CN116757585B - 一种基于移动边缘计算的无人机和无人车协同配送方法 - Google Patents
一种基于移动边缘计算的无人机和无人车协同配送方法 Download PDFInfo
- Publication number
- CN116757585B CN116757585B CN202311055812.1A CN202311055812A CN116757585B CN 116757585 B CN116757585 B CN 116757585B CN 202311055812 A CN202311055812 A CN 202311055812A CN 116757585 B CN116757585 B CN 116757585B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- unmanned
- vehicle
- delivery
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 132
- 238000005265 energy consumption Methods 0.000 claims abstract description 110
- 230000003068 static effect Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 71
- 238000011065 in-situ storage Methods 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 11
- 238000013439 planning Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 5
- 238000002679 ablation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009987 spinning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动边缘计算的无人机和无人车协同配送方法,首先根据订单业务请求整合站点资源,生成能耗优先的静态配送服务方案,无人机执行静态配送服务方案中的前半段飞行配送任务,将包裹运送到指定的无人车交接站点;当无人机到达指定的无人车交接站点时,进行服务冲突检测,当不存在服务冲突时,则将包裹交给指定无人车交接站点中合适的无人车;当存在服务冲突时,给出替代方案;最后无人车执行后半段车载配送任务,将包裹运行至目的地。本发明选择能耗优先的静态配送服务方案,采用无人机和无人车接驳进行包裹的连续配送,能够有效降低物流配送成本,提高物流配送效率,在智慧物流包裹配送场景中具有极高的应用价值。
Description
技术领域
本发明涉及智慧物流领域,具体是一种基于移动边缘计算的无人机和无人车协同配送方法。
背景技术
近年来,智慧物流作为一种现代服务系统,利用实时数据处理和物流信息的综合分析来改善运输、仓储、配送,并减少时间和成本,已经得到了工业界和学术界的广泛关注。然而,要使这些系统在处理不同的交付服务时具有适应性和自主性,仍然存在挑战。在众多使能技术中,物联网(Internet of Things)在连接物流系统的所有相关设备方面发挥了重要作用,并且正在从机器对机器(M2M)的连接迅速发展到无处不在的数据聚合。
最后一公里配送作为物流系统的核心部分,长期以来一直是行业的一个挑战。因为它严重依赖人力配送,效率低下,成本高。为了解决这个问题,使用无人机和无人小车已经成为最后一英里配送场景中一个有前途的解决方案。近年来,许多世界领先的物流公司,如亚马逊、DHL和JD都在研究和开发基于无人机和UGV的最后一英里配送系统方面投入了大量资金。许多商业化的服务,如亚马逊的Prime Air,Antwork的ADNET,还有开源的无人机送货系统框架,如EXPRESS,都已经被部署,展示了这项技术的潜力。
大多数智慧物流系统依靠无人机或无人车来实现最后一英里配送服务的自动化和智能化。由于交付环境的复杂性和动态性,这些服务需要高效和实时的处理能力。虽然集中式云数据中心拥有大量的计算资源,但它们往往远离终端物联网设备,导致数据传输延迟过高,影响了交付服务的实时响应。相比之下,移动边缘计算(MEC)通过将各种资源和服务下沉到更接近物联网设备的网络边缘,提供实时、分布式和高可靠性的服务。目前,MEC被广泛应用于智能物联网系统,包括最后一英里的交付系统。然而,由于其多样性、动态性和复杂性,在MEC环境中管理资源和服务与云计算相比是一个巨大的挑战。因此,在基于MEC的最后一英里交付系统中确保服务质量(QoS)要求是一个重大挑战。
传统的智能配送系统有三类:一类使用单个或多个无人机进行包裹配送并最终交付。而无人机往往会受到本身的续航能力和现实中某些区域的禁飞规定等因素的限制,不仅影响系统运行效率,还会产生一些安全隐患。一类是使用单个或多个无人车进行包裹配送并最终交付。这种包裹交付方式更加安全、可靠,但无人车配送路径和速度有限,无法满足时间约束较强的包裹配送任务。还有一类研究根据无人机和无人车各自的特点,采取二者协同的方式进行包裹配送。然而这些研究中无人机和无人车的协同方式不尽合理,不能发挥出无人机和无人车各自的优势。
发明内容
本发明要解决的技术问题是提供一种基于移动边缘计算的无人机和无人车协同配送方法,选择能耗优先的静态配送服务方案,采用无人机和无人车接驳进行包裹的连续配送,能够有效降低物流配送成本,提高物流配送效率,在智慧物流包裹配送场景中具有极高的应用价值。
本发明的技术方案为:
一种基于移动边缘计算的无人机和无人车协同配送方法,具体包括有以下步骤:
(1)、云服务器接收订单业务请求;
(2)、云服务器整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案,并发送给物流仓库边缘服务器;
(3)、包裹送至静态配送服务方案中指定的无人机站点,无人机执行静态配送服务方案中的前半段飞行配送任务,将包裹运送到静态配送服务方案中指定的无人车交接站点;
(4)、当无人机携带包裹到达无人车交接站点时,进行服务冲突检测后,将包裹交给指定的无人车交接站点中合适的无人车;
(5)、无人车执行静态配送服务方案中的后半段车载配送任务,将包裹运行至目的地;
(6)、目的地处的收件人完成身份认证后,即可将包裹取走。
所述的订单业务请求中包括有寄件人信息、收件人信息、出发站点、截止时间约束和包裹重量信息,用户或物流管理人员填写寄件人信息、收件人信息、送达时间、包裹种类信息和包裹重量信息并将上述信息提交到物流管理系统,物流管理系统生成订单业务请求发送给云服务器。
所述的整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案的具体步骤为:
S21、根据订单业务请求中的包裹重量信息,筛除载重不满足的无人机和无人车型号;
S22、根据当前无人车站点的服务状态,筛选出当前服务可用的无人车站点集合;
S23、遍历当前服务可用的无人车站点集合,使用Dijkstra算法根据订单的寄件人地址、收件人地址求出从出发站点经过无人车交接站点到达目的地的最短路径,形成与各无人车站点一一对应的最短路径集合;
S24、根据包裹重量、无人机和无人车的功率信息,求出最短路径集合中各最短路径对应站点处的无人机和无人车在当前包裹重量下的功率PR,具体见式(1):
;
式(1)中,表示包裹重量,/>表示无人机或无人车的最大载荷重,和/>分别表示无人机或无人车的最大功率和空载功率;
S25、根据无人机或无人车在当前包裹重量下的功率,求出无人机或无人车在配送阶段的总能耗,具体见式(2):
;
式(2)中,代表无人机在配送阶段的总能耗/>或无人车在配送阶段的总能耗/>,表示无人机或无人车配送的距离,/>表示无人机或无人车的速度;
S26、使用算法在时间约束下,遍历可用的无人机站点和无人车站点资源、以及最短路径集合,求出能耗最低的静态配送服务方案,并发送给对应站点的无人机和无人车去执行;其中,/>算法的适应度函数见式(3):
;
式(3)中,;
式(3)和(4)中,表示无人机在配送阶段的总能耗,/>表示无人车在配送阶段的总能耗,具体由公式(2)求出;/>表示配送阶段无人机和无人车的总能耗之和;/>表示静态配送服务方案的适应度值,/>表示配送阶段无人机和无人车的总配送时间,表示截止时间约束,/>表示恒定惩罚值。
所述的最短路径集合中的每条最短路径均包括有出发地无人机站点到无人车交接站点的最短路径和无人车交接站点到达目的地的最短路径;即每个无人车交接站点对应一条从出发地无人机站点到达目的地的最短路径,求出所有无人车交接站点对应的最短路径,从而得到最短路径集合。
所述的无人机携带包裹到达指定的无人车交接站点时,进行服务冲突检测的具体步骤为:
S41、当无人机携带包裹到达无人车交接站点时,检测当前无人车交接站点的无人车服务是否可用;
S42、当当前无人车交接站点的无人车服务不可用时,物流仓库边缘服务器检查服务恢复时间是否可接受;
S43、当等待服务恢复的时间不会导致订单超时时,物流仓库边缘服务器比较无人机原地盘旋等待和重新规划路径两种方案的能耗,选择能耗较低的方案;
S44、当等待服务恢复的时间会导致订单超时时,必须重新规划路径,选择距离目的地更近且服务可用的无人车站点作为新的无人车交接站点;
S45、当选择重新规划的路径进行包裹的继续配送时,无人机携带包裹飞往新的无人车交接站点,并将包裹投递到新的无人车交接站点,完成无人机的飞行配送任务。
所述的等待服务恢复的时间不会导致订单超时,物流仓库边缘服务器重新规划路径,寻找新的无人车交接站点,且新的无人车交接站点距离目的地更近,当无人机到达新的无人车交接站点所需的时间不大于无人机原地盘旋等待的时间,由于无人机原地盘旋等待产生的单位时间能耗与飞行产生的单位时间能耗相等,即无人机到达新的无人车交接站点所产生的能耗不大于无人机原地盘旋所产生的能耗,且由于新的无人车交接站点距离目的地更近,后半段无人车配送所产生的能耗也会减少,此时,选择重新规划路径这种方案;而当无人机到达新的无人车交接站点所需的时间大于无人机原地盘旋等待的时间,则计算无人机原地盘旋产生的能耗与原无人车交接站点处无人车配送包裹至目的地所产生的能耗之和、以及无人机从原无人车交接站点到达新的无人车交接站点所产生的能耗与新的无人车交接站点处无人车配送包裹至目的地所产生的能耗之和,然后比较两个能耗之和的大小,选择能耗较低的方案。
所述的无人机和无人车在配送的过程中,物流仓库边缘服务器始终监测无人机或无人车的电量信息、以及无人机或无人车所配送包裹的实时位置。
所述的无人机携带包裹到指定的无人车交接站点后,无人机上的摄像头扫描无人车交接站点降落台上的二维码,无人机在二维码的引导下精准降落到降落台的二维码标志处,完成无人机的飞行配送任务。
所述的目的地处的收件人扫描无人车车身上的二维码或者通过无人车自带的人脸识别装置,从而完成身份认证。
本发明的优点:
(1)、在智慧物流领域中,最后一公里的配送方式大多考虑单独无人机配送或者单独无人车配送。无人机存在续航有限、能耗较高且有很多禁飞限制等缺点,无人车配送速度慢且易受地面交通状况影响。本发明采用无人机和无人车接驳进行包裹的连续配送,前半段使用无人机配送,考虑无人机续航问题的同时,能够大幅度减少配送总时间;后半段使用无人车将包裹配送到收件人手上,由于无人车能耗低,能够有效降低配送总能耗,且安全性高,出入限制小,弥补无人机无法进入住宅区的缺陷。本发明有效结合了无人机和无人车各自的优点,且弥补了各自单独配送时的不足,提高了物流配送效率,降低了物流配送成本。
(2)、本发明云服务器整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案,将无人机和无人车协同配送的总能耗作为优化目标,计算适应度函数,选出最优的配送方案,计算时考虑影响配送服务质量的一系列综合因素,包括有配送路径、包裹重量、配送时间、配送距离、无人机和无人车的功率等信息。
(3)、本发明给出全局最优的载具(无人机和无人车)选择方案,能够保证包裹按时到达的同时,节省配送总能耗;本发明使用改进的PSO算法求出满足时间约束的能耗最低的静态配送服务方案,具体包括无人机和无人车的选择和无人车交接站点的选择,本发明首先将解空间预处理(求出最短路径集合),大大降低了算法的搜索空间,提高了算法的效率;当无人机按预定方案进行配送时,遇到原指定无人车交接站点被占用的情况下,无人机原地盘旋等待的方式不仅增加了额外能耗,而且有很高的超时风险,本发明针对以上问题给出了解决方案,预估原无人车交接站点的服务恢复时间,通过花费较少的额外能耗来重新规划路线,保证订单的按时到达。本发明能够给出全局最优的载具选择,能够降低配送总能耗;通过解空间的预处理,大大降低算法运行时间,提高系统吞吐量,给出时间约束下能耗最低的配送方案;进行服务冲突检测,并能够重新规划路径解决服务冲突的问题,大大提高了包裹配送的成功率。
(4)、本发明能够快速地针对不同用户的需求,生成最优的协同配送方案,能够在保证较高配送成功率的同时,大大节省物流配送的成本。
附图说明
图1是本发明无人机和无人车协同配送的场景图。
图2是本发明实施例中静态配送服务方案的模型图。
图3是本发明实施例中静态配送服务方案的可视化展示图。
图4是本发明实施例中服务冲突检测的模型图。
图5是本发明实施例实验中本发明与其他六种方法针对不同重量包裹的配送时间对比图。
图6是本发明实施例实验中本发明与其他六种方法针对不同重量包裹的配送能耗对比图。
图7是本发明实施例实验中本发明与其他六种方法针对多个订单的平均配送时间对比图。
图8是本发明实施例实验中本发明与其他六种方法针对多个订单的平均配送能耗对比图。
图9本发明实施例实验中本发明与其他四种方法在存在服务冲突时的平均配送时间对比图。
图10是本发明实施例实验中本发明与其他四种方法在存在服务冲突时的平均配送能耗对比图。
图11是本发明实施例实验中本发明与其他四种方法在包裹重量对平均配送能耗优化效果影响的实验对比图。
图12是本发明实施例实验中本发明与算法、/>算法、算法、/>算法、/>算法、/>算法、/>算法进行平均时间消融实验的结果对比图。
图13是本发明实施例实验中本发明与算法、/>算法、算法、/>算法、/>算法、/>算法、/>算法进行平均能耗消融实验的结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
见图1,一种基于移动边缘计算的无人机和无人车协同配送方法,表示无人机站点,/>表示无人车站点,无人机(/>、/>或/>)从物流仓库/>或/>出发,按照配送方案规定的航线到达无人车站点/>或/>,由指定的无人车(/>、/>或/>)配送到目的地;
无人机和无人车协同配送方法具体包括有以下步骤:
(1)、用户或物流管理人员填写寄件人信息、收件人信息、送达时间、包裹种类信息和包裹重量信息并将上述信息提交到物流管理系统,物流管理系统生成订单业务请求发送给云服务器,云服务器接收订单业务请求;其中,订单业务请求中包括有寄件人信息、收件人信息、出发站点、截止时间约束和包裹重量信息;
(2)、云服务器整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案,并发送给物流仓库边缘服务器;见图2,、/>和/>代表无人机站点,通过合理的配置无人机站点,使得两个无人机站点间的直线作为符合飞行区域规定的航线,从出发点/>到目的地/>有四条可选的配送路径,但是路径四(/> 4)由于无人车配送距离过长,会导致配送超时,路径三(/> 3)由于无人机配送距离长,而导致总能耗很高,相比之下,路径一(/> 1)或者路径二(/> 2)是更好的选择。所以当前阶段旨在找出合适的无人机和无人车协同配送的合理路径,最优路径是指在不超时的情况下,消耗的总能耗最少的路径;
其中,整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案的具体步骤为:
S21、根据订单业务请求中的包裹重量信息,筛除载重不满足的无人机和无人车型号;
S22、根据当前无人车站点的服务状态,筛选出当前服务可用的无人车站点集合;
S23、遍历当前服务可用的无人车站点集合,使用算法根据订单的寄件人地址、收件人地址求出从出发站点经过无人车交接站点到达目的地的最短路径,形成与各无人车站点一一对应的最短路径集合;最短路径集合中的每条最短路径均包括有出发地无人机站点到无人车交接站点的最短路径和无人车交接站点到达目的地的最短路径;即每个无人车交接站点对应一条从出发地无人机站点到达目的地的最短路径,求出所有无人车交接站点对应的最短路径,从而得到最短路径集合;
S24、根据包裹重量、无人机和无人车的功率信息,求出最短路径集合中各最短路径对应站点处的无人机和无人车在当前包裹重量下的功率PR,具体见式(1):
;
式(1)中,表示包裹重量,/>表示无人机或无人车的最大载荷重,和/>分别表示无人机或无人车的最大功率和空载功率;
S25、根据无人机或无人车在当前包裹重量下的功率PR,求出无人机或无人车在配送阶段的总能耗,具体见式(2):
;
式(2)中,代表无人机在配送阶段的总能耗/>或无人车在配送阶段的总能耗/>,表示无人机或无人车配送的距离,/>表示无人机或无人车的速度;
S26、使用算法在时间约束下,遍历可用的无人机站点和无人车站点资源、以及最短路径集合,求出能耗最低的静态配送服务方案(见图3,静态配送服务方案的可视化展示图),并发送给对应站点的无人机和无人车去执;其中,/>算法的适应度函数见式(3):
;
式(3)中,;
式(3)和(4)中,表示无人机在配送阶段的总能耗,/>表示无人车在配送阶段的总能耗,具体由公式(2)求出;/>表示配送阶段无人机和无人车的总能耗之和;/>表示静态配送服务方案的适应度值,/>表示配送阶段无人机和无人车的总配送时间,表示截止时间约束,/>表示恒定惩罚值;
(3)、包裹送至静态配送服务方案中指定的无人机站点,无人机执行静态配送服务方案中的前半段飞行配送任务,将包裹运送到静态配送服务方案中指定的无人车交接站点;无人机在配送的过程中,物流仓库边缘服务器始终监测无人机的电量信息、以及无人机所配送包裹的实时位置;
(4)、当无人机携带包裹到达无人车交接站点时,进行服务冲突检测后,将包裹交给指定的无人车交接站点中合适的无人车;当无人机携带包裹到指定的无人车交接站点后,无人机上的摄像头扫描无人车交接站点降落台上的二维码,无人机在二维码的引导下精准降落到降落台的二维码标志处,完成无人机的飞行配送任务;
其中,服务冲突检测的具体步骤为:
S41、当无人机携带包裹到达无人车交接站点时,检测当前无人车交接站点的无人车服务是否可用;
S42、当当前无人车交接站点的无人车服务不可用时,比如该无人车交接站点的无人车已被派出执行配送任务,则物流仓库边缘服务器检查服务恢复时间是否可接受;
S43、当等待服务恢复的时间不会导致订单超时时,物流仓库边缘服务器比较无人机原地盘旋等待和重新规划路径两种方案的能耗,选择能耗较低的方案;见图4所示,和/>代表无人机站点,/>和/>代表无人车站点,原定配送路径为,而当无人机到达/>无人车站点时,发现/>无人车站点没有可用的无人车,则无人机重新选择距离目的地更近的/>无人车站点,重新规划的路径即为/>;当无人机到达/>无人车站点所需的时间不大于无人机原地盘旋等待的时间(无人机原地盘旋等待产生的单位时间能耗与飞行产生的单位时间能耗相等),则无人机到达/>无人车站点消耗的能耗不大于无人机原地盘旋消耗的能耗,由于/>无人车站点距离目的地更近,后半段无人车配送所产生的能耗也会减少,此时,选择重新规划路径这种方案;而当无人机到达/>无人车站点所需的时间大于无人机原地盘旋等待的时间,则计算无人机原地盘旋产生的能耗与/>无人车站点处无人车配送至目的地所产生的能耗之和、以及无人机从/>无人车站点到达/>无人车站点所产生的能耗与/>无人车站点处无人车配送至目的地所产生的能耗之和,然后比较两个能耗之和的大小,选择能耗较低的方案;
S44、当等待服务恢复的时间会导致订单超时时,必须重新规划路径,选择距离目的地更近且服务可用的无人车站点作为新的无人车交接站点;
S45、当选择重新规划的路径进行包裹的继续配送时,无人机携带包裹飞往新的无人车交接站点,并将包裹投递到新的无人车交接站点,完成无人机的飞行配送任务;
(5)、无人车执行静态配送服务方案中的后半段车载配送任务,将包裹运行至目的地;无人车在配送的过程中,物流仓库边缘服务器始终监测无人车的电量信息、以及无人车所配送包裹的实时位置;
(6)、目的地处的收件人扫描无人车车身上的二维码或者通过无人车自带的人脸识别装置,从而完成身份认证后,即可将包裹取走;具体是无人车自带的人脸识别装置扫描收件人的面部信息,发送至云服务器,云服务器与事先存储的收件人人脸信息作对比得出认证结果,云服务器返回认证结果给无人车自带的人脸识别装置,完成收件人的身份认证。
为了验证本发明实施例公开方法的有效性,采用实验方法对我们提出的服务组合方法的性能进行了验证。
首先使用真实地图数据建立模型进行仿真实验,并且实验所用的无人机和无人车参数均参考真实商用无人机和无人车参数,从多个维度来评估本发明无人机和无人车的协同配送方法。
本次实验设置了40个节点,其中包括15个无人车站点、25个无人机站点,每个站点设置三个大中小型对应的载具。
将本发明的协同配送方法(算法)与其他六种对比算法在时间和能耗指标上做了详细的对比实验。六种对比算法分别为:/>,/>,,/>,/>,/>。
静态配送服务方案的实验:对于这个实验,需要评估时间和能源消耗指标。其中时间是约束条件,能耗是主要优化目标。通过单个订单(图5和图6)和多个订单(图7和图8)的实验结果证明本发明在满足时间约束的同时可以有较低的能耗。
在图5到图8中,总时间是指一个配送服务的预期总时间;总能量是指一个配送服务的预期总能耗;平均时间是指多个订单配送服务的平均总时间;平均能量是指多个订单配送服务的平均总能耗。
从图5中可知,在包裹重量随机的单一订单的情况下,算法总是满足时间约束(图5和图7中的虚线表示订单交付的最后期限,即截止时间约束/>)。由图6可知,与其他算法相比,在所有满足时间约束的计划中,/>算法产生的预估总能耗最低,节能幅度为总能耗的17%到29%。
从图7中可知,在具有随机包裹重量的多个订单的情况下,算法提供的静态配送服务方案总是满足时间约束。由图8可知,与其他算法相比,在所有满足时间约束的计划中,/>算法也取得了最低的能耗,节能幅度为总能耗的20%到64%。
根据图5至图8的实验结果可知,算法在优化时间和能耗方面比其他六种算法更有效。这主要是因为/>算法考虑到了时间限制、包裹重量和载具能量消耗,可以在所有配送方案中找到能耗最低的配送方案,同时满足交付订单的时间约束。
当无人机和无人车在交付过程中出现服务冲突时,需要立即处理服务冲突,以保证订单的按时交付。图9所示的结果表明,所提出的算法可以有效地处理交付过程中的服务冲突,确保所有订单按时到达。另一方面,其他四种算法都会出现不同程度的交付延迟,导致平均配送时间的大幅增加。由图9可知,与其他四种算法相比,/>算法产生的平均配送时间减少了80%到482%;此外,由图10可知,/>算法产生的平均配送能耗仅比最短能量算法(/>)高约7.3%。这种能量消耗的小幅增加是为解决服务冲突而重新安排订单配送路径所必需的。总的来说,本发明的/>算法可以有效地处理服务冲突,并最大限度地减少交付延迟,而不会产生显著的能量消耗增加。
关于包裹重量影响的实验:本发明算法的主要优化目标是包裹配送的总能量消耗。由图11可知,与其他四种算法相比,随着包裹重量的增加,/>算法的能耗增长率下降,同时所有包裹都能保证按时交付。这是因为/>算法优化了载具的选择,不是简单地基于包裹的重量,而是通过选择全局最优的载具类型,实现能耗增长率的下降。
消融研究:图12和图13显示了算法中包括的三个子算法(/>算法、改进的/>算法和/>算法)在优化配送能量消耗方面不可或缺的作用;/>算法即是根据订单业务请求中的包裹重量信息,筛除载重不满足的无人机和无人车型号,给出全局最优的载具;改进的/>算法即是在时间约束下,遍历可用的无人机站点和无人车站点资源、以及最短路径集合,求出能耗最低的静态配送服务方案;/>算法是在无人机携带包裹到达指定的无人车交接站点时,进行服务冲突检测;/>算法是仅采用改进的算法和/>算法进行配送方案的计算选择;/>算法是仅采用/>算法和算法进行配送方案的计算选择;/>算法是仅采用/>算法进行配送方案的计算选择;/>算法是仅采用/>算法和改进的/>算法进行配送方案的计算选择;算法是仅采用/>算法进行配送方案的计算选择;/>算法是仅采用/>算法进行配送方案的计算选择;/>是三个子算法均不采用。
由图12和图13可知,当没有算法的参与(比较/>算法和/>算法),包裹交付的平均时间将增加约4%,平均能耗将增加约16%。这是因为当包裹的重量接近载具的最大负荷时,根据能源消耗模型,其运行时的功率接近其最大功率。此时更换一个更大载重的载具可能是一个更好的选择,因为较大载重的载具不仅会变得更快,而且由于配送时间的减少,配送的总能耗也会减少。改进的/>算法被用来寻找在时间约束下使配送的总能耗最小的服务方案。当没有改进的/>算法的参与时,就不能保证所有的订单都能按时交付。/>算法基本上是通过牺牲一些能源消耗来处理订单交付过程中的服务冲突,以确保所有订单按时到达。如果没有/>算法的参与,将会有大量的订单由于积压而不能按时到达。综上所述,只有当三个子算法都在运行时,才能在保证包裹准时到达的同时,将包裹配送能耗降到最低。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:具体包括有以下步骤:
(1)、云服务器接收订单业务请求;
(2)、云服务器整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案,并发送给物流仓库边缘服务器;
所述的整合可用的无人机站点和无人车站点资源,生成能耗优先的静态配送服务方案的具体步骤为:
S21、根据订单业务请求中的包裹重量信息,筛除载重不满足的无人机和无人车型号;
S22、根据当前无人车站点的服务状态,筛选出当前服务可用的无人车站点集合;
S23、遍历当前服务可用的无人车站点集合,使用Dijkstra算法根据订单的寄件人地址、收件人地址求出从出发站点经过无人车交接站点到达目的地的最短路径,形成与各无人车站点一一对应的最短路径集合;
S24、根据包裹重量、无人机和无人车的功率信息,求出最短路径集合中各最短路径对应站点处的无人机和无人车在当前包裹重量下的功率,具体见式(1):
(1);
式(1)中,表示包裹重量,/>表示无人机或无人车的最大载荷重,/>和分别表示无人机或无人车的最大功率和空载功率;
S25、根据无人机或无人车在当前包裹重量下的功率,求出无人机或无人车在配送阶段的总能耗,具体见式(2):
(2);
式(2)中,代表无人机在配送阶段的总能耗/>或无人车在配送阶段的总能耗/>,/>表示无人机或无人车配送的距离,/>表示无人机或无人车的速度;
S26、使用PSO算法在时间约束下,遍历可用的无人机站点和无人车站点资源、以及最短路径集合,求出能耗最低的静态配送服务方案,并发送给对应站点的无人机和无人车去执行;其中,PSO算法的适应度函数见式(3):
(3);
式(3)中, (4);
式(3)和(4)中,表示无人机在配送阶段的总能耗,/>表示无人车在配送阶段的总能耗,具体由公式(2)求出;/>表示配送阶段无人机和无人车的总能耗之和;/>表示静态配送服务方案的适应度值,/>表示配送阶段无人机和无人车的总配送时间,表示截止时间约束,/>表示恒定惩罚值;
(3)、包裹送至静态配送服务方案中指定的无人机站点,无人机执行静态配送服务方案中的前半段飞行配送任务,将包裹运送到静态配送服务方案中指定的无人车交接站点;
(4)、当无人机携带包裹到达无人车交接站点时,进行服务冲突检测后,将包裹交给指定的无人车交接站点中合适的无人车;
(5)、无人车执行静态配送服务方案中的后半段车载配送任务,将包裹运行至目的地;
(6)、目的地处的收件人完成身份认证后,即可将包裹取走。
2.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的订单业务请求中包括有寄件人信息、收件人信息、出发站点、截止时间约束和包裹重量信息,用户或物流管理人员填写寄件人信息、收件人信息、送达时间、包裹种类信息和包裹重量信息并将上述信息提交到物流管理系统,物流管理系统生成订单业务请求发送给云服务器。
3.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的最短路径集合中的每条最短路径均包括有出发地无人机站点到无人车交接站点的最短路径和无人车交接站点到达目的地的最短路径;即每个无人车交接站点对应一条从出发地无人机站点到达目的地的最短路径,求出所有无人车交接站点对应的最短路径,从而得到最短路径集合。
4.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的无人机携带包裹到达指定的无人车交接站点时,进行服务冲突检测的具体步骤为:
S41、当无人机携带包裹到达无人车交接站点时,检测当前无人车交接站点的无人车服务是否可用;
S42、当当前无人车交接站点的无人车服务不可用时,物流仓库边缘服务器检查服务恢复时间是否可接受;
S43、当等待服务恢复的时间不会导致订单超时时,物流仓库边缘服务器比较无人机原地盘旋等待和重新规划路径两种方案的能耗,选择能耗较低的方案;
S44、当等待服务恢复的时间会导致订单超时时,必须重新规划路径,选择距离目的地更近且服务可用的无人车站点作为新的无人车交接站点;
S45、当选择重新规划的路径进行包裹的继续配送时,无人机携带包裹飞往新的无人车交接站点,并将包裹投递到新的无人车交接站点,完成无人机的飞行配送任务。
5.根据权利要求4所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的等待服务恢复的时间不会导致订单超时,物流仓库边缘服务器重新规划路径,寻找新的无人车交接站点,且新的无人车交接站点距离目的地更近,当无人机到达新的无人车交接站点所需的时间不大于无人机原地盘旋等待的时间,由于无人机原地盘旋等待产生的单位时间能耗与飞行产生的单位时间能耗相等,即无人机到达新的无人车交接站点所产生的能耗不大于无人机原地盘旋所产生的能耗,且由于新的无人车交接站点距离目的地更近,后半段无人车配送所产生的能耗也会减少,此时,选择重新规划路径这种方案;而当无人机到达新的无人车交接站点所需的时间大于无人机原地盘旋等待的时间,则计算无人机原地盘旋产生的能耗与原无人车交接站点处无人车配送包裹至目的地所产生的能耗之和、以及无人机从原无人车交接站点到达新的无人车交接站点所产生的能耗与新的无人车交接站点处无人车配送包裹至目的地所产生的能耗之和,然后比较两个能耗之和的大小,选择能耗较低的方案。
6.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的无人机和无人车在配送的过程中,物流仓库边缘服务器始终监测无人机或无人车的电量信息、以及无人机或无人车所配送包裹的实时位置。
7.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的无人机携带包裹到指定的无人车交接站点后,无人机上的摄像头扫描无人车交接站点降落台上的二维码,无人机在二维码的引导下精准降落到降落台的二维码标志处,完成无人机的飞行配送任务。
8.根据权利要求1所述的一种基于移动边缘计算的无人机和无人车协同配送方法,其特征在于:所述的目的地处的收件人扫描无人车车身上的二维码或者通过无人车自带的人脸识别装置,从而完成身份认证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055812.1A CN116757585B (zh) | 2023-08-22 | 2023-08-22 | 一种基于移动边缘计算的无人机和无人车协同配送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055812.1A CN116757585B (zh) | 2023-08-22 | 2023-08-22 | 一种基于移动边缘计算的无人机和无人车协同配送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757585A CN116757585A (zh) | 2023-09-15 |
CN116757585B true CN116757585B (zh) | 2023-10-31 |
Family
ID=87961343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055812.1A Active CN116757585B (zh) | 2023-08-22 | 2023-08-22 | 一种基于移动边缘计算的无人机和无人车协同配送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757585B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004059231A (ja) * | 2002-07-29 | 2004-02-26 | Mitsubishi Electric Corp | 配送計画システム及び配送計画方法 |
CN109598457A (zh) * | 2017-09-30 | 2019-04-09 | 北京京东尚科信息技术有限公司 | 物流方法和系统、无人机、无人车、调度平台和交接方法 |
CN110956317A (zh) * | 2019-11-22 | 2020-04-03 | 东南大学 | 一种针对无人车和燃油车混合配送模式的建模与求解方法 |
CN112488386A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 |
EP3886016A1 (en) * | 2020-03-27 | 2021-09-29 | Sony Group Corporation | Safeguarded delivery of goods by unmanned aerial vehicles |
CN114819785A (zh) * | 2022-01-25 | 2022-07-29 | 重庆邮电大学 | 一种基于强化学习的陆空联合轨迹优化与资源分配方法 |
KR20220112357A (ko) * | 2021-02-04 | 2022-08-11 | 강원대학교산학협력단 | 운송 수단과 드론을 사용한 병렬 배송의 배송 위치 클러스터링을 이용한 운송 수단 및 드론의 스케줄링 최적화 방법 및 시스템 |
CN115271175A (zh) * | 2022-06-28 | 2022-11-01 | 长安大学 | 一种无人机与卡车物流配送路径优化方法及系统 |
CN115271205A (zh) * | 2022-07-28 | 2022-11-01 | 南通大学 | 一种基于Dijkstra算法的最短物流路径规划方法 |
CN115577833A (zh) * | 2022-09-26 | 2023-01-06 | 苏州大学 | 应用于求解协同配送的路径规划的粒子群优化方法和系统 |
CN115577886A (zh) * | 2022-10-12 | 2023-01-06 | 安徽大学 | 一种多无人机站的组合配送方法及系统 |
CN116245435A (zh) * | 2022-12-05 | 2023-06-09 | 重庆邮电大学 | 一种基于无人机和车辆协同的物资配送服务调度管理系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282618A1 (en) * | 2006-05-31 | 2007-12-06 | International Business Machines Corporation | Method and system for scheduling delivery of at least one of goods and services |
US11030570B2 (en) * | 2017-05-24 | 2021-06-08 | Tata Colsultancy Services Limited | System and method for dynamic fleet management |
US20230230023A1 (en) * | 2021-10-01 | 2023-07-20 | Amirjavad KHALEGHI | Collaborative Logistics Platform and Methods Thereof |
-
2023
- 2023-08-22 CN CN202311055812.1A patent/CN116757585B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004059231A (ja) * | 2002-07-29 | 2004-02-26 | Mitsubishi Electric Corp | 配送計画システム及び配送計画方法 |
CN109598457A (zh) * | 2017-09-30 | 2019-04-09 | 北京京东尚科信息技术有限公司 | 物流方法和系统、无人机、无人车、调度平台和交接方法 |
CN110956317A (zh) * | 2019-11-22 | 2020-04-03 | 东南大学 | 一种针对无人车和燃油车混合配送模式的建模与求解方法 |
EP3886016A1 (en) * | 2020-03-27 | 2021-09-29 | Sony Group Corporation | Safeguarded delivery of goods by unmanned aerial vehicles |
CN112488386A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 |
KR20220112357A (ko) * | 2021-02-04 | 2022-08-11 | 강원대학교산학협력단 | 운송 수단과 드론을 사용한 병렬 배송의 배송 위치 클러스터링을 이용한 운송 수단 및 드론의 스케줄링 최적화 방법 및 시스템 |
CN114819785A (zh) * | 2022-01-25 | 2022-07-29 | 重庆邮电大学 | 一种基于强化学习的陆空联合轨迹优化与资源分配方法 |
CN115271175A (zh) * | 2022-06-28 | 2022-11-01 | 长安大学 | 一种无人机与卡车物流配送路径优化方法及系统 |
CN115271205A (zh) * | 2022-07-28 | 2022-11-01 | 南通大学 | 一种基于Dijkstra算法的最短物流路径规划方法 |
CN115577833A (zh) * | 2022-09-26 | 2023-01-06 | 苏州大学 | 应用于求解协同配送的路径规划的粒子群优化方法和系统 |
CN115577886A (zh) * | 2022-10-12 | 2023-01-06 | 安徽大学 | 一种多无人机站的组合配送方法及系统 |
CN116245435A (zh) * | 2022-12-05 | 2023-06-09 | 重庆邮电大学 | 一种基于无人机和车辆协同的物资配送服务调度管理系统 |
Non-Patent Citations (3)
Title |
---|
刘正元 ; 王清华.无人机和车辆协同配送映射模式综述与展望.《系统工程与电子技术》.2021,全文. * |
周博文,黄海军,徐怡等.无人机配送系统中端边协同的并行任务调度算法.《计算机集成制造系统》.2021,全文. * |
李学俊 ; 徐佳 ; 朱二周 ; 张以文.任务调度算法中新的自适应惯性权重计算方法.《计算机研究与发展》.2016,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116757585A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | CBDN: cloud-based drone navigation for efficient battery charging in drone networks | |
CN106600036B (zh) | 基于Android多点快递配送方法 | |
CN106042963B (zh) | 电气化交通网络和电力系统的协同优化方法与系统 | |
Liu et al. | Parking-area-assisted spider-web routing protocol for emergency data in urban VANET | |
Lowalekar et al. | Zac: A zone path construction approach for effective real-time ridesharing | |
CN108960976B (zh) | 一种处理预约单的方法、装置及存储介质 | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
US20190114595A1 (en) | Systems and Methods for Joint Control of Multi-Modal Transportation Networks | |
AU2017423439A1 (en) | Improved routing system | |
CN114548723A (zh) | 基于云边协同的实时车货匹配与路径推荐方法及其系统 | |
WO2021184265A1 (zh) | 基于多车协同的车辆调度系统、方法、电子设备及存储介质 | |
CN106203740A (zh) | 一种仓储物流车辆调度方法和系统 | |
CN114298419A (zh) | 一种多式联运运输规划方法和装置、电子设备、存储介质 | |
Shahzaad et al. | Robust composition of drone delivery services under uncertainty | |
Wallar et al. | Optimizing multi-class fleet compositions for shared mobility-as-a-service | |
Kim et al. | San: Self-adaptive navigation for drone battery charging in wireless drone networks | |
Cokyasar | Delivery drone route planning over a battery swapping network | |
CN116757585B (zh) | 一种基于移动边缘计算的无人机和无人车协同配送方法 | |
de Souza et al. | A bee colony-based algorithm for task offloading in vehicular edge computing | |
CN117151422B (zh) | 卡车-无人机多目标协同配送规划方法与系统 | |
Wang et al. | Resource scheduling in mobile edge computing using improved ant colony algorithm for space information network | |
TW202008244A (zh) | 動態物流管理系統與方法 | |
Chen | Integrated routing and charging scheduling for autonomous electric aerial vehicle system | |
CN112862414B (zh) | 基于集群旅行商问题的协同配送路径优化方法 | |
Puskás et al. | Concepting freight holding problems for platoons in physical internet systems |
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 |