CN114490120B - 用于物流机器人运营后台的远程交互方法和系统 - Google Patents
用于物流机器人运营后台的远程交互方法和系统 Download PDFInfo
- Publication number
- CN114490120B CN114490120B CN202111662404.3A CN202111662404A CN114490120B CN 114490120 B CN114490120 B CN 114490120B CN 202111662404 A CN202111662404 A CN 202111662404A CN 114490120 B CN114490120 B CN 114490120B
- Authority
- CN
- China
- Prior art keywords
- data
- logistics robot
- knowledge
- knowledge rule
- 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 103
- 230000003993 interaction Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 82
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/362—Software debugging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/544—Remote
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明涉及用于物流机器人运营后台的远程交互方法和系统,包括:步骤S1:定义知识规则,并将知识规则存储于运营后台;步骤S2:通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;步骤S3:将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;步骤S4:运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;步骤S5:根据解决方案,生成远程调试命令并对物流机器人进行远程调试。本申请将物流机器人的工作进程数据以及运行状态数据与知识规则进行符合度计算,能够确定能够解决物流机器人异常状态的最佳解决方案,并对物流机器人进行远程调试,提高了物流机器人的工作效率。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种物流机器人运营后台的远程交互方法和系统。
背景技术
随着信息化时代的发展以及智能机器人技术的进步,智能机器人已经被广泛应用于多个领域。在物流调度领域,物流机器人用于面向不便于外卖员、快递员进入的封闭管理写字楼、园区、社区,实现包裹、信件、餐饮等物品的物流配送。物流机器人不仅需要承担送件,即从园区、社区、写字楼的门口接收待配送的物品,然后按照规划的路径将物品输送至目的地,交付给用户;也应承担取件,即根据用户下达的取件订单,前往取件位置,从用户处取走物品,输送到门口。
由于物流机器人采用独立行进的工作方式,因此在工作过程中不管是出现自身状态异常还是工作进程失败,都将会对物流机器人的配送效率甚至是配送工作的完成度产生极大的影响。鉴于此,如何对物流机器人进行有效的远程交互以及远程控制从而维护物流机器人的正常状态和继续工作进程以及避免运营后台工作人员前往现场维护造成延迟和效率下降是目前需要解决的问题。
发明内容
本发明提供的一种用于物流机器人运营后台的远程交互方法和系统,能够解决上述校准过程中的技术问题。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供了用于物流机器人运营后台的远程交互方法,包括:
步骤S1:定义知识规则,并将知识规则存储于运营后台;
步骤S2:通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
步骤S3:将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
步骤S4:运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
步骤S5:根据解决方案,生成远程调试命令并对物流机器人进行远程调试。在一些实施例中,所述知识规则存储与运营后台中,且被定义为:
<x1 1,x2 1,...xi 1,...xP 1|y1>
<x1 2,x2 2,...xi 2,...xP 2|y2>
……
<x1 l,x2 l,...xi l,...xP l|yl>
……
<x1 L,x2 L,...xi L,...xP L|yL>
其中:l为知识规则序号,l取值范围为1≤l≤L;知识规则的前置项<x1 l,x2 l,...xi l,...xP l>为知识规则包含的关于机器人运行状态或工作进程的描述符,xi l为其中第i项运行状态或工作进程的描述符,yl为满足第l条知识规则的前置项的情况下该知识规则定义的解决方案。
在一些实施例中,所述步骤S4中的“匹配知识规则,获得并确定解决方案”,包括以下步骤:
步骤S41:计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
步骤S42:根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
步骤S43:根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案。
在一些实施例中,所述步骤S4,包括:
所述步骤S41,包括:
步骤S411:利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
步骤S412:确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,...xi *,...xP *>;
其中:为根据物流机器人的工作进程数据和运行状态数据对第i项描述符对应的匹配值,M表示第i项描述符对应于M个数据类型,Sk表示其中第k个数据类型对应的数据值分布区间,Fk表示物流机器人上传的工作进程数据和运行状态数据中第k个数据类型的数据落入数据值分布区间的次数,θ为常数系数。
在一些实施例中,所述步骤S42,包括:
步骤S421:将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,...xi *,...xP *>和所有知识规则的前置项联立形成推理矩阵
步骤S422:对推理矩阵进行归一化,得到
步骤S423:计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
其中,表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最小取值,/>则表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最大取值;0≤ρ≤1,l取值范围为1-L,i取值范围1-P;表示在1≤l≤L,1≤i≤P这一取值范围内/>的最小值,表示在1≤l≤L,1≤i≤P这一取值范围内/>的最大值,ρ是调整系数。
在一些实施例中,所述步骤S43,包括:
步骤S431:根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2...∈i…∈P];
步骤S432:根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
步骤S433:确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
第二方面,本发明提供了一种用于物流机器人运营后台的远程交互系统,包括:
知识规则模块,用于定义知识规则,并将知识规则存储于运营后台;
感测记录模块,用于通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
联网通信模块,将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
数据分析处理模块,用于将运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
远程调试模块,根据解决方案,生成远程调试命令并对物流机器人进行远程调试。
在一些实施例中,所述数据分析处理模块,包括:
匹配值计算子模块,用于计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;并确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,...xi *,...xP *>;
符合度计算子模块,用于根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
解决方案确定子模块,根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案。
在一些实施例中,所述符合度计算子模块,还包括:
匹配值联立子模块,用于将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,...xi *,...xP *>和所有知识规则的前置项联立形成推理矩阵
归一化子模块,用于对推理矩阵进行归一化,得到
符合度系数计算子模块,用于计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
在一些实施例中,所述解决方案确定子模块,还包括:
符合度权重确定子模块,用于根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2…∈i…∈P];
加权符合度计算子模块,用于根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
加权符合度比较子模块,用于确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
本申请的有益效果是:
1.本发明能够对物流机器人的工作进程以及运行状态进行实时监控,并分析出异常工作进程或运行状态,从而根据该异常数据与知识规则之间的对应关系,获取解决该异常的最佳解决方案,并根据解决方案对物流机器人进行远程调试,进而能够维护物流机器人的正常状态和继续工作进程以及避免了运营后台工作人员前往现场维护造成延迟和效率下降。
2.在分析异常工作进程或运行状态时,对数据进行了归一化处理并计算加权值,使得物流机器人异常工作进程或运行状态与知识规则中解决方案的对应更加准确,从而使解决方案的选择更加的准确。
附图说明
图1为本发明实施例提供的用于物流机器人运营后台的远程交互方法图一;
图2为本发明实施例提供的用于物流机器人运营后台的远程交互方法图二;
图3为本发明实施例提供的用于物流机器人运营后台的远程交互方法图三;
图4为本发明实施例提供的用于物流机器人运营后台的远程交互方法图四;
图5为本发明实施例提供的用于物流机器人运营后台的远程交互方法图五;
图6为本发明实施例提供的用于物流机器人运营后台的远程交互系统示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本申请的限定。基于所描述的本申请的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
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。
图1为本发明第一方面实施例提供的用于物流机器人运营后台的远程交互方法图一。
用于物流机器人运营后台的远程交互方法,结合图1,包括S1至S5五个步骤:
步骤S1:定义知识规则,并将知识规则存储于运营后台;
具体的,本申请中,是通过对比物流机器人的异常运行状态或工作进程以及知识规则之间的关系,来获取物流机器人的解决方案,因此知识规则是推理物流机器人解决方案的基础,需要预先定义,并存储在运营后台等待调用。
步骤S2:通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
具体的,物流机器人可以自主激光导航、行进避障等,具有独立的行进能力。物流机器人可以在执行物流配送任务的过程中,形成并记录工作进程数据。工作进程数据包括物流机器人的行进方向和速度数据、周边环境数据、动作执行数据。同时,物流机器人还集成了多种类型的传感器以及智能控制器,能够将机器人的底盘、电池、上装等部件的运行状态数据进行感测以及记录。
步骤S3:将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
具体的,物流机器人具备联网通信能力,可与云端的运营后台保持实时通信。物流机器人运行全过程中,所述工作进程数据和运行状态数据保持实时上传,从而能够让运营后台实时分析物流机器人的工作进程数据和运行状态数据。
步骤S4:运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
步骤S5:根据解决方案,生成远程调试命令并对物流机器人进行远程调试。
具体的,当物流机器人出现自身状态异常或者工作进程失败的情况下,运营后台对物流机器人上传的工作进程数据和运行状态数据执行分析,匹配知识规则,获得物流机器人的解决方案;运营后台的工作人员可以依据解决方案对物流机器人进行远程调试,从而解决问题,维护物流机器人的正常状态和继续工作进程,同时也避免了运营后台工作人员前往现场维护造成的延迟和效率下降。
在一些实施例中,所述知识规则存储与运营后台中,且被定义为:
<x1 1,x2 1,...xi 1,...xP 1|y1>
<x1 2,x2 2,...xi 2,...xP 2|y2>
……
<x1 l,x2 l,...xi l,...xP l|yl>
……
<x1 L,x2 L,...xi L,...xP L|yL>
其中:l为知识规则序号,l取值范围为1≤l≤L;知识规则的前置项<x1 l,x2 l,...xi l,...xP l>为知识规则包含的关于机器人运行状态或工作进程的描述符,xi l为其中第i项运行状态或工作进程的描述符,yl为满足第l条知识规则的前置项的情况下该知识规则定义的解决方案。
具体的,本申请中,知识规则是预先被定义的,包含了表示物流机器人各种异常运行状态或工作进程的描述符,以及与这些异常运行状态或工作进程相对应的解决方案,例如,第一条知识规则中,前置项为<x1 1,x2 1|y1>,其中的x1 1、x2 1分别表示物流机器人通讯异常以及异常停车,y1则可表示重启物流机器人。
图2为本发明实施例提供的用于物流机器人运营后台的远程交互方法图二,在一些实施例中,结合图2,所述步骤S4中的“匹配知识规则,获得并确定解决方案”,包括以下步骤:
步骤S41:计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
具体的,根据知识规则,想获取物流机器人的解决方案,必须先将物流机器人的异常运行状态或工作进程与知识规则中前置项的描述符相匹配,计算出匹配值。
步骤S42:根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
具体的,计算出匹配值后,就能够根据该匹配值,推理出物流机器人异常运行状态或工作进程与知识规则中前置项的符合度系数。
步骤S43:根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案;
具体的,当获得了物流机器人异常运行状态或工作进程与知识规则中前置项的符合度系数,可以根据该符合度系数,确定最为符合物流机器人当前异常运行状态或工作进程的解决方案。
图3为本发明实施例提供的用于物流机器人运营后台的远程交互方法图三,在一些实施例中,结合图3,所述步骤S41,包括以下步骤:
步骤S411:利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
步骤S412:确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,...xi *,...xP *>;
其中:为根据物流机器人的工作进程数据和运行状态数据对第i项描述符对应的匹配值,M表示第i项描述符对应于M个数据类型,Sk表示其中第k个数据类型对应的数据值分布区间,Fk表示物流机器人上传的工作进程数据和运行状态数据中第k个数据类型的数据落入数据值分布区间的次数,θ为常数系数。
具体的,运营后台调用知识规则,并且根据各条知识规则的前置项中第i项运行状态或工作进程的描述符,按照物流机器人上传的工作进程数据和运行状态数据,确定每个描述符对应的工作进程数据和运行状态数据的数据类型,每个数据类型的数据值分布区间,以及每个数据类型的数据值落入该数据值分布区间次数;进而,计算该物流机器人与知识规则的前置项中第i项描述符对应的匹配值。
图4为本发明实施例提供的用于物流机器人运营后台的远程交互方法图四,结合图5,在一些实施例中,所述步骤S42,包括:
步骤S421:将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,...xi *,...xP *>和所有知识规则的前置项联立形成推理矩阵
步骤S422:对推理矩阵进行归一化,得到
步骤S423:计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
其中,表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最小取值,/>则表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最大取值;0≤ρ≤1,l取值范围为1-L,i取值范围1-P;表示在1≤l≤L,1≤i≤P这一取值范围内/>的最小值,表示在1≤l≤L,1≤i≤P这一取值范围内/>的最大值,ρ是调整系数。
具体的,在对计算物流机器人与知识规则之间的符合度系数时,对匹配值以及知识规则前置项构成的推理矩阵进行了归一化处理,使得物流机器人异常工作进程或运行状态与知识规则的对应更加准确,进而能够获取更加准确的符合度系数。
图5为本发明实施例提供的用于物流机器人运营后台的远程交互方法图五,在一些实施例中,结合图5,所述步骤S43,包括:
步骤S431:根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2…∈i…∈P];
步骤S432:根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
步骤S433:确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
具体的,根据计算得到的物流机器人的匹配项相对于与第个知识规则的前置项的符合度综合加权从而,可以根据机器人的匹配项相对于第1-L个知识规则各自的符合度综合加权,取符合度综合加权最大的知识规则,将该条知识规则对应的解决方案作为解决当前物流机器人的状态异常或者工作进程失败问题的解决方案。
图6为本发明第二方面实施例提供的用于物流机器人运营后台的远程交互系统示意图,结合图6,用于物流机器人运营后台的远程交互系统,包括:
知识规则模块61,用于定义知识规则,并将知识规则存储于运营后台;
具体的,本申请中,是通过对比物流机器人的异常运行状态或工作进程以及知识规则之间的关系,来获取物流机器人的解决方案,因此知识规则是推理物流机器人解决方案的基础,需要通过知识规则模块61预先定义,并存储在运营后台等待调用。
感测记录模块62,用于通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
具体的,物流机器人可以自主激光导航、行进避障等,具有独立的行进能力。物流机器人可以在执行物流配送任务的过程中,形成并记录工作进程数据。工作进程数据包括物流机器人的行进方向和速度数据、周边环境数据、动作执行数据。同时,物流机器人还集成了多种类型的传感器以及智能控制器,能够通过感测记录模块62将机器人的底盘、电池、上装等部件的运行状态数据进行感测以及记录。
联网通信模块63,将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
具体的,物流机器人具备联网通信能力,可通过联网通信模块63与云端的运营后台保持实时通信。物流机器人运行全过程中,所述工作进程数据和运行状态数据保持实时上传,从而能够让运营后台实时分析物流机器人的工作进程数据和运行状态数据。
数据分析处理模块64,用于将运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
远程调试模块65,根据解决方案,生成远程调试命令并对物流机器人进行远程调试。
具体的,当物流机器人出现自身状态异常或者工作进程失败的情况下,运营后台通过数据分析处理模块64对物流机器人上传的工作进程数据和运行状态数据执行分析,匹配知识规则,获得物流机器人的解决方案;运营后台的工作人员可以依据解决方案通过远程调试模块65对物流机器人进行远程调试,从而解决问题,维护物流机器人的正常状态和继续工作进程,同时也避免了运营后台工作人员前往现场维护造成的延迟和效率下降。
在一些实施例中,所述数据分析处理模块64,包括:
匹配值计算子模块641,用于计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;并确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,…xi *,…xP *>;
具体的,运营后台调用知识规则,并且根据各条知识规则的前置项中第i项运行状态或工作进程的描述符,按照物流机器人上传的工作进程数据和运行状态数据,确定每个描述符对应的工作进程数据和运行状态数据的数据类型,每个数据类型的数据值分布区间,以及每个数据类型的数据值落入该数据值分布区间次数;进而,通过匹配值计算子模块641计算该物流机器人与知识规则的前置项中第i项描述符对应的匹配值。
符合度计算子模块642,用于根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
具体的,计算出匹配值后,就能够根据该匹配值,通过符合度计算子模块642推理出物流机器人异常运行状态或工作进程与知识规则中前置项的符合度系数。
解决方案确定子模块643,根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案;
具体的,当获得了物流机器人异常运行状态或工作进程与知识规则中前置项的符合度系数,可以根据该符合度系数,并通过解决方案确定子模块643确定最为符合物流机器人当前异常运行状态或工作进程的解决方案。
在一些实施例中,所述符合度计算子模块642,还包括:
匹配值联立子模块6421,用于将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,…xi *,…xP *>和所有知识规则的前置项联立形成推理矩阵
归一化子模块6422,用于对推理矩阵进行归一化,得到
符合度系数计算子模块6423,用于计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
其中,表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最小取值,/>则表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最大取值;0≤ρ≤1,l取值范围为1-L,i取值范围1-P;表示在1≤l≤L,1≤i≤P这一取值范围内/>的最小值,表示在1≤l≤L,1≤i≤P这一取值范围内/>的最大值,ρ是调整系数。
具体的,具体的,在对计算物流机器人与知识规则之间的符合度系数时,使用匹配值联立子模块6421对匹配值以及知识规则前置项联立形成推理矩阵,并利用归一化子模块6422进行了归一化处理,最后利用符合度系数计算子模块6423计算出物流机器人与知识规则之间的符合度系数,使得物流机器人异常工作进程或运行状态与知识规则的对应更加准确,进而能够获取更加准确的符合度系数。
在一些实施例中,所述解决方案确定子模块643,还包括:
符合度权重确定子模块6431,用于根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2…∈i…∈P];
加权符合度计算子模块6432,用于根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
加权符合度比较子模块6433,用于确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
具体的,根据计算得到的物流机器人的匹配项相对于与第个知识规则的前置项的符合度综合加权从而,可以根据机器人的匹配项相对于第1-L个知识规则各自的符合度综合加权,取符合度综合加权最大的知识规则,将该条知识规则对应的解决方案作为解决当前物流机器人的状态异常或者工作进程失败问题的解决方案。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,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。
虽然结合附图描述了本申请的实施方式,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (3)
1.用于物流机器人运营后台的远程交互方法,其特征在于,包括:
步骤S1:定义知识规则,并将知识规则存储于运营后台;
步骤S2:通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
步骤S3:将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
步骤S4:运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
步骤S5:根据解决方案,生成远程调试命令并对物流机器人进行远程调试;
所述步骤S4中的“匹配知识规则,获得并确定解决方案”,包括以下步骤:
步骤S41:计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
步骤S42:根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
步骤S43:根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案;
其中,所述步骤S41,包括:
步骤S411:利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;
步骤S412:确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,…xi *,…xP *>;
其中:为根据物流机器人的工作进程数据和运行状态数据对第i项描述符对应的匹配值,M表示第i项描述符对应于M个数据类型,Sk表示其中第k个数据类型对应的数据值分布区间,Fk表示物流机器人上传的工作进程数据和运行状态数据中第k个数据类型的数据落入数据值分布区间的次数,θ为常数系数;
所述步骤S42,包括:
步骤S421:将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,…xi *,…xP *>和所有知识规则的前置项联立形成推理矩阵
步骤S422:对推理矩阵进行归一化,得到
步骤S423:计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
其中, 表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最小取值,/>则表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最大取值;0≤ρ≤1,l取值范围为1-L,i取值范围1-P;表示在1≤l≤L,1≤i≤P这一取值范围内/>的最小值,表示在1≤l≤L,1≤i≤P这一取值范围内/>的最大值,ρ是调整系数;
所述步骤S43,包括:
步骤S431:根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2…∈i…∈P];
步骤S432:根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
步骤S433:确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
2.根据权利要求1所述的用于物流机器人运营后台的远程交互方法,其特征在于,所述知识规则存储于运营后台中,且被定义为:
<x1 1,x2 1,…xi 1,…xP 1|t1>
<x1 2,x2 2,…xi 2,…xP 2|t2>
……
<x1 l,x2 l,…xi l,…xP l|yl>
……
<x1 L,x2 L,…xi L,…xP L|yL>
其中:l为知识规则序号,l取值范围为1≤l≤L;知识规则的前置项<x1 l,x2 l,…xi l,…xP l>为知识规则包含的关于机器人运行状态或工作进程的描述符,xi l为其中第i项运行状态或工作进程的描述符,yl为满足第l条知识规则的前置项的情况下该知识规则定义的解决方案。
3.用于物流机器人运营后台的远程交互系统,其特征在于,包括:
知识规则模块,用于定义知识规则,并将知识规则存储于运营后台;
感测记录模块,用于通过多类型传感器对物流机器人的工作进程数据以及运行状态数据进行感测并记录;
联网通信模块,将感测记录到的工作进程数据以及运行状态数据实时上传至运营后台;
数据分析处理模块,用于将运营后台对工作进程数据以及运行状态数据进行分析,并匹配知识规则,获得并确定解决方案;
远程调试模块,根据解决方案,生成远程调试命令并对物流机器人进行远程调试;
其中,所述数据分析处理模块,包括:
匹配值计算子模块,用于计算物流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值,包括:利用公式计算流机器人与知识规则中工作进程或运行状态的描述符对应的匹配值;并确定物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项为<x1 *,x2 *,…xi *,…xP *>;其中:/>为根据物流机器人的工作进程数据和运行状态数据对第i项描述符对应的匹配值,M表示第i项描述符对应于M个数据类型,Sk表示其中第k个数据类型对应的数据值分布区间,Fk表示物流机器人上传的工作进程数据和运行状态数据中第k个数据类型的数据落入数据值分布区间的次数,θ为常数系数;
符合度计算子模块,用于根据匹配值,推理物流机器人相对于任一条知识规则的符合度系数;
解决方案确定子模块,根据物流机器人相对于任一条知识规则的符合度系数,获得并确定解决方案;
其中,所述符合度计算子模块,还包括:
匹配值联立子模块,用于将物流机器人相对于任一条知识规则的前置项的匹配值构成的匹配项<x1 *,x2 *,…xi *,…xP *>和所有知识规则的前置项联立形成推理矩阵
归一化子模块,用于对推理矩阵进行归一化,得到
符合度系数计算子模块,用于计算匹配值与任一条知识规则中相对应前置项描述符之间的符合度系数
其中, 表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最小取值,/>则表示/>以及第1~L条知识规则的前置项中第i项描述符xi 1~xi L当中的最大取值;0≤ρ≤1,l取值范围为1-L,i取值范围1-P;表示在1≤l≤L,1≤i≤P这一取值范围内/>的最小值,表示在1≤l≤L,1≤i≤P这一取值范围内/>的最大值,ρ是调整系数;
所述解决方案确定子模块,还包括:
符合度权重确定子模块,用于根据符合度系数,得到符合度系数矩阵
并根据符合度系数矩阵,确定符合度权重分布∈=[∈1,∈2…∈i…∈P];
加权符合度计算子模块,用于根据符合度权重分布,计算物流机器人的匹配项相对于任一条知识规则的加权符合度
加权符合度比较子模块,用于确定加权符合度取值最大的知识规则,并将该条知识规则所对应的解决方案作为物流机器人的解决方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662404.3A CN114490120B (zh) | 2021-12-30 | 2021-12-30 | 用于物流机器人运营后台的远程交互方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662404.3A CN114490120B (zh) | 2021-12-30 | 2021-12-30 | 用于物流机器人运营后台的远程交互方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114490120A CN114490120A (zh) | 2022-05-13 |
CN114490120B true CN114490120B (zh) | 2024-04-09 |
Family
ID=81497122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111662404.3A Active CN114490120B (zh) | 2021-12-30 | 2021-12-30 | 用于物流机器人运营后台的远程交互方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114490120B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770219A (zh) * | 2010-01-29 | 2010-07-07 | 北京信息科技大学 | 一种车铣复合机床故障诊断知识库的知识获取方法 |
CN111098301A (zh) * | 2019-12-20 | 2020-05-05 | 西南交通大学 | 一种基于场景知识图谱任务型机器人的控制方法 |
CN111185937A (zh) * | 2020-01-02 | 2020-05-22 | 武汉瑞莱保能源技术有限公司 | 一种核电厂配电调试机器人系统及作业方法 |
CN111421535A (zh) * | 2020-03-11 | 2020-07-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于智能识别机器人的社区儿童服务系统 |
CN111738445A (zh) * | 2020-05-26 | 2020-10-02 | 山东大学 | 一种支持产品快速创新的设计知识融合推理方法 |
CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
CN113850570A (zh) * | 2021-09-30 | 2021-12-28 | 中国建筑第七工程局有限公司 | 基于ai的专业方案辅助决策专家系统构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG148891A1 (en) * | 2007-06-21 | 2009-01-29 | Novartis Ag | Engineering expert system |
-
2021
- 2021-12-30 CN CN202111662404.3A patent/CN114490120B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770219A (zh) * | 2010-01-29 | 2010-07-07 | 北京信息科技大学 | 一种车铣复合机床故障诊断知识库的知识获取方法 |
CN111098301A (zh) * | 2019-12-20 | 2020-05-05 | 西南交通大学 | 一种基于场景知识图谱任务型机器人的控制方法 |
CN111185937A (zh) * | 2020-01-02 | 2020-05-22 | 武汉瑞莱保能源技术有限公司 | 一种核电厂配电调试机器人系统及作业方法 |
CN111421535A (zh) * | 2020-03-11 | 2020-07-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于智能识别机器人的社区儿童服务系统 |
CN111738445A (zh) * | 2020-05-26 | 2020-10-02 | 山东大学 | 一种支持产品快速创新的设计知识融合推理方法 |
CN111783931A (zh) * | 2020-06-04 | 2020-10-16 | 深圳市酷开网络科技有限公司 | 一种基于混合推理的物联网专家系统实现方法及系统 |
CN113850570A (zh) * | 2021-09-30 | 2021-12-28 | 中国建筑第七工程局有限公司 | 基于ai的专业方案辅助决策专家系统构建方法 |
Non-Patent Citations (3)
Title |
---|
Principles and risk assessment of managing distributed ontologies hosted by embedded devices for controlling industrial systems;Borja Ramis Ferrer等;《IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society》;20171218;3498-3505 * |
基于神经网络的变压器故障诊断系统的设计与实现;赵青;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150215;C042-313 * |
面向地图多要素协同综合的多Agent交互机制;李国辉等;《南京师范大学学报(工程技术版)》;20140620;61-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN114490120A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jang et al. | End-to-end learning of semantic grasping | |
Qiang et al. | Reinforcement learning model, algorithms and its application | |
Malaisé et al. | Activity recognition with multiple wearable sensors for industrial applications | |
Billing et al. | A formalism for learning from demonstration | |
Rahman | Cognitive cyber-physical system (C-CPS) for human-robot collaborative manufacturing | |
CN113657573A (zh) | 一种情景记忆引导下基于元学习的机器人技能获取方法 | |
CN114490120B (zh) | 用于物流机器人运营后台的远程交互方法和系统 | |
Guo et al. | Geometric task networks: Learning efficient and explainable skill coordination for object manipulation | |
Wu et al. | A framework of robot skill learning from complex and long-horizon tasks | |
Zushida et al. | Estimation of Lawn Grass Lengths based on Random Forest Algorithm for Robotic Lawn Mower | |
CN114851248A (zh) | 一种夹取机器人的异常识别及应对处理系统及方法 | |
CN114529010A (zh) | 一种机器人自主学习方法、装置、设备及存储介质 | |
CN114493235A (zh) | 一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法 | |
Schmidt-Rohr et al. | Programming by demonstration of probabilistic decision making on a multi-modal service robot | |
Oliveira et al. | A multi-agent environment in robotics | |
Irumva et al. | Agricultural Machinery Operator Monitoring System (Ag-OMS): A Machine Learning Approach for Real-Time Operator Safety Assessment | |
De Coninck et al. | Learning to Grasp Arbitrary Household Objects from a Single Demonstration | |
CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
Zhao et al. | Stackelberg game-theoretic trajectory guidance for multi-robot systems with koopman operator | |
Celiberto et al. | Transfer learning heuristically accelerated algorithm: a case study with real robots | |
CN112068422B (zh) | 一种基于小样本的智能机器人的抓取学习方法及装置 | |
US20220019188A1 (en) | Method and system for preemptive planning | |
Lou et al. | Personalized Disassembly Sequence Planning for a Human–Robot Hybrid Disassembly Cell | |
Hung | From visuomotor control to latent space planning for robot manipulation | |
Lambert et al. | Layered Integration of Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning |
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 |