CN113311789A - 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 - Google Patents
一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 Download PDFInfo
- Publication number
- CN113311789A CN113311789A CN202110451932.8A CN202110451932A CN113311789A CN 113311789 A CN113311789 A CN 113311789A CN 202110451932 A CN202110451932 A CN 202110451932A CN 113311789 A CN113311789 A CN 113311789A
- Authority
- CN
- China
- Prior art keywords
- information
- brain
- warehousing robot
- neural network
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000013439 planning Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法。仓储机器人通过传感器采集视、听、触、嗅等多模态信息,经5G基站等5G设备远程传输至服务器的类脑脉冲神经网络模型进行多模态信息的处理、融合并做出决策命令,命令再通过5G基站等传回至仓储机器人,从而控制其完成动态路径规划、自主避障、机械臂/手抓取等任务。
Description
技术领域
本发明涉及深度学习领域,具体涉及一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法。
技术背景
仓储是企业物资流通供应链的一个重要环节,是现代物流的核心环节,在仓库管理活动过程中,会产生大量的仓储物流信息,这种信息常伴随着仓库订货、货物入库、货物管理、货物出库的发生而产生,一般具有数据量大、数据操作频繁、信息内容复杂等特点。智慧仓储是物流过程的一个环节,智能仓储的应用,保证了货物仓库管理各个环节数据输入的速度和准确性,确保企业及时准确地掌握库存的真实数据,合理保持和控制企业库存,通过科学的编码,还可方便地对库存货物的批次、保质期等进行管理。
然而,现阶段物流中场景(如拣选、分拨墙等)的机器人只能通过预先编程进行预先规划来完成单一任务,对不同的应用场景及任务泛化能力低;面对海量混合的、不同材质的货物,识别困难;受货物排布影响,抓取困难;基于深度学习的方法泛化性较差,对于新货物的识别率较低;基于模版匹配和特征匹配的拣选方法,操作复杂、速度较慢;端拾器功能单一,不能满足仓库的全品类物品的拾取要求,经常会导致掉料、错拣等情况。
本发明针对上述问题,提出了一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法。5G以其超大网络容量、超可靠和低延迟通信、增强型移动宽带、超低时延等特点,被广泛应用于移动通信;而脉冲神经网络,更加符合人类神经元特性,可更真实地模拟大脑神经系统活动和信息处理机制,更加具备生物可解释性;同时和深度学习网络相比,其能耗更低、计算能力更强。
发明内容
本发明针对背景中提到的上述问题,提出了一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法。构建适用于物流仓储机器人的类脑脉冲神经网络模型,模型具备类脑多模态信息整合、知识泛化及概念学习能力,可同时适用多物流场景;融合5G通信,实现远程服务器端(或云端服务器)的类脑脉冲神经网络模型控制多物流场景大量仓储机器人高效率可靠作业,从而实现基于5G技术和类脑脉冲神经网络的优势融合及应用创新。
为了解决上述问题,本发明采用的技术方案为:
1、多模态信息获取:仓储机器人利用传感器获取不同模态的信息;
2、多模态信息传输:利用5G通信,将采集的多模态信息传输至服务器端;
3、多模态信息集成:信息集成模块M1将采集的多模态信息进行编码处理;
4、决策:脉冲决策模块M2根据传入的多模态信息做出实时的决策;
5、运动发生:运动发生器模块M3根据决策信息产生对应的动作指令编码;
6、行动回传:通过5G通信,将产生的动作编码实时回传至仓储机器人;
7、产生动作:仓储机器人根据传回的动作编码产生对应的动作;
8、学习:脉冲学习模块M4利用行动反馈信息,进行类脑学习、记忆。
优选地,类脑脉冲神经网络模型不仅支持强化学习,同时还支持监督、半监督等学习方式。
优选地,模型不仅可以架构在远程服务器上,还可以搭建在云平台服务器上,从而促进5G技术、新一代人工智能、云平台服务的深度融合。
优选地,本方法不仅适用于仓储环境下的机器人作业,还可以应用于更多领域,例如机器人派送、无人机协同作业等。
和现有技术相比,本发明具有下述优点:
1、本发明将5G技术和脉冲神经网络的优势进行融合。
2、本发明构建的类脑脉冲神经网络模型,解决了现阶段的人工智能靠事先编程来感知环境中的特定信号的缺陷,实现不同物流场景下的多模态信息感知及集成处理。
3、本发明构建的类脑脉冲神经网络模型较传统的深度学习,泛化能力更强、算法能耗更低、计算速度更快。因此发明不仅可以提高工作效率和正确率,降低人力成本,还可以大幅度的降低能耗,减少资源的浪费和环境的污染。
4、相较于目前常用的传输方式,5G技术具有速率高、延迟低、能耗低、可靠性高、成本低、允许大规模设备连接等优势,保证了数据传输的实时性和可靠性,进一步保证仓储机器人可以高质量的完成高度协同作业。
附图说明
图1为本发明实施例的总体设计框架。
图2为本发明实施例的类脑脉冲神经网络模型框架。
具体实施方式
本发明实施例的总体实施步骤主要分为五步(以仓储机械臂场景为例):
第一步:多模态信息获取。利用传感器获取不同模态的信息。物流场景的仓储机器人通过视觉、触觉和嗅觉传感器采集作业对象数据(视觉观察物品的形状大小等,作业对象的碰撞或者障碍物的碰撞获取柔软度等触觉信息,酒类商品破损等可获得嗅觉信息),通过听觉接收语音信息(作业指令等)。
第二步:多模态信息传输。利用5G通信,将采集的多模态信息经5G基站等5G设备传输至远程服务器(或云端服务器)。
第三步:类脑脉冲神经网络模型。进行多模态信息的处理、融合并做出决策命令。类脑脉冲神经网络模型架构在远程服务器端,将采集的多模态信息通过信息集成模块M1进行编码处理,然后将其输入基于脉冲神经网络的决策模块M2做出实时决策,运动发生器模块M3产生对应的动作指令,期间脉冲学习模块M4通过输入信息进行类脑学习、记忆。详细实施步骤如图2所示,包括:
Step1:信息集成模块M1将采集的多模态信息进行编码处理。
Step2:脉冲决策模块M2根据传入的多模态信息做出实时的决策,实现在不同物品排布形式下位姿等估计并时刻感知实际环境情况。
Step3:运动发生器模块M3根据决策信息产生对应的动作指令编码。
Step4:脉冲学习模块M4利用行动反馈信息,进行类脑学习、记忆。
第四步:行动指令回传。利用5G通信,将服务器端产生的行动指令编码经5G基站等5G设备实时传输至仓储机器人。
第五步:产生动作,仓储机器人根据传回的行动指令编码产生对应的动作。结合仿生机械手,根据关节与电机之间的动态相位关系,得到机械手的控制策略,实现对于不同形状、不同材料物品的任意抓取及类人手抓取的灵活性和效率。
在仓储机器人的运行过程中,仓储机器人的感知器将不同的感知信息经5G基站等设备,实时反馈至远程服务器中的类脑脉冲神经网络模型中做出决策命令,命令再通过5G基站等传回至仓储机器人,也就是循环执行一到五步,进而完成动态路径规划和运动过程中的自主避障等各种复杂任务。
以上所述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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法,在仓储机器人的运行过程中,仓储机器人的感知器将不同的感知信息经5G设备,实时反馈至远程服务器中的类脑脉冲神经网络模型中做出决策命令,命令再通过5G设备传回至仓储机器人,循环执行进而完成动态路径规划和运动过程中的自主避障任务。
其特征在于,具体包括以下步骤:
1)多模态信息获取:利用传感器获取视、听、触、嗅不同模态的信息;
2)多模态信息传输:利用5G通信,将采集的多模态信息经5G设备传输至远程服务器或云端服务器;
3)利用类脑脉冲神经网络模型进行多模态信息的处理、融合并做出决策命令;
4)行动指令回传:利用5G通信,将决策命令经5G设备实时传输至仓储机器人;
5)产生动作,仓储机器人根据传回的决策命令产生对应的动作。
2.根据权利要求1所述的一种基于5G和类脑脉冲神经网络模型的仓储机器人的控制方法,其特征在于,步骤3)类脑脉冲神经网络模型中的实施步骤包括:
Step1:信息集成模块M1将采集的多模态信息进行编码处理;
Step2:脉冲决策模块M2根据传入的多模态信息做出实时的决策,实现在不同物品排布形式下位姿估计并时刻感知实际环境情况;
Step3:运动发生器模块M3根据决策信息产生对应的动作指令编码;
Step4:脉冲学习模块M4利用行动反馈信息,进行类脑学习、记忆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451932.8A CN113311789A (zh) | 2021-04-25 | 2021-04-25 | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451932.8A CN113311789A (zh) | 2021-04-25 | 2021-04-25 | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113311789A true CN113311789A (zh) | 2021-08-27 |
Family
ID=77370970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110451932.8A Pending CN113311789A (zh) | 2021-04-25 | 2021-04-25 | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023212857A1 (zh) * | 2022-05-05 | 2023-11-09 | 中国科学院深圳先进技术研究院 | 一种基于类脑智能的脑机接口系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427536A (zh) * | 2019-08-12 | 2019-11-08 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
KR20200084423A (ko) * | 2018-12-24 | 2020-07-13 | 삼성전자주식회사 | 기계 학습 기반의 로컬 모션 생성 방법 및 장치 |
CN112161618A (zh) * | 2020-09-14 | 2021-01-01 | 灵动科技(北京)有限公司 | 仓储机器人定位与地图构建方法、机器人及存储介质 |
-
2021
- 2021-04-25 CN CN202110451932.8A patent/CN113311789A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200084423A (ko) * | 2018-12-24 | 2020-07-13 | 삼성전자주식회사 | 기계 학습 기반의 로컬 모션 생성 방법 및 장치 |
CN110427536A (zh) * | 2019-08-12 | 2019-11-08 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
CN112161618A (zh) * | 2020-09-14 | 2021-01-01 | 灵动科技(北京)有限公司 | 仓储机器人定位与地图构建方法、机器人及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023212857A1 (zh) * | 2022-05-05 | 2023-11-09 | 中国科学院深圳先进技术研究院 | 一种基于类脑智能的脑机接口系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105573253B (zh) | 一种工业机器人群控系统及方法 | |
Barenji et al. | A digital twin-driven approach towards smart manufacturing: reduced energy consumption for a robotic cellular | |
CN109933010A (zh) | 一种面向个性化定制的工业cps系统和实现方法 | |
CN108638065A (zh) | 一种排爆机器人双臂协同控制系统 | |
Papadopoulos et al. | Towards open and expandable cognitive AI architectures for large-scale multi-agent human-robot collaborative learning | |
Raessa et al. | Teaching a robot to use electric tools with regrasp planning | |
CN111913483A (zh) | 一种用于四向穿梭车上的调度系统及其方法 | |
CN113311789A (zh) | 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法 | |
Park et al. | A cognitive agent based manufacturing system adapting to disturbances | |
Hussnain et al. | Towards the deployment of cloud robotics at factory shop floors: A prototype for smart material handling | |
Brecher et al. | Towards anthropomorphic movements for industrial robots | |
Escobar-Naranjo et al. | Applications of Artificial Intelligence Techniques for trajectories optimization in robotics mobile platforms | |
Li et al. | Learning complex assembly skills from kinect based human robot interaction | |
Sibona et al. | Data-driven framework to improve collaborative human-robot flexible manufacturing applications | |
Oshin et al. | Coupling deep discriminative and generative models for reactive robot planning in human-robot collaboration | |
CN112757274B (zh) | 一种面向人机协同操作的动力学融合行为安全算法及系统 | |
Ma et al. | A learning from demonstration framework for adaptive task and motion planning in varying package-to-order scenarios | |
Tian et al. | Fruit Picking Robot Arm Training Solution Based on Reinforcement Learning in Digital Twin | |
Kim et al. | A HARMS-based heterogeneous human-robot team for gathering and collecting | |
Fazlollahtabar | Robotic Manufacturing Systems Using Internet of Things: New Era of Facing Pandemics | |
CN114770508B (zh) | 一种基于工业机器人的自动装配生产线 | |
CN116117826B (zh) | 基于仿射变换与行为树的机器人任务规划方法及系统 | |
Trendafilov et al. | Cognitive products: system architecture and operational principles | |
Geuna et al. | Digital disruption and the transformation of Italian manufacturing | |
Saridis | On the theory of intelligent machines |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210827 |
|
WD01 | Invention patent application deemed withdrawn after publication |