本发明属于机器人运输领域，特别涉及一种自动化导轨运载装置及机器人协同运载运载方法与系统。
背景技术：
为应对新一轮科技革命和产业变革，我国提出要实现中国制造2025。面对国内外激烈的竞争环境，我国将“智能制造”作为一个主攻方向，但目前都基本处于实验室研发阶段。自动化工业实验室具有许多优点，可以节省人员执行重复任务时间、确保安全性、减少员工培训需求、减少人为错误以及提高生产力和实验精度。
工业实验室的自动化是一个相对较新的领域，其发展引起了工作流程的巨大变化。在这次变革中，作为中国制造2025十大发展领域之一的机器人受到特别关注。移动机器人是带有控制器的能够自主移动的机器人，能够代替人在危险环境下作业。在工业实验室中，移动机器人能够代替工作人员执行一些重复性高、要求精度高的运输任务。然而，移动机器人在执行搬运任务过程中的自主导航大多数是通过路径规划来完成。因路径规划本身具有的不稳定性与路线随机性，往往会造成运输任务的失败。此外，在运输过程中若无法实时进行机器人电量预测，则容易引起机器人在运输途中因电量用尽而无法继续工作，从而降低运输效率。因此，在工业自动化实验室中，迫切需要一种机器人协同运载方法及系统来高效地实现运输任务。
技术实现要素：
本发明的目的在于提出一种自动化导轨运载装置及机器人协同运载方法与系统，通过桌面机器人和移动机器人的协同完成自动化实验室物体的定时、定点运输，其中桌面机器人负责物体短距离的取放，移动机器人利用导轨以及地标完成物体的长距离运输，配合导轨和充电区域的设置，实现自动化实验室全天候的运输。
一种自动化导轨运载装置及机器人协同运载方法，包括以下步骤：
步骤1：在运输起点和终点所在的工作台之间设置地面导轨，在工作台上设置一条桌面导轨、取物指定位置、暂放取物位置以及放物指定位置，利用远程控制器发送取物指令；
所述桌面导轨设置于工作台中间，所述取物指定位置、暂放取物位置以及放物指定位置设置在工作台的两侧，所述取物指定位置、暂放取物位置以及放物指定位置上均设置有光敏传感器，且所述光敏传感器与工作台上的桌面控制器相连；
所述工作台的暂放取物位置边缘设有测距传感接收器；
所述取物指令是指将物体从取物指定位置运送至放物指定位置；
步骤2：位于取物工作台的桌面机器人接收取物指令，沿桌面导轨依据光敏传感器采集的信号从取物工作台上的取物指定位置抓取物体后，放至取物工作台的第一暂放指定位置；
步骤3：移动机器人接收取物指令，沿地面导轨移动至取物工作台暂放指定位置的边缘，当取物工作台的测距传感器测得的距离信号满足抓物距离时，移动机器人抓取物体；
沿地面导轨移动至放物工作台的第二暂放指定位置的边缘，当放物工作台的测距传感器测得的距离信号满足放物距离时，将抓取的物体放至放物工作台的第二暂放指定位置；
步骤4：位于放物工作台的桌面机器人接收取物指令，沿桌面导轨移动至放物工作台的第二暂放指定位置，抓取物体后，依据光敏传感器采集的信号移动至放物工作台的放物指定位置，完成物体在工作台之间的运输；
步骤5：当移动机器人完成一次运输后，根据移动机器人当前时刻在内的连续四个时刻的电量，采用基于智能网络的移动机器人电量预测模型，获取移动机器人下一个时刻的电量预测值，依据电量预测值判断是否继续执行运输任务；
所述移动机器人当前时刻在内的连续四个时刻的电量是对移动机器人当前时刻在内的连续500个时刻的电量数据进行二层小波分解后，从中取出的最后四个时刻的两组高频分量电量和两组低频分量电量；
所述基于智能网络的移动机器人电量预测模型包括基于极限学习机的移动机器人电量高频预测模型和基于小波神经网络的移动机器人电量低频预测模型；在构建预测模型时所使用的训练数据为移动机器人从开机到停止运行的整个过程中各时刻电量数据进行二层小波分解后的高频组分量和低频组分量；
其中，基于极限学习机的移动机器人电量高频预测模型是以连续4个时刻的高频分量电量作为输入数据，以下一时刻的高频分量电量作为输出数据，对极限学习机进行训练获得；基于小波神经网络的移动机器人电量低频预测模型是以连续4个时刻的低频分量电量作为输入数据，以下一时刻的低频分量电量作为输出数据，对小波神经网络进行训练获得；
将最后四个时刻的两组高频分量电量和两组低频分量电量依次输入基于极限学习机的移动机器人电量高频预测模型和基于小波神经网络的移动机器人电量低频预测模型，得到两组电量高频预测值和两组电量低频预测值，以两组电量高频预测值和两组电量低频预测值的累加值作为移动机器人下一时刻的电量预测值；
若移动机器人下一时刻的电量预测值大于25％，则移动机器人则沿导轨原路返回，等待下一次运输任务；
若移动机器人下一时刻的电量预测值小于等于25％，则移动机器人通过导轨驶向移动机器人充电区域，并将充电信息反馈给远程控制器，同时，远程控制器发送指令给处于同一导轨的备用机器人，移动到对应轨道上的运输任务起始位置，代替需要充电的移动机器人进行运输任务。
进一步地，所述基于极限学习机的移动机器人电量高频预测模型中的极限学习机的权值和阈值采用自适应花粉算法进行寻优获得；
步骤a1：种群花粉个体的位置作为基于极限学习机的移动机器人电量高频预测模型的权值和阈值，初始化种群；
种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；
步骤a2：设定适应度函数，并获取种群中的最优个体；
将种群个体位置对应的基于极限学习机的移动机器人电量高频预测模型的权值和阈值代入基于极限学习机的移动机器人电量高频预测模型中，并利用种群个体位置确定的基于极限学习机的移动机器人电量高频预测模型计算出电量预测值，将电量预测值和实际值的均方差mse的倒数作为第一适应度函数f1(x)；
步骤a3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；
步骤a4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；
p＝0.8+0.2×rand1(1)
步骤a5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；
其中，
步骤a6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；
其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；
其中，
步骤a7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于极限学习机的移动机器人电量高频预测模型的权值和阈值，否则返回步骤a4，进行下一次迭代。
进一步地，所述基于小波神经网络的移动机器人电量低频预测模型中的权值、阈值以及伸缩平移系数采用自适应花粉算法进行寻优获得；
步骤b1：种群花粉个体的位置作为基于小波神经网络的移动机器人电量低频预测模型的权值阈值和伸缩平移系数，初始化种群；
种群规模的取值范围为[25,200]，变异因子初始值的取值范围ε1为[0.08,0.15]，最大迭代次数的取值范围为[120,450]，最大搜索精度的取值范围为[0.075,0.12]；
步骤b2：设定适应度函数，并获取种群中的最优个体；
将种群个体位置对应的基于小波神经网络的移动机器人电量低频预测模型的权值、阈值和伸缩平移系数代入基于小波神经网络的移动机器人电量低频预测模型中，并利用种群个体位置确定的基于小波神经网络的移动机器人电量低频预测模型计算出电量预测值，将电量预测值和实际值的均方差mse的倒数作为第二适应度函数f2(x)；
步骤b3：计算每个个体的适应值，并保留适应度值最小的个体；
步骤b4：随机生成
步骤b5：随机生成rand1∈[0，1]，若转换概率rand1＞p1，利用式(6)进行全局搜索；
其中，yit表示第t次迭代时花粉的位置，
步骤b6：若转换概率rand1＜p1，按式(7)计算ε1，并将ε1值代入式(8)进行局部搜索；
其中，
其中，
步骤b7：计算更新后的所有个体的适应度值，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的移动机器人电量低频预测模型的权值、阈值和伸缩平移系数，否则返回步骤b4，进行下一次迭代。
进一步地，依据移动机器人经过地面导轨上等间距设置的具有唯一id的地标，判断移动机器人是否发生故障，具体过程如下：
移动机器人实时地将通过地面导轨的地标信息返回给远程控制器，当移动机器人返回通过地标a的信息后，若未在指定时间范围内返回通过下一个地标a+1的信息时，远程控制器判断当前移动机器人发生故障，并根据地标a和下一个地标a+1的位置，判断出故障移动机器人所在的位置。
进一步地，当移动机器人在地面轨道发生故障时，远程控制器发送道岔开启指令，将地面轨道上的道岔开启，并发送牵引指令至与发生故障的移动机器人位于同一地面轨道的备用移动机器人，令备用移动机器人移动至发生故障的移动机器人所在位置区域，启动备用移动机器人底座的电磁吸引装置，吸附发生故障的移动机器人，将发生故障的移动机器人沿地面导轨通过道岔牵引至移动机器人待维修区域；
相邻的地面导轨之间设有电控道岔，且移动机器人待维修区域与地面导轨之间设置有电控道岔；
所述备用移动机器人位于备用机器人等待区域，所述备用机器人等待区域位于运输任务起点处，且与地面导轨连通。
进一步地，当备用移动机器人到达发生故障的移动机器人经过的最后一个地标a后，打开备用移动机器人的车载双目相机zed，测量出与发生故障的移动机器人之间的距离，依据所测得的距离，令备用移动机器人靠近发生故障的移动机器人；当执行运输任务的移动机器人发生故障，被牵引至维修区域的同时，远程控制器发送指令给同一轨道的处于空闲状态的备用机器人代替故障机器人执行运输任务。
进一步地，所述移动机器人待维修区域与充电导轨连通，若位于移动机器人待维修区域中的备用机器人电量若低于25％，则沿充电导轨进入移动机器人充电区域充电，否则，沿充电导轨进入位于运输任务起点处的备用机器人等待区域。
一种自动化导轨运载装置及机器人协同运载系统，包括桌面机器人、桌面控制器、移动机器人、导轨以及远程控制器；
所述导轨包括桌面导轨和地面导轨，相邻的地面导轨之间设有电控道岔，且地面导轨上间隔设置有具有唯一id的地标；
所述桌面控制器、移动机器人和导轨上的电控道岔均与所述远程控制器进行通信；
所述桌面机器人设置于工作台上，受控于桌面控制器，沿工作台上的桌面导轨移动，工作台上设置有固定的取、放物位置，且取、放物位置上设有光敏传感器，所述光敏传感器与桌面控制器相连；
工作台上设有固定取、放物位置的侧边设置有测距传感接收器；
所述移动机器人上设有测距传感器，设置于地面，采用上述的方法沿地面上的地面导轨移动。
进一步地，还包括移动机器人充电区域和备用机器人等待区域；
所述移动机器人充电区域设置于运输任务起始位置与结束位置之间的充电导轨上，所述充电导轨与备用机器人等待区域导轨连通，且所述备用机器人等待区域导轨与地面导轨连通。
进一步地，还包括移动机器人待维修区域，所述移动机器人待维修区域与地面导轨之间设置有电控道岔，且移动机器人基座上设置有电磁吸引装置和车载双目相机zed，所述车载双目zed设置在机器人的基座上方。
有益效果
本发明提供了一种自动化导轨运载装置及机器人协同运载方法与系统，通过桌面机器人和移动机器人的协同完成自动化实验室物体的定时、定点运输，其中桌面机器人负责物体短距离的取放，移动机器人利用导轨以及地标完成物体的长距离运输，配合充电区域的设置，实现自动化实验室全天候的运输，相对于现有技术而言，具有以下优点：
(1)基于机器人的电量具有不稳定和跳跃的特性，建立了基于小波神经网络与极限学习机的移动机器人电量预测模型对移动机器人的下一次行动进行决策，从而有效降低了运输任务的故障率；
(2)移动机器人利用导轨实现了物体的远距离定向运输，避免了复杂的路径规划算法以及其算法的不稳定性，提高了运输的准确性和稳定性；
(3)多类型机器人协同工作，分工明确，桌面机器人负责物体短距离的取放，移动机器人利负责物体的长距离运输，大大提高了运输的效率；
(4)采用了自适应花授粉算法对极限学习机与小波神经网络的参数就行寻优避免了局部收敛的问题，并提高了电量预测精度；
(5)利用地面导轨和地标的组合，对移动机器人的位置以及运输任务进行简单而有效地实时监控，为运输任务的顺利完成提供了保证。
附图说明
图1为本发明所述方法的流程示意图；
图2为本发明所述移动机器人的结构示意图；
图3为本发明中运输区域中轨道分布示意图；
图4为本发明所述电量预测模型示意图；
图5为本发明互联运载系统图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图1所示，一种自动化导轨运载装置及机器人协同运载方法，包括以下步骤：
步骤1：在运输起点和终点所在的工作台之间设置地面导轨，在工作台上设置一条桌面导轨、取物指定位置、暂放取物位置以及放物指定位置，利用远程控制器发送取物指令；
利用远程控制器向移动机器人和桌面控制器发送取物指令，令移动机器人移动至取物工作台，令桌面机器人移动至取物指定位置开始取物任务；
所述桌面导轨设置于工作台中间，所述取物指定位置、暂放取物位置以及放物指定位置设置在工作台的两侧，所述取物指定位置、暂放取物位置以及放物指定位置上均设置有光敏传感器，且所述光敏传感器与工作台上的桌面控制器相连；
所述工作台的暂放取物位置边缘设有测距传感接收器；
所述取物指令是指将物体从取物指定位置运送至放物指定位置；
步骤2：位于取物工作台的桌面机器人接收取物指令，沿桌面导轨依据光敏传感器采集的信号从取物工作台上的取物指定位置抓取物体后，放至取物工作台的第一暂放指定位置；
步骤3：移动机器人接收取物指令，沿地面导轨移动至取物工作台暂放指定位置的边缘，当取物工作台的测距传感器测得的距离信号满足抓物距离时，移动机器人抓取物体；
沿地面导轨移动至放物工作台的第二暂放指定位置的边缘，当放物工作台的测距传感器测得的距离信号满足放物距离时，将抓取的物体放至放物工作台的第二暂放指定位置；
步骤4：位于放物工作台的桌面机器人接收取物指令，沿桌面导轨移动至放物工作台的第二暂放指定位置，抓取物体后，依据光敏传感器采集的信号移动至放物工作台的放物指定位置，完成物体在工作台之间的运输；
步骤5：当移动机器人完成一次运输后，根据移动机器人当前时刻在内的连续四个时刻的电量，采用基于智能网络的移动机器人电量预测模型，如图4所示，获取移动机器人下一个时刻的电量预测值，依据电量预测值判断是否继续执行运输任务；
所述移动机器人当前时刻在内的连续四个时刻的电量是对移动机器人当前时刻在内的连续500个时刻的电量数据进行二层小波分解后，从中取出的最后四个时刻的两组高频分量电量和两组低频分量电量；
所述基于智能网络的移动机器人电量预测模型包括基于极限学习机的移动机器人电量高频预测模型和基于小波神经网络的移动机器人电量低频预测模型；在构建预测模型时所使用的训练数据为移动机器人从开机到停止运行的整个过程中各时刻电量数据进行二层小波分解后的高频组分量和低频组分量；
其中，基于极限学习机的移动机器人电量高频预测模型是以连续4个时刻的高频分量电量作为输入数据，以下一时刻的高频分量电量作为输出数据，对极限学习机进行训练获得；基于小波神经网络的移动机器人电量低频预测模型是以连续4个时刻的低频分量电量作为输入数据，以下一时刻的低频分量电量作为输出数据，对小波神经网络进行训练获得；
将最后四个时刻的两组高频分量电量和两组低频分量电量依次输入基于极限学习机的移动机器人电量高频预测模型和基于小波神经网络的移动机器人电量低频预测模型，得到两组电量高频预测值和两组电量低频预测值，以两组电量高频预测值和两组电量低频预测值的累加值作为移动机器人下一时刻的电量预测值；
若移动机器人下一时刻的电量预测值大于25％，则移动机器人则沿导轨原路返回，等待下一次运输任务；
若移动机器人下一时刻的电量预测值小于等于25％，则移动机器人通过导轨驶向移动机器人充电区域，并将充电信息反馈给远程控制器，同时，远程控制器发送指令给处于同一导轨的备用机器人，移动到对应轨道上的运输任务起始位置，代替需要充电的移动机器人进行运输任务。
所述基于极限学习机的移动机器人电量高频预测模型中的极限学习机的权值和阈值采用自适应花粉算法进行寻优获得；
步骤a1：种群花粉个体的位置作为基于极限学习机的移动机器人电量高频预测模型的权值和阈值，初始化种群；
种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；
步骤a2：设定适应度函数，并获取种群中的最优个体；
将种群个体位置对应的基于极限学习机的移动机器人电量高频预测模型的权值和阈值代入基于极限学习机的移动机器人电量高频预测模型中，并利用种群个体位置确定的基于极限学习机的移动机器人电量高频预测模型计算出电量预测值，将电量预测值和实际值的均方差mse的倒数作为第一适应度函数f1(x)；
步骤a3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；
步骤a4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；
p＝0.8+0.2×rand1(1)
步骤a5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；
其中，
步骤a6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；
其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；
其中，
步骤a7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于极限学习机的移动机器人电量高频预测模型的权值和阈值，否则返回步骤a4，进行下一次迭代。
所述基于小波神经网络的移动机器人电量低频预测模型中的权值、阈值以及伸缩平移系数采用自适应花粉算法进行寻优获得；
步骤b1：种群花粉个体的位置作为基于小波神经网络的移动机器人电量低频预测模型的权值阈值和伸缩平移系数，初始化种群；
种群规模的取值范围为[25,200]，变异因子初始值的取值范围ε1为[0.08,0.15]，最大迭代次数的取值范围为[120,450]，最大搜索精度的取值范围为[0.075,0.12]；
步骤b2：设定适应度函数，并获取种群中的最优个体；
将种群个体位置对应的基于小波神经网络的移动机器人电量低频预测模型的权值、阈值和伸缩平移系数代入基于小波神经网络的移动机器人电量低频预测模型中，并利用种群个体位置确定的基于小波神经网络的移动机器人电量低频预测模型计算出电量预测值，将电量预测值和实际值的均方差mse的倒数作为第二适应度函数f2(x)；
步骤b3：计算每个个体的适应值，并保留适应度值最小的个体；
步骤b4：随机生成
步骤b5：随机生成rand1∈[0，1]，若转换概率rand1＞p1，利用式(6)进行全局搜索；
其中，yit表示第t次迭代时花粉的位置，
步骤b6：若转换概率rand1＜p1，按式(7)计算ε1，并将ε1值代入式(4)进行局部搜索；
其中，
其中，
步骤b7：计算更新后的所有个体的适应度值，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的移动机器人电量低频预测模型的权值、阈值和伸缩平移系数，否则返回步骤b4，进行下一次迭代。
在取物过程中，依据移动机器人经过地面导轨上等间距设置的具有唯一id的地标，判断移动机器人是否发生故障，具体过程如下：
移动机器人实时地将通过地面导轨的地标信息返回给远程控制器，当移动机器人返回通过地标a的信息后，若未在指定时间范围内返回通过下一个地标a+1的信息时，远程控制器判断当前移动机器人发生故障，并根据地标a和下一个地标a+1的位置，判断出故障移动机器人所在的位置。
当移动机器人在地面轨道发生故障时，远程控制器发送道岔开启指令，将地面轨道上的道岔开启，并发送牵引指令至与发生故障的移动机器人位于同一地面轨道的备用移动机器人，令备用移动机器人移动至发生故障的移动机器人所在位置区域，启动备用移动机器人底座的电磁吸引装置，吸附发生故障的移动机器人，将发生故障的移动机器人沿地面导轨通过道岔牵引至移动机器人待维修区域；
相邻的地面导轨之间设有电控道岔，且移动机器人待维修区域与地面导轨之间设置有电控道岔；
所述备用移动机器人位于备用机器人等待区域，所述备用机器人等待区域位于运输任务起点处，且与地面导轨连通。
当备用移动机器人到达发生故障的移动机器人经过的最后一个地标a后，打开备用移动机器人的车载双目相机zed，测量出与发生故障的移动机器人之间的距离，依据所测得的距离，令备用移动机器人靠近发生故障的移动机器人。
当执行运输任务的移动机器人发生故障，被牵引至维修区域的同时，远程控制器发送指令给同一轨道的处于空闲状态的备用机器人代替故障机器人执行运输任务。
对不同轨道上的机器人进行编号，轨道1上的移动机器人命名为1a,处于备用移动机器人等待区域的备用移动机器人命名为1b、1c、1d、1e、1f；轨道2上的移动机器人命名为2a,处于备用移动机器人等待区域的备用机器人命名为2b、2c、2d、2e、2f，轨道3以此类推。
若远程服务器发现移动机器人1a在执行运输任务时发生故障，则发送指令给处于同一轨道上的备用移动机器人1b前去牵引故障机器人。
在备用移动机器人1b成功牵引故障移动机器人1a至维修区域后，发送指令给远程服务器。远程服务器收到指令后，则命令同一轨道备用移动机器人1c代替移动机器人1a，重新开始运输任务。
备用移动机器人1b根据自身电量，返回备用移动机器人等待区域进行待命。
在运输任务起点与终点之间设置充电导轨，且充电导轨与地面导轨连通，在充电导轨上设置移动机器人充电区域；
当移动机器人完成一次运输任务后，移动机器人根据自身电量做出以下决策：
若移动机器人下一时刻的电量预测值大于25％，则沿地面导轨原路返回，等待下一次运输任务；
若移动机器人下一时刻的电量预测值小于等于25％，则移动机器人沿地面导轨移动至充电导轨上，达到移动机器人充电区域进行，并将充电信息反馈给远程控制器。
所述移动机器人待维修区域与充电导轨连通，位于移动机器人待维修区域中的备用机器人电量若低于25％，则沿充电导轨进入移动机器人充电区域充电，否则，沿充电导轨进入位于运输任务起点处的备用机器人等待区域。
一种自动化导轨运载装置及机器人协同运载系统，如图5所示，包括桌面机器人、桌面控制器、移动机器人、导轨以及远程控制器；
如图3所示，所述导轨包括桌面导轨和地面导轨，相邻的地面导轨之间设有电控道岔，且地面导轨上间隔设置有具有唯一id的地标；
所述桌面控制器、移动机器人和导轨上的电控道岔均与所述远程控制器进行通信；
所述桌面机器人设置于工作台上，受控于桌面控制器，沿工作台上的桌面导轨移动，工作台上设置有固定的取、放物位置，且取、放物位置上设有光敏传感器，所述光敏传感器与桌面控制器相连；
工作台上设有固定取、放物位置的侧边设置有测距传感接收器；
所述移动机器人上设有测距传感器，设置于地面，采用上述的一种自动化导轨运载装置及机器人协同运载方法沿地面上的地面导轨移动。
在运输区域还设置有移动机器人充电区域、备用机器人等待区域，移动机器人待维修区域；
所述移动机器人充电区域设置于运输任务起始位置与结束位置之间的充电导轨上，所述充电导轨与备用机器人等待区域导轨连通，且所述备用机器人等待区域导轨与地面导轨连通。
所述移动机器人待维修区域与地面导轨之间设置有电控道岔，且移动机器人基座上设置有地磁吸引装置和车载双目相机zed，如图2所示，所述车载双目zed设置在机器人的基座上方。
以上结合具体实施例对本发明进行了详细的说明，这些并非构成对发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可以做出许多变形和改进，这些也应属于本发明的保护范围。