CN117260743B - 一种机械臂堆垛任务的多目标约束优化方法和系统 - Google Patents

Abstract

一种机械臂堆垛任务的多目标约束优化方法和系统，涉及人工智能领域，包括如下步骤：S1、基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；S2、基于机械臂的拾取位置数量设置位置约束函数；S3、人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤；通过工厂环境中机械臂应用于堆垛任务中设置不同约束函数，并通过人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤，提升机械臂执行效率，同时优化算法本身求解计算成本更低。

Description

一种机械臂堆垛任务的多目标约束优化方法和系统

技术领域

本申请涉及人工智能技术领域，具体涉及一种机械臂堆垛任务的多目标约束优化方法和系统。

背景技术

随着社会生产力发展与科学技术的进步，工业机器人作为一种能够自动执行各种工业任务的装备，可以在制造、装配、包装、搬运等领域发挥重要作用。其中，大部分机械臂工作时均与预定义的顺序执行编程移动有关，或者这些移动是在检测可用于拾取的新物品的光学传感器产生的外部触发之后执行。

然而在机械臂执行的过程中，需要考虑机械臂执行的效率，例如，在多个取件位置或多条产品线的情况下，可能同时有一个以上的物品可用，而从几条传输线或几个同时可获取的物品中准确选择当前最佳处理对象的决策将影响机械臂执行的整体效率。

现有技术中，广泛采用任务调度方法来最大限度地提高机械臂的执行效率。任务调度问题的复杂性迫使研究人员应用先进的优化方法，这些优化方法能够在合理的计算时间内解决NP难题，即寻找一个最优的生产调度方案，使得整个生产线的完成时间最短。但是现有的优化方法没有考虑约束调度问题，尤其是在复杂生产场景下的多目标约束，这对于提升机械臂在实际生产过程中执行的效率至关重要。如何基于多目标约束优化来提高生产过程中机械臂的执行的效率是本领域技术人员亟待解决的技术问题。

发明内容

（一）申请目的

有鉴于此，本申请的目的在于提供一种机械臂堆垛任务的多目标约束优化方法和系统，用于解决如何基于多目标约束优化来提高生产过程中机械臂的执行的效率的技术问题。

（二）技术方案

本申请公开了一种机械臂堆垛任务的多目标约束优化方法，包括如下步骤：

S1、基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；

S2、基于机械臂的拾取位置数量设置位置约束函数；

S3、人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤。

在一种可能的实施方式中，所述堆垛任务包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中。

在一种可能的实施方式中，所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置。

在一种可能的实施方式中，所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态。

在一种可能的实施方式中，当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。

作为本申请的第二方面，还公开了一种机械臂堆垛任务的多目标约束优化系统，包括：

数学模型构建模块：用于基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；

位置约束确定模块：用于基于机械臂的拾取位置数量设置位置约束函数；

求解模块：用于人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤。

在一种可能的实施方式中，所述堆垛任务状态模型包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中。

在一种可能的实施方式中，所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置。

在一种可能的实施方式中，所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态。

在一种可能的实施方式中，当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。

（三）有益效果

通过工厂环境中机械臂应用于堆垛任务中设置不同约束函数，并通过人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤，提升机械臂执行效率，同时优化算法本身求解计算成本更低。

本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。

图1是本申请的系统流程图；

图2是堆垛任务图；

图3是堆垛任务的多个状态之间的关系图；

图4是本申请系统结构图。

其中，1、数学模型构建模块；2、位置约束确定模块；3、求解模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的上述描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，本实施例提供了一种机械臂堆垛任务的多目标约束优化方法，包括如下步骤：

S1、基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数。

在现代工厂和仓库中，机械臂通常用于执行重复过程，在最简单的情况下，机器人负责从一个来源拾取物品并将其放置在目的地。在这种情况下，可以将其描述为与当前机器人位置相关的两种状态：目的地(destination)和来源地(source)。可能执行动作有等待(wait)、拾取（pick-up,仅用于destination状态）和放下（put-down,仅用于source状态），如果新物品或目的地尚未准备好，则需要等待。

在一些实施例中，如图2所示，所述堆垛任务包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中，图2中有3个单独的容器，DMR、DCB1和DCB2，分别将三个独立的零件对应堆垛到DMR、DCB1和DCB2中。本实施例中，所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，第一传输线为图2中的传送带1（CB1），所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，第二传输线为图2中的传送带2（CB2），所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置。不同的零件到达不同零件的拾取位置的频率是不规则的，但是根据具体的生产情况，每个物品都必须在最短的时间内取货，例如，当第一零件和第二零件分别通过第一传送线和第二传输线到达单个机械臂拾取第一零件和第二零件的拾取位置时，对应的下一件物品分别在拾取前一个物品后经过和/>到达。第三个物品由移动机器人运输，连续物品的到达时间在相对较宽的范围内是不规则的，定义为/>使机械臂调度的最优解是平凡的。调度的主要目标是在分析的时间段（例如一天）内尽可能多地堆垛物品，此外第一传输线停止时间不能超过/>，/>为第一传输线上第一零件的最大允许等待时间。这种限制必须被视为调度问题的约束。由于这些原因，机械臂的最优调度是不平凡的。

根据堆垛任务的多个状态之间的关系可以使用状态机来描述，即考虑机械臂的当前感知和位置，选择下一个动作。如图3所示，所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态。本实施例中，当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。

S2、基于机械臂的拾取位置数量设置位置约束函数。

针对机械臂实际运行情况，例如，上述中生产线存在多个可取件位置以及多条产品线，为了提神机械臂系统执行效率，因此增加4种约束函数。为了在数值上优化上述问题，对目标函数和惩罚函数/>进行公式化是必要的，其中/>满足非线性约束，可以表示为：

；

其中，为执行完成状态机中的状态后下一个执行状态的向量，/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间，/>是一个返回不正确移动次数的函数；

4种约束函数具体如下：

（1）最大化所放置物品的总量：

；

其中，表示放置物品的数量；

（2）最大限度地增加总物品数目，并最大限度地减少每个物品消耗的电能：

；

其中，是消耗的能量，/>是多目标优化的加权因子；

（3）最大限度地增加总物品，最大限度地提高容器的填充量：

；

其中，，/>，/>，其中/>是来自第一传输线的第一零件、/>来自第二传输线的第二零件、/>是来自移动机器人的第三零件；/>是多目标优化的权重系数。

（4）最大限度地增加总物品，最大限度地减少每件物品消耗的电能，并最大限度地提高容器填充的均匀性：

；

其中，表示消耗的能量。

S3、人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤。

人工蜂群（ABC）算法成为研究界最受欢迎的自然启发优化算法之一，其设计灵感来自蜜蜂聪明的觅食行为。算法中引入了三种类型的蜜蜂：雇佣蜜蜂、旁观者蜜蜂和侦察员。在操作过程中，算法会修改当前的食物来源，并选择食物量较多的位置，而零件相当于食物，食物量较多的位置，相当于零件到达拾取位置的频率大，到达拾取位置的速度快。该算法有三个与蜜蜂类型相关的阶段：受雇蜜蜂阶段、观察蜜蜂阶段和侦察蜜蜂阶段。这些阶段按上述顺序执行，直到算法停止。蜂群的目标是找到最佳食物源，即与分析问题相关的基于上述约束函数的优化约束条件的解。需要注意的是，ABC算法使用约束搜索空间，每个维度都有下限和上限(lower- and upper- bounds)。蜂群中蜜蜂的数量（BN）与蜂群使用的食物源数量（FN）直接相关。其关系是，一个食物源被一只受雇蜜蜂和一只旁观蜜蜂使用，因此蜜蜂数量总是食物源数量的两倍（BN = 2FN）。特别地，侦察蜜蜂数量上没有被考虑在内。原因是观测者蜜蜂变成了具有侦察生产期的侦察员。当前食物来源的替换与在当前食物来源附近寻找更好食物来源的最大尝试次数有关。当侦察兵可用时，食物来源达到这个值会导致它被放弃，并被随机选择的新来源取代。被雇佣的蜜蜂负责问题的全局优化，而旁观者则执行局部优化。他们使用相同的方程式来产生新的食物来源：

；

其中：为维度索引；/>是新的食物来源，/>是实际的食物来源，/>是随机选择的实物来源。在全局优化中，/>是以均匀的概率分布选择的，而对于局部优化，随机食物源是在考虑当前食物源中的食物量的情况下选择的。使用以下公式计算第/>个食物来源的选择概率：

；

其中：是食物来源的目标函数的值。基本的ABC算法只修改当前食物源位置的一个维度。对于复杂的高维优化问题，这种方法似乎效率低下。为此，引入Deb准则来指导ABC算法中的多维优化问题，通过类似于差分进化中的交叉率算法引入，基于修改率（MR）进行引导。

最后，基于上述求解得到满足所有约束函数的优化堆垛策略，机械臂依据物品传送情况执行对应的操作，以获得最大的堆垛效率。

通过工厂环境中机械臂应用于堆垛任务中设置不同约束函数，并通过人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤，提升机械臂执行效率，同时优化算法本身求解计算成本更低。

作为本申请的第二方面，还公开了一种机械臂堆垛任务的多目标约束优化系统，包括：

数学模型构建模块1：用于基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；

位置约束确定模块2：用于基于机械臂的拾取位置数量设置位置约束函数；

求解模块3：用于人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤。

在一些实施例中，所述堆垛任务状态模型包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中。

在一些实施例中，所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置。

在一些实施例中，所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态。

在一些实施例中，当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。

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。

Claims (2)

1.一种机械臂堆垛任务的多目标约束优化方法，其特征在于，包括如下步骤：

S1、基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；

S2、基于机械臂的拾取位置数量设置位置约束函数；

S3、人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤；

所述堆垛任务状态模型包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中；

所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置；

所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态；

当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。

2.一种机械臂堆垛任务的多目标约束优化系统，其特征在于，包括：

数学模型构建模块：用于基于机械臂的堆垛的工作环境和堆垛过程的多个状态建立堆垛任务状态模型，并设置堆垛任务状态模型的约束函数；

位置约束确定模块：用于基于机械臂的拾取位置数量设置位置约束函数；

求解模块：用于人工蜂群基于所述堆垛任务状态模型的约束函数和位置约束函数，求解所述堆垛任务状态模型的最优执行步骤；

所述堆垛任务状态模型包括：单个机械臂将三个独立的零件堆垛在对应的单独的容器中；

所述三个独立的零件包括第一零件、第二零件和第三零件；所述工作环境包括：所述第一零件由第一传输线传输到所述单个机械臂拾取第一零件的第一拾取位置，所述第二零件由第二传输线传输到所述单个机械臂拾取第二零件的第二拾取位置，所述第三零件由移动机器人传输至所述单个机械臂拾取第三零件的第三拾取位置；

所述对应的单独的容器包括第一容器、第二容器和第三容器；所述多个状态包括：第一状态：单个机械臂将第一零件堆垛在第一容器后的状态，第二状态：单个机械臂将第二零件堆垛在第二容器后的状态，第三状态：单个机械臂将第三零件堆垛在第三容器后的状态，第四状态：单个机械臂将第一零件从第一拾取位置堆垛到第一容器中的状态，第五状态：单个机械臂将第二零件从第二拾取位置堆垛到第二容器中的状态，第六状态：单个机械臂将第三零件从第三拾取位置堆垛到第三容器中的状态；

当单个机械臂执行完第一状态后可执行第五状态、第六状态或等待状态，当单个机械臂执行完第二状态后可执行第四状态、第六状态或等待状态，当单个机械臂执行完第三状态后可执行第四状态、第五状态或等待状态；所述堆垛任务状态模型的约束函数包括：

；

其中，为最大化下一个可执行状态的期望，/>为执行完成状态机中的状态后下一个执行状态的向量，/>代表所有可能情况的数量，/>为与下一个执行状态相关的上限，/>为与下一个执行状态相关的下限，其中/>，/>；/>为第一传输线上第一零件的等待时间，/>为第一传输线上第一零件的最大允许等待时间；/>是一个返回不正确移动次数的函数。