本发明属于机器人运输领域，特别涉及一种智能制造环境机器人及车辆计算智能驱动运载方法与系统。
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，在中国制造2025中，机器人作为十大重点领域之一，受到了极大的关注。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，为了完成自动化实验室中相对简单、重复性大但精度要求高的任务，移动机器人受到特别关注。在实验室中，移动机器人的自主移动大多数是通过路径规划来完成。然而路径规划本身具有的不稳定性与路线随机性极大地影响了利用移动机器人执行运输任务的可靠性。并且，移动机器人执行运输任务时发生故障，运输任务多数只能中断。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计算智能驱动运载方法与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智能制造环境机器人及车辆计算智能驱动运载方法与系统，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。
一种智能制造环境机器人及车辆计算智能驱动运载方法，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灰色神经网络的移动机器人电量高频预测模型和基于pid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，基于灰色神经网络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，对灰色神经网络进行训练获得；基于pid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pid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灰色神经网络的移动机器人电量高频预测模型和基于pid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，所述基于灰色神经网络的移动机器人电量高频预测模型中的权值和阈值采用遗传算法进行寻优获得；
步骤3.1：将降雨层作为基于灰色神经网络的移动机器人电量高频预测模型的权值和阈值，初始化降雨层种群，并设置降雨层种群参数；
降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[2,16]，海洋个数1，极小值dmin的取值范围为[0.025,0.15]，最大迭代次数的取值范围为[200,1000]，最大搜索精度的取值范围为[0.015,0.15]；
步骤3.2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的权值和阈值代入基于灰色神经网络的移动机器人电量高频预测模型中，并利用降雨层确定的基于灰色神经网络的移动机器人电量高频预测模型计算的电量预测值，将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)；
利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤3.3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；
步骤3.4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；
步骤3.5：检查是否满足蒸发条件：判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；
如果小于，则认为满足蒸发条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤3.3，否则，进入步骤3.6；
随机生成的新的降雨层数量与删掉的河流数量相同；
步骤3.6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于灰色神经网络的移动机器人电量高频预测模型的权值和阈值，若未达到，则令t＝t+1，进入步骤3.3，继续下一次迭代。
进一步地，所述基于pid神经网络的移动机器人电量低频预测模型中的权值和阈值采用改进狼群算法进行寻优获得；
步骤5.1：以个体狼的位置作为基于pid神经网络的移动机器人电量低频预测模型中的权值和阈值，初始化狼群并设置狼群参数；
狼群规模的取值范围为[20，250]，狼的视觉半径的取值范围[1,5]，可记忆步数为1，逃跑概率的取值范围为[0.025，0.085]，最大搜索精度的取值范围为[0.003,0.15]，最大迭代次数的取值范围[400,1000]；
步骤5.2：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；
将个体狼位置对应的权值和阈值代入基于pid神经网络的移动机器人电量低频预测模型计算的电量预测值，将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)；
利用第二适应度函数计算每匹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5.3：寻找每匹个体狼的第一次更新位置，以第一次更新位置更新个体狼位置，并以所有个体狼的第一次更新位置，更新狼群最优头狼位置，j＝1，j表示个体狼位置更新次数；
按照公式(1)计算每匹个体狼的第一次更新位置x1(t)，并判断计算得到的第一次更新位置是否为从未达到过的新位置，若到达过，则重复步骤5.3直到重新获得第一次更新位置，若未到达过，则利用个体狼的第一个更新位置计算得适应度；
xj(t)＝xj-1(t)+β(r)(p(t)-xj-1(t))+rand()(1)
其中，xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置，x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置；β(r)为中间计算量，
步骤5.4：判断每个个体狼的第一次更新位置是否满足以下条件，进行第二次位置更新，更新个体狼最优位置，j＝2：
第一次更新位置在其视野范围内且第一次更新位置的适应度优于其初始位置的适应度；
若满足，则令个体狼按照公式(1)寻找第二次更新位置x2(t)，当第二次更新位置的适应度优于当前个体狼最优位置的适应度，利用第二次更新位置作为个体狼最优位置，进入步骤5.5，获取第三次更新位置；
若不满足，则第二次更新位置与第一次更新位置相同，个体狼位置不变，并转到步骤5.6，获取第三次更新位置；
步骤5.5：按公式(2)寻找满足步骤5.4中所述条件的个体狼在其视野范围内的第三次更新位置，更新个体狼最优位置和狼群头狼最优位置，j＝3，进入步骤5.7；
x3(t)＝x2(t)+rand().v.(gbest-x2(t))(2)
其中：x2(t)、x3(t)表示个体狼在第t次迭代过程中的第二次更新位置和第三次更新位置；gbest为狼群当前最优头狼位置；v为狼的视觉半径；rand()为[-1,1]中的一个随机数；
步骤5.6：按照公式(3)寻找不满足步骤5.4中所述条件的个体狼的第三次更新位置x3(t)，更新狼群头狼最优位置，j＝3，进入步骤5.7；
x3(t)＝x2(t)+escape().s.(xc(t)-x2(t))(3)
其中，xc(t)表示第t次迭代过程中，所有个体狼进行第二次更新后，狼群的质心位置；s为狼的移动步长，s≤v；escape()为随机函数；
步骤5.7：依适应度值将经过三次更新后的所有个体狼从低到高进行排序；
步骤5.8：将排在前面的n+1个个体狼按非线性单纯法(nm方法)搜索每个个体的最优位置，其余的个体重复步骤5.4-步骤5.6搜索每个个体狼最优位，得到最优狼群；从最优狼群中选取全局最优头狼位置；
其中，n为随机正整数；
步骤5.9：判断是否达到最大迭代次数或者达到最大搜索精度，若达到，则输出全局最优头狼位置对应的基于pid神经网络的移动机器人电量低频预测模型的权值和阈值；否则，令t+1，转到步骤5.3，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。
一种智能制造环境机器人及车辆计算智能驱动运载系统，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
本发明提供了一种智能制造环境机器人及车辆计算智能驱动运载方法与系统，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)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；
(2)基于机器人的电量具有不稳定和跳跃的特性，建立了基于灰色神经网络与pid神经网络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；
(3)采用水循环算法对灰色神经网络的参数进行寻优以及采用改进狼群算法对pid神经网络的参数进行寻优，从而避免了局部收敛的问题，并提高了电量预测精度；
(4)多类型机器人协同工作，桌面机器人负责物体短距离的取放，移动机器人负责物体的长距离运输，大大提高了运输的效率。
(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为本发明电量预测模型示意图；
图5为本发明智能运载方法系统图。
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，一种智能制造环境机器人及车辆计算智能驱动运载方法，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灰色神经网络的移动机器人电量高频预测模型和基于pid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，基于灰色神经网络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，对灰色神经网络进行训练获得；基于pid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pid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灰色神经网络的移动机器人电量高频预测模型和基于pid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。
所述基于灰色神经网络的移动机器人电量高频预测模型中的权值和阈值采用遗传算法进行寻优获得；
步骤3.1：将降雨层作为基于灰色神经网络的移动机器人电量高频预测模型的权值和阈值，初始化降雨层种群，并设置降雨层种群参数；
降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[2,16]，海洋个数1，极小值dmin的取值范围为[0.025,0.15]，最大迭代次数的取值范围为[200,1000]，最大搜索精度的取值范围为[0.015,0.15]；
步骤3.2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的权值和阈值代入基于灰色神经网络的移动机器人电量高频预测模型中，并利用降雨层确定的基于灰色神经网络的移动机器人电量高频预测模型计算的电量预测值，将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)；
利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；
步骤3.3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；
步骤3.4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；
步骤3.5：检查是否满足蒸发条件：判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；
如果小于，则认为满足蒸发条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤3.3，否则，进入步骤3.6；
随机生成的新的降雨层数量与删掉的河流数量相同；
步骤3.6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于灰色神经网络的移动机器人电量高频预测模型的权值和阈值，若未达到，则令t＝t+1，进入步骤3.3，继续下一次迭代。
所述基于pid神经网络的移动机器人电量低频预测模型中的权值和阈值采用改进狼群算法进行寻优获得；
步骤5.1：以个体狼的位置作为基于pid神经网络的移动机器人电量低频预测模型中的权值和阈值，初始化狼群并设置狼群参数；
狼群规模的取值范围为[20，250]，狼的视觉半径的取值范围[1,5]，可记忆步数为1，逃跑概率的取值范围为[0.025，0.085]，最大搜索精度的取值范围为[0.003,0.15]，最大迭代次数的取值范围[400,1000]；
步骤5.2：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；
将个体狼位置对应的权值和阈值代入基于pid神经网络的移动机器人电量低频预测模型计算的电量预测值，将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)；
利用第二适应度函数计算每匹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5.3：寻找每匹个体狼的第一次更新位置，以第一次更新位置更新个体狼位置，并以所有个体狼的第一次更新位置，更新狼群最优头狼位置，j＝1，j表示个体狼位置更新次数；
按照公式(1)计算每匹个体狼的第一次更新位置x1(t)，并判断计算得到的第一次更新位置是否为从未达到过的新位置，若到达过，则重复步骤5.3直到重新获得第一次更新位置，若未到达过，则利用个体狼的第一个更新位置计算得适应度；
xj(t)＝xj-1(t)+β(r)(p(t)-xj-1(t))+rand()(1)
其中，xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置，x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置；β(r)为中间计算量，
步骤5.4：判断每个个体狼的第一次更新位置是否满足以下条件，进行第二次位置更新，更新个体狼最优位置，j＝2：
第一次更新位置在其视野范围内且第一次更新位置的适应度优于其初始位置的适应度；
若满足，则令个体狼按照公式(1)寻找第二次更新位置x2(t)，当第二次更新位置的适应度优于当前个体狼最优位置的适应度，利用第二次更新位置作为个体狼最优位置，进入步骤5.5，获取第三次更新位置；
若不满足，则第二次更新位置与第一次更新位置相同，个体狼位置不变，并转到步骤5.6，获取第三次更新位置；
步骤5.5：按公式(2)寻找满足步骤5.4中所述条件的个体狼在其视野范围内的第三次更新位置，更新个体狼最优位置和狼群头狼最优位置，j＝3，进入步骤5.7；
x3(t)＝x2(t)+rand().v.(gbest-x2(t))(2)
其中：x2(t)、x3(t)表示个体狼在第t次迭代过程中的第二次更新位置和第三次更新位置；gbest为狼群当前最优头狼位置；v为狼的视觉半径；rand()为[-1,1]中的一个随机数；
步骤5.6：按照公式(3)寻找不满足步骤5.4中所述条件的个体狼的第三次更新位置x3(t)，更新狼群头狼最优位置，j＝3，进入步骤5.7；
x3(t)＝x2(t)+escape().s.(xc(t)-x2(t))(3)
其中，xc(t)表示第t次迭代过程中，所有个体狼进行第二次更新后，狼群的质心位置；s为狼的移动步长，s≤v；escape()为随机函数；
步骤5.7：依适应度值将经过三次更新后的所有个体狼从低到高进行排序；
步骤5.8：将排在前面的n+1个个体狼按非线性单纯法(nm方法)搜索每个个体的最优位置，其余的个体重复步骤5.4-步骤5.6搜索每个个体狼最优位，得到最优狼群；从最优狼群中选取全局最优头狼位置；
其中，n为随机正整数；
步骤5.9：判断是否达到最大迭代次数或者达到最大搜索精度，若达到，则输出全局最优头狼位置对应的基于pid神经网络的移动机器人电量低频预测模型的权值和阈值；否则，令t+1，转到步骤5.3，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。
一种智能制造环境机器人及车辆计算智能驱动运载系统，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，采用上述一种智能制造环境机器人及车辆计算智能驱动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。