一种用于数据中心物理设备上下架的智能机器人的制作方法

本发明涉及设备智能安装领域，特别涉及一种用于数据中心物理设备上下架的智能机器人。

背景技术：

目前it系统在企业内规模数量也越来越大，设备数量在数据中心也越来越多。面对日益增多的it物理设备，面对业务发展带来的变更需求，在日常的运维工作中，对服务器进行上下架的需求非常大，完成对服务器的智能上下架能提高业务上线效率，更好地支撑业务发展。

现有技术中，对数据中心服务器上下架一般采用人工上下架：即使用人工进行数据中心服务器的上下架，首先需要人工查询服务器的机柜位置及u位，搬运服务器到指定位置并抬上确定的安装位置，安装完毕后手工记录服务器位置信息。

上述方法存在的缺点：

(1)操作效率低下，该方法中操作前需要人工查询服务器位置信息，步行到设备机柜。

(2)人力成本高，该方法完全使用人工操作，现有服务器的重量一般需要3个成年人一起完成安装；

技术实现要素：

针对上述问题，本发明旨在提供一种用于数据中心物理设备上下架的智能机器人。

本发明的目的采用以下技术方案来实现：

一种用于数据中心物理设备上下架的智能机器人，包括：装有车轮的机器人主体和搬运装置，其中：

所述机器人主体包括激光雷达、里程计和中央处理模块，

所述激光雷达用于扫描并采集机器人主体在工作环境中的环境信息；

所述里程计用于测量所述机器人主体工作的行程信息；

所述中央处理模块用于获取从所述激光雷达获取的环境信息，根据所述环境信息构建工作环境的栅格地图，获取机器人自身位姿信息，进行路径规划并控制机器人进行相应的移动；

所述搬运装置设置在所述机器人主体上，用于对进行服务器的搬运、上架和下架操作。

优选地，所述机器人主体还进一步包括速度控制模块，用于根据用户设定智能控制机器人的移动速度。

优选地，所述搬运装置包括但不限于双目摄像头、图像处理模块、控制模块和射频识别模块，其中：

所述双目摄像头，用于采集所述搬运装置工作区域的图像信息，并发送到所述图像处理模块；

图像处理模块，用于对采集到的图像信息进行处理，获取服务器设备或服务器机柜的准确位置；

所述控制模块用于控制所述搬运装置对服务器设备完成上下架操作；

所述射频识别模块用于扫描并识别服务器设备和服务器机柜上的标签信息；

本发明的有益效果为：本发明提供的一种用于数据中心物理设备上下架的智能机器人，通过机器人代替人工进行服务器设备的上下架工作，根据对需要上下架的服务器的位置进行定位，准确地寻找到服务器所在的位置，通过搬运装置自动完成上下架工作，减少人力成本的支出。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的框架结构图；

图2为本发明中搬运装置的框架结构图；

图3为本发明中中央处理模块的框架结构图。

附图标记：

图像采集装置1，中央处理装置2，承载装置3、移动装置4、图像处理模块20、控制模块21、存储模块22、除噪声单元202、亮度补偿单元202、裂缝检测单元204和裂缝识别单元206

具体实施方式

结合以下应用场景对本发明作进一步描述。

如图1所示，一种用于数据中心物理设备上下架的智能机器人，包括：装有车轮的机器人主体1和搬运装置2，其中：

所述机器人主体1包括激光雷达11、里程计12和中央处理模块，

所述激光雷达11用于扫描并采集机器人主体1在工作环境中的环境信息；

所述里程计12用于测量所述机器人主体1工作的行程信息；

所述中央处理模块用于获取从所述激光雷达11获取的环境信息，根据所述环境信息构建工作环境的栅格地图，获取机器人自身位姿信息，进行路径规划并控制机器人进行相应的移动；

所述搬运装置2设置在所述机器人主体1上，用于对进行服务器的搬运、上架和下架操作。

优选地，所述机器人主体1还进一步包括速度控制模块2314，用于根据用户设定智能控制机器人的移动速度。

本发明上述实施例，通过机器人代替人工进行服务器设备的上下架工作，根据对需要上下架的服务器的位置进行定位，准确地寻找到服务器所在的位置，通过搬运装置自动完成上下架工作，减少人力成本的支出。

优选地，参见图2，所述搬运装置2包括但不限于双目摄像头21、图像处理模块22、控制模块23和射频识别模块24，其中：

所述双目摄像头21，用于采集所述搬运装置2工作区域的图像信息，并发送到所述图像处理模块22；

图像处理模块22，用于对采集到的图像信息进行处理，获取服务器设备或服务器机柜的准确位置；

所述控制模块23用于控制所述搬运装置2对服务器设备完成上下架操作；

所述射频识别模块24用于扫描并识别服务器设备和服务器机柜上的标签信息。

本优选实施例，通过在搬运装置上设置射频识别模块，能够准确地获取服务器设备和机柜上的标签信息，且通过所述摄像头进行准确定位，进一步提高了机器人对服务器设备上下架的准确性和适应性。

优选地，参见图3，所述中央处理模块包括存储单元130、slam单元132、路径规划单元134、运动控制单元136和惯性测量单元138，其中：

所述存储单元130用于储存由机器人对工作环境建立的栅格地图信息；

所述slam单元132用于根据从所述激光雷达11采集到的环境信息构建工作环境的栅格地图及获取机器人自身位姿信息；

所述路径规划单元134，用于根据所述栅格地图信息、机器人自身位姿信息和目的地信息进行全局路径规划；

所述运动控制单元136用于根据所述栅格地图信息、机器人自身位姿信息和路径规划控制机器人移动；

所述惯性测量单元138用于获取机器人的运动状态信息，输出惯性测量数据。

其中，slam(全称为simultaneouslocalizationandmapping)，表示同时定位与地图构建技术。

本优选实施例，通过上述模块设置，通过激光雷达对机器人工作环境的采集，构建栅格地图并获取机器人自身位姿信息，智能上下架机器人能够根据输入的服务器设备位置和机柜位置自动规划路径，实现了将服务器设备自动运送至所需位置的功能，进一步提高了机器人的智能性。

优选地，所述slam单元132，用于对机器人的位姿进行预测，具体为：

(1)设定临时粒子集表示为其中粒子表示机器人位姿信息，mt表示地图特征，表示粒子权重，n表示临时粒子集中粒子的总个数；

(2)采用粒子群优化算法预测机器人的速度和机器人位置向量，其中：

计算机器人速度采用的函数为：

式中，和分别表示在t+1和t时刻第i代种群粒子的速度，表示机器人在t时刻的位姿信息，ω表示惯性权重，表示第i代种群粒子曾经历过的最优位置，表示第i代粒子群曾经领过的最优位置，r1和r2为分布在[0,1]之间的随机数，c1和c2表示设定的加速因子；

计算机器人位姿信息预测采用的函数为：

式中，和分别表示机器人在t+1和t时刻的位姿信息，表示在t+1时刻第i代种群粒子的速度；

(3)如果粒子极值位置劣于粒子群平均极值位置，则对该粒子进行概率为pm的变异运算；

(4)获取对机器人预测位置的优化程度，采用的自定义适应度函数为：

其中f表示机器人预测位置的优化程度，表示机器人的测量噪声协方差矩阵，ztp表示t时刻机器人对路标观测值的预测，zt表示机器人t时刻机器人对路标的观测值，c3表示设定的加速因子，sqrt(·)表示平方根函数，t表示种群进化代数；

(5)如果机器人预测位置的优化程度f小于设定的阈值，则获取新的路标观测值zt以及更新地图特征mt中的路标特征；

(6)更新粒子权重其中采用的函数为：

(7)重复步骤(2)至(6)，直到遍历临时粒子集s中的所有粒子；

(8)进行粒子权重归一化，并重新采样：从临时粒子集中根据权重的大小按比例抽取例子并将粒子添加到新的粒子集中；

从新的粒子集中获取机器人的预测位姿信息，并对机器人进行定位。

本优选实施例，采用上述的方法获取机器人自身的位姿信息，采用粒子群优化算法，能够根据获取的地图信息，准确地判断出自身的位姿信息并对其进行优化调整，提高了定位过程中预测位置的准确性。

优选地，所述路径规划单元134，用于根据所述栅格地图信息、机器人自身位姿信息和目的地信息进行全局路径规划，具体为：

(1)获取栅格地图，初始化路径规划算法中的原始参数，包括：栅格规模c，蚂蚁种群数量a，迭代次数i，信息素初始量p，信息素权值α，启发式信息权值β，路径安全信息权值σ，信息素挥发系数ρ；

(2)初始化蚂蚁信息，根据从所述slam单元获取的机器人定位信息设置蚂蚁的起点位置，初始化蚂蚁禁忌表，路径表，路径长度：禁忌表中存放的数据代表所有栅格的禁忌状况，用来记录栅格当前状态；路径表中存放蚂蚁经过的栅格id，用来记录蚂蚁寻找到的路径；路径长度初始化为0，计算地图上栅格之间的欧氏距离l；

(3)蚂蚁k(k＝1,2,…,a)开始遍历，更新蚂蚁k在当前位置的allowed表，所述allowed表表示蚂蚁k在当前位置可选择移动到的下一栅格信息，根据概率转移公式计算表中的每个可行栅格的转移概率，使用轮盘赌的方法选择下一栅格，把选定的栅格id加入蚂蚁的路径表，更新路径长度，在禁忌表中更新这个栅格的状态，蚂蚁当前位置更新为选定的这个栅格，其中，采用的转移概率函数为：

式中，表示蚂蚁k从栅格i转移到栅格j的概率，τij(t)表示路段ij上的信息素量，ηij(t)表示启发式信息值，α表示信息素权值，β表示启发式信息权值，σ表示路径安全信息权值，和分别表示栅格j和栅格s相邻栅格邻接栅格中障碍栅格所占的比例，allowed表示当前位置的allowed表里的栅格；

(4)根据终点的禁忌情况来判断终点是否被遍历，如果终点已经被遍历，则输入蚂蚁k寻到的路径的长度，把路径表中存放的栅格id序列写入文本中，执行k＝k+1，重复步骤(3)，直到所有蚂蚁完成路径搜索任务；

(5)经过对比本周期蚂蚁得出的路径长度，记录本周期最优蚂蚁编号，以及得到的路径长度和路径信息，并对路径信息素进行挥发和更新；

(6)判断迭代次数是否等于设定的最大迭代周期数，如果不是，则重置蚂蚁信息，包括禁忌表，路径表和路径长度，并将迭代次数加1，转向步骤(3)进行新一轮搜索；如果迭代次数达到设定的最大迭代周期数，则将最优路径作为输出结果。

本优选实施例，采用上述的方法对机器人到达机柜进行上下架操作提供了全局的路径规划，和普通的蚁群算法相比，上述方法能够有效地避免了死锁发生的可能，增强了机器人自动寻路的准确性，特别在复杂的环境下，具有良好的适应性。

优选地，所述路径规划单元134中，对路径信息素进行挥发和更新，具体为：

(1)对本周起搜索得出的路径结果进行信息素更新，采用的信息素增量函数为：

式中，表示蚂蚁k在t周期时经过路段ij时释放的信息素量，γ表示信息素的总量，l表示蚂蚁k搜索的路径长度，lb表示历史最短路径长度；

(2)对历史最优路径进行信息素更新，采用的信息素增量函数为：

式中，δτij(t)表示t周期后路段ij上增加的总的信息素浓度，c表示地图中栅格的总数，γ表示信息素的总量，lb表示历史最短路径长度；

(3)在一个周期的寻路结束后，对路径的信息素进行挥发，其中采用的信息素挥发函数为：

式中，τij(t+1)表示t+1周期信息素的数量，l表示蚂蚁搜索到的路径长度，lb表示历史最短路径长度，lt表示当前周期t得出的最短路径长度，ρ表示信息素挥发系数。

本优选实施例，采用上述的方法对路径信息素进行挥发和更新，依据路径的优势自适应的对信息素浓度作出改变，保留优秀路径的优势，提高了全局的搜索能力，提高了路径规划的效果。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。