AGV智能入库系统的制作方法

本发明涉及仓库调度的技术领域，尤其涉及agv智能入库系统。

背景技术：

立体仓库结合agv小车已在物流公司和制造企业广泛应用。目前给货物和栈板分配仓位一般采用人工经验或者基于规则的启发式算法。启发式算法虽然可以自动计算得到可行仓位，然而往往与操作员习惯上的理想仓位还存在差距。利用基于机器学习的人工智能方法，可以自动选取得到比较符合操作员要求的仓位。支持向量机和随机森林是机器学习两种典型算法，然而，如何设计和采集特征参数，以及如何对特征参数进行预处理，是机器学习典型算法应用到仓位智能分配的关键。

目前基于规则的自动选仓方法得到的仓位往往与习惯存放位置存在偏差，而且在有紧急出入库运输任务插入时agv小车的调度响应不够灵活、计划与执行不一致的现状。

因此，本领域技术人员提供了agv智能入库系统，以解决上述背景技术中提出的问题。

技术实现要素：

本申请实施例通过提供agv智能入库系统，能自动获得符合存放习惯的仓位，介绍了采集基础数据特征参数、数据预处理和训练获得自动选仓决策模型的方法，并设计一种柔性鲁棒运输调度机制，规范优化运输调度流程，让agv小车快速响应优先运输任务并使计划与执行完全一致，以解决上述背景技术中提出的问题。

本申请实施例提供了agv智能入库系统，包括输入模块、选仓模块、优先级确定模块、堆栈模块以及agv小车；

所述输入模块通信连接选仓模块，所述选仓模块通信连接优先级确定模块，所述优先级确定模块通信连接堆栈模块，所述堆栈模块通信连接agv小车；

所述输入模块用以输入入库的栈板的长宽高和货物类型，并将栈板的长宽高和货物类型传输给选仓模块；所述选仓模块用于构建决策模型，将接收到的栈板的长宽高和货物类型输入到决策模型，并从数据库读取当前所有仓位的状态向量，输出入库推荐仓位；所述优先级确定模块采用柔性鲁棒调度机制，将入库推荐仓位所对应的入库任务和出库任务一起放到任务池堆栈中，并按照优先级排序，将排序后的任务池堆栈发送给堆栈模块；所述堆栈模块接收任务池堆栈并将任务池堆栈输送给agv小车；所述agv小车用于读取任务池堆栈中最优先任务后立即响应执行，任务池堆栈中该条记录立即删除。

该agv智能入库系统能自动获得符合存放习惯的仓位，介绍了采集基础数据特征参数、数据预处理和训练获得自动选仓决策模型的方法，并设计一种柔性鲁棒运输调度机制，规范优化运输调度流程，让agv小车快速响应优先运输任务并使计划与执行完全一致。

进一步的，所述决策模型的具体构建过程为：

s1：采集每次选仓时所有仓位的状态，作为机器学习的特征参数；

s2：选取特征参数和标签并作预处理，训练对比预测准确率；

s3：将预测准确率最高的模型作为决策模型。

通过该决策模型能够自动获得符合存放习惯的仓位。

进一步的，所述s1采集所有仓位的状态时，数据库增设一个字段，每次选仓位时保存当时所有仓位状态组成的二进制编码，并将该编码作为机器学习训练模型的特征向量。

进一步的，所述s2具体为：将货物类型、栈板的长宽高和所有仓位状态特征向量作为输入参数，并通过one-hot编码将栈板长宽高变成二进制参数，将被选中的仓位作为标签，分别用支持向量机和随机森林算法对预处理后的数据进行训练。

进一步的，所述柔性鲁棒调度机制具体为：确定栈板存放的仓位之后，不需要立即将搬运任务分配给agv小车，而是先选择每条出入库任务的优先级，放进任务池堆栈中，系统按优先级将出入库任务进行排序，agv小车在每次执行完当前任务后，将主动读取运输任务池堆栈中的信息；如果堆栈中信息为空，则agv小车转到待机状态；否则，读取并执行任务池堆栈中排在最前面的优先任务，同时删除任务池中该条任务。在这种调度机制下，agv小车在完成当前的搬运任务之前，不会接收到其它后续任务。与每次选定仓位后就指派agv小车搬运的方式相比，在有紧急件插入或者某台agv小车出现故障等突发状况时，本发明所提的柔性鲁棒运输调度机制将能满足各紧急优先任务，合理分配给各agv小车快速完成各运输任务。

进一步的，agv智能入库系统还包括唤醒模块，所述唤醒模块与agv小车通信连接，当任务池有了新任务，而agv小车处于待机状态，此时操作员可通过唤醒模块主动呼叫唤醒agv小车。该设置方便操作员快速唤醒agv小车。

进一步的，通过决策模型得到推荐仓位之后，操作员可以根据偏好将存放位置进行修改，并结合柔性鲁棒调度机制设置各任务的优先级和为各agv小车分配出入库任务，各任务在被实际装载到agv小车上面之前，其运输优先级顺序可以多次修改，当有紧急出入库任务时，只要设置较高的任务优先级，将可以自动排到其它任务前面。操作员可根据需要对运输优先级顺序进行多次修改，进而方便优先处理紧急任务。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明能自动获得符合存放习惯的仓位，介绍了采集基础数据特征参数、数据预处理和训练获得自动选仓决策模型的方法，并设计一种柔性鲁棒运输调度机制，规范优化运输调度流程，让agv小车快速响应优先运输任务并使计划与执行完全一致。

附图说明

图1为本申请实施例中入库系统的整体结构框图；

图2为本申请实施例中新增入库流程图；

图3为本申请实施例中agv小车执行任务流程图。

具体实施方式

通过设置的决策模型与柔性鲁棒运输调度机制，解决了现有技术中得到的仓位往往与习惯存放位置存在偏差，而且在有紧急出入库运输任务插入时agv小车的调度响应不够灵活的技术问题，实现了自动获得符合存放习惯的仓位，让agv小车快速响应优先运输任务并使计划与执行完全一致的技术效果。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

请参阅图1～3，本申请实施例中，agv智能入库系统，包括输入模块、选仓模块、优先级确定模块、堆栈模块以及agv小车；输入模块通信连接选仓模块，选仓模块通信连接优先级确定模块，优先级确定模块通信连接堆栈模块，堆栈模块通信连接agv小车；输入模块用以输入入库的栈板的长宽高和货物类型，并将栈板的长宽高和货物类型传输给选仓模块；选仓模块用于构建决策模型，将接收到的栈板的长宽高和货物类型输入到决策模型，并从数据库读取当前所有仓位的状态向量，输出入库推荐仓位；优先级确定模块采用柔性鲁棒调度机制，将入库推荐仓位所对应的入库任务和出库任务一起放到任务池堆栈中，并按照优先级排序，将排序后的任务池堆栈发送给堆栈模块；堆栈模块接收任务池堆栈并将任务池堆栈输送给agv小车；agv小车用于读取任务池堆栈中最优先任务后立即响应执行，任务池堆栈中该条记录立即删除。该agv智能入库系统能自动获得符合存放习惯的仓位，介绍了采集基础数据特征参数、数据预处理和训练获得自动选仓决策模型的方法，并设计一种柔性鲁棒运输调度机制，规范优化运输调度流程，让agv小车快速响应优先运输任务并使计划与执行完全一致。

本发明适用于立体仓库广泛采用的货架和agv小车配置方式。即仓库中有多排多层货架，每层有多个仓位，仓位有多种长宽高各不相同的规格，各类货物有习惯上的存放区域。仓库中配有多台agv小车，agv小车自带导航系统，能自动搬运货物栈板到指定仓位。

在本实施例中：决策模型的具体构建过程为：

s1：采集每次选仓时所有仓位的状态，作为机器学习的特征参数；

s2：选取特征参数和标签并作预处理，训练对比预测准确率；

s3：将预测准确率最高的模型作为决策模型。

通过该决策模型能够自动获得符合存放习惯的仓位。

在本实施例中：s1采集所有仓位的状态时，数据库增设一个字段，每次选仓位时保存当时所有仓位状态组成的二进制编码，并将该编码作为机器学习训练模型的特征向量。具体为，在数据库中增设一个储存当前所有仓位状态的字段，每次选取仓位时，当前各个仓位的状态分别以0表示可用和1表示已占用，所有仓位的状态组成二进制编码储存到该字段中。

在本实施例中：s2具体为：将货物类型、栈板的长宽高和所有仓位状态特征向量作为输入参数，并通过one-hot编码将栈板长宽高变成二进制参数，将被选中的仓位作为标签，分别用支持向量机和随机森林算法对预处理后的数据进行训练。其中，将所有仓位的状态组成二进制编码储存到上述字段中，并保存当前栈板的长宽高、货物类型信息和被选中的仓位位置信息。经过上万次仓位选取，即在数据库中保存上万条记录作为历史基础数据。因为机器学习的支持向量机和随机森林算法只能识别二进制基础数据参数，因此读取数据库的数据后需要对数据进行预处理。对栈板的长宽高数据和货物类型进行one-hot编码，将长宽高的数值和货物类型转换为二进制参数向量。同时将仓位状态的二进制编码转换为参数向量，并将被选中的仓位信息作为标签量。对历史基础数据经过上述预处理之后，将数据平均分成五等份，其中四等份作为训练数据，剩下一等份作为测试数据，这五等份分别轮流作为训练和测试数据，分别输入到典型的支持向量机和随机森林算法中，经过五轮训练运算求准确率的平均值。将平均准确率最高的预测模型作为自动选取仓位的决策模型。

在本实施例中：柔性鲁棒调度机制具体为：确定栈板存放的仓位之后，不需要立即将搬运任务分配给agv小车，而是先选择每条出入库任务的优先级，放进任务池堆栈中，系统按优先级将出入库任务进行排序，agv小车在每次执行完当前任务后，将主动读取运输任务池堆栈中的信息；如果堆栈中信息为空，则agv小车转到待机状态；否则，读取并执行任务池堆栈中排在最前面的优先任务，同时删除任务池中该条任务。在这种调度机制下，agv小车在完成当前的搬运任务之前，不会接收到其它后续任务。与每次选定仓位后就指派agv小车搬运的方式相比，在有紧急件插入或者某台agv小车出现故障等突发状况时，本发明所提的柔性鲁棒运输调度机制将能满足各紧急优先任务，合理分配给各agv小车快速完成各运输任务。

在本实施例中：agv智能入库系统还包括唤醒模块，唤醒模块与agv小车通信连接，当任务池有了新任务，而agv小车处于待机状态，此时操作员可通过唤醒模块主动呼叫唤醒agv小车。该设置方便操作员快速唤醒agv小车。在本实施例中：通过决策模型得到推荐仓位之后，操作员可以根据偏好将存放位置进行修改，并结合柔性鲁棒调度机制设置各任务的优先级和为各agv小车分配出入库任务，各任务在被实际装载到agv小车上面之前，其运输优先级顺序可以多次修改，当有紧急出入库任务时，只要设置较高的任务优先级，将可以自动排到其它任务前面。操作员可根据需要对运输优先级顺序进行多次修改，进而方便优先处理紧急任务。

工作原理：该agv智能入库系统在使用时，首先，选仓模块构建决策模型。具体为：首先，设计需要采集的特征参数并记录基础数据。在数据库中增设一个储存当前所有仓位状态的字段，每次选取仓位时，当前各个仓位的状态分别以0表示可用和1表示已占用，所有仓位的状态组成二进制编码储存到该字段中。并保存当前栈板的长宽高和货物类型信息，和被选中的仓位位置信息。经过上万次仓位选取，即在数据库中保存上万条记录作为历史基础数据。因为机器学习的支持向量机和随机森林算法只能识别二进制基础数据参数，因此读取数据库的数据后需要对数据进行预处理。对栈板的长宽高数据和货物类型进行one-hot编码，将长宽高的数值和货物类型转换为二进制参数向量。同时将仓位状态的二进制编码转换为参数向量，并将被选中的仓位信息作为标签量。对历史基础数据经过上述预处理之后，将数据平均分成五等份，其中四等份作为训练数据，剩下一等份作为测试数据，这五等份分别轮流作为训练和测试数据，分别输入到典型的支持向量机和随机森林算法中，经过五轮训练运算求准确率的平均值。将平均准确率最高的预测模型作为自动选取仓位的决策模型。

然后，如图2所示，当出现需要新增入库的栈板，将自动分配仓位并放入运输任务池堆栈中。输入模块输入入库的栈板的长宽高和货物类型,其中，通过传感器自动检测栈板的长宽高，也可以通过手动添加该参数，并输入货物类型。当前所有仓位的使用状态可以从数据库读取获得，将这些参数一起输入到决策模型中，选仓模块能自动获得推荐仓位。

选仓模块通过决策模型得到推荐仓位之后，操作员可以根据偏好将存放位置进行修改，而选仓模块随后将修改后的推荐仓位输出给优先级确定模块。优先级确定模块根据柔性鲁棒调度机制将入库推荐仓位所对应的入库任务和出库任务一起放到任务池堆栈中，并按照优先级排序，将排序后的任务池堆栈发送给堆栈模块，堆栈模块接收任务池堆栈并将任务池堆栈输送给agv小车，agv小车读取任务池堆栈中最优先任务后立即响应执行，任务池堆栈中该条记录立即删除。各任务在被实际装载到agv小车上面之前，其运输优先级顺序可以多次修改，当有紧急出入库任务时，只要设置较高的任务优先级，将可以自动排到其它任务前面。

最后，如图3所示，在柔性鲁棒调度机制的调度下，该agv智能入库系统确定栈板存放的仓位之后不需要立即将搬运任务分配给agv小车，而是先选择每条出入库任务的优先级，放进出入库输运任务池堆栈中，系统按优先级将出入库任务进行排序。agv小车在每次执行完当前任务后，将主动读取运输任务池堆栈中的信息。如果堆栈中信息为空，则agv小车转到待机状态；否则，读取并执行任务池堆栈中排在最前面的优先任务，同时删除任务池中该条任务。当任务池有了新任务，而agv小车处于待机状态，此时操作员可通过唤醒模块主动呼叫唤醒agv小车。

本发明能自动获得符合存放习惯的仓位，介绍了采集基础数据特征参数、数据预处理和训练获得自动选仓决策模型的方法，并设计一种柔性鲁棒运输调度机制，规范优化运输调度流程，让agv小车快速响应优先运输任务并使计划与执行完全一致。

以上的，仅为本申请实施例较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，根据本申请的技术方案及其构思加以等同替换或改变，都应涵盖在本申请的保护范围之内。