CN117877276A - 一种厂内物流交通管制的方法 - Google Patents

Abstract

本发明公开了一种厂内物流交通管制的方法，具体步骤包括，S1：机器人管理系统设置交通管制区域；S2：交通管制区域内设置视觉摄像头；S3：视觉识别系统通过视觉摄像头识别指定物体；S4：视觉识别系统管理交通管制区域的占用或非占用，与机器人管理系统交互；S5：移动机器人通过交通管制区域前，向机器人管理系统申请通行权限。本发明创新性地使用视觉算法实现厂内物流交通管制，利用先进的算法和模型，通过识别、分析、处理图像数据，实现对厂内物流运输的智能管理和控制。

Description

一种厂内物流交通管制的方法

技术领域

本发明涉及厂内物流运输领域，尤其涉及一种厂内物流运输交通管制的方法。

背景技术

在工厂内，物流运输交通情况复杂，首先，通道一般较窄，不能同时容纳多辆车同时通行，其次，存在多种类型的运输工具，包括移动机器人（无轨）、磁条AGV、二维码AGV、地牛、人工小火车、叉车、手推车等，再者，多品牌机器人系统之间封闭，无法实现有效通讯交互，导致无法进行有效安全避让。

现有技术中，首先，对于移动机器人与其他车辆如地牛、人工小火车、叉车、手推车等避让，如不能满足错车通行，则一般由人工操作的运输车辆进行主动后退等避让；其次，对于移动机器人与固定路线的机器人如磁条AGV、二维码AGV等，如不能满足错车通行，则需人为介入处理；再者，对于不同品牌的移动机器人，现有技术一般采用统一调度平台进行统一的路径规划并将路径下发给移动机器人，但由于不同品牌的机器人公司采用的技术路径决策算法和策略不同，有的由单台机器人自主进行路径规划，有的由多机调度管理系统统一规划路径再下发到单台机器人，因此，无法通过统一调度平台进行不同品牌机器人的统一交通管制。

现有交通管制技术存在缺陷，无法满足目前厂内物流的交通管制问题，不能进行有效管理和监控。

有鉴于此，特提出本发明。

发明内容

针对上述现有技术中存在的技术问题，本申请的目的在于提供一种厂内物流运输交通管制的方法。

为实现本发明的目的，本发明提出如下技术解决方案：

具体步骤如下：

S1：机器人管理系统设置交通管制区域；

S2：交通管制区域内设置视觉摄像头；

S3：视觉识别系统通过视觉摄像头识别指定物体以及指定物体的移动方向；

S4：机器人管理系统设置交通管制模块，与视觉识别系统交互，管理交通管制区域的通行权限；

S5：移动机器人通过交通管制区域前，向机器人管理系统申请通行权限。

进一步地，所述步骤S2中，所述视觉摄像头为1个或多个，所述视觉摄像头与其所在的所述交通管制区域绑定。

进一步地，步骤S3中，所述视觉识别系统搭建深度学习模型，对指定物体进行深度学习模型训练，从所述视觉摄像头实时采集的图像中识别指定物体以及指定物体的移动方向。

进一步地，所述步骤S3中，具体包括，在交通管制区域内，所述视觉摄像头对指定指定物体进行检测与识别。

进一步地，所述步骤S4中，具体包括，当所述视觉摄像头识别到指定物体时，视觉识别系统记录所述指定物体的移动方向，与所述交通管制模块交互，所述交通管制模块根据申请的移动机器人的行驶方向管理移动机器人的通行权限。

当所述视觉摄像头识别交通管制区域内无指定物体后，所述视觉识别系统通知所述机器人管理系统，所述交通管制模块标注该所述视觉摄像头所在的交通管制区域为非占用。

进一步地，进一步在所述交通管制区域内设置交通警示系统，人工操作的车辆通过所述交通警示系统判断是否允许进入交通管制区域。

进一步地，所述步骤S5中，具体包括，所述移动机器人行驶到交通管制区域前，向所述机器人管理系统申请通行权限，当所述移动机器人行驶方向与所述交通管制区域内指定物体的行驶方向一致时，所述移动机器人继续通行，当所述移动机器人行驶方向与所述交通管制区域内指定物体行驶方向冲突时，所述移动机器人原地等候。

进一步地，所述移动机器人原地等候预设时间后仍未获得通行权限，则重新规划可通行的行驶通道。

进一步地，所述重新规划可通行的行驶通道，如当前无可用行驶通道时，所述移动机器人判断当前是否满足退还任务条件，如满足，则将当前任务退还机器人管理系统，将任务指派其他可执行任务的移动机器人执行。

进一步地，除所述移动机器人外，其他车辆通过交通管制区域前，向机器人管理系统申请通行权限。

与现有技术相比，本发明利用上述厂内物流运输交通管制的方法，具有如下优势或有益效果：

创新性地使用视觉算法实现厂内物流交通管制，利用先进的深度学习算法和模型，通过识别、分析、处理图像数据，实现对厂内物流运输的智能管理和控制；

基于视觉算法的交通管制系统利用计算机视觉技术，通过图像采集设备，获取厂内物流运输的实时图像数据，并利用算法对图像进行分析和处理。能够实时监测车辆、人员和货物的位置和运动轨迹等，并自动识别异常情况，如拥堵、碰撞、违规行驶等；

不仅管理移动机器人（无轨）的交通，还可以智能管控其他车辆如磁条AGV、二维码AGV、其他品牌的自主导航移动机器人、人工小火车等的交通，实现高智能车辆避让低智能车辆，实现厂内物流的高效、实时交通管制。

采用视觉算法实现厂内物流运输的交通管制，能够提供更全面的监测覆盖范围，确保厂内物流运输的安全和顺畅；

通过视觉算法，能够提高交通状况的监测准确率和效率，减少误报和漏报情况；

视觉摄像头不仅可用于交通管制，同时可用于监控等其他用途，视觉算法还可以与其他技术结合，如物联网、大数据分析等，实现对厂内物流运输的更深入分析和优化，经济实用；

通过视觉识别交通管制区域状态，使机器人实现任务执行的优化，即根据路况接收、拒收、退还任务，实现厂内物流运输的自动调节，确保任务按时完成；

附图说明

附图1所示为本发明交通管制方法的系统示意图；

附图2所示为本发明交通管制方法的交通管制区域示意图；

图中，1-移动机器人，2-行驶通道，3-视觉摄像头，4-交通管制区域，5-交通警示系统。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

应当说明的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/ 或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/ 或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元，图示中相关设施的布置仅用于说明，并不限定具体设置位置。

应当理解，本发明的方案可以通过硬件、软件或其他设备单个或多个组合实现，在以下实施例的说明中，本发明的方法及步骤可以通过储存在存储设备中包括但不限于硬盘、可移动存储设备、磁盘、光盘等来实现。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例

以下是本发明的具体实施例并结合附图1-图2，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

本发明提出了一种厂内物流交通管制的方法，具体步骤如下：

S1：机器人管理系统设置交通管制区域4，具体地，在移动机器人行驶地图中，绘制交通管制区域4，区域数量及区域大小根据实际需要进行交通管制的区域进行设置，移动机器人1行驶地图可以通过单机设置，通过单机共享至多机调度管理的机器人管理系统下发至其他移动机器人，也可以在机器人管理系统中设置，共享至多台移动机器人或其他品牌移动机器人或其他类型机器人。

S2：交通管制区域4内设置视觉摄像头3，所述视觉摄像头3为1个或多个，所述视觉摄像头3与其所在的所述交通管制区域4绑定。

S3：所述视觉识别系统搭建深度学习模型，对指定物体进行深度学习模型训练，从所述视觉摄像头实时采集的图像中检测和识别指定物体，所需识别的指定物体包括但不限于自主导航的移动机器人、磁条AGV、二维码AGV、反光板AGV、人工小火车、地牛、人工拖车等车辆，这些车辆如果占用通道，将导致移动机器人1无法在通道内绕行或避让，从而出现交通堵塞情况。

进一步地，在某种实施例中，识别所述指定物体的移动方向具体方法为，根据一定时间差内指定物体前后位置的坐标差确定移动方向，如无位置坐标差，则认为该指定物体没有移动。

进一步地，在某种实施例中，根据视觉摄像头识别到的图像，以图像像素中心点为坐标原点，建立图像坐标系，计算出指定物体前后位置的坐标，根据图像与机器人行驶地图的关系，对指定物体前后位置的坐标转换至机器人行驶地图坐标系下的坐标，将指定物体的前后坐标点连接线段，指定物体的行驶方向为前坐标点至后坐标点的方向，具体实施例中，也可以将机器人行驶坐标转换至图像坐标系下；移动机器人1行驶方向为地图坐标系中机器人当前坐标点指向目的点的方向，在一定角度误差范围内，确定指定物体行驶方向与移动机器人1行驶方向一致或者冲突。

需要说明的是，计算行驶方向可以有其他的计算方式，本实施例仅用于说明如何计算行驶方，并不表示仅限于这一种方式，在不脱离本发明原理的基础上，均属于本发明的保护范围。

在另一种实施例中，还可以识别指定物体的移动速度，根据一定时间差内指定物体前后位置的坐标差值即移动距离，移动距离除以时间差即可得出移动的平均速度，根据指定物体的移动速度判断移动机器人1可以进入交通管制区域4的时间。

进一步地，在某种实施例中，也可以简化为通过视觉摄像头3识别判断交通管制区域4内是否有指定物体占用进行交通管制，如有占用，移动机器人1在区域外等待，如无占用，则继续通行。

所述视觉识别系统包括目标识别与检测模块、数据处理模块、加密通讯交互模块，对采集到的图像进行深度模型训练学习，实现指定物体的精准识别和检测；所述目标识别与检测模块基于检测模型YOLOV8进行训练，包括输入部分、主干网部分、多特征融合网络部分及输出部分，所述输入部分对图像进行数据增强，所述主干网部分对图像进行切片处理，所述多特征融合网络进行特征增强处理，所述输出部分检测不同尺度输出。

具体地，输入部分通过对图像做随机缩放、裁剪、旋转，然后再随机选择一定数量的图像拼接在一起的方法进行数据增强处理，以提高数据集的多样性和检测方法的鲁棒性。输入部分中采用anchor-free机制，同时采用Mosaic数据增强、自适应填充的方法对输入图像进行处理，满足检测算法要求。

主干网络部分首先通过Focus结构对图像进行切片处理，提升网络训练速度。主干网络的核心部分是基于CNN的C2f模块，C2f模块采用梯度分流连接，丰富特征提取网络的信息流，同时保持轻量级。CBS模块对输入信息进行卷积运算，然后进行批量归一化，最后使用SiLU激活信息流以获得输出结果。根据卷积过程中特征尺寸的不同，主干网部分可进一步划分成五个阶段。主干网络最终使用空间金字塔池化快速（SPPF）模块将输入特征图池化为固定大小的图，以实现自适应大小的输出。

多特征融合网络部分采用路径聚合（Concat）网络作为检测颈部，聚合不同主干层次的特征，增强特征的表达能力。

输出部分包括三种不同的检测尺度输出。输出端采用解耦头的设计，每个尺度都有两个独立的检测器，每个检测器都由一层卷积和全连接层组成，分别用于预测该尺度上的边界框分类和回归。

该目标识别与检测模块最终损失函数包括两部分：预测框类别损失、预测框定位损失。其中预测框类别损失采用二元交叉熵函数（BCE_LOSS），其形式化表示为：

式一

其中y为输入样本对应的标签（正样本为1，负样本为0），p为模型预测该输入样本为正样本的概率。预测框定位损失包括完全交集CLOU_LOSS损失和DFL损失函数。CLOU_LOSS损失形式化表示为：

式二

其中表示预测框与标注框的交并比损失；/>用于刻画预测框与标注框中心点之间的欧式距离，其中/>表示预测框与标注框的中心点，/>表示两个矩形框之间的欧式距离，/>表示两个矩形框的闭包区域的对角线的距离；/>用于对预测框形状与标注框形状不一致的情况进行惩罚，/>用来衡量两个矩形框相对比例的一致性，预测边界框的宽度wp、高度hp，以及真实边界框的宽度wgt、高度hgt，/>表示权重系数，即

式三

式四

预测框定位损失中的DFL损失函数的形式化表示为：

式五

DFL损失函数的含义是以交叉熵的形式去优化与标签y最接近的一左一右2个位置的概率，从而让网络更快的聚焦到目标位置的邻近区域的分布。和/>分别表示与标签y最接近的两个位置的概率，而/>和/>则分别表示这两个位置的标签。

数据处理模块包括两部分内容，分别是：目标识别算法的多线性并发与跨线程交互部分；过滤干扰与多目标检测部分。

多线程并发与跨线程交互：数据处理模块需要采用多线程方式进行目标识别与检测，并需要完成跨线程交互，使多个摄像头可以同时工作，并在某个摄像头范围内出现故障时，不影响其他摄像头区域工作；同时保证整个厂区的目标识别与检测在秒级范围内完成。

过滤干扰与多目标检测：通过设定预测框平均位置阈值的方法，过滤掉摄像头范围内的干扰目标，防止错误检测；进一步，在同一个摄像头下实现多目标检测，提升数据流处理、目标检测速度，降低成本。

加密通讯模块使视觉识别系统与机器人管理系统进行通信时，采用加密通信协议进行数据传输，保证数据的安全性。

S4：机器人管理系统设置交通管制模块，与视觉识别系统交互，管理交通管制区域4的通行权限，当所述视觉摄像头识别到指定物体时，视觉识别系统记录所述指定物体的移动方向，与所述交通管制模块交互，所述交通管制模块根据申请的移动机器人1的行驶方向管理移动机器人1的通行权限。

S5：所述移动机器人1行驶到交通管制区域4前，向所述机器人管理系统申请通行权限，当所述移动机器人1行驶方向与所述交通管制区域内指定物体的行驶方向一致时，所述移动机器人1继续通行，在具体实施例中，判断方向是否一致可以通过预设一定的角度误差，在误差范围内，则认为方向一致，可以通行；当所述移动机器人1行驶方向与所述交通管制区域4内指定物体行驶方向冲突时，所述移动机器人1原地等候，在具体实施例中，可以预设所述移动机器人1原地等候时间，当超过等候时间后，如所述移动机器人1仍未获得通行权限，则重新规划可通行的行驶通道2，可以后退、绕行别的通道等；如当前无可用行驶通道时，所述移动机器人1判断当前是否满足退还任务条件，退还任务条件包括但不限于所述移动机器人1当前是否有货物、是否已开始任务指令、是否允许退还等；如满足条件，则将当前任务退还机器人管理系统，将该任务指派其他可执行任务的移动机器人1执行。

在具体的实施例中，可以在交通路口设置交通警示系统5，如灯光、语音等警示行驶通道内部是否有指定物体、移动机器人1占用情况，通过交通警示系统5，让人工操作的车辆不进入该交通管制区域4，原地等待、避让或绕行，以此对人工操作车辆进行交通管制。

此外，除所述移动机器人1外，其他车辆如其他品牌移动机器人、其他类型机器人如磁条AGV、反光板AGV、二维码AGV等通过交通管制其区域前，也可以向机器人管理系统申请通行权限，通过对多种类型的车辆进行视觉识别统一管理，实现厂内物流的智能交通管制。

进一步地，本发明专利中视觉摄像头及视觉识别系统可以用于全厂监控，视觉算法还可以与其他技术结合，如物联网、大数据分析等，实现对厂内物流运输的更深入分析和优化，经济实用。

本发明能有效改进现有技术的不足，能满足厂内物流运输车辆的智能交通管制，实现实时的、全面的交通管理和监控，具有很大的推广价值。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种厂内物流交通管制的方法，其特征在于，所述厂内物流交通管制的方法具体步骤如下：

S1：机器人管理系统设置交通管制区域；

S2：交通管制区域内设置视觉摄像头；

S3：视觉识别系统通过视觉摄像头识别指定物体，以及指定物体的移动方向；

S4：机器人管理系统设置交通管制模块，与视觉识别系统交互，管理交通管制区域的通行权限；

S5：移动机器人通过交通管制区域前，向机器人管理系统申请通行权限。

2.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，步骤S2中，所述视觉摄像头为1个或多个，所述视觉摄像头与其所在的所述交通管制区域绑定。

3.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，步骤S3中，所述视觉识别系统搭建深度学习模型，对指定物体进行深度学习模型训练，从所述视觉摄像头实时采集的图像中识别指定物体以及指定物体的移动方向。

4.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，步骤S3中，具体包括，在交通管制区域内，所述视觉摄像头对指定物体进行检测与识别。

5.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，步骤S4中，具体包括，

当所述视觉摄像头识别到指定物体时，视觉识别系统记录所述指定物体的移动方向，与所述交通管制模块交互，所述交通管制模块根据申请的移动机器人的行驶方向管理移动机器人的通行权限。

6.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，进一步在所述交通管制区域内设置交通警示系统，人工操作的车辆通过所述交通警示系统判断是否允许进入交通管制区域。

7.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，步骤S5中，具体包括，

所述移动机器人行驶到交通管制区域前，向所述机器人管理系统申请通行权限，当该交通管制区域为占用时，所述移动机器人原地等候，当该交通管制区域为非占用时，所述移动机器人继续通行。

8.根据权利要求7所述的一种厂内物流交通管制的方法，其特征在于，所述移动机器人原地等候预设时间后仍未获得通行权限，则重新规划可通行的行驶通道。

9.根据权利要求8所述的一种厂内物流交通管制的方法，其特征在于，所述重新规划可通行的行驶通道，如当前无可用行驶通道时，所述移动机器人判断当前是否满足退还任务条件，如满足，则将当前任务退还机器人管理系统，将任务指派其他可执行任务的移动机器人执行。

10.根据权利要求1所述的一种厂内物流交通管制的方法，其特征在于，进一步包括，除所述移动机器人外，其他车辆通过交通管制区域前，向机器人管理系统申请通行权限。