CN112561166A - 车辆的调度方法和装置、存储介质、电子装置 - Google Patents
车辆的调度方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN112561166A CN112561166A CN202011491896.XA CN202011491896A CN112561166A CN 112561166 A CN112561166 A CN 112561166A CN 202011491896 A CN202011491896 A CN 202011491896A CN 112561166 A CN112561166 A CN 112561166A
- Authority
- CN
- China
- Prior art keywords
- path
- neural network
- task
- scene map
- network 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000013439 planning Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012421 spiking Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 14
- 238000007781 pre-processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆的调度方法和装置、存储介质、电子装置。其中,该方法包括:获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径,利用脉冲神元的特性搭建的脉冲神经网络,可以提供更高的计算效率,更复杂的信息表征能力,以适应于复杂场景中全局信息的处理能力,有效提高计算响应时间,可以解决相关技术中调度时计算复杂度较高的技术问题。
Description
技术领域
本申请涉及车辆调度领域,具体而言,涉及一种车辆的调度方法和装置、存储介质、电子装置。
背景技术
在自动化高速发展的今天,各类生产运输场景中的自动化运输配送需求剧增。在复杂环境中,存在配送点多路径少和配送点多路径多的情况。配送点多路径多的情况下,在配送任务峰值的时候,多配送点共同占用的路径点极易发生堵塞;配送点多路径多的情况下,高频占用的路径点被任务优先级高的AGV所占用,就会造成任务优先级低的AGV绕过高频路径点,在算法不稳定的情况下会进入局部最优,实际任务执行时间会超出等待时间。另外,在场景中路径多、任务多、车辆多的因素影响下,算法计算的复杂度会很高,仅在冲突路径点前进行逻辑处理,当多车在同一路径点冲突的情况下极易造成冲突无法调节。
现有的调度系统大多应用在场景简单、可通行路径较多的场景中,以降低交通管制的要求,简化调度运输任务。目前行业的AGV还未完全实现AGV间通信,对AGV的管理主要依靠调度系统来实现。有行业方案AGV具有自主路径规划的能力,因计算复杂度和计算性能的原因,调度系统仅能在一定计算范围内对AGV的运行冲突进行计算处理。调度系统缺乏对全局信息考虑,AGV的路径规划容易进入局部最优,发生冲突后的处理能力及优化方案很难成为最优解,降低全局AGV调度运行的效率。
针对上述相关技术中调度时计算复杂度较高的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆的调度方法和装置、存储介质、电子装置,以至少解决相关技术中调度时计算复杂度较高的技术问题。
根据本申请实施例的一个方面,提供了一种车辆的调度方法,包括:获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
可选地,在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
可选地,在将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入之前,获取所述全局数据时,获取所述场景地图中所有路径点的占用状态;获取所述场景地图中所有任务的当前位置点;获取所述场景地图中所有任务的执行优先级信息;获取所述场景地图中所有任务的执行预计剩余时间。
可选地,在获取目标车辆在场景地图中执行任务的起始位置和目标位置之前,收集所述场景地图的路径数据;对所述路径数据进行处理,得到全局数据;利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型;将所述脉冲神经网络模型嵌入到调度系统中作为路径规划的计算内核。
可选地,在收集所述场景地图的路径数据时,通过路径规划算法,对任务的最优路径进行规划;记录任务的最优路径进行规划,将最优路径中的每一个路径点的前置路径转换成与规划次数匹配的权重值并记录,记录同一目标位置的不同路径。
可选地,在对所述路径数据进行处理时,根据路径数据统计不同任务路径的交叉路径点,并将交叉路径点的调用频次转化为权重值;记录具有冲突任务路径点的路径;获取与当前路径的相似度最高的目标路径,当前路径中距离冲突任务路径点距离最近的拐点,并确定不同的最近拐点的任务执行时间和全局路径复杂度之间的关系;将拐点转化为任务条件下的转移概率。
可选地,在利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型时,将所有路径点的占用状态、所有任务的当前位置点、所有任务的执行优先级信息以及所有任务的执行预计剩余时间作为脉冲神经网络的输入;将脉冲神经网络输出的任务执行时间与初始任务执行时间之间的差值作为学习条件,调整所述脉冲神经网络中网络层的神经元连接权值,得到所述脉冲神经网络模型。
根据本申请实施例的另一方面,还提供了一种车辆的调度装置,包括:获取单元,用于获取目标车辆在场景地图中执行任务的起始位置和目标位置;规划单元,用于利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
可选地,规划单元还用于在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
可选地,规划单元还用于在将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入之前,获取所述全局数据时,获取所述场景地图中所有路径点的占用状态;获取所述场景地图中所有任务的当前位置点;获取所述场景地图中所有任务的执行优先级信息;获取所述场景地图中所有任务的执行预计剩余时间。
可选地,本申请的装置还可包括:预处理单元,用于在获取目标车辆在场景地图中执行任务的起始位置和目标位置之前,收集所述场景地图的路径数据;对所述路径数据进行处理,得到全局数据;利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型;将所述脉冲神经网络模型嵌入到调度系统中作为路径规划的计算内核。
可选地,预处理单元还用于在收集所述场景地图的路径数据时,通过路径规划算法,对任务的最优路径进行规划;记录任务的最优路径进行规划,将最优路径中的每一个路径点的前置路径转换成与规划次数匹配的权重值并记录,记录同一目标位置的不同路径。
可选地,预处理单元还用于在对所述路径数据进行处理时,根据路径数据统计不同任务路径的交叉路径点,并将交叉路径点的调用频次转化为权重值;记录具有冲突任务路径点的路径;获取与当前路径的相似度最高的目标路径,当前路径中距离冲突任务路径点距离最近的拐点,并确定不同的最近拐点的任务执行时间和全局路径复杂度之间的关系;将拐点转化为任务条件下的转移概率。
可选地,预处理单元还用于在利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型时,将所有路径点的占用状态、所有任务的当前位置点、所有任务的执行优先级信息以及所有任务的执行预计剩余时间作为脉冲神经网络的输入;将脉冲神经网络输出的任务执行时间与初始任务执行时间之间的差值作为学习条件,调整所述脉冲神经网络中网络层的神经元连接权值,得到所述脉冲神经网络模型。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本申请实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器通过计算机程序执行上述的方法。
在本申请实施例中,获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径,利用脉冲神元的特性搭建的脉冲神经网络,可以提供更高的计算效率,更复杂的信息表征能力,以适应于复杂场景中全局信息的处理能力,有效提高计算响应时间,可以解决相关技术中调度时计算复杂度较高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的车辆的调度方法的流程图;
图2是根据本申请实施例的一种可选的车辆的调度路径的示意图;
图3是根据本申请实施例的一种可选的车辆的调度方案的示意图;
图4是根据本申请实施例的一种可选的脉冲神经网络模型的示意图;
图5是根据本申请实施例的一种可选的车辆的调度路径的示意图;
图6是根据本申请实施例的一种可选的车辆的调度装置的示意图;
以及
图7是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一方面,提供了一种车辆的调度方法的实施例。图1是根据本申请实施例的一种可选的车辆的调度方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤S1,获取目标车辆在场景地图中执行任务(如运输、自动驾驶等任务)的起始位置和目标位置,目标车辆可以为AGV小车(Automated Guided Vehicle,简称AGV)、自动驾驶货车等。
步骤S2,利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
利用脉冲神经网络神经元的地计算量特性和复杂信息表征能力,在AGV调度过程中,能够适应更加复杂、多变的场景中,在对AGV进行路径规划调整,可以依据系统更完备的AGV执行路径、多AGV冲突路径点、AGV执行任务优先级等信息,做出更加合理的冲突AGV路径调整策略,如选择冲突点等待的全局运行效率更高还是绕过冲突点选择路径更远,没有冲突的路径全局执行效率更高。
通过上述步骤,获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径,利用脉冲神元的特性搭建的脉冲神经网络,可以提供更高的计算效率,更复杂的信息表征能力,以适应于复杂场景中全局信息的处理能力,有效提高计算响应时间,可以解决相关技术中调度时计算复杂度较高的技术问题。
可选地,在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
在本方案中,可提升调度任务执行的效率,通过计算核心的高计算性能,全局信息考量的处理逻辑,寻找出异常现象的全局最优解进行处理,使得AGV的配送路径为最优配送路线,提升全局任务执行效率。
可选地,在将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入之前,获取所述全局数据时,获取所述场景地图中所有路径点的占用状态;获取所述场景地图中所有任务的当前位置点;获取所述场景地图中所有任务的执行优先级信息;获取所述场景地图中所有任务的执行预计剩余时间。
采用优化全局调度的逻辑处理,随着场景路径增多,AGV车辆增多,任务增多,合理规划、异常处理的逻辑都将更加复杂,本提案将调度场景的全局信息作为脉冲神经网络的输入训练数据,使其在处理冲突异常时,能够分析全局AGV的任务信息,给出更合理的解决策略。
可选地,在获取目标车辆在场景地图中执行任务的起始位置和目标位置之前,收集所述场景地图的路径数据;对所述路径数据进行处理,得到全局数据;利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型,相当于是训练后(优化或改进)的脉冲神经网络模型;将所述脉冲神经网络模型嵌入到调度系统中作为路径规划的计算内核。
可选地,在收集所述场景地图的路径数据时,通过路径规划算法,对任务的最优路径进行规划,可以是对所有任务的最优路径进行规划,对于每个任务,不论是采用相关技术中的方案还是本提案的方法,可只取规划出来的一条最优路径作为采集信息,而不用对每个任务的所有可行路径进行处理,算法在计算过程中,会根据下一段路径存在的几种路径中计算出最优的,输出一条结果作为最优路径,忽略其他非最优的路径;记录任务的最优路径进行规划,将所有最优路径中的每一个路径点的前置路径转换成与规划次数匹配的权重值并记录,记录同一目标位置的不同路径。
可选地,在对所述路径数据进行处理时,根据路径数据统计不同任务路径的交叉路径点,并将交叉路径点的调用频次转化为权重值;记录具有冲突任务路径点的路径;获取与当前路径的相似度最高的目标路径,当前路径中距离冲突任务路径点距离最近的拐点,并确定不同的最近拐点的任务执行时间和全局路径复杂度之间的关系;将拐点转化为任务条件下的转移概率。
可选地,在利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型时,将所有路径点的占用状态、所有任务的当前位置点、所有任务的执行优先级信息以及所有任务的执行预计剩余时间作为脉冲神经网络的输入;将脉冲神经网络输出的任务执行时间与初始任务执行时间之间的差值作为学习条件,调整所述脉冲神经网络中网络层的神经元连接权值,得到所述脉冲神经网络模型。
本提案提出一种基于脉冲神经网络的AGV调度方法,来提升自动化配送任务的执行效率(时间和成功率)。该方法首先将AGV执行调度任务信息、AGV执行任务规划路径点等信息数字化。将所有路径点的占用状态ΣP(si)、当前系统所有任务的当前位置点Σs′i,当前所有任务的执行优先级信息Σp′i及当前所有任务执行预计剩余时间ΣT′i作为神经网络的输入,并加以训练规则训练获取神经网络模型。
本提案的技术方法,脉冲神经网络模型能够规划出更合理的AGV小车任务执行的路径;模型在处理冲突点时,更加充分考虑全局信息,做出更合理的路径点调整;应用脉冲神经网络模型的调度系统可根据任务重要程度、路况复杂程度,降低任务执行时间,减少任务冲突、路径冲突,预测并处理异常现象,最终实现全局AGV任务执行效率的提升。作为一种可选的实施例,如图2至图5所示,下文结合具体的实施方式进一步详述本申请的技术方案。
在现代工业化或生活场景中存在着物料配送的庞大需求,在配送场景中存在着大量的目标配送站点、不同通行路径,随着生产、生活节奏加快,单位时间内的配送任务大幅提升。虽然传统交通管制方法具有一定的路径调整能力,但是随着场景复杂度提升,路况异常增多,传统方法的计算复杂度会大幅提升,以及处理AGV运行冲突条件的处理能力有限,就会出现AGV发生冲突,路径堵死,造成任务失败,或任务执行不能及时避过高频占用的路径点,造成等待时间过久,任务执行效率低。
本方法首先利用脉冲神经网络的特性,大大降低神经网络对调度场景中的路径点权重信息、路径点转移概率进行模型训练过程中的计算量。再综合场景中全局路径点占用状态、AGV执行任务初始规划路径、AGV执行任务优先级、任务初始规划执行时间等信息进行推理计算,及时调整AGV的运行路径策略,向AGV更新的路径点。脉冲神经网络的高计算效率带来的快速性,和神经网络的预测能力,能够快速调整AGV的运行路线,在异常冲突前进行调整,有效避免AGV运行冲突、AGV任务执行时间超时等,有效提升全局AGV调度的效率。如图3所示:
1、基于常规方法的路径信息收集。通过传统的路径规划算法,对目标配送点的最优路径进行规划并记录,将路径中的每一个路径点的前置路径根据规划次数转换成权重值wi;同一目标点Pi的不同物料配送路线ΣSi,不同目标点的物料配送路线均做数据记录。
2、数据处理与转换,转换为算法模型计算数据。根据路径数据统计不同AGV任务路径的交叉路径点,根据调用频次转化为权重值w′。同时,统计AGV冲突任务路径点的ΣS,相似度最高的路径ΣS′与当前路径中距离冲突任务路径点距离最近的拐点S′且评估不同最近拐点的任务执行时间ti和带来的全局路径复杂度H的变化,并标记为该任务中的调整路径点和标记冲突任务目标点。基于全局数据,将拐点转化为任务条件下的转移概率P(si|ΣS)(如图2所示,不同灰度的节点表示占用频次不同)。
3、构建脉冲神经元深度神经网络,进行模型训练(如图4所示)Σs′i。构建脉冲神经网络模型,将当前地图中的所有路径点的占用状态ΣP(si)、当前系统所有任务的当前位置点Σs′i,当前所有任务的执行优先级信息Σp′i及当前所有任务执行预计剩余时间ΣT′i作为神经网络的输入,神经网络采用由脉冲神经元搭建的深度神经网络。根据网络输出的任务执行时间与初始任务执行时间的差值作为学习条件ΣΔti,反馈到网络层,调整神经网络的神经元连接权值ΣΔwi。网络最终输出为任务执行的路径点ΣPi。
本方法综合系统全局信息,实时调整运行策略,优化规划路径,避免任务执行时间长、交通堵塞造成的任务执行失败等问题。最终实现提升AGV调度智能调节,提升AGV配送效率。
4、训练后的模型对接应用系统,上线运行。将训练好的神经网络作为复杂场景下调度系统的路径规划计算内核。生产管理系统生成订单任务后,由业务层将任务信息转化为计算内核的输入信息,获取到规划的路径后,通过任务接口下发至执行载体运输机器人,系统在运行过程中按照实际调试的最小更新计算时间间隔重新获取计算内核的规划路径信息(如图5所示)。直至任务执行结束。
经过计算内核与业务系统的对接,对任务执行载体AGV的任务紧急程度和现场异常冲突及时调整,优化全局AGV执行任务的规划路径,提升全局AGV调度配送效率。
采用本方案:可提升调度系统复杂环境的适应能力,利用脉冲神元的特性,搭建的脉冲神经网络,可以提供更高的计算效率,更复杂的信息表征能力,以适应于复杂场景中全局信息的处理能力,有效提高计算响应时间;优化全局调度的逻辑处理,随着场景路径增多,AGV车辆增多,任务增多,合理规划、异常处理的逻辑都将更加复杂,本提案将调度场景的全局信息作为脉冲神经网络的输入训练数据,使其在处理冲突异常时,能够分析全局AGV的任务信息,给出更合理的解决策略;提升AGV调度任务执行的效率,通过计算核心的高计算性能,全局信息考量的处理逻辑,寻找出异常现象的全局最优解进行处理,使得AGV的配送路径为最优配送路线,提升全局任务执行效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面,还提供了一种用于实施上述车辆的调度方法的车辆的调度装置。图6是根据本申请实施例的一种可选的车辆的调度装置的示意图,如图6所示,该装置可以包括:
获取单元61,用于获取目标车辆在场景地图中执行任务的起始位置和目标位置;规划单元63,用于利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
需要说明的是,该实施例中的获取单元61可以用于执行本申请实施例中的步骤S1,该实施例中的规划单元63可以用于执行本申请实施例中的步骤S2。
通过上述模块,获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径,利用脉冲神元的特性搭建的脉冲神经网络,可以提供更高的计算效率,更复杂的信息表征能力,以适应于复杂场景中全局信息的处理能力,有效提高计算响应时间,可以解决相关技术中调度时计算复杂度较高的技术问题。
可选地,规划单元还用于在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
可选地,规划单元还用于在将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入之前,获取所述全局数据时,获取所述场景地图中所有路径点的占用状态;获取所述场景地图中所有任务的当前位置点;获取所述场景地图中所有任务的执行优先级信息;获取所述场景地图中所有任务的执行预计剩余时间。
可选地,本申请的装置还可包括:预处理单元,用于在获取目标车辆在场景地图中执行任务的起始位置和目标位置之前,收集所述场景地图的路径数据;对所述路径数据进行处理,得到全局数据;利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型;将所述脉冲神经网络模型嵌入到调度系统中作为路径规划的计算内核。
可选地,预处理单元还用于在收集所述场景地图的路径数据时,通过路径规划算法,对任务的最优路径进行规划;记录任务的最优路径进行规划,将所有最优路径中的每一个路径点的前置路径转换成与规划次数匹配的权重值并记录,记录同一目标位置的不同路径。
可选地,预处理单元还用于在对所述路径数据进行处理时,根据路径数据统计不同任务路径的交叉路径点,并将交叉路径点的调用频次转化为权重值;记录具有冲突任务路径点的路径;获取与当前路径的相似度最高的目标路径,当前路径中距离冲突任务路径点距离最近的拐点,并确定不同的最近拐点的任务执行时间和全局路径复杂度之间的关系;将拐点转化为任务条件下的转移概率。
可选地,预处理单元还用于在利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型时,将所有路径点的占用状态、所有任务的当前位置点、所有任务的执行优先级信息以及所有任务的执行预计剩余时间作为脉冲神经网络的输入;将脉冲神经网络输出的任务执行时间与初始任务执行时间之间的差值作为学习条件,调整所述脉冲神经网络中网络层的神经元连接权值,得到所述脉冲神经网络模型。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在相应的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的另一个方面,还提供了一种用于实施上述车辆的调度方法的服务器或终端。
图7是根据本申请实施例的一种终端的结构框图,如图7所示,该终端可以包括:一个或多个(仅示出一个)处理器201、存储器203、以及传输装置205,如图7所示,该终端还可以包括输入输出设备207。
其中,存储器203可用于存储软件程序以及模块,如本申请实施例中的车辆的调度方法和装置对应的程序指令/模块,处理器201通过运行存储在存储器203内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆的调度方法。存储器203可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器203可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置205用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置205包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置205为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器203用于存储应用程序。
处理器201可以通过传输装置205调用存储器203存储的应用程序,以执行下述步骤:
获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
处理器201还用于执行下述步骤:
可选地,在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图7所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如,终端还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行车辆的调度方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取目标车辆在场景地图中执行任务的起始位置和目标位置;利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:
可选地,在利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径时,将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化在所述场景地图中的任务调度;获取所述脉冲神经网络模型输出的所述规划路径。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种车辆的调度方法,其特征在于,包括:
获取目标车辆在场景地图中执行任务的起始位置和目标位置;
利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
2.根据权利要求1所述的方法,其特征在于,利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径包括:
将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入,所述全局数据用于所述脉冲神经网络模型优化所述场景地图中的任务调度;
获取所述脉冲神经网络模型输出的所述规划路径。
3.根据权利要求2所述的方法,其特征在于,在将所述场景地图的全局数据、所述起始位置以及所述目标位置作为所述脉冲神经网络模型的输入之前,获取所述全局数据包括如下至少之一:
获取所述场景地图中所有路径点的占用状态;
获取所述场景地图中所有任务的当前位置点;
获取所述场景地图中所有任务的执行优先级信息;
获取所述场景地图中所有任务的执行预计剩余时间。
4.根据权利要求1所述的方法,其特征在于,在获取目标车辆在场景地图中执行任务的起始位置和目标位置之前,所述方法还包括:
收集所述场景地图的路径数据;
对所述路径数据进行处理,得到全局数据;
利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型;
将所述脉冲神经网络模型嵌入到调度系统中作为路径规划的计算内核。
5.根据权利要求4所述的方法,其特征在于,收集所述场景地图的路径数据包括:
通过路径规划算法,对任务的最优路径进行规划;
记录任务的最优路径进行规划,将最优路径中的每一个路径点的前置路径转换成与规划次数匹配的权重值并记录,记录同一目标位置的不同路径。
6.根据权利要求4所述的方法,其特征在于,对所述路径数据进行处理包括以下至少之一:
根据路径数据统计不同任务路径的交叉路径点,并将交叉路径点的调用频次转化为权重值;
记录具有冲突任务路径点的路径;
获取与当前路径的相似度最高的目标路径,当前路径中距离冲突任务路径点距离最近的拐点,并确定不同的最近拐点的任务执行时间和全局路径复杂度之间的关系;
将拐点转化为任务条件下的转移概率。
7.根据权利要求4所述的方法,其特征在于,利用得到的全局数据对脉冲神经网络进行训练,得到所述脉冲神经网络模型包括:
将所有路径点的占用状态、所有任务的当前位置点、所有任务的执行优先级信息以及所有任务的执行预计剩余时间作为脉冲神经网络的输入;
将脉冲神经网络输出的任务执行时间与初始任务执行时间之间的差值作为学习条件,调整脉冲神经网络中网络层的神经元连接权值,得到所述脉冲神经网络模型。
8.一种车辆的调度装置,其特征在于,包括:
获取单元,用于获取目标车辆在场景地图中执行任务的起始位置和目标位置;
规划单元,用于利用脉冲神经网络模型生成与所述起始位置和所述目标位置匹配的规划路径。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011491896.XA CN112561166A (zh) | 2020-12-16 | 2020-12-16 | 车辆的调度方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011491896.XA CN112561166A (zh) | 2020-12-16 | 2020-12-16 | 车辆的调度方法和装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561166A true CN112561166A (zh) | 2021-03-26 |
Family
ID=75064206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011491896.XA Pending CN112561166A (zh) | 2020-12-16 | 2020-12-16 | 车辆的调度方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219966A (zh) * | 2021-04-01 | 2021-08-06 | 深圳市优必选科技股份有限公司 | 机器人的控制方法、装置、通信设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
CN110796231A (zh) * | 2019-09-09 | 2020-02-14 | 珠海格力电器股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN111811532A (zh) * | 2020-07-02 | 2020-10-23 | 浙江大学 | 基于脉冲神经网络的路径规划方法和装置 |
-
2020
- 2020-12-16 CN CN202011491896.XA patent/CN112561166A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
CN110796231A (zh) * | 2019-09-09 | 2020-02-14 | 珠海格力电器股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN111811532A (zh) * | 2020-07-02 | 2020-10-23 | 浙江大学 | 基于脉冲神经网络的路径规划方法和装置 |
Non-Patent Citations (4)
Title |
---|
曾明如等: "多步长蚁群算法的机器人路径规划研究", 《小型微型计算机系统》, no. 02, 15 February 2016 (2016-02-15) * |
顾军华等: "基于改进蚁群算法的多机器人路径规划研究", 《河北工业大学学报》 * |
顾军华等: "基于改进蚁群算法的多机器人路径规划研究", 《河北工业大学学报》, no. 05, 15 October 2016 (2016-10-15), pages 28 * |
高敬鹏: "深度学习 卷积神经网络技术与实践", 机械工业出版社, pages: 46 - 47 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219966A (zh) * | 2021-04-01 | 2021-08-06 | 深圳市优必选科技股份有限公司 | 机器人的控制方法、装置、通信设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109990790A (zh) | 一种无人机路径规划方法及装置 | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
US11541773B2 (en) | Apparatus and method for assigning charger to electric vehicles | |
CN114611634B (zh) | 一种行为类型的确定方法、装置、存储介质及电子装置 | |
CN113592041B (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
CN112925308B (zh) | 路径规划方法、装置及计算机存储介质 | |
CN111935140A (zh) | 异常报文识别方法及装置 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
Zhang et al. | Dynamic fleet management with rewriting deep reinforcement learning | |
CN116095720A (zh) | 基于深度强化学习的网络业务接入和切片资源配置方法 | |
CN112561166A (zh) | 车辆的调度方法和装置、存储介质、电子装置 | |
CN113687651A (zh) | 一种按需派送车辆的路径规划方法及装置 | |
CN116703104A (zh) | 一种基于决策大模型的料箱机器人订单拣选方法及装置 | |
CN110084406A (zh) | 基于自编码器和元学习策略的负荷预测方法及装置 | |
Yu et al. | Real-time holding control for transfer synchronization via robust multiagent reinforcement learning | |
CN111953533B (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
CN116069340A (zh) | 自动驾驶模型部署方法、装置、设备及存储介质 | |
CN112258860B (zh) | 路口车辆调度方法、装置、设备和计算机可读存储介质 | |
CN115514787A (zh) | 用于车联网环境的智能无人机辅助决策规划方法及装置 | |
Gerrits et al. | An agent-based simulation model for autonomous trailer docking | |
CN114819442A (zh) | 一种运筹优化方法、装置和计算设备 | |
CN110516845A (zh) | 一种续航里程预测方法及装置 | |
CN115330276B (zh) | 基于强化学习的机器人自动选择电梯的方法及装置 | |
Singh et al. | Dispatching AGVs with battery constraints using deep reinforcement learning | |
CN117553803B (zh) | 一种基于深度强化学习的多无人机智能路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |