CN116812427B - 一种无人库房自动取档与归档控制系统及方法 - Google Patents
一种无人库房自动取档与归档控制系统及方法 Download PDFInfo
- Publication number
- CN116812427B CN116812427B CN202311082703.9A CN202311082703A CN116812427B CN 116812427 B CN116812427 B CN 116812427B CN 202311082703 A CN202311082703 A CN 202311082703A CN 116812427 B CN116812427 B CN 116812427B
- Authority
- CN
- China
- Prior art keywords
- module
- speed
- warehouse
- state
- conflict
- 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 34
- 230000009471 action Effects 0.000 claims description 25
- 238000011217 control strategy Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003334 potential effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Warehouses Or Storage Devices (AREA)
Abstract
本发明涉及仓库控制领域,尤其涉及一种无人库房自动取档与归档控制系统及方法,包括扫描识别模块、机械臂获取模块、定位模块、引导模块、速度控制模块、安全保护模块、动态配置模块、冲突识别模块和库房数据库;扫描识别模块对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配;引导模块与定位模块连接,提供准确的导航路径;速度控制模块与引导模块和机械臂获取模块连接,调整速度;冲突识别模块,用于识别潜在的冲突关系。解决了现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性的问题。
Description
技术领域
本发明涉及仓库控制领域,尤其涉及一种无人库房自动取档与归档控制系统及方法。
背景技术
传统的仓储管理依赖人工执行,包括货物的接收、存储、拣选、包装和运输等。这一方法劳动密集、效率低下,并且容易出错。随着电子商务和全球供应链的快速增长,对快速、准确、灵活的仓储解决方案的需求也在不断增加。自动化仓储系统能够实现这些需求,提供24/7的运营,减少人工干预,降低错误率。
自动取档与归档控制是无人库房中的一项关键功能,它涉及从存储区域自动获取所需物品,并在使用后将其归还到正确的存储位置。这需要精确的坐标控制、物品识别、路径规划和决策支持系统。自动取档与归档控制技术广泛应用于零售、制造、医药、食品和饮料等行业,为各种大小和类型的企业提供了灵活、可扩展的仓储解决方案。
我国专利申请号:CN202111498449.1,公开日:2022.03.01,公开了无人档案库房的自动控制装置和方法,该装置包括:无人档案库房智能管理平台、电动密集架控制模块、定位桁架控制模块、抓取装置控制模块、档案识别模块以及用户身份识别模块;其中,无人档案库房智能管理平台用于实现对电动密集架控制模块、定位桁架控制模块、抓取装置控制模块、档案识别模块以及用户身份识别模块的协同控制,以实现档案的自动存取和盘点。由此,能够实现基于用户需求的全自动化的档案存取和盘点,其中减少了人为参与,降低了人工成本,实现了全自动化管理,提高了管理效率和准确性。
上述技术至少存在如下技术问题:现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性。
发明内容
本申请实施例通过提供一种无人库房自动取档与归档控制系统及方法,解决了现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性的问题,实现了无人库房自动取档与归档控制系统的连贯和高效运作。
本申请提供了一种无人库房自动取档与归档控制系统及方法具体包括以下技术方案:
一种无人库房自动取档与归档控制系统,包括以下部分:
扫描识别模块、机械臂获取模块、定位模块、引导模块、速度控制模块、安全保护模块、动态配置模块、冲突识别模块和库房数据库;
所述扫描识别模块,用于对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配,扫描识别模块通过数据传输的方式与机械臂获取模块和库房数据库相连;
所述速度控制模块,用于初步预测取档与归档速度;预测速度调整值,将初步速度预测值和预测速度调整值结合,得到最终的速度设置,速度控制模块通过数据传输的方式与引导模块、机械臂获取模块、安全保护模块相连;
所述冲突识别模块,用于识别潜在的冲突关系;对识别的潜在冲突进行分类;识别和解决冲突,通过数据传输的方式与安全保护模块、动态配置模块相连。
一种无人库房自动取档与归档控制方法,应用于一种无人库房自动取档与归档控制系统,包括以下步骤:
S100:扫描识别模块对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配,实现文件的快速查找;
S200:机械臂获取模块接收目标位置并执行抓取操作;
S300:定位模块与库房的每个文件位置传感器连接,接收实时位置数据;
S400:引导模块与定位模块连接,提供准确的导航路径;
S500:速度控制模块与引导模块和机械臂获取模块连接,调整速度;
S600:安全保护模块,确保操作过程的安全;
S700:动态配置模块与所有模块的控制单元连接,实现动态组合;
S800:冲突识别模块与所有模块的传感器和分析组件连接,检测冲突。
优选的,所述S100,具体包括:
通过高精度扫描仪对无人库房的文件进行扫描,对扫描到的图像进行缩放、裁剪和归一化处理;从预处理后的图像中提取并理解文本信息,采用深度学习图像识别算法与文本分析算法相融合的形式,提取图像特征并转换为文本;将图像特征转换为序列数据,进行序列到序列的学习,识别文本信息。
优选的,所述S100,还包括:
将识别出的文本信息与库房数据库进行匹配,使用B树或哈希表索引结构进行高效搜索,若精确匹配失败,则进行模糊匹配,通过模糊匹配和语义分析找到对应的物品位置和详细信息。
优选的,所述S500,具体包括:
用弱学习器拟合当前目标速度与初始速度之间的差异,将速度差异作为目标,训练一个弱学习器,计算弱学习器的系数;将速度差异与前一次的速度预测相结合,以更新速度预测,得到机械臂移动的初步速度预测值。
优选的,所述S500,还包括:
将初步速度预测值集成到协同过滤推荐中,计算不同速度控制策略的相似度,利用与当前任务最相似的K个历史任务的加权速度来预测速度调整值:将初步速度预测值和预测速度调整值结合,得到最终的速度设置。
优选的,所述S800,具体包括:
对识别的潜在冲突进行分类;随机初始化隶属度矩阵,计算聚类中心,更新隶属度。
优选的,所述S800,还包括:
由库房的当前状态和识别的冲突类别构成状态空间,每个状态可以描述库房中的当前配置,定义动作空间,动作空间表示在特定状态下可采取的所有潜在行动;计算在状态采取动作/>后进入新状态/>的概率。
优选的,所述S800,还包括:
计算策略的值函数,基于当前的值函数更新策略,使其在每个状态下选择最佳动作;找到使预期回报最大化的动作,并更新策略,以便在每个状态下选择最佳动作;重复策略评估和策略改进,直到策略收敛。
有益效果:
本申请实施例中提供的多个技术方案,至少具有如下技术效果或优点:
1、本申请通过深度学习图像识别与文本分析的协同工作,可以精确地识别库房中的文件标识,在数据库中执行更灵活的搜索,增强搜索效率;算法的融合减少了不必要的中间步骤,使得扫描识别过程更为迅速,从而提高了整体的响应时间,减少资源浪费,更容易调整和定制,以适应不同类型和规模的库房环境,增强了系统的鲁棒性;
2、能够根据系统的实时状态和反馈信息不断学习和优化控制策略,降低了学习曲线的陡度,并可以加速控制策略的收敛;通过协同过滤,所学习的控制策略可以推广到其他相似的系统或情景,增加了速度控制模块的可扩展性和通用性;避免不必要的能耗和浪费,提高了系统的整体能效;
3、能够从庞大的操作数据中揭示潜在的冲突关系,使管理人员和系统能够深入了解底层的冲突模式和原因,灵活地对各种冲突进行分类,辅助人员理解和组织冲突类型,进一步有针对性地解决冲突;自动化地识别和解决冲突,提高无人库房自动取档与归档的控制效率。
4、本申请的技术方案能够有效解决现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性的问题,能够实现无人库房自动取档与归档控制系统的连贯和高效运作。
附图说明
图1为本申请所述的一种无人库房自动取档与归档控制系统结构图;
图2为本申请所述的一种无人库房自动取档与归档控制方法流程图;
具体实施方式
本申请实施例通过提供一种无人库房自动取档与归档控制系统及方法,解决了现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性的问题。
本申请实施例中的技术方案为解决上述问题,总体思路如下:
本申请通过深度学习图像识别与文本分析的协同工作,可以精确地识别库房中的文件标识,在数据库中执行更灵活的搜索,增强搜索效率;算法的融合减少了不必要的中间步骤,使得扫描识别过程更为迅速,从而提高了整体的响应时间,减少资源浪费,更容易调整和定制,以适应不同类型和规模的库房环境,增强了系统的鲁棒性;能够根据系统的实时状态和反馈信息不断学习和优化控制策略,降低了学习曲线的陡度,并可以加速控制策略的收敛;通过协同过滤,所学习的控制策略可以推广到其他相似的系统或情景,增加了速度控制模块的可扩展性和通用性;避免不必要的能耗和浪费,提高了系统的整体能效;能够从庞大的操作数据中揭示潜在的冲突关系,使管理人员和系统能够深入了解底层的冲突模式和原因,灵活地对各种冲突进行分类,辅助人员理解和组织冲突类型,进一步有针对性地解决冲突;自动化地识别和解决冲突,提高无人库房自动取档与归档的控制效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本申请所述的一种无人库房自动取档与归档控制系统包括以下部分:
扫描识别模块10、机械臂获取模块20、定位模块30、引导模块40、速度控制模块50、安全保护模块60、动态配置模块70、冲突识别模块80和库房数据库90;
所述扫描识别模块10,用于对无人库房的文件进行识别,将识别出的文本信息与库房数据库90进行匹配,扫描识别模块10通过数据传输的方式与机械臂获取模块20和库房数据库90相连;
所述机械臂获取模块20,用于结合机器视觉和智能机械臂,实现对特定文件的精确抓取,机械臂获取模块20通过数据传输的方式与定位模块30相连;
所述定位模块30,用于接收实时位置数据,定位模块30通过数据传输的方式与引导模块40相连;
所述引导模块40,用于提供准确的导航路径,引导模块40通过数据传输的方式与定位模块30、速度控制模块50相连;
所述速度控制模块50,用于初步预测取档与归档速度;预测速度调整值,将初步速度预测值和预测速度调整值结合,得到最终的速度设置,速度控制模块50通过数据传输的方式与引导模块40、机械臂获取模块20、安全保护模块60相连;
所述安全保护模块60,用于确保操作过程的安全,安全保护模块60通过数据传输的方式与机械臂获取模块20相连;
所述动态配置模块70,用于实现动态组合,动态配置模块70通过数据传输的方式与扫描识别模块10、机械臂获取模块20、定位模块30、引导模块40相连;
所述冲突识别模块80,用于识别潜在的冲突关系;对识别的可能冲突进行分类;识别和解决冲突,通过数据传输的方式与安全保护模块60、动态配置模块70相连;
所述库房数据库90,用于存储库房数据。
参照附图2,本申请所述的一种无人库房自动取档与归档控制方法包括以下步骤:
S100:扫描识别模块对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配,实现文件的快速查找;
S110:通过高精度扫描仪对无人库房的文件进行扫描,提取图像特征并转换为文本,对扫描图像中的文本进行识别;
具体地,扫描识别模块10使用高分辨率扫描设备扫描库房中文件的条形码、二维码或标签,对扫描到的图像进行缩放、裁剪和归一化处理。从预处理后的图像中提取并理解文本信息,采用深度学习图像识别算法与文本分析算法相融合的形式,提取图像特征并转换为文本。具体过程如下:
将扫描到的图像用表示,用/>表示图像中第i行和第j列的像素点,通过卷积操作提取图像/>的图像特征,具体公式为:
,
其中,表示第i行和第j列的卷积操作输出,/>表示卷积核中第m行和第n列的权重,/>表示第i行和第j列的像素点/>与卷积核进行卷积操作,/>表示偏置项,用于控制神经元的激活。应用激活函数进行非线性变换:
,
其中,表示经过激活函数处理后的第i行和第j列的输出值。然后通过池化层降低特征的维度,通过全连接层得到图像特征,所述池化层和全连接层采用传统的卷积神经网络计算即可。
将图像特征转换为序列数据,进行序列到序列的学习,识别文本信息,用表示提取出的图像特征,文本信息识别过程如下:
,
其中,表示第t时刻的输入门值,/>表示第t时刻输入的图像特征,/>表示激活函数,/>和/>分别表示输入门的权重和偏置,/>和/>分别表示输入门隐藏状态的权重和偏置,/>表示t-1时刻的隐藏状态。
,
其中,表示第t时刻的遗忘门值,/>和/>分别表示遗忘门的权重和偏置,/>和/>分别表示遗忘门隐藏状态的权重和偏置。
,
其中,表示第t时刻的输出门值,/>和/>分别表示输出门的权重和偏置,/>和/>分别表示输出门隐藏状态的权重和偏置。
,
其中,表示第t时刻新的记忆细胞的候选值,/>分别表示新的记忆细胞的权重和偏置,最终状态更新:
,
,
其中,表示第t时刻的细胞状态值。隐藏状态/>将包括有关文本内容的信息,通过全连接层和SoftMax层将其映射到具体的字符或单词上,从而实现对扫描图像中的文本的识别。
S120:将识别出的文本信息与库房数据库90进行匹配,找到库房数据库90中匹配的文件。
将识别出的文本信息与库房数据库90进行匹配,使用B树或哈希表等索引结构进行高效搜索,若精确匹配失败,则进行模糊匹配,通过模糊匹配和语义分析找到对应的物品位置和详细信息。具体公式为:
,
其中,表示文件识别出的文本信息字符串的第i个字符与库房数据库90待匹配文本中字符串的第j个字符之间的编辑距离,/>表示替换字符的成本。计算文件识别出的文本信息与库房数据库90待匹配文本的匹配度:
,
,
其中,反映词/>在特定文档/>中重要性的度量,/>表示词u在文档U中出现的次数,/>表示逆文档频率,/>表示向量A和B之间的匹配度,/>表示向量A中的词/>,/>表示向量B中的词/>。如果一个词在一个特定的文档中频繁出现,同时在其他文档中不常见,它的TF-IDF权重就会增加。每个文档可以用一个向量表示,向量的每个维度对应一个特定的词,该维度的值就是这个词的TF-IDF权重。根据匹配度对结果进行排序和排名,从而找到库房数据库90中匹配的文件。
S200:机械臂获取模块接收目标位置并执行抓取操作;
S300:定位模块与库房的每个文件位置传感器连接,接收实时位置数据;
S400:引导模块与定位模块连接,提供准确的导航路径;
S500:速度控制模块与引导模块和机械臂获取模块连接,调整速度;
S510:初步预测取档与归档速度;
获取待取档或归档物品的属性信息,例如体积、重量等,设定初始速度预测值,具体公式为:
,
其中,表示初始速度预测值,/>为输入的特征向量,指机械臂的当前状态,包括当前速度、位置、方向等;/>表示损失函数,用于衡量预测速度和实际速度之间的差异;/>表示第r个实际速度观测值,/>,/>表示特征向量的维数;/>表示弱学习器的系数,用于平衡每个弱学习器的贡献。
初始化速度差异,即目标速度与初始速度之间的差异。对于每次迭代,重复以下步骤:
使用弱学习器拟合当前速度差异,速度差异的计算公式:
,
其中,表示第i个特征向量在第/>次迭代时的速度差异,/>表示第r个特征向量的速度预测值,/>表示第k次迭代后的速度预测值。
将速度差异作为目标,训练一个弱学习器/>,计算弱学习器的系数:
,
其中,表示第k次迭代中弱学习器的系数。将速度差异与前一次的速度预测相结合,以更新速度预测:
,
当达到最大迭代次数或者达到预设的容忍误差时,迭代结束,从而得到机械臂移动的初步速度预测值 。
S520:预测速度调整值,将初步速度预测值和预测速度调整值结合,得到最终的速度设置。
将初步速度预测值集成到协同过滤推荐中,推荐可能的速度曲线改进方法,计算不同速度控制策略的相似度,具体公式为:
,
其中,表示第/>个速度控制策略和第/>个速度控制策略的相似度,/>和分别表示第/>个速度控制策略的特征向量和第/>个速度控制策略的特征向量。利用与当前任务最相似的K个历史任务的加权速度来预测速度调整值:
,
其中,为预测速度调整值,/>表示历史速度观测值。
将初步速度预测值和预测速度调整值结合,得到最终的速度设置:
,
其中,是一个权重参数。
S600:安全保护模块,确保操作过程的安全;
S700:动态配置模块与所有模块的控制单元连接,实现动态组合;
S800:冲突识别模块与所有模块的传感器和分析组件连接,检测冲突。
S810:识别潜在的冲突关系;
具体地,创建一个矩阵,每一行代表一个取档或归档操作,每一列代表一个库房资源(例如货架位置)。元素/>描述了第/>次操作与第/>个资源的关联度。分解矩阵/>为三个矩阵/>,/>,/>:
,
其中,是对角矩阵,其对角线上的值称为奇异值,/>为正交矩阵,其列向量代表操作空间的正交基,/>为正交矩阵,其行向量代表特征空间的正交基。通过观察较大的奇异值及其对应的/>和/>中的列向量,可以揭示那些可能导致冲突的强关联操作。较大的奇异值意味着相应的操作间存在强烈的关联,可能导致冲突。
S820:对识别的可能冲突进行分类;
随机初始化隶属度矩阵B,其中代表第i个样本属于第/>个类别的隶属度。计算聚类中心:
,
其中,表示第/>个类别的隶属度,/>表示第i个样本属于第j个聚类中心的隶属度的/>次方,/>是模糊度参数,控制隶属度的模糊程度,/>表示第i个可能冲突。更新隶属度:
,
其中,为需要识别的冲突类型数量,/>,/>是第z个类别的隶属度。
S830:识别和解决冲突。
由库房的当前状态和识别的冲突类别构成状态空间,每个状态可以描述库房中的当前配置,例如各个物品的位置、机器人的位置等。定义动作空间,动作空间表示在特定状态下可采取的所有潜在行动。例如,移动库房中的特定物品、更改机器人的路径等。计算在状态采取动作/>后进入新状态/>的概率:
,
其中,表示当前时刻t的状态,/>表示下一时刻t+1的状态,/>表示当前时刻t执行的动作。
计算当前策略的值函数:
,
其中,是状态s下的值函数,/>表示在状态s下采取动作e的即时奖励,表示在状态s下采取动作e的概率,/>是折扣因子。
基于当前的值函数更新策略,使其在每个状态下选择最佳动作:
,
其中,表示在状态s下最优策略选择动作e的概率。上述公式找到了使预期回报最大化的动作,并更新了策略,以便在每个状态下选择最佳动作。重复策略评估和策略改进,直到策略收敛。通过定义库房中的状态、可能的操作、状态转移和奖励,使用上述策略迭代过程来找到最佳策略,从而有效地预测和解决冲突。
综上所述,便完成了本申请所述的一种无人库房自动取档与归档控制系统及方法。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、本申请通过深度学习图像识别与文本分析的协同工作,可以精确地识别库房中的文件标识,在数据库中执行更灵活的搜索,增强搜索效率;算法的融合减少了不必要的中间步骤,使得扫描识别过程更为迅速,从而提高了整体的响应时间,减少资源浪费,更容易调整和定制,以适应不同类型和规模的库房环境,增强了系统的鲁棒性;
2、能够根据系统的实时状态和反馈信息不断学习和优化控制策略,降低了学习曲线的陡度,并可以加速控制策略的收敛;通过协同过滤,所学习的控制策略可以推广到其他相似的系统或情景,增加了速度控制模块的可扩展性和通用性;避免不必要的能耗和浪费,提高了系统的整体能效;
3、能够从庞大的操作数据中揭示潜在的冲突关系,使管理人员和系统能够深入了解底层的冲突模式和原因,灵活地对各种冲突进行分类,辅助人员理解和组织冲突类型,进一步有针对性地解决冲突;自动化地识别和解决冲突,提高无人库房自动取档与归档的控制效率。
效果调研:
本申请的技术方案能够有效解决现有技术对库房物品的识别精准度有限,无法迅速响应突发需求或更改,自动化设备和操作可能会增加能源消耗和环境影响,投资成本较高,缺乏足够的人机交互和协作机制,限制系统的效率和安全性的问题,并且,上述系统或方法经过了一系列的效果调研,通过验证,最终能够实现无人库房自动取档与归档控制系统的连贯和高效运作。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种无人库房自动取档与归档控制系统,其特征在于,包括以下部分:
扫描识别模块、机械臂获取模块、定位模块、引导模块、速度控制模块、安全保护模块、动态配置模块、冲突识别模块和库房数据库;
所述扫描识别模块,用于对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配,扫描识别模块通过数据传输的方式与机械臂获取模块和库房数据库相连;所述扫描识别模块通过高精度扫描仪对无人库房的文件进行扫描,对扫描到的图像进行缩放、裁剪和归一化处理;从预处理后的图像中提取并理解文本信息,采用深度学习图像识别算法与文本分析算法相融合的形式,提取图像特征并转换为文本;将图像特征转换为序列数据,进行序列到序列的学习,识别文本信息;将识别出的文本信息与所述库房数据库进行匹配,找到所述库房数据库中匹配的文件;
所述速度控制模块,用于初步预测取档与归档速度;用弱学习器拟合当前目标速度与初始速度之间的差异,将速度差异作为目标,训练一个弱学习器,计算弱学习器的系数;将速度差异与前一次的速度预测相结合,以更新速度预测,得到机械臂移动的初步速度预测值;将所述初步速度预测值集成到协同过滤推荐中,计算不同速度控制策略的相似度,利用与当前任务最相似的K个历史任务的加权速度来预测速度调整值:将初步速度预测值和预测速度调整值结合,得到最终的速度设置;速度控制模块通过数据传输的方式与引导模块、机械臂获取模块、安全保护模块相连;
所述冲突识别模块,用于识别潜在的冲突关系;对识别的潜在冲突进行分类;随机初始化隶属度矩阵,计算聚类中心,更新隶属度;识别和解决冲突;由库房的当前状态和识别的冲突类别构成状态空间,每个状态可以描述库房中的当前配置,定义动作空间,动作空间表示在特定状态下可采取的所有潜在行动;计算在状态采取动作后进入新状态的概率;计算策略的值函数,基于当前的值函数更新策略,使其在每个状态下选择最佳动作;找到使预期回报最大化的动作,并更新策略,以便在每个状态下选择最佳动作;重复策略评估和策略改进,直到策略收敛;冲突识别模块通过数据传输的方式与安全保护模块、动态配置模块相连。
2.一种无人库房自动取档与归档控制方法,应用于如权利要求1所述的一种无人库房自动取档与归档控制系统,其特征在于,包括以下步骤:
S100:扫描识别模块对无人库房的文件进行识别,将识别出的文本信息与库房数据库进行匹配,实现文件的快速查找;
S200:机械臂获取模块接收目标位置并执行抓取操作;
S300:定位模块与库房的每个文件位置传感器连接,接收实时位置数据;
S400:引导模块与定位模块连接,提供准确的导航路径;
S500:速度控制模块与引导模块和机械臂获取模块连接,调整速度;
S600:安全保护模块,确保操作过程的安全;
S700:动态配置模块与所有模块的控制单元连接,实现动态组合;
S800:冲突识别模块与所有模块的传感器和分析组件连接,检测冲突。
3.根据权利要求2所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S100,具体包括:
通过高精度扫描仪对无人库房的文件进行扫描,对扫描到的图像进行缩放、裁剪和归一化处理;从预处理后的图像中提取并理解文本信息,采用深度学习图像识别算法与文本分析算法相融合的形式,提取图像特征并转换为文本;将图像特征转换为序列数据,进行序列到序列的学习,识别文本信息。
4.根据权利要求3所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S100,还包括:
将识别出的文本信息与库房数据库进行匹配,使用B树或哈希表索引结构进行高效搜索,若精确匹配失败,则进行模糊匹配,通过模糊匹配和语义分析找到对应的物品位置和详细信息。
5.根据权利要求2所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S500,具体包括:
用弱学习器拟合当前目标速度与初始速度之间的差异,将速度差异作为目标,训练一个弱学习器,计算弱学习器的系数;将速度差异与前一次的速度预测相结合,以更新速度预测,得到机械臂移动的初步速度预测值。
6.根据权利要求5所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S500,还包括:
将初步速度预测值集成到协同过滤推荐中,计算不同速度控制策略的相似度,利用与当前任务最相似的K个历史任务的加权速度来预测速度调整值:将初步速度预测值和预测速度调整值结合,得到最终的速度设置。
7.根据权利要求2所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S800,具体包括:
对识别的潜在冲突进行分类;随机初始化隶属度矩阵,计算聚类中心,更新隶属度。
8.根据权利要求7所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S800,还包括:
由库房的当前状态和识别的冲突类别构成状态空间,每个状态可以描述库房中的当前配置,定义动作空间,动作空间表示在特定状态下可采取的所有潜在行动;计算在状态采取动作后进入新状态的概率。
9.根据权利要求8所述的一种无人库房自动取档与归档控制方法,其特征在于,所述S800,还包括:
计算策略的值函数,基于当前的值函数更新策略,使其在每个状态下选择最佳动作;找到使预期回报最大化的动作,并更新策略,以便在每个状态下选择最佳动作;重复策略评估和策略改进,直到策略收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082703.9A CN116812427B (zh) | 2023-08-28 | 2023-08-28 | 一种无人库房自动取档与归档控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082703.9A CN116812427B (zh) | 2023-08-28 | 2023-08-28 | 一种无人库房自动取档与归档控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116812427A CN116812427A (zh) | 2023-09-29 |
CN116812427B true CN116812427B (zh) | 2023-11-14 |
Family
ID=88143205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311082703.9A Active CN116812427B (zh) | 2023-08-28 | 2023-08-28 | 一种无人库房自动取档与归档控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116812427B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927387A (zh) * | 2014-04-30 | 2014-07-16 | 成都理想境界科技有限公司 | 图像检索系统及其相关方法和装置 |
CN105741551A (zh) * | 2016-04-22 | 2016-07-06 | 华南理工大学 | 一种无信号交叉口交通安全评价方法 |
CN108981733A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的速度预测方法 |
CN109945864A (zh) * | 2019-02-25 | 2019-06-28 | 广州市香港科大霍英东研究院 | 室内行车定位融合方法、装置、存储介质及终端设备 |
CN110826783A (zh) * | 2019-10-25 | 2020-02-21 | 上海电力大学 | 一种神经网络的权重的训练方法及其应用 |
CN111274036A (zh) * | 2020-01-21 | 2020-06-12 | 南京大学 | 一种基于速度预测的深度学习任务的调度方法 |
CN112015177A (zh) * | 2020-08-19 | 2020-12-01 | 云南电网有限责任公司昆明供电局 | 基于agv的电力物资智能化仓储管理系统 |
CN116612296A (zh) * | 2023-04-27 | 2023-08-18 | 上海建工四建集团有限公司 | 一种基于人工智能的集装箱周转管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CL2017003463A1 (es) * | 2017-12-28 | 2019-10-11 | Univ Pontificia Catolica Chile | Sistema robótico autónomo para el monitoreo automático del estado de estanterías en tiendas |
-
2023
- 2023-08-28 CN CN202311082703.9A patent/CN116812427B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927387A (zh) * | 2014-04-30 | 2014-07-16 | 成都理想境界科技有限公司 | 图像检索系统及其相关方法和装置 |
CN105741551A (zh) * | 2016-04-22 | 2016-07-06 | 华南理工大学 | 一种无信号交叉口交通安全评价方法 |
CN108981733A (zh) * | 2018-04-26 | 2018-12-11 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车充电导航系统的速度预测方法 |
CN109945864A (zh) * | 2019-02-25 | 2019-06-28 | 广州市香港科大霍英东研究院 | 室内行车定位融合方法、装置、存储介质及终端设备 |
CN110826783A (zh) * | 2019-10-25 | 2020-02-21 | 上海电力大学 | 一种神经网络的权重的训练方法及其应用 |
CN111274036A (zh) * | 2020-01-21 | 2020-06-12 | 南京大学 | 一种基于速度预测的深度学习任务的调度方法 |
CN112015177A (zh) * | 2020-08-19 | 2020-12-01 | 云南电网有限责任公司昆明供电局 | 基于agv的电力物资智能化仓储管理系统 |
CN116612296A (zh) * | 2023-04-27 | 2023-08-18 | 上海建工四建集团有限公司 | 一种基于人工智能的集装箱周转管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的图像描述研究;杨楠;南琳;张丁一;库涛;;红外与激光工程(第02期);第18-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116812427A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532920B (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
Tinchev et al. | Learning to see the wood for the trees: Deep laser localization in urban and natural environments on a CPU | |
CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN110189362B (zh) | 基于多分支自编码对抗网络的高效目标跟踪方法 | |
Hussain et al. | A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition | |
CN102043776A (zh) | 与查询相关的多排序模型集成算法 | |
Kesuma et al. | Pallet detection and distance estimation with yolo and fiducial marker algorithm in industrial forklift robot | |
CN116946610B (zh) | 一种智能仓储系统货物拾取方法及装置 | |
CN116812427B (zh) | 一种无人库房自动取档与归档控制系统及方法 | |
CN117909920A (zh) | 一种基于文本引导的端到端3d物体定位方法 | |
CN115797795B (zh) | 基于强化学习的遥感影像问答式检索系统及方法 | |
CN116907510A (zh) | 一种基于物联网技术的智能化运动识别方法 | |
Tsai et al. | Visually guided picking control of an omnidirectional mobile manipulator based on end-to-end multi-task imitation learning | |
Jundang et al. | Discriminant Feature Trace Transform for Predictive Object Rotation. | |
Liu et al. | Research on image recognition of supermarket commodity based on convolutional neural network | |
Hernandez et al. | Indoor scene recognition based on weighted voting schemes | |
Mei et al. | Target recognition and grabbing positioning method based on convolutional neural network | |
Li et al. | Optimization of RFID reading performance based on YOLOv3 and Elman neural network | |
Syavasya et al. | A review on incremental machine learning methods, applications and open challenges | |
CN117078604B (zh) | 无人实验室智能管理方法及系统 | |
Rios-Cabrera et al. | Dynamic categorization of 3D objects for mobile service robots | |
Barros et al. | TReR: A Lightweight Transformer Re-Ranking Approach for 3D LiDAR Place Recognition | |
Gotlur et al. | Handwritten math equation solver using machine learning | |
CN116129396A (zh) | 一种辅助驾驶的视觉感知方法及系统 |
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 |