CN115860431A - 基于异构感知的多机器人智能调度方法、系统、机器人及介质 - Google Patents
基于异构感知的多机器人智能调度方法、系统、机器人及介质 Download PDFInfo
- Publication number
- CN115860431A CN115860431A CN202310069748.6A CN202310069748A CN115860431A CN 115860431 A CN115860431 A CN 115860431A CN 202310069748 A CN202310069748 A CN 202310069748A CN 115860431 A CN115860431 A CN 115860431A
- Authority
- CN
- China
- Prior art keywords
- robot
- task
- scheduling
- module
- heterogeneous
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013439 planning Methods 0.000 claims abstract description 41
- 238000010845 search algorithm Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 35
- MKXZASYAUGDDCJ-NJAFHUGGSA-N dextromethorphan Chemical compound C([C@@H]12)CCC[C@]11CCN(C)[C@H]2CC2=CC=C(OC)C=C21 MKXZASYAUGDDCJ-NJAFHUGGSA-N 0.000 claims description 24
- 238000013523 data management Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于异构感知的多机器人智能调度方法、系统、机器人及介质,方法包括:获取服务对象发送的任务请求并采集机器人当前时间段的状态;获取任务信息,生成待执行的任务,提交至集群调度模块;对机器人进行实时定位,获取初始位置;对机器人的轨迹路径进行预测规划,计算机器人初始位置到任务执行位置所需的时间T1;预估机器人完成当前任务所需的时间T2;计算机器人总代价,将机器人标为可执行任务阵列;对标为可执行任务队列的机器人进行任务调度;将待执行的任务提交至任务执行器。本发明结合启发式搜索算法,在运动规划时对每一个搜索的位置进行评估,有效控制机器人以最优路径前往任务执行地点。
Description
技术领域
本发明属于机器人调度的技术领域,具体涉及一种基于异构感知的多机器人智能调度方法、系统、机器人及介质。
背景技术
近年来,随着物流仓储、医疗和服务等行业的发展,单个移动机器人往往难以高效的完成物流搬运、环境杀毒和餐饮配送等一系列系统复杂的任务,经常需要多机器人协同工作。因此通过改善机器人的智能调度方法成为一个热点话题。
已有的机器人调度方法是通过映射模块对机器人进行控制,局限于优化机器人对硬件资源的占用,对多机器人工作效率的提升不高。对于多机器人从当前位置到任务执行位置的过程缺少完整的调度方法、存在交通规划欠缺和达不到最优路径规划等问题,严重影响任务执行效率。另一方面,现有技术中,还存在任务执行机器人选择不合理或冗余的问题,导致资源浪费。因此,现有的技术对机器人的任务路径调度及分配问题上智能化低、效率低,不能满足多机器人智能调度的需求。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于异构感知的多机器人智能调度方法、系统、机器人及介质,基于启发式搜索算法的异构传感网络滚动在线搜索树方法对机器人的轨迹进行预测,可以有效控制机器人以最优路径前往任务执行地点。
为了达到上述目的,本发明采用以下技术方案:
本发明一方面提供了一种基于异构感知的多机器人智能调度系统,所述多机器人智能调度系统的服务对象为用户或机器人,包括网络数据管理层、信息感知层、调度层以及应用层;
所述网络数据管理层包括数据汇聚模块、数据清洗模块以及数据传输模块;
所述数据汇聚模块,用于采集任务以及机器人的状态数据;
所述数据清洗模块,用于对采集的任务以及所述机器人的状态数据进行可靠性检测、转换处理;
所述数据传输模块,用于将经过可靠性检测、数据转换处理的任务以及机器人的状态数据传输到后台数据管理平台;
所述信息感知层包括任务处理模块和状态数据采集模块;
所述任务处理模块,用于接受所述服务对象发送的任务,分析后写入所述网络数据管理层,将路径规划请求发送到路径调度模块;
所述状态数据采集模块,用于采集机器人的状态数据,并将状态数据写入所述网络数据管理层;
所述调度层包括任务调度模块、集群调度模块和路径调度模块;
所述任务调度模块,用于从所述网络数据管理层中获取到任务后,并将任务提交至所述集群调度模块或者所述路径调度模块;
所述集群调度模块,用于根据待执行的任务的参数以及状态数据,在多任务下使用改进的任务概率选择调度方法对标记为可执行任务队列的机器人进行任务调度分配,并将待执行的任务分解成子任务序列分配给机器人,并提交至任务执行器;
所述路径调度模块,用于从任务处理模块接收到路径规划请求后,确定机器人初始位置和任务执行位置,调用路径规划引擎,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述应用层包括任务执行器、路径规划引擎和定位模块;
所述任务执行器,用于对待执行的任务进行分析,并更新任务执行结果;
所述路径规划引擎,用于从路径调度模块接收到调用命令时,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述定位模块,用于在接收到定位请求时,对机器人进行定位。
作为优选的技术方案,所述定位模块还包括定位单元、记录单元和上传单元;
所述定位单元,用于对目标对象进行实时定位;
所述记录单元,用于根据目标对象的定位信息,记录目标对象的运行轨迹数据;
所述上传单元,用于将目标对象的运行轨迹数据写入网络数据管理层。
本发明又一方面提供了一种基于异构感知的多机器人智能调度系统的调度方法,包括下述步骤:
S1、信息感知层获取服务对象发送的任务请求并采集机器人当前时间段的状态;
S2、任务调度模块获取任务信息,生成待执行的任务,并提交至集群调度模块或路径调度模块;
S3、安装在机器人上的定位模块对机器人进行实时定位,获取初始位置;
S4、利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测规划,计算机器人初始位置到任务执行位置所需的时间T1;
S5、预估机器人完成当前任务所需的时间T2;
S6、根据时间评估函数和能量评估函数计算机器人总代价,将机器人标记为可执行任务阵列;
S7、根据改进的任务概率选择调度方法对所述标记为可执行任务队列的机器人进行任务调度;
S8、将待执行的任务提交至任务执行器。
作为优选的技术方案,所述步骤S4中对机器人的轨迹路径进行预测规划,具体步骤为:
S401、定位模块对机器人进行定位得到初始位置x start;
S402、构建异构无线传感网络随机树T;
所述构建异构无线传感网络随机树是在一个滚动窗口内,以机器人初始位置为起始点,构建无线传感网络范围内的随机树;
所述无线传感网络是基于检测区域内大量的传感器节点通过自组织形成一个无线传感网络,并将采集到的数据经过多跳的方式进行传输或处理,最后传递到汇聚地点;
S403、对异构无线传感网络随机树进行初始化,开始只包含初始位置;
S404、异构无线传感网络随机搜索附近的节点x stoc;
令road(x 1,x 2)代表随机树中两个位置节点间的距离,Dis(x 1,x 2)代表随机树中两个位置节点间的欧式距离,Route(x 1,x 2)代表随机树中两个位置节点间的估算路径,x 1表示其中一个节点位置,x 2表示另一个节点位置;
S405、利用启发式搜索算法对每一个随机搜索的节点位置进行评估;
为了使机器人能够准确且高效的向任务地点前进,在运动规划时引入启发信息,对每一个随机搜索的节点位置进行评估,减少随机性,提高搜索效率;所述引入启发信息是利用当前与问题有关的信息作为启发式信息;所述对每一个随机搜索的节点位置进行评估是定义一个估价函数F(x);
S406、计算随机搜索节点x stoc的路径代价,确定最近节点x near;
S407、输入状态n,使机器人向x near移动;
S408、获取机器人运动向量V;
V=φ(∆Y,∂),其中,φ为编码函数,∆Y为机器人前后相对位置变化,∂为权重;
S409、判断运动向量是否符合线性回归;
若不符合,则返回步骤S405;若符合,则进入步骤S410;
S410、将x near作为新节点参与下一轮搜索。
作为优选的技术方案,所述计算随机搜索节点x stoc的路径代价,确定最近节点x near,具体过程为:
定义一个估价函数F(x)=r(x)+D(x)+R(x),其中r(x)=road(x start,x stoc)是初始位置x start到随机搜索节点x stoc所需的距离;D(x)=Dis(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的欧式距离,R(x)=Route(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的估计距离;因此F(x)表示节点x从初始位置x start经随机搜索节点x stoc到目标节点x goal的路径代价估计值,最后取代价最小的节点为x near。
作为优选的技术方案,在步骤S140中,还包括下述步骤:
在异构感知无线传感网络随机树T,根据启发估价思想寻找子目标,确定子目标后,机器人前进到子目标点,然后进行下一轮路径规划;如此反复,直到到达目标位置;最后计算得到机器人从初始位置到任务执行位置所需时间T1。
作为优选的技术方案,所述步骤S6的具体过程为:
S601、获取任务信息;
S602、根据时间评估函数计算机器人时间代价;
所述时间评估函数为:
其中,H m 表示第m个机器人执行此任务的时间代价;T m1表示第m个机器人从初始位置到达任务执行位置预计所需的时间;T m2表示第m个机器人完成当前正在运行的任务预计所需的时间,若机器人当前未执行任务则为0;η为系统完成程度,设置η>1反映完成当前任务耗费的实际时间要多于预计的时间;
S603、将机器人标记为空闲阵列和非空闲阵列;
根据所述时间评估函数,将时间代价H≤1的机器人标记为空闲阵列,H>1的机器人标记为非空闲阵列;
S604、根据能量评估函数计算标记为空闲阵列的机器人的能量代价;
能量评估函数公式为:
其中,P m1表示第m个机器人完成当前任务预计所消耗的能量,若机器人当前未执行任务则为0;P m2表示第m个机器人到达任务地点预计所消耗的能量;t表示时间;
电机能耗模型为:
S605、总代价符合设定阈值的机器人标记为可执行任务阵列;
总代价函数为:
G m =H m +E m
其中,H m 表示第m个机器人执行此任务的时间代价,E m 表示第m个机器人执行此任务的能耗代价;总代价≤设定阈值的机器人标记为可执行任务阵列。
作为优选的技术方案,所述步骤S7的具体过程为:
S701:获取任务需求Q和可执行任务机器人数量M;
S702:判断M是否大于Q;
若M>Q,执行S703;若M≤Q,执行S704;
S703:根据改进的任务选择概率调度方法计算机器人任务选择概率;
为了提高任务执行效率,平衡任务需求和执行任务的机器人,通过改进的任务选择概率函数对机器人进行任务调度;
所述改进的任务选择概率函数为:
其中,代表估计的任务需求,i=1,…,N代表任务,/>为设定的响应阈值;变量n决定了任务选择概率的陡度;给定相同的任务需求/>和代价G m ,n的不同值产生不同的概率;n较大时具有陡峭的曲线,任务选择概率随着任务需求的增加而快速增长;较小的机器人倾向于对较小的任务需求值作出响应;当/>,参与任务执行的概率接近于0;当/>,参与任务执行的概率接近于1;权重越大的机器人,参加任务执行的概率越小;当不同机器人的/>相同时,代价G m 越小,任务选择概率越大;
S704:任务分配。
本发明又一方面提供了一种机器人,所述机器人包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的基于异构感知的多机器人智能调度系统的调度方法。
本发明再一方面提供了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现所述的基于异构感知的多机器人智能调度系统的调度方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明提出了基于启发式搜索算法的异构传感网络在线搜索树方法,在一个滚动窗口内,随机树以机器人当前位置为起始点,以任务执行位置为目标点,构建异构传感网络的随机树,检测区域内大量传感器节点通过自组织形成一个感知网络;为了使机器人能够准确且高效的向任务地点前进,结合启发式搜索算法,在运动规划时对每一个搜索的位置进行评估,减少随机性,提高路径规划的效率,可以有效控制机器人以最优路径前往任务执行地点。
2、本发明提出了一种总评估函数,对机器人完成任务的所需时间和能量消耗进行评估;根据时间评估函数计算机器人时间代价将机器人分为空闲阵列和非空闲阵列,标记为空闲阵列的机器人通过能量评估函数计算得到能耗代价,将符合要求的机器人标记为可执行任务阵列,实现多机器人之间的智能调度,提高任务完成效率。
3、本发明提出一种改进的任务概率选择调度方法,为系统引入一个任务选择概率函数,通过改变任务选择概率函数中给定的响应阈值,产生任务的变化趋势,再根据总评估函数计算所得机器人总代价,在所有可用任务中选择自己的任务,平衡任务需求和机器人数量之间的关系,实现机器人和任务的最优匹配,从而提高任务执行效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本发明实施例基于异构感知的多机器人智能调度系统的方框图;
图2为本发明实施例基于异构感知的多机器人智能调度系统的调度方法流程图;
图3为本发明实施例路径规划的流程图;
图4为本发明实施例标记可执行任务阵列的示意图;
图5为本发明实施例机器人进行任务调度的流程图;
图6为本发明实施例机器人的结构图。
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,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
请参阅图1,在本申请的一个实施例中提供了一种基于异构感知的多机器人智能调度系统,所述多机器人智能调度系统的服务对象为用户或机器人,包括网络数据管理层、信息感知层、调度层以及应用层;
所述网络数据管理层包括数据汇聚模块、数据清洗模块以及数据传输模块;
所述数据汇聚模块,用于采集任务以及机器人的状态数据;
所述数据清洗模块,用于对采集的任务以及所述机器人的状态数据进行可靠性检测、转换处理;
所述数据传输模块,用于将经过可靠性检测、数据转换处理的任务以及机器人的状态数据传输到后台数据管理平台;
所述信息感知层包括任务处理模块和状态数据采集模块;
所述任务处理模块,用于接受所述服务对象发送的任务,分析后写入所述网络数据管理层,将路径规划请求发送到路径调度模块;
所述状态数据采集模块,用于采集机器人的状态数据,并将状态数据写入所述网络数据管理层;
所述调度层包括任务调度模块、集群调度模块和路径调度模块;
所述任务调度模块,用于从所述网络数据管理层中获取到任务后,并将任务提交至所述集群调度模块或者所述路径调度模块;
所述集群调度模块,用于根据待执行的任务的参数以及状态数据,在多任务下使用改进的任务概率选择调度方法对标记为可执行任务队列的机器人进行任务调度分配,并将待执行的任务分解成子任务序列分配给机器人,并提交至任务执行器;
所述路径调度模块,用于从任务处理模块接收到路径规划请求后,确定机器人初始位置和任务执行位置,调用路径规划引擎,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述应用层包括任务执行器、路径规划引擎和定位模块;
所述任务执行器,用于对待执行的任务进行分析,并更新任务执行结果;
所述路径规划引擎,用于从路径调度模块接收到调用命令时,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述定位模块,用于在接收到定位请求时,对机器人进行定位。
进一步的,所述定位模块还包括定位单元、记录单元和上传单元;
所述定位单元,用于对目标对象进行实时定位;
所述记录单元,用于根据目标对象的定位信息,记录目标对象的运行轨迹数据;
所述上传单元,用于将目标对象的运行轨迹数据写入网络数据管理层。
请参阅图2,在本申请的另一个实施例中,本发明提供了一种基于异构感知的多机器人智能调度系统的调度方法,包括下述步骤:
S1、信息感知层获取服务对象发送的任务请求并采集机器人当前时间段的状态;
S2、任务调度模块获取任务信息,生成待执行的任务,并提交至集群调度模块或路径调度模块;
S3、安装在机器人上的定位模块对机器人进行实时定位,获取初始位置;
S4、利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测规划,计算机器人初始位置到任务执行位置所需的时间T1;
S5、预估机器人完成当前任务所需的时间T2;
S6、根据时间评估函数和能量评估函数计算机器人总代价,将机器人标记为可执行任务阵列;
S7、根据改进的任务概率选择调度方法对所述标记为可执行任务队列的机器人进行任务调度;
S8、将待执行的任务提交至任务执行器。
请参阅图3,路径规划的具体步骤为:
S401、定位模块对机器人进行定位得到初始位置x start;
S402、构建异构无线传感网络随机树T;
所述构建异构无线传感网络随机树是在一个滚动窗口内,以机器人初始位置为起始点,构建无线传感网络范围内的随机树;
所述无线传感网络是基于检测区域内大量的传感器节点通过自组织形成一个无线传感网络,并将采集到的数据经过多跳的方式进行传输或处理,最后传递到汇聚地点;
S403、对异构无线传感网络随机树进行初始化,开始只包含初始位置;
S404、异构无线传感网络中随机搜索附近的节点x stoc;
令road(x 1,x 2)代表随机树中两个位置节点间的距离,Dis(x 1,x 2)代表随机树中两个位置节点间的欧式距离,Route(x 1,x 2)代表随机树中两个位置节点间的估算路径,x 1表示其中一个节点位置,x 2表示另一个节点位置;
S405、利用启发式搜索算法对每一个随机搜索的节点位置进行评估;
为了使机器人能够准确且高效的向任务地点前进,在运动规划时引入启发信息,对每一个随机搜索的节点位置进行评估,减少随机性,提高搜索效率;所述引入启发信息是利用当前与问题有关的信息作为启发式信息;所述对每一个随机搜索的节点位置进行评估是定义一个估价函数F(x);
S406、计算随机搜索节点x stoc的路径代价,确定最近节点x near;具体为:
定义一个估价函数F(x)=r(x)+D(x)+R(x),其中r(x)=road(x start,x stoc)是初始位置x start到随机搜索节点x stoc所需的距离;D(x)=Dis(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的欧式距离,R(x)=Route(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的估计距离;因此F(x)表示节点x从初始位置x start经随机搜索节点x stoc到目标节点x goal的路径代价估计值,最后取代价最小的节点为x near;
S407、输入状态n,使机器人向x near移动;
S408、获取机器人运动向量V;
V=φ(∆Y,∂),其中,φ为编码函数,∆Y为机器人前后相对位置变化,∂为权重;
S409、判断运动向量是否符合线性回归;
若不符合,则返回步骤S405;若符合,则进入步骤S410;
S410、将x near作为新节点参与下一轮搜索;
进一步的,在异构感知无线传感网络随机树T,根据启发估价思想寻找子目标,确定子目标后,机器人前进到子目标点,然后进行下一轮路径规划;如此反复,直到到达目标位置。最后计算得到机器人从初始位置到任务执行位置所需时间T1。
S5、预估机器人完成当前任务所需的时间T2;
S6、根据时间评估函数和能量评估函数计算机器人总代价,将机器人标记为可执行任务阵列;
请参阅图4,步骤S6的具体过程为:
S601、获取任务信息;
S602、根据时间评估函数计算机器人时间代价;
所述时间评估函数为:
其中,H m 表示第m个机器人执行此任务的代价;T m1表示第m个机器人从初始位置到达任务执行位置预计所需的时间;T m2表示第m个机器人完成当前正在运行的任务预计所需的时间,若机器人当前未执行任务则为0;η为系统完成程度,设置η>1反映完成当前任务耗费的实际时间要多于预计的时间。
S603、将机器人标记为空闲阵列和非空闲阵列;
根据所述时间评估函数,将时间代价H≤1的机器人标记为空闲阵列,H>1的机器人标记为非空闲阵列;
S604、根据能量评估函数计算标记为空闲阵列的机器人的能量代价;
能量评估函数公式为:
其中,P m1表示第m个机器人完成当前任务预计所消耗的能量,若机器人当前未执行任务则为0;P m2表示第m个机器人到达任务地点预计所消耗的能量;t表示时间;
电机能耗模型为:
S605、总代价符合设定阈值的机器人标记为可执行任务阵列;
总代价函数为:
G m =H m +E m ,
其中,H m 表示第m个机器人执行此任务的时间代价,E m 表示第m个机器人执行此任务的能耗代价;总代价≤设定阈值的机器人标记为可执行任务阵列。
S7、根据改进的任务概率选择调度方法对所述标记为可执行任务队列的机器人进行任务调度;
请参阅图5,所述调度的具体过程为:
S701:获取任务需求Q和可执行任务机器人数量M;
S702:判断M是否大于Q;
若M>Q,执行S703;若M≤Q,执行S704;
S703:根据改进的任务选择概率调度方法计算机器人任务选择概率;
为了提高任务执行效率,平衡任务需求和执行任务的机器人,通过改进的任务选择概率函数对机器人进行任务调度;
所述改进的任务选择概率函数为:
其中,代表估计的任务需求,i=1,…,N代表任务,/>为设定的响应阈值;变量n(n>1)决定了任务选择概率的陡度;给定相同的任务需求/>和G m ,n的不同值产生不同的概率;n较大时具有陡峭的曲线,任务选择概率随着任务需求的增加而快速增长;较小的机器人倾向于对较小的任务需求值作出响应;当/>,参与任务执行的概率接近于0;当/>,参与任务执行的概率接近于1;权重越大的机器人,参加任务执行的概率越小;当不同机器人的/>相同时,代价G m 越小,任务选择概率越大;
S704:任务分配。
S8、将待执行的任务提交至任务执行器。
需要说明的是,对于前述的各方法实施例,为了简便描述,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,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
本发明的基于异构感知的多机器人智能调度系统与本发明的基于异构感知的多机器人智能调度系统的调度方法一一对应,在上述基于异构感知的多机器人智能调度系统的调度方法的实施例阐述的技术特征及其有益效果均适用于基于异构感知的多机器人智能调度系统的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的基于异构感知的多机器人智能调度系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述基于异构感知的多机器人智能调度系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
请参阅图6,在一个实施例中,提供了一种实现基于异构感知的多机器人智能调度系统的调度方法的机器人,所述机器人200可以包括第一处理器201、第一存储器202和总线,还可以包括存储在所述第一存储器202中并可在所述第一处理器201上运行的计算机程序,如异构感知的多机器人智能调度程序203。
其中,所述第一存储器202至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述第一存储器202在一些实施例中可以是机器人200的内部存储单元,例如该机器人200的移动硬盘。所述第一存储器202在另一些实施例中也可以是机器人200的外部存储设备,例如机器人200上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述第一存储器202还可以既包括机器人200的内部存储单元也包括外部存储设备。所述第一存储器202不仅可以用于存储安装于机器人200的应用软件及各类数据,例如异构感知的多机器人智能调度程序203的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述第一处理器201在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述第一处理器201是所述机器人的控制核心(ControlUnit),利用各种接口和线路连接整个机器人的各个部件,通过运行或执行存储在所述第一存储器202内的程序或者模块,以及调用存储在所述第一存储器202内的数据,以执行机器人200的各种功能和处理数据。
图6仅示出了具有部件的机器人,本领域技术人员可以理解的是,图6示出的结构并不构成对所述机器人200的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
所述机器人200中的所述第一存储器202存储的异构感知的多机器人智能调度程序203是多个指令的组合,在所述第一处理器201中运行时,可以实现:
S1、信息感知层获取服务对象发送的任务请求并采集机器人当前时间段的状态;
S2、任务调度模块获取任务信息,生成待执行的任务,并提交至集群调度模块或路径调度模块;
S3、安装在机器人上的定位模块对机器人进行实时定位,获取初始位置;
S4、利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测规划,计算机器人初始位置到任务执行位置所需的时间T1;
S5、预估机器人完成当前任务所需的时间T2;
S6、根据时间评估函数和能量评估函数计算机器人总代价,将机器人标记为可执行任务阵列;
S7、根据改进的任务概率选择调度方法对所述标记为可执行任务队列的机器人进行任务调度;
S8、将待执行的任务提交至任务执行器。
进一步地,所述机器人200集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM (DRAM)、同步DRAM (SDRAM)、双数据率SDRAM (DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于异构感知的多机器人智能调度系统,其特征在于,所述多机器人智能调度系统的服务对象为用户或机器人,包括网络数据管理层、信息感知层、调度层以及应用层;
所述网络数据管理层包括数据汇聚模块、数据清洗模块以及数据传输模块;
所述数据汇聚模块,用于采集任务以及机器人的状态数据;
所述数据清洗模块,用于对采集的任务以及所述机器人的状态数据进行可靠性检测、转换处理;
所述数据传输模块,用于将经过可靠性检测、数据转换处理的任务以及机器人的状态数据传输到后台数据管理平台;
所述信息感知层包括任务处理模块和状态数据采集模块;
所述任务处理模块,用于接受所述服务对象发送的任务,分析后写入所述网络数据管理层,将路径规划请求发送到路径调度模块;
所述状态数据采集模块,用于采集机器人的状态数据,并将状态数据写入所述网络数据管理层;
所述调度层包括任务调度模块、集群调度模块和路径调度模块;
所述任务调度模块,用于从所述网络数据管理层中获取到任务后,并将任务提交至所述集群调度模块或者所述路径调度模块;
所述集群调度模块,用于根据待执行的任务的参数以及状态数据,在多任务下使用改进的任务概率选择调度方法对标记为可执行任务队列的机器人进行任务调度分配,并将待执行的任务分解成子任务序列分配给机器人,并提交至任务执行器;
所述路径调度模块,用于从任务处理模块接收到路径规划请求后,确定机器人初始位置和任务执行位置,调用路径规划引擎,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述应用层包括任务执行器、路径规划引擎和定位模块;
所述任务执行器,用于对待执行的任务进行分析,并更新任务执行结果;
所述路径规划引擎,用于从路径调度模块接收到调用命令时,利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测,并将目标路线发送给生成所述路径规划请求的机器人;
所述定位模块,用于在接收到定位请求时,对机器人进行定位。
2.根据权利要求1所述基于异构感知的多机器人智能调度系统,其特征在于,所述定位模块还包括定位单元、记录单元和上传单元;
所述定位单元,用于对目标对象进行实时定位;
所述记录单元,用于根据目标对象的定位信息,记录目标对象的运行轨迹数据;
所述上传单元,用于将目标对象的运行轨迹数据写入网络数据管理层。
3.根据权利要求1-2中任一项所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,包括下述步骤:
S1、信息感知层获取服务对象发送的任务请求并采集机器人当前时间段的状态;
S2、任务调度模块获取任务信息,生成待执行的任务,并提交至集群调度模块或路径调度模块;
S3、安装在机器人上的定位模块对机器人进行实时定位,获取初始位置;
S4、利用基于启发式搜索算法的异构传感网络在线搜索树方法对机器人的轨迹路径进行预测规划,计算机器人初始位置到任务执行位置所需的时间T1;
S5、预估机器人完成当前任务所需的时间T2;
S6、根据时间评估函数和能量评估函数计算机器人总代价,将机器人标记为可执行任务阵列;
S7、根据改进的任务概率选择调度方法对所述标记为可执行任务队列的机器人进行任务调度;
S8、将待执行的任务提交至任务执行器。
4.根据权利要求3所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,所述步骤S4中对机器人的轨迹路径进行预测规划,具体步骤为:
S401、定位模块对机器人进行定位得到初始位置x start;
S402、构建异构无线传感网络随机树T;
所述构建异构无线传感网络随机树是在一个滚动窗口内,以机器人初始位置为起始点,构建无线传感网络范围内的随机树;
所述无线传感网络是基于检测区域内大量的传感器节点通过自组织形成一个无线传感网络,并将采集到的数据经过多跳的方式进行传输或处理,最后传递到汇聚地点;
S403、对异构无线传感网络随机树进行初始化,开始只包含初始位置;
S404、异构无线传感网络随机搜索附近的节点x stoc;
令road(x 1,x 2)代表随机树中两个位置节点间的距离,Dis(x 1,x 2)代表随机树中两个位置节点间的欧式距离,Route(x 1,x 2)代表随机树中两个位置节点间的估算路径,x 1表示其中一个节点位置,x 2表示另一个节点位置;
S405、利用启发式搜索算法对每一个随机搜索的节点位置进行评估;
为了使机器人能够准确且高效的向任务地点前进,在运动规划时引入启发信息,对每一个随机搜索的节点位置进行评估,减少随机性,提高搜索效率;所述引入启发信息是利用当前与问题有关的信息作为启发式信息;所述对每一个随机搜索的节点位置进行评估是定义一个估价函数F(x);
S406、计算随机搜索节点x stoc的路径代价,确定最近节点x near;
S407、输入状态n,使机器人向x near移动;
S408、获取机器人运动向量V;
V=φ(∆Y,∂),其中,φ为编码函数,∆Y为机器人前后相对位置变化,∂为权重;
S409、判断运动向量是否符合线性回归;
若不符合,则返回步骤S405;若符合,则进入步骤S410;
S410、将x near作为新节点参与下一轮搜索。
5.根据权利要求4所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,所述计算随机搜索节点x stoc的路径代价,确定最近节点x near,具体过程为:
定义一个估价函数F(x)=r(x)+D(x)+R(x),其中r(x)=road(x start,x stoc)是初始位置x start到随机搜索节点x stoc所需的距离;D(x)=Dis(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的欧式距离,R(x)=Route(x stoc,x goal)是随机搜索节点x stoc到目标节点x goal的估计距离;因此F(x)表示节点x从初始位置x start经随机搜索节点x stoc到目标节点x goal的路径代价估计值,最后取代价最小的节点为x near。
6.根据权利要求4所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,在步骤S140中,还包括下述步骤:
在异构感知无线传感网络随机树T,根据启发估价思想寻找子目标,确定子目标后,机器人前进到子目标点,然后进行下一轮路径规划;如此反复,直到到达目标位置;最后计算得到机器人从初始位置到任务执行位置所需时间T1。
7.根据权利要求3所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,所述步骤S6的具体过程为:
S601、获取任务信息;
S602、根据时间评估函数计算机器人时间代价;
所述时间评估函数为:
其中,H m 表示第m个机器人执行此任务的时间代价;T m1表示第m个机器人从初始位置到达任务执行位置预计所需的时间;T m2表示第m个机器人完成当前正在运行的任务预计所需的时间,若机器人当前未执行任务则为0;η为系统完成程度,设置η>1反映完成当前任务耗费的实际时间要多于预计的时间;
S603、将机器人标记为空闲阵列和非空闲阵列;
根据所述时间评估函数,将时间代价H≤1的机器人标记为空闲阵列,H>1的机器人标记为非空闲阵列;
S604、根据能量评估函数计算标记为空闲阵列的机器人的能量代价;
能量评估函数公式为:
其中,P m1表示第m个机器人完成当前任务预计所消耗的能量,若机器人当前未执行任务则为0;P m2表示第m个机器人到达任务地点预计所消耗的能量;t表示时间;
电机能耗模型为:
S605、总代价符合设定阈值的机器人标记为可执行任务阵列;
总代价函数为:
G m =H m +E m 其中,H m 表示第m个机器人执行此任务的时间代价,E m 表示第m个机器人执行此任务的能耗代价;总代价≤设定阈值的机器人标记为可执行任务阵列。
8.根据权利要求7所述基于异构感知的多机器人智能调度系统的调度方法,其特征在于,所述步骤S7的具体过程为:
S701:获取任务需求Q和可执行任务机器人数量M;
S702:判断M是否大于Q;
若M>Q,执行S703;若M≤Q,执行S704;
S703:根据改进的任务选择概率调度方法计算机器人任务选择概率;
为了提高任务执行效率,平衡任务需求和执行任务的机器人,通过改进的任务选择概率函数对机器人进行任务调度;
所述改进的任务选择概率函数为:
其中,代表估计的任务需求,i=1,…,N代表任务,/>为设定的响应阈值;变量n决定了任务选择概率的陡度;给定相同的任务需求/>和代价G m ,n的不同值产生不同的概率;n较大时具有陡峭的曲线,任务选择概率随着任务需求的增加而快速增长;/>较小的机器人倾向于对较小的任务需求值作出响应;当/>,参与任务执行的概率接近于0;当/>,参与任务执行的概率接近于1;权重越大的机器人,参加任务执行的概率越小;当不同机器人的/>相同时,代价G m 越小,任务选择概率越大;
S704:任务分配。
9.一种机器人,其特征在于,所述机器人包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求3-8中任意一项所述的基于异构感知的多机器人智能调度系统的调度方法。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求3-8任一项所述的基于异构感知的多机器人智能调度系统的调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069748.6A CN115860431B (zh) | 2023-02-07 | 2023-02-07 | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069748.6A CN115860431B (zh) | 2023-02-07 | 2023-02-07 | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860431A true CN115860431A (zh) | 2023-03-28 |
CN115860431B CN115860431B (zh) | 2023-05-26 |
Family
ID=85657692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310069748.6A Active CN115860431B (zh) | 2023-02-07 | 2023-02-07 | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862208A (zh) * | 2023-09-05 | 2023-10-10 | 中煤科工机器人科技有限公司 | 一种煤矿机器人集群管理系统 |
CN117160877A (zh) * | 2023-11-02 | 2023-12-05 | 启东亦大通自动化设备有限公司 | 用于物流机器人的物品分拣方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 分散型経路計画装置及び方法、分散型経路計画プログラム |
WO2010092981A1 (ja) * | 2009-02-12 | 2010-08-19 | 三菱電機株式会社 | 産業用ロボットシステム |
CN105045094A (zh) * | 2015-08-03 | 2015-11-11 | 南通大学 | 多机器人群体的任务搜索和任务执行方法 |
CN106452903A (zh) * | 2016-10-31 | 2017-02-22 | 华南理工大学 | 一种基于云辅助的智能仓管机器人系统与方法 |
CN109571466A (zh) * | 2018-11-22 | 2019-04-05 | 浙江大学 | 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法 |
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110264062A (zh) * | 2019-08-12 | 2019-09-20 | 南京邮电大学 | 分布式多agv动态任务分配及其路径规划方法与系统 |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
CN111880559A (zh) * | 2020-07-13 | 2020-11-03 | 南京航空航天大学 | 一种多无人机任务分配和路径规划联合问题的优化方法 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN113919543A (zh) * | 2021-08-27 | 2022-01-11 | 中船重工信息科技有限公司 | 一种基于5g物联网的agv调度路径优化方法 |
-
2023
- 2023-02-07 CN CN202310069748.6A patent/CN115860431B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 分散型経路計画装置及び方法、分散型経路計画プログラム |
WO2010092981A1 (ja) * | 2009-02-12 | 2010-08-19 | 三菱電機株式会社 | 産業用ロボットシステム |
CN105045094A (zh) * | 2015-08-03 | 2015-11-11 | 南通大学 | 多机器人群体的任务搜索和任务执行方法 |
CN106452903A (zh) * | 2016-10-31 | 2017-02-22 | 华南理工大学 | 一种基于云辅助的智能仓管机器人系统与方法 |
CN109571466A (zh) * | 2018-11-22 | 2019-04-05 | 浙江大学 | 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法 |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110264062A (zh) * | 2019-08-12 | 2019-09-20 | 南京邮电大学 | 分布式多agv动态任务分配及其路径规划方法与系统 |
CN111880559A (zh) * | 2020-07-13 | 2020-11-03 | 南京航空航天大学 | 一种多无人机任务分配和路径规划联合问题的优化方法 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN113919543A (zh) * | 2021-08-27 | 2022-01-11 | 中船重工信息科技有限公司 | 一种基于5g物联网的agv调度路径优化方法 |
Non-Patent Citations (3)
Title |
---|
康亮;赵春霞;郭剑辉;: "基于模糊滚动RRT算法的移动机器人路径规划" * |
康亮;赵春霞;郭剑辉;: "未知环境下改进的基于RRT算法的移动机器人路径规划" * |
陈彦杰;王耀南;谭建豪;毛建旭;: "局部环境增量采样的服务机器人路径规划" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862208A (zh) * | 2023-09-05 | 2023-10-10 | 中煤科工机器人科技有限公司 | 一种煤矿机器人集群管理系统 |
CN117160877A (zh) * | 2023-11-02 | 2023-12-05 | 启东亦大通自动化设备有限公司 | 用于物流机器人的物品分拣方法 |
CN117160877B (zh) * | 2023-11-02 | 2024-01-02 | 启东亦大通自动化设备有限公司 | 用于物流机器人的物品分拣方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115860431B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807236A (zh) | 一种基于多机器人的仓储物流仿真系统 | |
CN107831685B (zh) | 一种群体机器人的控制方法和系统 | |
CN105729491A (zh) | 机器人任务的执行方法、装置及系统 | |
CN109039428B (zh) | 基于冲突消解的中继卫星单址天线调度随机搜索方法 | |
CN115860431B (zh) | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 | |
CN108268039A (zh) | 移动机器人的路径规划方法及系统 | |
CN113064449B (zh) | 一种无人机调度方法及系统 | |
CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
US20210026695A1 (en) | Automatic memory management method, corresponding micro-controller unit and computer program product | |
CN111071259B (zh) | 车速预测方法、装置、车辆控制装置和存储介质 | |
Wei et al. | HSM-SMCS: Task assignment based on hybrid sensing modes in sparse mobile crowdsensing | |
CN116204315A (zh) | 一种车联网中基于轨迹的车辆资源池动态任务卸载方法 | |
Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
Xiao et al. | Scheduling multi–mode resource–constrained tasks of automated guided vehicles with an improved particle swarm optimization algorithm | |
CN1658560A (zh) | 一种基于预测的快速数据复制方法 | |
CN114916013B (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
Wang et al. | PPVF: A novel framework for supporting path planning over carpooling | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
CN115112137A (zh) | 路径规划方法、装置、电子设备及可读存储介质 | |
Pillai et al. | Digital twin for edge computing in smart vehicular systems | |
Zhang et al. | Online joint scheduling of delay-sensitive and computation-oriented tasks in edge computing | |
CN113313313B (zh) | 一种面向城市感知的移动节点任务规划方法 | |
Huang et al. | Multi-Agent Mix Hierarchical Deep Reinforcement Learning for Large-Scale Fleet Management | |
Shanthi et al. | GPS-based Arrival Time Prediction for Bus Schedules: Enhancing Commuter Experience |
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 |