CN114111830B - 一种基于ai模型的路径规划方法及装置 - Google Patents
一种基于ai模型的路径规划方法及装置 Download PDFInfo
- Publication number
- CN114111830B CN114111830B CN202111546743.5A CN202111546743A CN114111830B CN 114111830 B CN114111830 B CN 114111830B CN 202111546743 A CN202111546743 A CN 202111546743A CN 114111830 B CN114111830 B CN 114111830B
- Authority
- CN
- China
- Prior art keywords
- path
- carrying
- preset
- data
- weight value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 17
- 239000000969 carrier Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于AI模型的路径规划方法及装置，涉及数据处理技术领域。该方法及装置包括：根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径。根据初始路径进行搬运，以获取搬运数据。获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值。将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值。由于最新权重值是根据运输成本值和搬运系统进行动态调整得到的，则以最新权重值为准，利用预设路径规划算法进行路径规划可以有效得到最优路径，利用最优路径可以提高搬运系统的效率。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于AI模型的路径规划方法及装置。
背景技术
随着科技的不断发展，半导体制造工厂中对自动物料传送系统的使用越来越广泛，而自动物料传送系统所规划的小车路径选择会直接影响到整个系统的搬送效率。
然而，现有的小车路径规划算法是根据众多权重值决定最终的路径计算结果，而且小车路径规划算法中的权重值都是设定为固定值，并不能根据现场实际复杂运行情况对权重值进行动态调整，则造成很多的路径选择并不是最优解，从而严重影响搬运系统的效率。
发明内容
本发明的目的在于提供一种基于AI模型的路径规划方法及装置，用以改善现有技术中小车路径规划算法中的权重值都是设定为固定值，并不能根据现场实际复杂运行情况对权重值进行动态调整，造成很多的路径选择并不是最优解，严重影响搬运系统的效率的问题。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种基于AI模型的路径规划方法，其包括如下步骤：获取搬运任务参数，搬运任务参数包括搬运始点和搬运终点。根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径。根据初始路径进行搬运，以获取搬运数据。获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值。将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值。根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径。
在本发明的一些实施例中，上述获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值的步骤包括：获取初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量。利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
在本发明的一些实施例中，上述预设路径规划算法包括A*算法、D*算法、迪杰斯特拉算法中的一种或多种。根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径的步骤包括：利用A*算法、D*算法、迪杰斯特拉算法中的一种或多种路径规划算法进行路径规划，得到初始路径。
在本发明的一些实施例中，上述根据初始路径进行搬运，以获取搬运数据的步骤包括：若存在真实搬运系统，则在真实搬运系统中，按照初始路径进行搬运，否则，则在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据。
在本发明的一些实施例中，上述在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据的步骤包括：获取目标搬运系统参数。根据目标搬运系统参数，在仿真系统中按照预设比例构建虚拟搬运系统，并在虚拟搬运系统中按照初始路径进行模拟搬运。
在本发明的一些实施例中，上述将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之前，该方法还包括：建立AI模型。获取多个样本，样本包括真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据。利用多个样本训练AI模型，以得到训练好的AI模型。
在本发明的一些实施例中，上述将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之后，该方法还包括：利用各个预设种类的最新权重值替换对应的预设权重值。
第二方面，本申请实施例提供一种基于AI模型的路径规划装置，其包括：搬运任务参数获取模块，用于获取搬运任务参数，搬运任务参数包括搬运始点和搬运终点。初始路径得到模块，用于根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径。搬运数据获取模块，用于根据初始路径进行搬运，以获取搬运数据。运输成本值得到模块，用于获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值。最新权重值得到模块，用于将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值。最优路径得到模块，用于根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径。
在本发明的一些实施例中，上述运输成本值得到模块包括：数据获取单元，用于获取初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量。运输成本值计算单元，用于利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
在本发明的一些实施例中，上述预设路径规划算法包括A*算法、D*算法、迪杰斯特拉算法中的一种或多种。上述初始路径得到模块包括：初始路径计算单元，用于利用A*算法、D*算法、迪杰斯特拉算法中的一种或多种路径规划算法进行路径规划，得到初始路径。
在本发明的一些实施例中，上述搬运数据获取模块包括：搬运单元，用于若存在真实搬运系统，则在真实搬运系统中，按照初始路径进行搬运，否则，则在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据。
在本发明的一些实施例中，上述搬运单元包括：目标搬运系统参数获取子单元，用于获取目标搬运系统参数。模拟搬运子单元，用于根据目标搬运系统参数，在仿真系统中按照预设比例构建虚拟搬运系统，并在虚拟搬运系统中按照初始路径进行模拟搬运。
在本发明的一些实施例中，上述基于AI模型的路径规划装置还包括：AI模型建立模块，用于建立AI模型。样本获取模块，用于获取多个样本，样本包括真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据。AI模型训练模块，用于利用多个样本训练AI模型，以得到训练好的AI模型。
在本发明的一些实施例中，上述基于AI模型的路径规划装置还包括：权重值替换模块，用于利用各个预设种类的最新权重值替换对应的预设权重值。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供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如上述第一方面中任一项的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
本发明提供一种基于AI模型的路径规划方法及装置，其包括如下步骤：获取搬运任务参数，搬运任务参数包括搬运始点和搬运终点。根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径。根据初始路径进行搬运，以获取搬运数据。获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值。将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值。根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径。该方法及装置首先以搬运始点和搬运终点为准，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径，此时由于该初始路径为根据各个预设种类的预设权重值进行路径规划得到的，则该初始路径并一定是搬运始点和搬运终点之间的最佳路径。然后再根据初始路径进行搬运得到搬运数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到该初始路径对应的运输成本值。将搬运数据和运输成本值输入至训练好的AI模型中，训练好的AI模型将对搬运数据进行分析，以实现根据真实搬运系统或虚拟搬运系统对预设权重值进行动态调整得到最新权重值的目的。由于最新权重值是根据运输成本值和搬运系统进行动态调整得到的，则以最新权重值为准，利用预设路径规划算法进行路径规划可以有效得到最优路径，利用最优路径进行货物搬运可以大大提高搬运系统的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于AI模型的路径规划方法的流程图；
图2为本发明实施例提供的一种基于AI模型的路径规划装置的结构框图；
图3为本发明实施例提供的一种电子设备的示意性结构框图。
图标：100-基于AI模型的路径规划装置；110-搬运任务参数获取模块；120-初始路径得到模块；130-搬运数据获取模块；140-运输成本值得到模块；150-最新权重值得到模块；160-最优路径得到模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。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，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，若出现术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，若出现由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”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，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，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，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参阅图1，图1所示为本申请实施例提供的一种基于AI模型的路径规划方法的流程图。一种基于AI模型的路径规划方法，其包括如下步骤：
S110：获取搬运任务参数，搬运任务参数包括搬运始点和搬运终点；
具体的，上述搬运任务参数还可以包括搬运货物的种类和数量。但是利用预设路径规划算法进行路径规划时，仅仅只需要考虑搬运始点和搬运终点。
S120：根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径；
具体的，以搬运始点和搬运终点为准，根据行进路径的预设权重值、没有搬送任务的搬运车的预设权重值、有搬送任务的搬运车的预设权重值以及行进路径上站点的预设权重值，利用预设路径规划算法进行路径规划得到初始路径。需要说明的是，该初始路径为根据各个预设种类的预设权重值进行路径规划得到的，则该初始路径并一定是搬运始点和搬运终点之间的最佳路径。
其中，上述预设路径规划算法可以为A*算法、D*算法、迪杰斯特拉算法中的一种或多种。
S130：根据初始路径进行搬运，以获取搬运数据；
其中，上述搬运数据为货物搬运过程中的过程数据，例如：在某段路径上搬运车的速度、耗时等。且上述搬运数据可以为真实搬运数据或者虚拟搬运数据。
具体的，若存在真实搬运系统，则在真实搬运系统中，按照初始路径进行真实搬运，以获取实际的搬运数据。若不存在真实搬运系统，则利用仿真系统根据1:1的比例构建虚拟搬运系统，并在虚拟搬运系统中按照初始路径进行模拟搬运，以获取仿真产生的搬运数据。
S140：获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值；
具体的，获取初始路径上没有搬送任务的搬运车的数量、有搬送任务的搬运车的数量、站点总数量。利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
需要说明的是，NORij、NJVij、WOVij以及POTij均为路径规划算法中的影响因子。此外，在路径规划算法中，影响因子还可以包括VJAij，VJAij为从i到j的路径上有小车停止的权重值，VJAij对应的权重值可以为ω5。
上述影响因子所例举的NORij、NJVij、WOVij、POTij和VJAij仅仅作为本实施例中的实施方式的多种情况，并不限定上述影响因子。
S150：将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值；
具体的，将搬运数据和运输成本值输入至训练好的AI模型中，训练好的AI模型将对搬运数据进行分析，若根据搬运数据得到的实际运输成本并不是上述运输成本值，则根据搬运数据确定实际运输成本值，并查找实际运输成本值与上述运输成本值之间的差异点，训练好的AI模型将根据差异点对各个预设种类对应的预设权重值进行重新赋值，即对行进路径的预设权重值、没有搬送任务的搬运车的预设权重值、有搬送任务的搬运车的预设权重值以及行进路径上站点的预设权重值进行重新赋值。以实现根据真实搬运系统或虚拟搬运系统对预设权重值进行动态调整得到最新权重值的目的。
其中，上述AI模型可以为CNN卷积模型或者随机森AI模型，并且上述AI模型可以为由CNN卷积模型和随机森AI模型组成的多模态架构。
S160：根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径。
具体的，由于最新权重值是根据运输成本值和搬运系统进行动态调整得到的，则以最新权重值为准，利用预设路径规划算法进行路径规划可以有效得到最优路径，利用最优路径进行货物搬运可以大大提高搬运系统的效率。
示例性的，若预设ω1为a，预设ω2为b，预设ω3为c，预设ω4为d，从搬运始点到搬运终点有A、B、C、D和E五条路径，利用预设路径规划算法按照预设ω1、预设ω2、预设ω3和预设ω4进行路径规划，得到的最短路径为E，但是E并不一定是从搬运始点到搬运终点的最佳路径。若E路径上没有搬送任务的搬运车的数量为2、有搬送任务的搬运车的数量为1、站点总数量为2，则按照E路径搬运货物的运输成本为Ea+2b+1c+2d。根据E路径进行模拟搬运或者实际搬运得到搬运数据，将搬运数据和运输成本Ea+2b+1c+2d输入至训练好的AI模型中，训练好的AI模型将对搬运数据和运输成本Ea+2b+1c+2d分析，若根据搬运数据得到的实际运输成本并不是运输成本Ea+2b+1c+2d，则查找实际运输成本与运输成本Ea+2b+1c+2d之间的差异点，训练好的AI模型将根据差异点调整预设权重值，进而得到与搬运数据最符合的权重值即最新权重值，此时，若最新ω1为a1，最新ω2为b1，最新ω3为c1，最新ω4为d1，则利用a1替换a，b1替换b，c1替换c，d1替换d。根据a1、b1、c1、d1，利用预设路径规划算法进行路径规划就可以得到与搬运数据最相符的最优路径。
在本实施例的一些实施方式中，上述获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值的步骤包括：获取初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量。利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
在本实施例的一些实施方式中，上述预设路径规划算法包括A*算法、D*算法、迪杰斯特拉算法中的一种或多种。根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径的步骤包括：利用A*算法、D*算法、迪杰斯特拉算法中的一种或多种路径规划算法进行路径规划，得到初始路径。
在本实施例的一些实施方式中，上述根据初始路径进行搬运，以获取搬运数据的步骤包括：若存在真实搬运系统，则在真实搬运系统中，按照初始路径进行搬运，否则，则在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据。从而有效实现了无论真实搬运系统是否存在，均可以得到搬运数据的效果。
在本实施例的一些实施方式中，上述在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据的步骤包括：获取目标搬运系统参数。根据目标搬运系统参数，在仿真系统中按照预设比例构建虚拟搬运系统，并在虚拟搬运系统中按照初始路径进行模拟搬运。其中，上述预设比例可以为1:1。通过1:1的比例构建虚拟搬运系统可以保证虚拟搬运系统和目标搬运系统一致。
在本实施例的一些实施方式中，上述将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之前，该方法还包括：建立AI模型。获取多个样本，样本包括真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据。利用多个样本训练AI模型，以得到训练好的AI模型。具体的，通过真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据训练AI模型，可以使得训练好的AI模型可以更加准确地分析真实搬运系统的搬运数据和虚拟搬运系统中的搬运数据，从而使得得到的最新权重值更加准确。
在本实施例的一些实施方式中，上述将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之后，该方法还包括：利用各个预设种类的最新权重值替换对应的预设权重值。具体的，当计算出最新权重值后，可以用最新权重值替换对应的预设权重值，并保存至搬运系统中，进而方便下一次规划路径时，可以直接使用最新权重值。
请参照图2，图2所示为本发明实施例提供的一种基于AI模型的路径规划装置100的结构框图。本申请实施例提供一种基于AI模型的路径规划装置100，其包括：搬运任务参数获取模块110，用于获取搬运任务参数，搬运任务参数包括搬运始点和搬运终点。初始路径得到模块120，用于根据搬运始点和搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径。搬运数据获取模块130，用于根据初始路径进行搬运，以获取搬运数据。运输成本值得到模块140，用于获取初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值。最新权重值得到模块150，用于将搬运数据和运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值。最优路径得到模块160，用于根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径。
该装置首先以搬运始点和搬运终点为准，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径，此时由于该初始路径为根据各个预设种类的预设权重值进行路径规划得到的，则该初始路径并一定是搬运始点和搬运终点之间的最佳路径。然后再根据初始路径进行搬运得到搬运数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到该初始路径对应的运输成本值。将搬运数据和运输成本值输入至训练好的AI模型中，训练好的AI模型将对搬运数据进行分析，以实现根据真实搬运系统或虚拟搬运系统对预设权重值进行动态调整得到最新权重值的目的。由于最新权重值是根据运输成本值和搬运系统进行动态调整得到的，则以最新权重值为准，利用预设路径规划算法进行路径规划可以有效得到最优路径，利用最优路径进行货物搬运可以大大提高搬运系统的效率。
在本实施例的一些实施方式中，上述运输成本值得到模块140包括：数据获取单元，用于获取初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量。运输成本值计算单元，用于利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
在本实施例的一些实施方式中，上述预设路径规划算法包括A*算法、D*算法、迪杰斯特拉算法中的一种或多种。上述初始路径得到模块120包括：初始路径计算单元，用于利用A*算法、D*算法、迪杰斯特拉算法中的一种或多种路径规划算法进行路径规划，得到初始路径。
在本实施例的一些实施方式中，上述搬运数据获取模块130包括：搬运单元，用于若存在真实搬运系统，则在真实搬运系统中，按照初始路径进行搬运，否则，则在仿真系统中按照初始路径进行模拟搬运，以获取搬运数据。从而有效实现了无论真实搬运系统是否存在，均可以得到搬运数据的效果。
在本实施例的一些实施方式中，上述搬运单元包括：目标搬运系统参数获取子单元，用于获取目标搬运系统参数。模拟搬运子单元，用于根据目标搬运系统参数，在仿真系统中按照预设比例构建虚拟搬运系统，并在虚拟搬运系统中按照初始路径进行模拟搬运。其中，上述预设比例可以为1:1。通过1:1的比例构建虚拟搬运系统可以保证虚拟搬运系统和目标搬运系统一致。
在本实施例的一些实施方式中，上述基于AI模型的路径规划装置100还包括：AI模型建立模块，用于建立AI模型。样本获取模块，用于获取多个样本，样本包括真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据。AI模型训练模块，用于利用多个样本训练AI模型，以得到训练好的AI模型。具体的，通过真实搬运系统中的历史搬送数据和虚拟搬运系统中的历史搬送数据训练AI模型，可以使得训练好的AI模型可以更加准确地分析真实搬运系统的搬运数据和虚拟搬运系统中的搬运数据，从而使得得到的最新权重值更加准确。
在本实施例的一些实施方式中，上述基于AI模型的路径规划装置100还包括：权重值替换模块，用于利用各个预设种类的最新权重值替换对应的预设权重值。具体的，当计算出最新权重值后，可以用最新权重值替换对应的预设权重值，并保存至搬运系统中，进而方便下一次规划路径时，可以直接使用最新权重值。
请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的一种基于AI模型的路径规划装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器101(ROM，Read-Only Memory)、随机存取存储器101(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种基于AI模型的路径规划方法，其特征在于，包括如下步骤：
获取搬运任务参数，所述搬运任务参数包括搬运始点和搬运终点；
根据所述搬运始点和所述搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径；
根据所述初始路径进行搬运，以获取搬运数据；
获取所述初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值；
将所述搬运数据和所述运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值；
根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径；
获取所述初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值的步骤包括：
获取所述初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量；
利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
2.根据权利要求1所述的基于AI模型的路径规划方法，其特征在于，所述预设路径规划算法包括A*算法、D*算法、迪杰斯特拉算法中的一种或多种；
根据所述搬运始点和所述搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径的步骤包括：
利用A*算法、D*算法、迪杰斯特拉算法中的一种或多种路径规划算法进行路径规划，得到初始路径。
3.根据权利要求1所述的基于AI模型的路径规划方法，其特征在于，根据所述初始路径进行搬运，以获取搬运数据的步骤包括：
若存在真实搬运系统，则在所述真实搬运系统中，按照所述初始路径进行搬运，否则，则在仿真系统中按照所述初始路径进行模拟搬运，以获取搬运数据。
4.根据权利要求3所述的基于AI模型的路径规划方法，其特征在于，所述在仿真系统中按照所述初始路径进行模拟搬运，以获取搬运数据的步骤包括：
获取目标搬运系统参数；
根据所述目标搬运系统参数，在仿真系统中按照预设比例构建虚拟搬运系统，并在所述虚拟搬运系统中按照所述初始路径进行模拟搬运。
5.根据权利要求4所述的基于AI模型的路径规划方法，其特征在于，将所述搬运数据和所述运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之前，还包括：
建立AI模型；
获取多个样本，所述样本包括所述真实搬运系统中的历史搬送数据和所述虚拟搬运系统中的历史搬送数据；
利用所述多个样本训练所述AI模型，以得到训练好的AI模型。
6.根据权利要求1所述的基于AI模型的路径规划方法，其特征在于，将所述搬运数据和所述运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值的步骤之后，还包括：
利用各个预设种类的最新权重值替换对应的预设权重值。
7.一种基于AI模型的路径规划装置，其特征在于，包括：
搬运任务参数获取模块，用于获取搬运任务参数，所述搬运任务参数包括搬运始点和搬运终点；
初始路径得到模块，用于根据所述搬运始点和所述搬运终点，按照各个预设种类对应的预设权重值，利用预设路径规划算法进行路径规划，得到初始路径；
搬运数据获取模块，用于根据所述初始路径进行搬运，以获取搬运数据；
运输成本值得到模块，用于获取所述初始路径上的各个预设种类的所有数据，并根据各个预设类型的所有数据和该预设类型对应的预设权重值，得到运输成本值；
最新权重值得到模块，用于将所述搬运数据和所述运输成本值输入至训练好的AI模型中，得到各个预设类型对应的最新权重值；
最优路径得到模块，用于根据各个预设类型对应的最新权重值，利用预设路径规划算法进行路径规划，以得到最优路径；
运输成本值得到模块，包括数据获取单元，用于获取初始路径上的第一搬运车数量、第二搬运车数量以及站点总数量，运输成本值计算单元，用于利用公式Wij＝ω1NORij+ω2NJVij+ω3WOVij+ω4POTij计算运输成本值，其中i为搬运始点，j为搬运终点，Wij为运输成本值，NORij为从i到j的最短路径，ω1为NORij的权重值，NJVij为从i到j的路径上没有搬送任务的搬运车的数量，ω2为没有搬送任务的搬运车的权重值，WOVij为从i到j的路径上有搬送任务的搬运车的数量，ω3为有搬送任务的搬运车的权重值，POTij为从i到j的路径上站点总数量，ω4为POTij的权重值。
8.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
9.一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，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111546743.5A CN114111830B (zh) | 2021-12-16 | 2021-12-16 | 一种基于ai模型的路径规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111546743.5A CN114111830B (zh) | 2021-12-16 | 2021-12-16 | 一种基于ai模型的路径规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114111830A CN114111830A (zh) | 2022-03-01 |
| CN114111830B true CN114111830B (zh) | 2024-01-26 |
Family
ID=80365757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111546743.5A Active CN114111830B (zh) | 2021-12-16 | 2021-12-16 | 一种基于ai模型的路径规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114111830B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293676A (zh) * | 2022-07-12 | 2022-11-04 | 浙江衣拿智能科技股份有限公司 | 一种载具移动路径的优化方法、装置及电子设备 |
| CN115545586B (zh) * | 2022-11-21 | 2023-04-07 | 无锡芯运智能科技有限公司 | 一种oht小车调度方法、装置及终端 |
| CN116031189A (zh) * | 2023-03-27 | 2023-04-28 | 合肥新晶集成电路有限公司 | 传送路径规划方法、规划系统、天车传送方法及传送系统 |
| CN117035602B (zh) * | 2023-10-10 | 2023-12-15 | 成都思越智能装备股份有限公司 | 一种跨搬运系统的物料搬送路径寻优方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
| CN111413958A (zh) * | 2018-12-18 | 2020-07-14 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶路径的系统和方法 |
| CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
| CN112183828A (zh) * | 2020-09-15 | 2021-01-05 | 北京三快在线科技有限公司 | 路径生成方法、装置、存储介质及电子设备 |
| CN113313957A (zh) * | 2021-05-30 | 2021-08-27 | 南京林业大学 | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 |
| CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109541634B (zh) * | 2018-12-28 | 2023-01-17 | 歌尔股份有限公司 | 一种路径规划方法、装置和移动设备 |
-
2021
- 2021-12-16 CN CN202111546743.5A patent/CN114111830B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
| CN111413958A (zh) * | 2018-12-18 | 2020-07-14 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶路径的系统和方法 |
| CN112183828A (zh) * | 2020-09-15 | 2021-01-05 | 北京三快在线科技有限公司 | 路径生成方法、装置、存储介质及电子设备 |
| CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
| CN113313957A (zh) * | 2021-05-30 | 2021-08-27 | 南京林业大学 | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 |
| CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114111830A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114111830B (zh) | 一种基于ai模型的路径规划方法及装置 | |
| CN108492068B (zh) | 用于路径规划的方法和装置 | |
| CN111428991B (zh) | 用于确定配送车辆的方法和装置 | |
| CN110826819A (zh) | 一种自动化集装箱码头车辆的路径规划方法 | |
| CN113988720B (zh) | 分流路径生成方法、装置、电子设备和计算机可读介质 | |
| CN114493413A (zh) | 智能仓储分发方法、装置、电子设备及存储介质 | |
| WO2023116075A1 (zh) | 站点到货量预测方法、装置、电子设备和计算机可读介质 | |
| CN114926118A (zh) | 车货装载信息的处理方法、装置、设备及存储介质 | |
| CN113222205A (zh) | 一种路径规划的方法和装置 | |
| CN113128743A (zh) | 一种拣货路径规划方法和装置 | |
| US20150051944A1 (en) | Conveyance Planning Using Dartboard Network | |
| CN112365109B (zh) | 配送路径信息生成方法、装置、电子设备和可读介质 | |
| CN110781153A (zh) | 基于区块链的跨应用信息共享方法及系统 | |
| CN109827584A (zh) | 路径规划方法、装置、电子设备与存储介质 | |
| CN116523270B (zh) | 一种物流运输任务自动调度方法、设备、服务器及介质 | |
| CN107085754B (zh) | 信息输出方法和装置 | |
| CN108204820B (zh) | 一种快速导航路径推测方法 | |
| CN113065820A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
| CN112801757B (zh) | 待发货封装物品的信息处理方法、装置和电子设备 | |
| CN105448044B (zh) | 一种确定司机疲劳状态的方法与设备 | |
| CN111882121A (zh) | 一种物流路径优化方法、装置及计算机可读存储介质 | |
| CN113546849A (zh) | 订单信息处理方法、装置、电子设备和计算机可读介质 | |
| CN113435650A (zh) | 车辆行驶路径的规划方法、装置、设备及存储介质 | |
| CN113762876A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 |
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 |