一种智慧物流环境机器人装载方法与装置与流程

本发明属于机器人货物装载领域，特别涉及一种智慧物流环境机器人装载方法与装置。

背景技术

近些年来，物流行业发展迅速，“智慧物流”越来越受到人们的关注，在“智慧物流”环境中普遍是人工来完成货物装载，造成人力成本高，货物装载效率低下。智慧物流与机器人结合，实现货物自动智能装载是物流行业发展的核心方向。

智慧物流环境下的货物装载是物流管理流程中重要的一个环节，其包括对货物入库、库存管理、补货拣货、流通加工、出货作业和配送作业等步骤。目前来看，每个步骤衔接性差，步骤复杂，且许多操作需人工完成。因此整合物流管理流程，实现“智慧物流”真正与机器人结合是很有必要的。

传统人工装载方法由于成本高等弊端已经不适用于物流行业。工人操控机器手臂或码垛机器人对货物装载会导致货物错误装载，多种货物装载实用性低，效率低等问题。如今，存在自动装载机器人利用手臂关节动力学方程的方法来获取训练样本，从而利用机器学习的方法对货物进行装载，事实证明利用动力学方程求解的方法存在稳定性不好，实用性不强的弊端。基于上述原因，急需一种更为“智慧”的机器人装载方法与装置。

技术实现要素：

本发明针对现有技术中货物装载方式中存在的缺陷，提出一种智慧物流环境机器人装载方法与装置，充分利用视觉自动获取货物尺寸和运送地址信息，结合分类机器人与智能搬运车对货物利用神经网络模型进行分类与装载，大大的减少装载错误率，提高装载效率。

一种智慧物流环境机器人装载方法，包括以下步骤：

步骤1：实时获取传输带上待装载的货物尺寸、运送地址、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离和货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角；

其中，所述货物尺寸、运送地址、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离和货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角通过安装在分类机器人上的zed摄像头通过视觉识别获取；

步骤2：根据货物尺寸和运送地址，计算货物在运送地址对应的待装载区放置位置坐标，并对货物进行唯一编号；

以待装载区左下角为原点，水平面向右为x轴，向上为y轴，垂直地面指向天空为z轴，建立待装载区三维坐标系，且以货物下表面最靠近x轴且最远离y轴的点作为货物放置点；

步骤3：基于获得的待装载区放置位置坐标，利用分类机器人将货物从传输带夹取至用于暂存的对应待装载区，将待装载区中新存放的货物编号发送至服务器；

步骤4：若待装载区货物数量大于10，则依据待装载区暂存的所有货物尺寸与存放位置，计算货物将在agv智能搬运车的装载区终点位置坐标，否则，继续等待待装货物，返回步骤1；

以装载区左下角为原点，水平面向右为a轴，向上为b轴，垂直地面指向天空为c轴，建立装载区三维坐标系，且以货物下表面最靠近a轴且最远离b轴的顶点作为货物的终点位置坐标；

步骤5：依据服务器中记录的货物信息，发出装载指令至agv智能搬运车，将待装载区中的货物依据货物尺寸、在待装载区放置位置坐标和在agv智能搬运车的装载区终点位置坐标输入智能搬运控制模型，获得agv智能搬运车的装载机器手臂关节控制矩阵q2，依据所获得的控制矩阵q2将货物搬运至agv智能搬运车的装载区上；

所述agv智能搬运车的装载机器手臂关节控制矩阵q2大小为n2*m2，n2为所述装载机器手臂关节个数，m2为所述装载机器手臂在整个搬运过程中的关节位置改变次数；

所述智能搬运控制模型是将待装载区中的货物在待装载区放置位置坐标(x,y,z)、在agv智能搬运车的装载区终点位置坐标(a,b,c)和货物尺寸作为输入数据，将装载机器手臂在搬货过程中的关节控制矩阵作为输出数据，对灰色神经网络进行训练获得；

所述装载机器手臂关节控制矩阵q2包括装载机器手臂在搬运过程中每个关节在每个运动时刻的坐标值(α2,θ2)，其中，α2表示关节连接手臂两端的角度，θ2表示关节点与关节启动位置时旋转的角度；

所述智能搬运控制模型的训练过程为：利用人工控制服务器操纵装载机器手臂对各种货物进行搬运装载，获得装载训练数据，以装载训练数据中的货物在待装载区放置位置坐标(x,y,z)、在agv智能搬运车的装载区终点位置坐标(a,b,c)和货物尺寸作为输入数据，将装载机器手臂在搬货过程中的关节控制矩阵作为输出数据，对灰色神经网络进行训练，并设置输入层节点个数为9，隐含层节点个数为19，输出层节点个数为装载机器手臂关节个数n2；训练过程中的最大迭代次数设置为500，训练学习率为0.01，阈值为0.05。

进一步地，所述智能搬运控制模型中灰色神经网络的权值和阈值采用萤火虫算法进行优化选择获得，具体过程如下：

步骤c1：初始化萤火虫种群，设置萤火虫初始参数；

将萤火虫个体位置作为灰色神经网络的权值和阈值，随机初始化萤火虫种群；

其中，设置萤火虫数目取值范围为[10,400]，最大吸引度β0＝1，光强吸收系数γ取值范围为[0.002,200]，步长因子α取值范围为[0.01,1]，最大迭代次数t取值范围为[300,2000]，搜索精度ε取值范围为[0.001,0.1]；

步骤c2：设定适应度函数，并确定初始最亮萤火虫个体位置和迭代次数t，t＝1；

将萤火虫个体位置对应的权值和阈值代入所述的灰色神经网络中，并利用萤火虫个体位置确定的智能搬运控制模型计算装载机器手臂各关节坐标值，将装载机器手臂各关节坐标预测值和实际值的差值e之和加1的倒数作为第一适应度函数f1(x)，f1(x)＝1/(∑e+1)；

利用第一适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；

步骤c3：计算群体中萤火虫的相对亮度i和吸引度β，根据相对亮度决定萤火虫的移动方向；

萤火虫的相对亮度i为：

其中，i0表示最亮萤火虫的亮度，γ表示光吸收系数，rij表示萤火虫i与j之间的距离；

萤火虫的吸引度β为：

其中，β0表示最大吸引度；

步骤c4：更新萤火虫的个体位置，对最亮萤火虫个体位置进行随机移动；

xi(t+1)＝xi(t)+β(xj(t)-xi(t))+α(rand-1/2)

其中，xi(t)与xj(t)表示i与j两个萤火虫的个体位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；

步骤c5：计算当前萤火虫种群中每个萤火虫个体位置的适应度；

根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；

步骤c6：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则选出最亮萤火虫个体，输出最亮萤火虫个体位置对应的灰色神经网络的最佳权值和阈值，得到智能搬运控制模型，否则，令t＝t+1，转到步骤c3继续下一次迭代。

进一步地，所述货物将在对应运送地址的待装载区放置位置坐标的计算过程如下：

步骤a1：设置待装载区沿x轴，y轴，z轴最大长度分别为xmax，ymax，zmax，令xd＝xmax,yd＝0,zd＝0；

步骤a2：判断待装载区中(x,y,z)＝(xd,yd,zd)位置坐标处是否存在货物，若是，进入步骤a3，否则，进入步骤a8；

步骤a3：设定l(xd)、l(yd)、l(zd)分别为处在(x,y,z)＝(xd,yd,zd)位置的货物沿x轴、y轴、z轴的长度；

步骤a4：判断l(yd)+yd>ymax是否成立，若是，进入步骤a5，否则，令yd＝l(yd)+yd，然后进入步骤a2；

步骤a5：判断l(zd)+zd>zmax和ymax-l(yd)＝0是否同时成立，若是，进入步骤a6，若只有l(zd)+zd>zmax成立，则进入步骤a4，否则，令zd＝l(zd)+zd，然后进入步骤a2；

步骤a6：判断xd-l(xd)<0和l(zd)+zd>zmax是否同时成立，若是，进入步骤a7，若只有xd-l(xd)<0成立，则进入步骤a4，否则，令xd＝xd-l(xd)，然后进入步骤a2；

步骤a7：终止计算，发出待装载区货物已满的警告；

步骤a8：判断将要放置的货物尺寸是否满足长度宽度均小于该位置坐标正下方已存在货物的长度和宽度，若是，将该位置坐标作为待放置货物的放置位置坐标，否则，将该位置坐标正下方已存在货物沿y轴方向的长度加上yd作为新的yd，然后进入步骤a2。

进一步地，所述货物将在agv智能搬运车的装载区终点位置坐标计算方法如下：

步骤b1：在服务器虚拟环境中选取待装载区上表面中面积最大的货物，获取该货物编号及长宽高信息，进入步骤b2；

步骤b2：设置装载区沿a轴，b轴，c轴最大长度分别为amax，bmax，cmax，令ad＝amax,bd＝0,cd＝0；

步骤b3：判断装载区域中(a,b,c)＝(ad,bd,cd)位置坐标处是否存在货物，若是，进入步骤b4，否则，进入步骤b9；

步骤b4：设定l(ad)、l(bd)、l(cd)分别为处在(a,b,c)＝(ad,bd,cd)位置的货物沿a轴、b轴、c轴方向的长度；

步骤b5：判断l(bd)+bd>bmax是否成立，若是，进入步骤b6，否则，令bd＝l(bd)+bd，然后进入步骤b3；

步骤b6：判断l(cd)+cd>cmax和bmax-l(bd)＝0是否同时成立，若是，进入步骤b7，若只有l(cd)+cd>cmax成立，则进入步骤b5，否则，令cd＝l(cd)+cd，然后进入步骤b3；

步骤b7：判断ad-l(ad)<0和l(cd)+cd>cmax是否同时成立，若是，进入步骤b8，若只有ad-l(ad)<0成立，则进入步骤b5，否则，令ad＝ad-l(ad)，然后进入步骤b3；

步骤b8：终止计算，得到每个不同编号的货物将在装载区的终点位置坐标；

步骤b9：判断将要放置的货物尺寸是否满足长度宽度均小于该位置坐标正下方已存在货物的长度和宽度，若是，将该位置坐标作为该编号货物的放置坐标然后进入步骤b10，否则，将该位置坐标正下方已存在货物沿b轴方向长度加上bd作为新的bd，然后进入步骤b3；

步骤b10：判断待装载区中所有编号的货物是否都有相应的终点位置坐标，若是，则完成每个编号的货物终点位置坐标的计算，否则，删除服务器虚拟环境中已经计算过终点位置坐标的货物，更新待装载区上表面货物信息，并进入步骤b1。

进一步地，所述利用分类机器人将货物从传输带夹取至用于暂存的对应待装载区的过程是指将利用分类机器人上的zed摄像头获取的货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标作为输入数据，输入至分类夹取模型，获得分类机器人在分类夹取过程的分类机器人手臂关节控制矩阵q1，依据所获得的分类机器人手臂关节控制矩阵q1将货物从传输带夹取至待装载区上；

所述分类机器人手臂关节控制矩阵q1大小为n1*m1，n1为所述分类机器人手臂关节个数，m1为所述分类机器人手臂在整个夹取过程中的关节位置改变次数；

所述分类机器人手臂关节控制矩阵q1包括分类机器人手臂在抓取过程中每个关节在每个运动时刻的坐标值(α1,θ1)，其中，α1表示关节连接手臂两端的角度，θ1表示关节点与关节启动位置时旋转的角度；

所述分类夹取模型是将货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标(x,y,z)作为输入数据，将分类机器人在夹取过程中的各关节控制矩阵作为输出数据，对小波神经网络进行训练获得；

所述分类夹取模型的训练过程为：先利用人工控制服务器操纵分类机器人对各种货物进行夹取，获得夹取训练数据，以夹取训练数据中的货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标(x,y,z)作为小波神经网络的输入数据，将分类机器人在夹取搬运过程中的各关节控制矩阵作为小波神经网络的输出数据，在训练时设置输入层节点个数为8，隐含层节点个数为17，输出层节点个数为分类机器人手臂关节个数n1，最大迭代次数设置为600，训练学习率为0.01，阈值为0.05，且所述小波神经网络的权值、阈值和伸缩平移系数采用狼群算法进行优化选择获得。

进一步地，所述分类夹取模型中小波神经网络的权值、阈值和伸缩平移系数采用狼群算法进行优化选择获得，具体过程如下：

步骤e1：初始化狼群并设置狼群参数；

狼群规模设置取值范围为[5,130]，步长因子设置取值范围为[900,3000]，探狼比例因子设置取值范围为[3,10]，最大游走次数设置取值范围为[5,30]，距离判定因子设置取值范围为[100,400]，最大奔袭次数设置取值范围为[6,20]，更新比例因子设置取值范围为[2,30]，最大迭代次数设置取值范围为[100,1500]，最大搜索精度设置取值范围为[0.001,0.2]；

步骤e2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；

依次个体狼位置对应的参数值带入分类夹取模型中，并利用个体狼位置确定的分类夹取模型得到输出结果，将输出结果和实际值的均方差mse的倒数作为第二适应度函数f2(x)，f2(x)＝1/mse；

利用第二适应度函数计算每个个体狼位置的适应度，以最大适应度对应的个体狼位置作为初始最优头狼位置

步骤e3：探狼游走；

从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束；

步骤e4：猛狼奔袭；

除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；

若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态；

步骤e5：狼群围攻；

除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，个体狼保持原位置不变；

步骤e6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼；

步骤e7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的小波神经网络的最优权值、阈值和伸缩平移系数，得到分类夹取模型，否则，令t＝t+1，返回步骤e3，继续下一次迭代。

进一步地，所述运送地址通过zed摄像头识别货物上的条形码获取，或者通过zed摄像头对货物上的地址字符识别获取；

所述地址字符识别获取过程如下：

步骤d1：读取zed摄像头获取的图像，对图像进行灰度化和二值化处理；

步骤d2：对经过步骤d1处理后的图像做倾斜矫正，对矫正后的图像进行滤波平滑处理；

步骤d3：对经过滤波平滑处理后的字符区域进行提取分割出单个字符，得到单个字符图像矩阵；

步骤d4：将依次将分割出的单个字符图像矩阵作为输入数据，输入至已经训练好的基于elman神经网络的字符识别模型；

步骤d5：将所有输出字符按识别顺序组合，对比存有一级地址、二级地址、三级地址的地址库，得到识别地址；

所述基于elman神经网络的字符识别模型的训练过程为：利用已知地址信息的图像，并按照步骤d1-d3进行处理，获得各单个字符图像矩阵，以各单个字符图像矩阵作为输入数据，对应的字符名称作为输出数据，且设置输入层节点个数为2，隐含层节点个数为5，输出层节点个数为1，对elman神经网络进行训练；训练过程中的最大迭代次数设置为1000，训练学习率为0.01，阈值为0.02。

进一步地，所述一级地址指所有省份、自治区、直辖市或者特别行政区；所述二级地址指所有地区、盟、自治州、地级市；所述三级地址指所有县、自治县、旗、自治旗、县级市、市辖区、林区、特区。

一种智慧物流环境机器人装载装置，包括：

服务器，用于储存货物信息，建立待装载区和装载区虚拟环境和数据运算；

传输带，用于传输各种货物；

分类机器人，安装有多关节机器手臂，采用上述的方法将货物从传输带夹取至用于暂存的对应待装载区；

zed摄像头，安装在分类机器人上，用于视觉识别货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角；

待装载区，用于暂存分类机器人从传输带夹取过来的货物；

kinect摄像头，安装在待装载区正上方，俯视整个待装载区，用于视觉识别存放在待装载区所有货物的位置、尺寸边缘信息以及对货物进行编号位置追踪；

agv智能搬运车,包括装载机器手臂、装载区和sr200摄像头，其中，装载机器手臂采用上述的方法将货物从待装载区搬运至装载区，装载区用于存放从待装载区搬运过来的货物，sr200摄像头安装于俯视整个装载区的位置，用于识别装载区所有货物位置、货物尺寸边缘信息。

有益效果

本发明提供了一种智慧物流环境机器人装载方法与装置，该方法包括以下步骤：步骤1：实时获取货物信息；步骤2：计算货物在运送地址对应的待装载区放置位置坐标；步骤3：基于获得的待装载区放置位置坐标，利用分类机器人将货物从传输带夹取至用于暂存的对应待装载区；步骤4：若待装载区货物数量大于10，则计算货物将在agv智能搬运车的装载区终点位置坐标，否则，继续等待待装货物；步骤5：依据服务器中记录的货物信息，发出装载指令至agv智能搬运车，将待装载区中的货物依据货物尺寸、在待装载区放置位置坐标和在agv智能搬运车的装载区终点位置坐标输入智能搬运控制模型，获得agv智能搬运车的装载机器手臂关节控制矩阵，依据所获得的控制矩阵将货物搬运至agv智能搬运车的装载区上。整个装置结构简单，操作方便，大大的实现了无人化、智能化的装载过程，具有极大的推广价值。

本发明结合机器视觉自动获取货物尺寸、货物运送地址、货物位置坐标等信息，按不同运送地址设置用于暂存货物的待装载区，方便货物进一步搬运装载，采用安装有装载机器手臂和sr200摄像头且设置有装载区的agv智能搬运车搬运货物，大大提高货物装载效率；利用传输带与分类机器人位置信息以及待装载区放置位置坐标信息建立基于神经网络的夹取分类模型，对不同位置状态的货物进行夹取，提高货物夹取精确度；建立货物在待装载区放置位置坐标和在装载区的终点位置坐标对装载机器手臂各关节控制矩阵的映射关系，建立智能搬运控制模型，提高针对不同起点和终点位置的货物夹取效率；整个智慧物流环境机器人装载方法与装置实现货物装载流程自动化智能化智慧化，能大大降低人力消耗，减少装载错误率，提高装载效率。

附图说明

图1为本发明所述方法的流程示意图；

图2为本发明所述装置的结构示意图。

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，一种智慧物流环境机器人装载方法，包括以下步骤：

步骤1：实时获取传输带上待装载的货物尺寸(l,w,h)、运送地址(f_p,s_p,t_p)、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离l和货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角μ；

其中，所述货物尺寸、运送地址、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离和货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角通过安装在分类机器人上的zed摄像头通过视觉识别获取；

其中，所述货物尺寸包括货物的长度l、宽度w、高度h；

其中，所述货物的运送地址包括一级地址f_p、二级地址s_p、三级地址t_p；所述一级地址指货物运送的省份、自治区、直辖市或者特别行政区；所述二级地址指货物运送的地区、盟、自治州、地级市；所述三级地址指货物运送的县、自治县、旗、自治旗、县级市、市辖区、林区、特区；

其中，所述货物在传输带上被抓取瞬间与分类机器人手臂之间的距离l为货物被抓去瞬间通过zed摄像头判别的货物中心与分类机器人基座中心的距离；

其中，所述货物在传输带上被抓取瞬间货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角μ为货物被抓取瞬间通过zed摄像头判别的货物中心-分类机器人基座中心连线与货物在传输带传输方向的垂线的夹角；

所述运送地址通过zed摄像头识别货物上的条形码获取，或者通过zed摄像头对货物上的地址字符识别获取；

所述地址字符识别获取过程如下：

步骤d1：读取zed摄像头获取的图像，对图像进行灰度化和二值化处理；

步骤d2：对经过步骤d1处理后的图像做倾斜矫正，对矫正后的图像进行滤波平滑处理；

步骤d3：对经过滤波平滑处理后的字符区域进行提取分割出单个字符，得到单个字符图像矩阵；

步骤d4：将依次将分割出的单个字符图像矩阵作为输入数据，输入至已经训练好的基于elman神经网络的字符识别模型；

步骤d5：将所有输出字符按识别顺序组合，对比存有一级地址、二级地址、三级地址的地址库，得到识别地址；

所述基于elman神经网络的字符识别模型的训练过程为：利用已知地址信息的图像，并按照步骤d1-d3进行处理，获得各单个字符图像矩阵，以各单个字符图像矩阵作为输入数据，对应的字符名称作为输出数据，且设置输入层节点个数为2，隐含层节点个数为5，输出层节点个数为1，对elman神经网络进行训练；训练过程中的最大迭代次数设置为1000，训练学习率为0.01，阈值为0.02；

步骤2：根据货物尺寸(l,w,h)和运送地址(f_p,s_p,t_p)，计算货物在运送地址对应的待装载区放置位置坐标，并对货物进行唯一编号，得到货物夹取信息向量(li,wi,hi,li,μi,xi,yi,zi)；其中，i为该货物的唯一编号,(li,wi,hi,li,μi,xi,yi,zi)内的数据分别代表编号为i的货物的长度li、宽度wi、高度hi、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离li、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角μ以及在待装载区放置位置坐标(xi,yi,zi)；

待装载区为矩形区域，上方装有竖直朝下的kinect摄像头，kinect摄像头视野覆盖整个待装载区，以待装载区左下角为原点，水平面向右为x轴，向上为y轴，垂直地面指向天空为z轴，建立待装载区三维坐标系，且以货物下表面最靠近x轴且最远离y轴的点作为货物放置点；所述货物在对应运送地址的待装载区放置位置坐标的计算过程如下：

步骤a1：设置待装载区沿x轴，y轴，z轴最大长度分别为xmax，ymax，zmax，令xd＝xmax,yd＝0,zd＝0；

步骤a2：判断待装载区中(x,y,z)＝(xd,yd,zd)位置坐标处是否存在货物，若是，进入步骤a3，否则，进入步骤a8；

步骤a3：设定l(xd)、l(yd)、l(zd)分别为处在(x,y,z)＝(xd,yd,zd)位置的货物沿x轴、y轴、z轴的长度；

步骤a4：判断l(yd)+yd>ymax是否成立，若是，进入步骤a5，否则，令yd＝l(yd)+yd，然后进入步骤a2；

步骤a5：判断l(zd)+zd>zmax和ymax-l(yd)＝0是否同时成立，若是，进入步骤a6，若只有l(zd)+zd>zmax成立，则进入步骤a4，否则，令zd＝l(zd)+zd，然后进入步骤a2；

步骤a6：判断xd-l(xd)<0和l(zd)+zd>zmax是否同时成立，若是，进入步骤a7，若只有xd-l(xd)<0成立，则进入步骤a4，否则，令xd＝xd-l(xd)，然后进入步骤a2；

步骤a7：终止计算，发出待装载区货物已满的警告；

步骤a8：判断将要放置的货物尺寸是否满足长度宽度均小于该位置坐标正下方已存在货物的长度和宽度，若是，将该位置坐标作为待放置货物的放置位置坐标，否则，将该位置坐标正下方已存在货物沿y轴方向的长度加上yd作为新的yd，然后进入步骤a2；

步骤3：基于获得的待装载区放置位置坐标，利用分类机器人将货物从传输带夹取至用于暂存的对应待装载区，将待装载区中新存放的货物编号发送至服务器；

所述利用分类机器人将货物从传输带夹取至用于暂存的对应待装载区的过程是指将利用分类机器人上的zed摄像头获取的货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离l、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标即货物信息向量(li,wi,hi,li,μi,xi,yi,zi)作为输入数据，输入至分类夹取模型，获得分类机器人在分类夹取过程的分类机器人手臂关节控制矩阵q1，依据所获得的分类机器人手臂关节控制矩阵q1将货物从传输带夹取至待装载区上；

所述分类机器人手臂关节控制矩阵q1大小为n1*m1，n1为所述分类机器人手臂关节个数，m1为所述分类机器人手臂在整个夹取过程中的关节位置改变次数；

所述分类机器人手臂关节控制矩阵q1包括分类机器人手臂在抓取过程中每个关节在每个运动时刻的坐标值(α1,θ1)，其中，α1表示关节连接手臂两端的角度，θ1表示关节点与关节启动位置时旋转的角度；所述分类夹取模型是将货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标作为输入数据，将分类机器人在夹取过程中的各关节控制矩阵作为输出数据，对小波神经网络进行训练获得；

所述分类夹取模型利用小波神经网络进行训练时，先利用人工控制服务器操纵分类机器人对各种货物进行夹取，获得夹取训练数据，以夹取训练数据中的货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角以及货物在待装载区放置位置坐标(x,y,z)作为小波神经网络的输入数据，将分类机器人在夹取搬运过程中的各关节控制矩阵作为小波神经网络的输出数据，在训练时设置输入层节点个数为8，隐含层节点个数为17，输出层节点个数为分类机器人手臂关节个数n1，最大迭代次数设置为600，训练学习率为0.01，阈值为0.05，且所述小波神经网络的权值、阈值和伸缩平移系数采用狼群算法进行优化选择获得；

所述分类夹取模型中小波神经网络的权值、阈值和伸缩平移系数采用狼群算法进行优化选择获得，具体过程如下：

步骤e1：初始化狼群并设置狼群参数；

狼群规模设置取值范围为[5,130]，步长因子设置取值范围为[900,3000]，探狼比例因子设置取值范围为[3,10]，最大游走次数设置取值范围为[5,30]，距离判定因子设置取值范围为[100,400]，最大奔袭次数设置取值范围为[6,20]，更新比例因子设置取值范围为[2,30]，最大迭代次数设置取值范围为[100,1500]，最大搜索精度设置取值范围为[0.001,0.2]；

步骤e2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；

依次个体狼位置对应的参数值带入分类夹取模型中，并利用个体狼位置确定的分类夹取模型得到输出结果，将输出结果和实际值的均方差mse的倒数作为第二适应度函数f2(x)，f2(x)＝1/mse；

利用第二适应度函数计算每个个体狼位置的适应度，以最大适应度对应的个体狼位置作为初始最优头狼位置

步骤e3：探狼游走；

从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束；

步骤e4：猛狼奔袭；

除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；

若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态；

步骤e5：狼群围攻；

除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，个体狼保持原位置不变；

步骤e6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼；

步骤e7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的小波神经网络的最优权值、阈值和伸缩平移系数，得到分类夹取模型，否则，令t＝t+1，返回步骤e3，继续下一次迭代；

步骤4：若待装载区货物数量大于10，则依据待装载区暂存的所有货物尺寸与存放位置，计算货物将在agv智能搬运车的装载区终点位置坐标，否则，继续等待待装货物，返回步骤1；

所述货物尺寸、货物在待装载区的放置位置坐标、货物将在agv智能搬运车的装载区终点位置坐标组成货物搬运信息向量(li,wi,hi,xi,yi,zi,ai,bi,ci)；其中，i为货物的唯一编号,(li,wi,hi,xi,yi,zi,ai,bi,ci)内的数据分别代表编号为i的货物的长度li、宽度wi、高度hi、货物在待装载区放置位置坐标(xi,yi,zi)和货物将在agv智能搬运车的装载区终点位置坐标(ai,bi,ci)；

agv智能搬运车上的装载区为矩形区域，在指定位置上安装有装载机器手臂和sr200摄像头，装载机器手臂的操作范围能够覆盖整个待装载区和装载区，sr200摄像头视野范围能够覆盖整个装载区，以装载区左下角为原点，水平面向右为a轴，向上为b轴，垂直地面指向天空为c轴，建立装载区三维坐标系，且以货物下表面最靠近a轴且最远离b轴的顶点作为货物的终点位置坐标；

所述货物将在agv智能搬运车上的装载区终点位置坐标计算方法如下：

步骤b1：在服务器虚拟环境中选取待装载区上表面中面积最大的货物，获取该货物编号及长宽高信息，进入步骤b2；

步骤b2：设置装载区沿a轴，b轴，c轴最大长度分别为amax，bmax，cmax，令ad＝amax,bd＝0,cd＝0；

步骤b3：判断装载区域中(a,b,c)＝(ad,bd,cd)位置坐标处是否存在货物，若是，进入步骤b4，否则，进入步骤b9；

步骤b4：设定l(ad)、l(bd)、l(cd)分别为处在(a,b,c)＝(ad,bd,cd)位置的货物沿a轴、b轴、c轴方向的长度；

步骤b5：判断l(bd)+bd>bmax是否成立，若是，进入步骤b6，否则，令bd＝l(bd)+bd，然后进入步骤b3；

步骤b6：判断l(cd)+cd>cmax和bmax-l(bd)＝0是否同时成立，若是，进入步骤b7，若只有l(cd)+cd>cmax成立，则进入步骤b5，否则，令cd＝l(cd)+cd，然后进入步骤b3；

步骤b7：判断ad-l(ad)<0和l(cd)+cd>cmax是否同时成立，若是，进入步骤b8，若只有ad-l(ad)<0成立，则进入步骤b5，否则，令ad＝ad-l(ad)，然后进入步骤b3；

步骤b8：终止计算，得到每个不同编号的货物将在装载区的终点位置坐标；

步骤b9：判断将要放置的货物尺寸是否满足长度宽度均小于该位置坐标正下方已存在货物的长度和宽度，若是，将该位置坐标作为该编号货物的放置坐标然后进入步骤b10，否则，将该位置坐标正下方已存在货物沿b轴方向长度加上bd作为新的bd，然后进入步骤b3；

步骤b10：判断待装载区中所有编号的货物是否都有相应的终点位置坐标，若是，则完成每个编号的货物终点位置坐标的计算，否则，删除服务器虚拟环境中已经计算过终点位置坐标的货物，更新待装载区上表面货物信息，并进入步骤b1；

步骤5：依据服务器中记录的货物信息，发出装载指令至agv智能搬运车，将待装载区中的货物依据货物尺寸、在待装载区放置位置坐标和在agv智能搬运车的装载区终点位置坐标输入智能搬运控制模型，获得agv智能搬运车的装载机器手臂关节控制矩阵q2，依据所获得的控制矩阵q2将货物搬运至agv智能搬运车的装载区上；

所述agv智能搬运车的装载机器手臂关节控制矩阵q2大小为n2*m2，n2为所述装载机器手臂关节个数，m2为所述装载机器手臂在整个搬运过程中的关节位置改变次数；

所述智能搬运控制模型是将待装载区中的货物在待装载区放置位置坐标(x,y,z)、在agv智能搬运车的装载区终点位置坐标(a,b,c)和货物尺寸作为输入数据，将装载机器手臂在搬货过程中的关节控制矩阵作为输出数据，对灰色神经网络进行训练获得；

所述装载机器手臂关节控制矩阵q2包括装载机器手臂在搬运过程中每个关节在每个运动时刻的坐标值(α2,θ2)，其中，α2表示关节连接手臂两端的角度，θ2表示关节点与关节启动位置时旋转的角度；

所述智能搬运控制模型的训练过程为：利用人工控制服务器操纵装载机器手臂对各种货物进行搬运装载，获得装载训练数据，以装载训练数据中的货物在待装载区放置位置坐标(x,y,z)、在agv智能搬运车的装载区终点位置坐标(a,b,c)和货物尺寸作为灰色神经网络的输入数据，将装载机器手臂在搬货过程中的关节控制矩阵作为灰色神经网络的输出数据，对灰色神经网络进行训练，并设置输入层节点个数为9，隐含层节点个数为19，输出层节点个数为装载机器手臂关节个数n2；训练过程中的最大迭代次数设置为500，训练学习率为0.01，阈值为0.05；

所述智能搬运控制模型中灰色神经网络的权值和阈值采用萤火虫算法进行优化选择获得，具体过程如下：

步骤c1：初始化萤火虫种群，设置萤火虫初始参数；

将萤火虫个体位置作为灰色神经网络的权值和阈值，随机初始化萤火虫种群；

其中，设置萤火虫数目取值范围为[10,400]，最大吸引度β0＝1，光强吸收系数γ取值范围为[0.002,200]，步长因子α取值范围为[0.01,1]，最大迭代次数t取值范围为[300,2000]，搜索精度ε取值范围为[0.001,0.1]；

步骤c2：设定适应度函数，并确定初始最亮萤火虫个体位置和迭代次数t，t＝1；

将萤火虫个体位置对应的权值和阈值代入所述的灰色神经网络中，并利用萤火虫个体位置确定的智能搬运控制模型计算装载机器手臂各关节坐标值，将装载机器手臂各关节坐标预测值和实际值的差值e之和加1的倒数作为第一适应度函数f1(x)，f1(x)＝1/(∑e+1)；

利用第一适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；

步骤c3：计算群体中萤火虫的相对亮度i和吸引度β，根据相对亮度决定萤火虫的移动方向；

萤火虫的相对亮度i为：

其中，i0表示最亮萤火虫的亮度，γ表示光吸收系数，rij表示萤火虫i与j之间的距离；

萤火虫的吸引度β为：

其中，β0表示最大吸引度；

步骤c4：更新萤火虫的个体位置，对最亮萤火虫个体位置进行随机移动；

xi(t+1)＝xi(t)+β(xj(t)-xi(t))+α(rand-1/2)

其中，xi(t)与xj(t)表示i与j两个萤火虫的个体位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；

步骤c5：计算当前萤火虫种群中每个萤火虫个体位置的适应度；

根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；

步骤c6：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则选出最亮萤火虫个体，输出最亮萤火虫个体位置对应的灰色神经网络的最佳权值和阈值，得到智能搬运控制模型，否则，令t＝t+1，转到步骤c3继续下一次迭代。

如图2所示，一种智慧物流环境机器人装载装置，包括：

服务器，用于储存货物信息，建立待装载区和装载区虚拟环境和数据运算；

传输带，用于传输各种货物；

分类机器人，安装有多关节机器手臂，采用上述的方法将货物从传输带夹取至用于暂存的对应待装载区；

zed摄像头，安装在分类机器人上，用于视觉识别货物尺寸、货物在传输带上被抓取瞬间与分类机器人手臂之间的距离、货物-分类机器人手臂之间的连线与货物-传输带垂直线的夹角；

待装载区，用于暂存分类机器人夹取过来的货物；

kinect摄像头，安装在待装载区正上方，俯视整个待装载区，用于视觉识别存放在待装载区所有货物的位置、尺寸边缘信息以及对货物进行编号位置追踪；

agv智能搬运车,包括装载机器手臂、装载区和sr200摄像头，其中，装载机器手臂采用上述的方法将货物从待装载区搬运至装载区，装载区用于存放搬运货物，sr200摄像头安装位置可俯视整个装载区，用于识别装载区所有货物位置、货物尺寸边缘信息。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。