于,按以下步骤对所述三维立体模型的数据进行预处理得到产品数据集:
运用min-max标准化法,按以下转换函数,对所述三维立体模型的数据进行线性变换,使结果值映射到[0,1]之前,得到产品数据集:
X*=(x-min)/(max-min);
其中,max为所述三维立体模型的数据的最大值,min为所述三维立体模型的数据的最小值。
3.根据权利要求1所述的产品入库存储方法,其特征在于,通过K-MEANS算法对所述产品数据集的数据进行聚类,得到产品的分类信息。
4.根据权利要求1所述的产品入库存储方法,其特征在于,对所述产品数据集的数据进行聚类,得到产品的分类信息,包括以下步骤:
预设K值,从所述产品数据集内随机选取K个点作为初始质心;
重复以下步骤:获取所述产品数据集内各点分别与质心的欧式距离,并将各点划分到最近质心所属的簇,获取各簇的质心以及各簇的质心到初始质心的欧式距离;直至各簇的质心到初始质心的欧式距离小于阈值。
5.根据权利要求1所述的产品入库存储方法,其特征在于,所属最短路径算法为Dijkstra算法。
6.根据权利要求1至5任一项所述的产品入库存储方法,其特征在于,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储,包括以下步骤:
运用AGV运输车执行所述入库路线将产品入库存储。
7.根据权利要求6所述的产品入库存储方法,其特征在于,根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储,包括以下步骤:
在电磁导航的平台上模拟实地的车辆磁道钉导航自动驾驶设计车辆的运动路线并生成对应的操作指令;
由所述AGV运输车执行所述操作指令将产品入库存储。
8.一种产品入库存储系统,其特征在于,包括:
产品数据集获取模块,用于扫描待入库的产品得到产品的三维点云,根据产品的三维点云建立对应的三维立体模型;对所述三维立体模型的数据进行预处理得到产品数据集;
分类信息获取模块,用于对所述产品数据集的数据进行聚类,得到产品的分类信息;
电子标签信息写入模块,用于将产品对应的分类信息、入库时间以及三维立体模型中的几何构造数据写入与产品绑定的电子标签;
产品入库存储模块,用于根据产品自身属性以及市场对产品的需求量,使用最短路径算法为产品规划入库路线,按所述入库路线将产品入库存储。
9.一种储存介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的产品入库存储方法的步骤。
10.一种计算机设备,其特征在于:包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的产品入库存储方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507386.0A CN111832986A (zh) | 2020-06-05 | 2020-06-05 | 一种产品入库存储方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507386.0A CN111832986A (zh) | 2020-06-05 | 2020-06-05 | 一种产品入库存储方法、系统、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832986A true CN111832986A (zh) | 2020-10-27 |
Family
ID=72898434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010507386.0A Pending CN111832986A (zh) | 2020-06-05 | 2020-06-05 | 一种产品入库存储方法、系统、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832986A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112405123A (zh) * | 2020-11-19 | 2021-02-26 | 泉州华中科技大学智能制造研究院 | 基于聚类算法的鞋底打粗轨迹规划方法及装置 |
CN113537880A (zh) * | 2021-07-05 | 2021-10-22 | 国网山东省电力公司物资公司 | 自动建立三维模型并展示于一体的自动化仓储系统 |
CN114265375B (zh) * | 2021-11-25 | 2024-06-04 | 云南昆船智能装备有限公司 | 一种agv对平板卡车货物存取的系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404993A (zh) * | 2015-11-25 | 2016-03-16 | 国家电网公司 | 一种智能物资管理系统 |
CN107944805A (zh) * | 2017-12-25 | 2018-04-20 | 佛山市车品匠汽车用品有限公司 | 一种物联网产品入库的方法和装置 |
CN207932436U (zh) * | 2017-12-08 | 2018-10-02 | 武汉万集信息技术有限公司 | 一种区域仓库货物堆积统计管理装置 |
CN109583777A (zh) * | 2018-12-05 | 2019-04-05 | 广东工业大学 | 一种金融产品推荐系统、方法、设备及介质 |
CN110516702A (zh) * | 2019-07-18 | 2019-11-29 | 电子科技大学 | 一种基于流数据的离散路径规划方法 |
CN110969219A (zh) * | 2018-09-28 | 2020-04-07 | 快创科技(大连)有限公司 | 一种基于智能产品画册的化妆品宣传存储系统 |
-
2020
- 2020-06-05 CN CN202010507386.0A patent/CN111832986A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404993A (zh) * | 2015-11-25 | 2016-03-16 | 国家电网公司 | 一种智能物资管理系统 |
CN207932436U (zh) * | 2017-12-08 | 2018-10-02 | 武汉万集信息技术有限公司 | 一种区域仓库货物堆积统计管理装置 |
CN107944805A (zh) * | 2017-12-25 | 2018-04-20 | 佛山市车品匠汽车用品有限公司 | 一种物联网产品入库的方法和装置 |
CN110969219A (zh) * | 2018-09-28 | 2020-04-07 | 快创科技(大连)有限公司 | 一种基于智能产品画册的化妆品宣传存储系统 |
CN109583777A (zh) * | 2018-12-05 | 2019-04-05 | 广东工业大学 | 一种金融产品推荐系统、方法、设备及介质 |
CN110516702A (zh) * | 2019-07-18 | 2019-11-29 | 电子科技大学 | 一种基于流数据的离散路径规划方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112405123A (zh) * | 2020-11-19 | 2021-02-26 | 泉州华中科技大学智能制造研究院 | 基于聚类算法的鞋底打粗轨迹规划方法及装置 |
CN113537880A (zh) * | 2021-07-05 | 2021-10-22 | 国网山东省电力公司物资公司 | 自动建立三维模型并展示于一体的自动化仓储系统 |
CN114265375B (zh) * | 2021-11-25 | 2024-06-04 | 云南昆船智能装备有限公司 | 一种agv对平板卡车货物存取的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210124901A1 (en) | Systems and methods for place recognition based on 3d point cloud | |
Sack et al. | A comparison of methods for line extraction from range data | |
Tinchev et al. | Learning to see the wood for the trees: Deep laser localization in urban and natural environments on a CPU | |
CN113345008B (zh) | 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
CN108762251B (zh) | 一种图书馆机器人定位导航方法 | |
CN112363158B (zh) | 机器人的位姿估计方法、机器人和计算机存储介质 | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN111832986A (zh) | 一种产品入库存储方法、系统、存储介质及计算机设备 | |
CN109101743B (zh) | 一种高精度路网模型的构建方法 | |
CN112935703B (zh) | 识别动态托盘终端的移动机器人位姿校正方法及系统 | |
WO2023005384A1 (zh) | 可移动设备的重定位方法及装置 | |
CN114926699A (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN109671135A (zh) | 地图绘制方法、自驱动设备及存储介质 | |
CN108897316A (zh) | 一种基于信息素导航的集群仓储机器人系统控制方法 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN113804182B (zh) | 一种基于信息融合的栅格地图创建方法 | |
CN114565726A (zh) | 一种非结构化动态环境下的同时定位与建图方法 | |
CN112580479A (zh) | 一种基于空洞卷积神经网络的地磁式室内定位系统 | |
Ali et al. | A life-long SLAM approach using adaptable local maps based on rasterized LIDAR images | |
CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN113671511A (zh) | 一种面向区域场景的激光雷达高精度定位方法 | |
Sun | Point cloud clustering algorithm for autonomous vehicle based on 2.5 D Gaussian Map | |
CN112710312A (zh) | 融合距离残差和概率残差的激光slam前端匹配方法 | |
Li et al. | Optimization of RFID reading performance based on YOLOv3 and Elman neural network | |
Giamou et al. | Stable laser interest point selection for place recognition in a forest |
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 |