CN112499298B - 一种装车用运输机器人 - Google Patents
一种装车用运输机器人 Download PDFInfo
- Publication number
- CN112499298B CN112499298B CN202110169811.4A CN202110169811A CN112499298B CN 112499298 B CN112499298 B CN 112499298B CN 202110169811 A CN202110169811 A CN 202110169811A CN 112499298 B CN112499298 B CN 112499298B
- Authority
- CN
- China
- Prior art keywords
- loading
- path
- robot
- stacking
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G67/00—Loading or unloading vehicles
- B65G67/02—Loading or unloading land vehicles
- B65G67/04—Loading land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G35/00—Mechanical conveyors not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G57/00—Stacking of articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G67/00—Loading or unloading vehicles
- B65G67/02—Loading or unloading land vehicles
- B65G67/04—Loading land vehicles
- B65G67/20—Loading covered vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明提供一种装车用运输机器人,包括控制器,所述控制器控制货物码放包括:扫描非规整装车空间,建立实际码垛空间模型,确定待码垛位置;规划待码垛位置至装车机器人初始位置的路径;在装车机器人行走码放过程中,检测是否存在新增障碍物,若存在,选择替代的码垛位置,获得替代路径。本发明装车机器人按照基于起点与待码垛位置规划得到的路径实现快速装车,全局路径规划时待码垛位置确定简单,对于不同层的货物无需反复计算,影响因素较少,求解时间短,局部路径搜索中快速确定替代码垛位置,简化局部路径搜索过程,通过全局最优路径搜索和局部路径修正控制装车机器人移动,减少了装车机器人移动的能耗,提高了货物码放速度。
Description
技术领域
本发明涉及物流行业自动装车领域,尤其涉及一种装车用运输机器人。
背景技术
物流行业对装车速度、准确度、科学性的要求日益提高,自动装车机器人的出现大大降低了装车过程对人工的依赖,提高了装车的效率和科学性。根据其运动方式不同,装车机器人可以分为两类,第一类是间接移动式装车机器人,该类机器人主要通过轨道、椼架等构件引导码料对象在特定轨道上运动,其运动轨迹由构件限定,灵活性较差,仅能适用于固定对象的自动装车场景;第二类是自主移动式装车机器人,该类机器人本体安装有履带、滚轮等移动部件,根据控制器的指令按照规划的路径行走,该类装车机器人移动灵活,能够根据车厢环境、装车货物等条件规划行走路径。
对于第二类装车机器人,其行走路径的规划过程主要包括空间模型建立-最优路径规划-移动控制及实时避障,现有的装车路径规划方法在针对非规整环境的装车空间,例如集装箱、半挂牵引、平(裸)板以及异形车体的车厢,建立空间模型时检测障碍物的位置,在最优路径规划阶段对其进行避绕,导致路径规划过程考虑的因素较多,计算过程复杂,最优路径求解时间较长,为对车厢内固有障碍物进行避让,导致规划路径拐点较多,增加装车机器人控制难度,降低了自动装车速度,此外,现有的装车机器人路径规划方法中,通常需要考虑垛型设计参数等多种参数搜索起点至待码垛位置的最优路径,最优路径计算时间较长,不能满足快速自动装车的需求。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种装车用运输机器人,包括控制器,所述控制器控制货物运输及码放包括:
步骤A1,扫描所述非规整装车空间,基于扫描数据,建立实际码垛空间模型;
步骤A2,至少基于货物尺寸和所述实际码垛空间模型,确定待码垛位置;
步骤A3,至少基于所述待码垛位置、装车机器人的初始位置和所述实际码垛空间模型,匹配全局最优装车路径;
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距所述装车机器人实时位置预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照所述全局装车最优路径前进至所述待码垛位置;
步骤A5,获取所述新增障碍物的尺寸信息和方位信息,至少基于所述新增障碍物的尺寸信息和方位信息确定替代码垛位置,以所述装车机器人当前位置为起点,以所述替代码垛位置为终点,搜索局部最优路径;
步骤A6,所述装车机器人按照所述局部最优路径前进至所述替代码垛位置。
一种装车用运输机器人的规划方法,包括以下步骤:
步骤A1,扫描所述非规整装车空间,基于扫描数据,建立实际码垛空间模型;
步骤A2,至少基于货物尺寸和所述实际码垛空间模型,确定待码垛位置;
步骤A3,至少基于所述待码垛位置、装车机器人的初始位置和所述实际码垛空间模型,匹配全局最优装车路径;
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距所述装车机器人实时位置预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照所述全局最优装车路径前进至所述待码垛位置;
步骤A5,获取所述新增障碍物的尺寸信息和方位信息,至少基于所述新增障碍物的尺寸信息和方位信息确定替代码垛位置,以所述装车机器人当前位置为起点,以所述替代码垛位置为终点,搜索局部最优路径;
步骤A6,所述装车机器人按照所述局部最优路径前进至所述替代码垛位置。
优选的,所述装车用运输机器人的规划方法还包括:
步骤A7,所述装车机器人至少基于所述待码垛位置与所述替代码垛位置之间的距离,调整码料装置以实现码料位置补偿。
优选的,所述步骤A1中,建立实际码垛空间模型,具体包括:
步骤A11,扫描所述非规整装车空间,构建第一装车空间模型;所述非规整装车空间为装车空间内表面存在至少一个凹凸部的装车空间;
步骤A12,拟合装车空间的凹凸部,构建第二装车空间模型;
步骤A13,基于所述第二装车空间模型确定所述非规整装车空间的凹凸部信息;
步骤A14,根据所述非规整装车空间的所述凹凸部信息对所述第二装车空间模型进行修正,得到所述非规整装车空间的修正模型。
优选的,所述步骤A3具体包括:至少基于所述初始位置、所述待码垛位置确定路径最优问题,求解所述路径最优问题,得到全局最优装车路径;
所述路径最优问题表示为:
其中,X为实际码垛空间,f(n)是当前节点n的代价函数,n表示当前节点,n+1表示下一节点,g(n)是装车机器人从起点到达当前节点n的代价值,h(n)是从当前节点n到达装车机器人终点的代价值,,(xn,yn)是当前节点的坐标,(xg,yg)为终点的坐标,(xn+1,yn+1)是下一个节点的坐标。
优选的,所述求解路径最优问题,得到全局最优装车路径,具体包括:
步骤A31,将所述装车机器人起点的多个扩展节点置于待评估表单中,所述起点的所述多个扩展节点为以预设步长ε进行扩展、与所述起点的连线和所述初始位置与所述待码垛位置的连线的夹角小于预设值的节点;
步骤A32,对所述待评估表单内是否存在未搜索节点进行判断,如果是空集,则路径搜索失败;如果不是空集,则将所述待评估表单内使当前节点n代价函数f(n)值最小的节点n+1置于已评估表单中;
步骤A33,判断所述节点n+1的位置信息与所述装车机器人的待码垛位置是否相同,若相同,则完成此次路径搜索,若不同,则以所述节点n+1为当前节点n,获取新的当前节点n的扩展节点,置于所述待评估表单中,返回步骤A32,新的当前节点n的扩展节点为以预设步长ε对新的当前节点进行扩展、且与新的当前节点n的连线和所述初始位置与所述待码垛位置的连线的夹角小于预设值的节点。
优选的,所述步骤A5具体包括:
A51,将装车机器人当前位置Sinit作为根节点放入随机树中;
A52,利用随机函数在安全区域中选取一个随机点Nrand,在随机树中寻找与Nrand距离最近的一个节点Nnear;
A53,令步长为ρ,在Nnear与Nrand之间寻找一个点Nnew,使得Nnear与Nnew之间的欧几里得距离为ρ;
A54,若Nnear与Nnew连线没有与障碍区域Vobs相交,则将Nnew作为新的路径节点放入随机树中,形成新的随机树;
A55,以该新的路径节点为当前节点,返回步骤A52,直至所述替代码垛位置成为叶节点。
本发明的目的是针对现有技术存在的问题,提供一种装车机器人,所述装车机器人包括控制器,其特征在于,所述控制器控制所述装车机器人按照如上述装车用运输机器人的规划方法获得的装车路径将货物码放至装车空间内。
本发明的有益效果为:本发明提供了一种装车用运输机器人的规划方法,基于装车空间的模型规划装车机器人的路径,以将货物码放至指定位置。首先本发明提供的路径规划方法能够适用于非规整装车空间,将非规整装车空间内表面的凹凸部信息对路径规划的影响前移,在建模阶段对该凹凸部信息进行预处理,简化最优路径计算过程,减少了算法的运算量。其次,本发明提供的路径规划方法待码垛位置的确定、路径最优问题的求解考虑因素较少,缩短了运算时间,考虑到装车领域的特殊性,在全局路径规划时通过约束条件限制节点搜索的范围,缩短了最优路径的求解过程,避免全局路径弯曲角度过大、拐点数目过多,避免引入复杂的路径平滑算法,局部路径规划时通过替代码垛位置的引入,减少修正后的路径的弯曲幅度和拐点数目,减少了装车机器人转向的频率,简化了装车机器人位姿控制方法,节约装车机器人能耗。
附图说明
为了更清楚地说明发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图 1 是本发明实施例的一种装车用运输机器人的规划方法流程示意图;
图 2 是本发明实施例中离散点与周期函数拟合曲线的平方和计算示意图;
图3是本发明实施例的路径规划示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
如图1所示,本发明实施例一提出了一种装车用运输机器人的规划方法。
非规整装车空间是指内表面存在凹凸部的装车空间,例如集装箱、半挂牵引、平(裸)板以及异形车体的车厢等,一方面,构成装车空间的各内表面可以存在凹凸部,导致装车空间属于非规整的环境,另一方面,不同的车辆在其车厢特定位置可设有管道、柱体等其他部件,因此从俯视图来看,装车空间不是标准的矩形,相对于标准矩形而言,存在凹凸部。装车机器人能够接收控制指令,驱动装车机器人本体上安装的移动部件带动装车机器人移动,移动部件可以为履带、万向轮、滚轮等。装车空间由多个内表面构成,其中,与车厢入口处正对的平面称为第一平面。
装车路径规划方法具体包括如下步骤:
步骤A1,扫描非规整装车空间,基于扫描数据,建立实际码垛空间模型;
利用传感器扫描非规整装车空间,传感器具体可以为红外景深传感器、3D激光传感器等,获得非规整装车空间的三维空间数据,基于扫描获得的装车空间三维空间数据,建立实际码垛空间模型,该实际码垛空间具体指非规整装车空间内实际用于存放货物堆垛的空间,实际码垛空间模型中不包含非规整装车空间内表面的凹凸部。基于扫描数据获得实际码垛空间模型,在准确获取装车空间尺寸信息的同时,能够在空间建模阶段对装车空间内表面凹凸部进行处理,为在后路径规划步骤提供了基础,路径规划算法求解过程中无需将凹凸部位置信息作为影响路径的因素之一,简化了行走路径规划方法求解过程。
步骤A2,至少基于货物尺寸和实际码垛空间模型,确定待码垛位置;
当车辆停留至预设位置时,从服务器端或装车机器人控制端获取与该车辆对应的装车订单,装车订单中存储有待装车货物的尺寸信息,至少基于待装车货物的尺寸和步骤A1中确定的实际码垛空间模型,计算待码垛位置坐标,本发明待码垛位置坐标考虑根据货物尺寸和实际码垛空间模型,无需事先完成复杂的垛型规划,简化待码垛位置确定过程,提高了路径规划速度。
步骤A3,至少基于待码垛位置、装车机器人的初始位置和实际码垛空间模型,匹配全局最优装车路径;
以装车机器人的初始位置为起点,以待码垛位置为终点,在实际码垛空间模型中匹配全局最优装车路径,该匹配全局最优装车路径的过程可以是离线进行的,也可以是在线进行的。对于与第一平面平行的多层货物,在路径规划时,仅需确定一次待码垛位置,相较于传统的根据垛型确定各个周期中装车机器人码放位置不同,需计算不同的待码垛位置,本发明简化了待码垛位置确定频率,提高了运算速度。
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距装车机器人实时位置的预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照全局最优装车路径前进至待码垛位置;
步骤A5,获取新增障碍物的尺寸信息和方位信息,至少基于新增障碍物的尺寸信息和方位信息确定替代码垛位置,以装车机器人当前位置为起点,替代码垛位置为终点,搜索局部最优路径;
当存在障碍物时,直接通过替代码垛位置重新规划剩下的路径,相较于普通的装车路径规划算法中采用的对障碍物所在区域进行局部路径修正,本发明提出的规划方法利用替代码垛位置使最终路径存在较少的拐点,减少装车机器人的拐弯次数,有利于保持装车机器人稳定,保证货物的安全。
步骤A6,装车机器人按照局部最优路径前进至替代码垛位置。
综上,本实施例提供了一种装车用运输机器人的规划方法,能够在非规整装车空间中快速规划装车机器人行走路径,一方面仅需根据货物尺寸和实际码垛空间模型就可以确定待码垛位置坐标,无需事先完成垛型设计,对于平行于第一平面的多层货物码垛,仅需要计算该一个待码垛位置,简化了待码垛位置确定过程,从而提高了路径规划方法的速度。另一方面,全局最优装车路径以实际码垛空间模型为基础,将凹凸部的影响前移处理,无需在路径规划算法中引入该因素计算,加快了全局最优装车路径求解过程,提高了路径规划方法的运算速度。局部最优路径求解利用替代码垛位置作为装车机器人的最新终点,避免规划的路径存在较多拐点,避免规划的路径存在较大的弯度,简化了方法的求解过程,避免使用机器人路径规划方法中的拐点处理、路径平滑等复杂的算法,有利于保持装车机器人的平衡,保证货物安全,减少装车机器人的能耗。
实施例二
针对实施例一,本发明实施例二中进一步提出了一种装车用运输机器人的规划方法,与实施例一相同的内容本实施例不再赘述,实施例二提出的一种装车用运输机器人的规划方法包括以下步骤:
步骤A1,扫描非规整装车空间,基于扫描数据,建立实际码垛空间模型;
利用传感器扫描非规整装车空间,获得非规整装车空间的三维空间数据,基于扫描获得的装车空间三维空间数据,建立实际码垛空间模型。非规整装车空间内表面存在凹凸部,基于三维空间数据建立实际码垛空间模型,具体包括如下步骤:
步骤A11,扫描所述非规整装车空间,构建第一装车空间模型;所述非规整装车空间为装车空间内表面存在至少一个凹凸部的装车空间。
步骤A12,拟合装车空间的凹凸部,构建第二装车空间模型;
基于步骤A11获得的装车空间的扫描,拟合装车空间的凹凸部,具体来说,可以基于周期函数对扫描的初始3D数据进行拟合,所述周期函数可以为三角函数。
通过周期函数对初始3D数据进行拟合,例如三角函数,可获得振幅和波长信息,将振幅信息和波长信息与凹凸部的高度和凹凸部的长度对应,一方面可以将振幅、波长分别视为凹凸部的高度、长度,另一方面,考虑扫描过程中传感器设备存在的噪音和误差信息,为了保证修正后的空间模型能够使自动装车设备顺利、安全行走和码垛,凹凸部的高度、长度可以与拟合得到的振幅、波长呈比例对应关系。此外,若非对称的异性空间,如,半挂牵引、平(裸)板等其他障碍构成的空间过多,单一的周期函数无法较好的高效、准确拟合装车空间的情况时,引入离散随机点分段拟合曲线,并将各拟合曲线连结,实现最终装车空间的拟合。
首先,采用周期函数拟合车内空间,当各离散点与周期函数拟合曲线的加权平方和大于预设边界阈值时,启动离散随机点分段拟合曲线流程。
如图2所示,确定各个内表面的各离散点与周期函数拟合曲线的平方和最大的前m个点(m大于总采样样本数的5%),确定上述m个点所在的集中区域,所述集中区域的确定方法为:将m个点基于x轴坐标的位置顺序排序,获得第1至第m个点中沿x轴方向的第一个点至最后一个点构成的区域为集中区域。离散点与周期函数拟合曲线的平方和的计算方法为,对于任一离散点(xp,yp),选择周期函数拟合曲线上与点(xp,yp)最接近的点(xp0,yp0),计算离散点(xp,yp)与周期函数拟合曲线上的点(xp0,yp0)之间的距离,将其作为离散点与周期函数拟合曲线的平方和:
离散点与临近离散点平方和的计算方法为,对于任一离散点(xp,yp),选择其他离散点中与点(xp,yp)最接近的点(xp1,yp1),计算离散点(xp,yp)与其他离散点中最接近的点(xp1,yp1)之间的距离,将其作为离散点与临近离散点平方和:
对集中区域进行分段,确定至少一个分段拟合的范围:计算第1至第m个点到周期函数拟合曲线的平方和L1至Lm,对于第1至m个点,计算每个点与其最接近的相邻点之间的距离K1至Km,即计算每个点与临近离散点平方和。根据公式(1),基于指定的约束阈值H,确定应分段拟合的区间的x轴坐标。
其中,h为约束值,p为一整数,pϵ[1,m],q为一整数,qϵ[p+1,m],i表示第i个点,i=p,2,…,q。指定p为1,依此计算q为[2,m]时的约束值h,然后指定p为2,依此计算q为[3,m]时的约束值h,以此类推计算m-1个点的约束值h,筛选满足约束值大于指定的约束阈值H,且使|q-p|最大的n个范围,作为集中区域的分段结果,得到多个分段拟合范围。
本发明采用的上述确定分段拟合范围的方法,基于各离散点与周期函数拟合曲线的平方和对周期函数曲线进行修正,仅选取部分段对拟合曲线进行修正,减少了运算量,也降低了准确拟合离散点的运算量;此外,基于约束阈值和约束值对集中区域进行分段,与常规的聚类算法有明显区别,能够更高效、更准确地获得影响建模效果最严重的散点区间,并为针对该小范围离散点进行分段拟合提供较好的基础。
若筛选出的n个范围中存在重叠,以上述重叠范围中约束值h最大的范围为分段拟合范围,获得至少一个不重叠的分段拟合范围。通过重叠范围的选取,仅对影响建模效果最严重的散点的集中分布区间进行重新拟合,从而对周期函数拟合曲线修正,减少运算量,同时提高拟合的精度。
拟合每个分段拟合范围内的多个离散点,形成至少一个分段拟合曲线公式。分段拟合曲线公式可以为周期函数或非周期函数,其中,为保证拟合效率,二次函数或三次函数为较优的分段拟合曲线的选择。
连接周期函数及至少一个分段拟合曲线公式,确定非规整装车空间的凹凸部信息。
本发明基于周期函数拟合扫描后得到的装车空间数据,从而获得凹凸部的长度和凹凸部的高度信息,针对非对称的异性空间,尤其是如半挂牵引、平(裸)板等其他障碍构成的空间过多,单一的周期函数无法较好的高效、准确拟合装车空间的情况时,在周期函数拟合效果不佳时,能够进一步采用离散随机点分段拟合曲线与周期函数共同对扫描得到的离散点数据进行拟合,离散随机点分段拟合曲线,并将各拟合曲线连结,实现最终装车空间的拟合,以确定非规整装车空间的凹凸部信息。基于离散回归算法拟合扫描后的离散数据确定凹凸部信息,解决了采用直线拟合的方式忽略了内表面存在凹凸部的问题,空间模型构建时考虑了装车空间内部的凹凸部信息,保证自动装车码垛方法的安全性,使得本发明提出的建模方法能够适用于非规整装车空间,无需在最优路径求解过程中考虑内表面的凹凸部信息,简化了最优路径求解过程。此外,在离散点拟合的过程中,选择了与周期函数曲线平方和最大的点,减少了拟合的数据量,避免了考虑所有离散点而无法得到最优拟合曲线,较少了运算的数据量,提高了数据拟合的速度。本发明基于约束值对离散点进行分段拟合,避免了对待拟合数据整体拟合导致的拟合失真的现象,本发明提出的拟合方法,在周期函数曲线的基础上,通过分段拟合曲线对周期函数进行小范围修正,避免了重新拟合较大的计算量,同时能够使得拟合后的曲线更符合离散点的分布情况。
步骤A13,基于所述第二装车空间模型确定所述非规整装车空间的凹凸部信息。
步骤A13确定的凹凸部信息包括凹凸部的高度、和/或凹凸部的长度和/或凹凸部的位置信息。
步骤A14,根据所述非规整装车空间的所述凹凸部信息对所述第二装车空间模型进行修正,得到所述非规整装车空间的修正模型。
基于凹凸部信息对第二装车空间模型进行修正,可以包括:根据所述凹凸部的位置信息,确定存在所述凹凸部的至少一个凹凸内表面;对于存在所述凹凸部的至少一个凹凸内表面中,分别确定各凹凸内表面存在的所述凹凸部中凸起高度最高的凹凸部;基于所述凸起高度最高的凹凸部的凹凸部信息确定最大凹凸高度信息;基于所述最大凹凸高度信息构建与各凹凸内表面平行的至少一个修正平面;利用修正平面替代与之对应的存在所述凹凸部的凹凸内表面;将各修正平面与不存在所述凹凸部的内表面构成连通区域,得到所述非规整装车空间的修正模型。
具体来说,对于任一存在凹凸部的凹凸内表面,确定该凹凸内表面存在的凹凸部中凸起高度最高的凹凸部,基于该凹凸部的凹凸部信息确定最大凹凸高度信息,基于最大凹凸高度信息构建与所在的凹凸内表面平行的修正平面,基于存在凹凸部的凹凸内表面对应的各修正平面对步骤A2中构建的装车空间的第二装车空间模型修正,可以利用各修正平面替代与之对应的内表面,与不存在凹凸部的内表面重新构成连通区域,得到非规整装车空间的修正模型。
作为一种替代的实施例,基于凹凸部信息对第二装车空间模型进行修正,还可以采用如下方法:根据第二装车空间模型判断第一内表面上是否存在凹凸部;若否,继续查找第二内表面,直至完成所述非规整装车空间所有内表面的判断;若是,根据第二装车空间模型获得当前判断的第一内表面上存在的凹凸部P1、P2、…、Pn,获得凹凸部P1至Pn的凹凸部信息;根据所述凹凸部P1至Pn的所述位置信息确定所述当前判断的第一内表面的凹凸部分布情况;根据所述凹凸部P1至Pn的长度对第二装车空间模型中的所述当前判断的第一内表面进行截断处理,并连通截断处的两个端点;基于所述凹凸部P1至Pn的高度信息确定最大凹凸高度信息,将截断处理后并连通截断处的第一内表面向最大凹凸高度信息对应的凹凸部的凸起方向移动一预设距离;返回至所述根据第二装车空间模型判断第一内表面上是否存在凹凸部的步骤,对下一内表面进行查找和修正,直至完成所述非规整装车空间所有内表面的判断,最终得到非规整装车空间的修正模型。对于存在凹凸部的内表面S2,查找内表面上存在的凹凸部P1、P2、…、Pn,获得凹凸部P1-Pn的凹凸部信息,根据凹凸部P1至Pn的位置信息确定内表面S2的凹凸部分布情况,根据凹凸部P1-Pn的长度信息对第二装车空间模型中内表面S2进行截断处理,得到内表面S2’。具体来说,根据凹凸部的分布情况和凹凸部P1至Pn的长度信息,将内表面S2中与之对应的位置处截断指定长度,所述指定长度具体可以为凹凸部P1至Pn的长度值,并连通截断处的两个端点,得到内表面S2’,实现该内表面S2中凹凸部的去除。然后基于凹凸部P1至Pn的高度信息确定最大凹凸高度信息,将截断处理后的内表面S2’向最大凹凸高度信息对应的凹凸部的方向移动一预设距离,预设距离大于等于最大凹凸高度信息。构成装车空间的各内表面中,对于存在凹凸部的内表面,均进行上述处理方式,实现对步骤A2中构建的装车空间的第二装车空间模型修正,得到非规整装车空间的修正模型。
通过上述修正方式,基于简单的平面处理方式对存在凹凸部的内表面修正,避免在设计、规划算法中将凹凸部的信息作为约束条件,简化了非规整装车空间自动装车方法设计过程。根据非规整装车空间凹凸部的高度信息、和/或长度信息、和/或凹凸部位置信息对第二装车空间模型进行修正,得到非规整装车空间的修正模型,该方法根据凹凸部的信息对第二装车空间模型进行修正,使得修正模型不包括凹凸部,成为一个规整的矩形空间,基于简单的平面处理方式对存在凹凸部的内表面修正,避免在路径规划算法中将凹凸部的信息作为路径影响因素,简化了非规整装车空间的行走路径规划方法。根据非规整装车空间凹凸部的高度信息、和/或长度信息、和/或凹凸部位置信息对第二装车空间模型进行修正,得到非规整装车空间的实际码垛空间模型,实际码垛空间模型不包括凹凸部,成为一个规整的矩形空间,针对非规整装车空间无需重新设计行走路径规划方法,保证了自动装车方法的顺利进行,提高了自动装车装置的安全性。
步骤A2,至少基于货物尺寸和实际码垛空间模型,确定待码垛位置;
获取装车订单,装车订单中包含货物尺寸、码放方向等信息,从装车订单中提取货物尺寸信息,至少根据步骤A1获得的实际码垛空间模型和货物尺寸信息,确定待码垛位置。例如,在以装车机器人初始位置为起点、垂直于第一平面的连线上,选取与实际码垛空间模型边界距离满足货物尺寸信息的位置点作为待码垛位置,得到待码垛位置的坐标。本发明对于平行于第一平面的多层货物码放时,在不同层的码放都可以采用同一个待码垛位置,避免了每一次码垛均需进行待码垛位置求解,简化了路径规划方法的运算量,且在确定待码垛位置时,无需考虑实现完成复杂的垛型规划,通过简单的距离运算即可确定待码垛位置的坐标。
步骤A3,至少基于待码垛位置、装车机器人的初始位置和实际码垛空间模型,匹配全局最优装车路径;
以装车机器人的初始位置为起点,以步骤A2确定的待码垛位置为终点,在实际码垛空间模型中搜索全局最优装车路径,搜索全局最优装车路径采用改进的A*方法实现:至少基于初始位置、待码垛位置确定路径最优问题,求解路径最优问题,得到全局最优装车路径。
路径最优问题可以定义为:
其中,X为实际码垛空间,f(n)是当前节点n的代价函数,n表示当前节点,n+1表示下一节点,g(n)是装车机器人从起点到达当前节点n的代价值,h(n)是从当前节点n到达装车机器人终点的代价值:
通过上述定义,路径最优问题可以转变为以起点-终点的连线为中心,在预设角度范围内搜索使得代价函数最小的节点坐标。考虑到装车领域的特殊性,装车空间内部与房间内部不同,通常不会频繁出现固定或移动障碍物,本发明针对装车领域,在全局路径规划时通过约束条件限制节点搜索的范围,缩短了最优路径的求解过程,避免全局路径存在多余的绕行路线,缩短了最优路径匹配时间,同时避免全局路径弯曲角度过大、拐点数目过多,避免引入复杂的路径平滑算法。本发明引入的路径最优问题及其计算方式与其他常规的路径规划方式不同,通过夹角判断代替繁杂的约束条件和路径平滑、拐点删除运算,有效平衡准确率与计算效率。
预先定义两个空表,待评估表单与已评估表单,待评估表单用于存储当前节点n的扩展节点,该最优问题的求解过程包括以下步骤:
步骤A31,将装车机器人起点S的多个扩展节点置于待评估表单中,起点S的多个扩展节点为以预设步长ε进行扩展、与起点S的连线和起点-终点连线的夹角小于预设值的节点;
步骤A32,对待评估表单内是否存在未搜索节点进行判断,如果是空集,则路径搜索失败;如果不是空集,则将待评估表单内使当前节点n代价函数f(n)值最小的节点n+1置于已评估表单中;
步骤A33,判断节点n+1的位置信息与装车机器人终点O的位置是否相同,若相同,则完成此次路径搜索,若不同,则以n+1节点为当前节点n,获取新的当前节点n的扩展节点,置于待评估表单中,返回步骤A32,新的当前节点n的扩展节点为以预设步长ε对新的当前节点进行扩展、且与新的当前节点n的连线和起点-终点连线的夹角小于预设值的节点。
通过步骤A31至A33,求解路径最优问题,得到全局最优装车路径,装车机器人按照全局最优装车路径行走,将整理后的货物码放至指定位置。
对于非规整装车空间,上述全局最优装车路径求解过程中,在建立空间模型时就已经对内表面的凹凸部进行了预处理,避免在最优路径求解过程中对障碍进行避绕,导致路径拐点过多、计算复杂,此外,考虑到装车空间与扫地机器人等生活区域不同,在空车厢中一般较少存在障碍物,因此,将获得起点或当前节点的扩展节点时,仅选取了与起点或当前节点的连线和起点-终点连线的夹角小于预设值的节点,缩小了扩展节点的范围,减少了扩展节点的范围,在装车领域能够找到最优路径,同时减少了搜索计算过程,提高了全局最优装车路径搜索速度。本发明设置的待评估表单和已评估表单,简化搜索节点关联、记录过程,此外,记录在先坐标获得的可能存在的路径障碍,在后节点计算时首先轮询在先节点计算结果,避免重复计算,提高计算效率。
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距装车机器人实时位置的预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照全局最优装车路径前进至待码垛位置;
装车机器人按照全局最优装车路径行走至待码垛位置,传感器基于装车机器人的实时位置检测在装车机器人周围是否存在新增障碍物,传感器可以为摄像头,传感器数量可以为多个,设于装车机器人上,对其前进方向及左右方向进行探测。预设范围至少基于装车机器人的行驶速度确定,该预设范围需保证在该行驶速度下,装车机器人进行路线切换仍不会碰撞至该新增障碍物。新增障碍物可以为掉落的货箱等全局最优装车路径搜索之后新增的障碍物。若检测到全局最后路径中存在新增障碍物,则执行步骤A5,寻找替代路线。
步骤A5,获取新增障碍物的尺寸信息和方位信息,至少基于新增障碍物的尺寸信息和方位信息确定替代码垛位置,以装车机器人当前位置为起点,替代码垛位置为终点,搜索局部最优路径;
自动装车过程中,新增障碍物通常是静止的,因此,检测到障碍物之后,可以寻找替代路线对其进行躲避。获取新增障碍物的尺寸信息和方位,如图3所示,尺寸信息可以包括新增障碍物相对于装车机器人的横向最长距离l,方位信息可以包括新增障碍物与装车机器人的相对位置,例如障碍物位于装车机器人右前方。至少基于尺寸信息和方位信息确定替代码垛位置O’,在与起点-终点连线垂直并与实际码垛空间模型边界平行的方向上,与方位信息相对应的,确定替代码垛位置O’。以障碍物位于装车机器人右前方为例,障碍物相对于装车机器人的横向最长距离为l,则在与起点-终点连线垂直并与实际码垛空间模型边界平行的方向上,将待码垛位置O左侧间距为l的点作为替代码垛位置O’,利用RRT搜索局部最优路径。
设V表示局部空间,利用RRT*搜索局部最优路径也就是在局部空间V内寻找能从装车机器人当前位置Sinit到替代码垛位置O’的一条由多个节点连接而成的线路,且线路不经过或接触空间内的任何障碍物区域。局部空间V由障碍物区域Vobs和安全区域Vfree两部分组成,二者满足条件:
定义随机树上任意两个节点之间的代价值为两个节点之间的欧几里得距离D。
RRT搜索局部最优路径过程如下:
A51,将装车机器人当前位置Sinit作为根节点放入随机树中;
A52,利用随机函数在安全区域中选取一个随机点Nrand,在随机树中寻找与Nrand距离最近的一个节点Nnear;
A53,令步长为ρ,在Nnear与Nrand之间寻找一个点Nnew,使得Nnear与Nnew之间的欧几里得距离为ρ;
A54,若Nnear与Nnew连线没有与障碍区域Vobs相交,则将Nnew作为新的路径节点放入随机树中,形成新的随机树;
A55,以该新的路径节点为当前节点,重复上述过程,直至替代码垛位置O’成为叶节点。
利用RRT搜索局部最优路径,从而使得装车机器人能够沿局部最优路径行走,达到码料位置的同时躲避新增障碍物。本发明采用的局部路径搜索方法采用替代码垛位置作为装车机器人的最新终点,通过终点的替换,能够避免仅对障碍物所在区域进行路径重新规划的方法带来的拐点过多、路径弯曲部位较多,避免装车机器人频繁进行转向,保证装车机器人携带货物行走过程中的稳定性,避免因为频繁转向导致的货物滑落或平衡控制能耗增加,减少装车机器人转弯位姿计算。
更进一步的,步骤A52中,为了避免局部路径存在过多的绕行,安全区域是指距离障碍物第三阈值的距离,将当前位置与原始目标点连线向左、向右旋转预设角度所覆盖的区域。上述约束条件限定了RRT搜索局部最优路径的搜索范围,缩短了最优路径的搜索时间,简化了算法的运算量,根据预设角度的设置,能够保证局部路径的最优和搜索过程的快速性。
步骤A6,装车机器人按照局部最优路径前进至替代码垛位置。
装车机器人按照步骤A5获得的局部最优路径前进至替代码垛位置,使得装车机器人能够进行码垛操作。
更进一步的,在装车机器人到达替代码垛位置之后,进行码垛操作之前,还包括步骤A7,所述装车机器人至少基于所述待码垛位置与所述替代码垛位置之间的距离,调整码料装置以实现码料位置补偿,装车机器人控制单元至少基于待码垛位置O与替代码垛位置O’之间的距离,调整码料装置以实现码料位置补偿。例如,待码垛位置O与替代码垛位置O’之间的距离为l,且替代码垛位置O’位于待码垛位置O的左侧,此时装车机器人控制单元发出控制指令,将码料装置向右调整,调整距离同样为l,以实现码料位置补偿。
综上,本实施例提供了一种装车用运输机器人的规划方法,能够适用于非规整装车空间,实现快速规划装车机器人行走路径,全局最优装车路径以实际码垛空间模型为基础,无需考虑非规整装车空间中的凹凸部,避免在最优路径求解过程中对障碍进行避绕,导致路径拐点过多、计算复杂,此外,搜索全局最优装车路径时,扩展节点仅选取了与起点或当前节点的连线和起点-终点连线的夹角小于预设值的节点,缩小了扩展节点的范围,减少了扩展节点的范围,在装车领域能够找到最优路径,同时减少了搜索计算过程,提高了全局最优装车路径搜索速度。
实施例三
针对实施例一、二,本发明实施例三中进一步提出了一种装车机器人,所述装车机器人包括控制器,其特征在于,所述控制器控制所述装车机器人按照如上述装车用运输机器人的规划方法获得的装车路径将货物码放至装车空间内。与实施例一、二相同的内容本实施例不再赘述。
为了说明的目的,前述描述使用具体命名以提供对所述实施方案的透彻理解。然而,对于本领域的技术人员而言将显而易见的是,不需要具体细节即可实践所述实施方案。因此,出于例示和描述的目的,呈现了对本文所述的具体实施方案的前述描述。这些描述并非旨在是穷举性的或将实施方案限制到所公开的精确形式。对于本领域的普通技术人员而言将显而易见的是,鉴于上面的教导内容,许多修改和变型是可行的。另外,当在本文中用于指部件的位置时,上文和下文的术语或它们的同义词不一定指相对于外部参照的绝对位置,而是指部件的参考附图的相对位置。
此外,前述附图和描述包括许多概念和特征,其可以多种方式组合以实现多种有益效果和优点。因此,可组合来自各种不同附图的特征,部件,元件和/或概念,以产生未必在本说明书中示出或描述的实施方案或实施方式。此外,在任何特定实施方案和/或实施方式中,不一定需要具体附图或说明中所示的所有特征,部件,元件和/或概念。应当理解,此类实施方案和/或实施方式落入本说明书的范围。
Claims (6)
1.一种装车用运输机器人,其特征在于,包括控制器,所述控制器控制货物运输及码放包括:
步骤A1,扫描非规整装车空间,基于扫描数据,建立实际码垛空间模型;
其中,所述步骤A1包括:步骤A11,扫描所述非规整装车空间,构建第一装车空间模型,所述非规整装车空间为装车空间内表面存在至少一个凹凸部的装车空间;步骤A12,基于步骤A11拟合装车空间的凹凸部,构建第二装车空间模型;步骤A13,基于所述第二装车空间模型确定所述非规整装车空间的凹凸部信息;步骤A14,根据所述非规整装车空间的所述凹凸部信息对所述第二装车空间模型进行修正,得到所述非规整装车空间的修正模型;
步骤A12具体包括:采用周期函数拟合装车空间,若各离散点与周期函数拟合曲线的加权平方和大于预设边界阈值时,启动离散随机点分段拟合曲线流程,对集中区域进行分段,确定至少一个分段拟合的范围,对周期函数曲线进行修正;步骤A2,至少基于货物尺寸和所述实际码垛空间模型,确定待码垛位置;
步骤A3,至少基于所述待码垛位置、装车机器人的初始位置和所述实际码垛空间模型,匹配全局最优装车路径;
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距所述装车机器人实时位置预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照所述全局最优装车路径前进至所述待码垛位置;
步骤A5,获取所述新增障碍物的尺寸信息和方位信息,至少基于所述新增障碍物的尺寸信息和方位信息确定替代码垛位置,以所述装车机器人当前位置为起点,以所述替代码垛位置为终点,搜索局部最优路径;
其中,在与装车机器人当前位置、待码垛位置连线垂直并与实际码垛空间模型边界平行的方向上,与方位信息相对应的,将距所述待码垛位置预设距离的点作为替代码垛位置;步骤A6,所述装车机器人按照所述局部最优路径前进至所述替代码垛位置。
2.一种装车用运输机器人的规划方法,其特征在于,包括:
步骤A1,扫描非规整装车空间,基于扫描数据,建立实际码垛空间模型;
其中,所述步骤A1包括:步骤A11,扫描所述非规整装车空间,构建第一装车空间模型,所述非规整装车空间为装车空间内表面存在至少一个凹凸部的装车空间;步骤A12,基于步骤A11拟合装车空间的凹凸部,构建第二装车空间模型;步骤A13,基于所述第二装车空间模型确定所述非规整装车空间的凹凸部信息;步骤A14,根据所述非规整装车空间的所述凹凸部信息对所述第二装车空间模型进行修正,得到所述非规整装车空间的修正模型;
步骤A12具体包括:采用周期函数拟合装车空间,若各离散点与周期函数拟合曲线的加权平方和大于预设边界阈值时,启动离散随机点分段拟合曲线流程,对集中区域进行分段,确定至少一个分段拟合的范围,对周期函数曲线进行修正;
步骤A2,至少基于货物尺寸和所述实际码垛空间模型,确定待码垛位置;
步骤A3,至少基于所述待码垛位置、装车机器人的初始位置和所述实际码垛空间模型,匹配全局最优装车路径;
步骤A4,所述装车机器人按照所述全局最优装车路径将货物码放至所述待码垛位置,检测距所述装车机器人实时位置预设范围内是否存在新增障碍物,若存在,则执行步骤A5,否则按照所述全局最优装车路径前进至所述待码垛位置;
步骤A5,获取所述新增障碍物的尺寸信息和方位信息,至少基于所述新增障碍物的尺寸信息和方位信息确定替代码垛位置,以所述装车机器人当前位置为起点,以所述替代码垛位置为终点,搜索局部最优路径;
其中,在与装车机器人当前位置、待码垛位置连线垂直并与实际码垛空间模型边界平行的方向上,与方位信息相对应的,将距所述待码垛位置预设距离的点作为替代码垛位置;
步骤A6,所述装车机器人按照所述局部最优路径前进至所述替代码垛位置。
3.根据权利要求2所述的装车用运输机器人的规划方法,其特征在于,
所述装车用运输机器人的规划方法还包括:
步骤A7,所述装车机器人至少基于所述待码垛位置与所述替代码垛位置之间的距离,调整码料装置以实现码料位置补偿。
5.根据权利要求4所述的装车用运输机器人的规划方法,其特征在于,
求解所述路径最优问题,得到全局最优装车路径,具体包括:
步骤A31,将所述装车机器人起点的多个扩展节点置于待评估表单中,所述起点的所述多个扩展节点为以预设步长ε进行扩展、与所述起点的连线和所述初始位置与所述待码垛位置的连线的夹角小于预设值的节点;
步骤A32,对所述待评估表单内是否存在未搜索节点进行判断,如果是空集,则路径搜索失败;如果不是空集,则将所述待评估表单内使当前节点n代价函数f(n)值最小的节点n+1置于已评估表单中;
步骤A33,判断所述节点n+1的位置信息与所述装车机器人的待码垛位置是否相同,若相同,则完成此次路径搜索,若不同,则以所述节点n+1为当前节点n,获取新的当前节点n的扩展节点,置于所述待评估表单中,返回步骤A32,新的当前节点n的扩展节点为以预设步长ε对新的当前节点进行扩展、且与新的当前节点n的连线和所述初始位置与所述待码垛位置的连线的夹角小于预设值的节点。
6.根据权利要求2所述的装车用运输机器人的规划方法,其特征在于,
所述步骤A5具体包括:
A51,将装车机器人当前位置Sinit作为根节点放入随机树中;
A52,利用随机函数在安全区域中选取一个随机点Nrand,在随机树中寻找与Nrand距离最近的一个节点Nnear;
A53,令步长为ρ,在Nnear与Nrand之间寻找一个点Nnew,使得Nnear与Nnew之间的欧几里得距离为ρ;
A54,若Nnear与Nnew连线没有与障碍区域Vobs相交,则将Nnew作为新的路径节点放入随机树中,形成新的随机树;
A55,以该新的路径节点为当前节点,返回步骤A52,直至所述替代码垛位置成为叶节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169811.4A CN112499298B (zh) | 2021-02-08 | 2021-02-08 | 一种装车用运输机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169811.4A CN112499298B (zh) | 2021-02-08 | 2021-02-08 | 一种装车用运输机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112499298A CN112499298A (zh) | 2021-03-16 |
CN112499298B true CN112499298B (zh) | 2021-05-11 |
Family
ID=74952779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169811.4A Active CN112499298B (zh) | 2021-02-08 | 2021-02-08 | 一种装车用运输机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112499298B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114044369B (zh) * | 2021-11-05 | 2023-04-11 | 江苏昱博自动化设备有限公司 | 一种基于自适应巡航技术的码垛机械手的控制方法 |
CN114926077A (zh) * | 2022-06-06 | 2022-08-19 | 重庆市市政设计研究院有限公司 | 仓配一体化模式下的物流配送分配方法及*** |
CN115072413B (zh) * | 2022-06-22 | 2024-06-25 | 杭州蓝芯科技有限公司 | 一种用于桁架式袋装装车机的自主搬运装置的搬运方法 |
CN115893032B (zh) * | 2022-11-23 | 2024-07-09 | 长三角哈特机器人产业技术研究院 | 用于厢式集装箱的自动装车*** |
CN116620802B (zh) * | 2023-07-19 | 2023-10-24 | 中建安装集团有限公司 | 一种利用室内施工智能物料运输***的运输方法 |
CN117325185B (zh) * | 2023-11-27 | 2024-04-09 | 成都越凡创新科技有限公司 | 移动机器人解死锁的方法及调度设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5280431A (en) * | 1985-08-30 | 1994-01-18 | Texas Instruments Incorporated | Method for controlling the movements of a mobile robot in a multiple node factory |
CN102980531A (zh) * | 2012-12-07 | 2013-03-20 | 中国铁道科学研究院 | 一种基于三维激光扫描的容积测量方法及装置 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN109095059A (zh) * | 2018-07-06 | 2018-12-28 | 青岛智能产业技术研究院 | 无人装车***及其装车方法 |
CN109902857A (zh) * | 2019-01-22 | 2019-06-18 | 江苏徐工工程机械研究院有限公司 | 一种运输车辆装载点自动规划方法及*** |
CN110275532A (zh) * | 2019-06-21 | 2019-09-24 | 珠海格力智能装备有限公司 | 机器人的控制方法及装置、视觉设备的控制方法及装置 |
CN111735465A (zh) * | 2019-04-24 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 路径规划方法及其装置、计算机***及计算机可读介质 |
CN111994593A (zh) * | 2020-08-24 | 2020-11-27 | 南京华捷艾米软件科技有限公司 | 一种物流设备以及物流处理方法 |
CN112099498A (zh) * | 2020-09-08 | 2020-12-18 | 合肥学院 | 基于参数化Thiele连分式插值的路径规划方法及*** |
-
2021
- 2021-02-08 CN CN202110169811.4A patent/CN112499298B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5280431A (en) * | 1985-08-30 | 1994-01-18 | Texas Instruments Incorporated | Method for controlling the movements of a mobile robot in a multiple node factory |
CN102980531A (zh) * | 2012-12-07 | 2013-03-20 | 中国铁道科学研究院 | 一种基于三维激光扫描的容积测量方法及装置 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN109095059A (zh) * | 2018-07-06 | 2018-12-28 | 青岛智能产业技术研究院 | 无人装车***及其装车方法 |
CN109902857A (zh) * | 2019-01-22 | 2019-06-18 | 江苏徐工工程机械研究院有限公司 | 一种运输车辆装载点自动规划方法及*** |
CN111735465A (zh) * | 2019-04-24 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 路径规划方法及其装置、计算机***及计算机可读介质 |
CN110275532A (zh) * | 2019-06-21 | 2019-09-24 | 珠海格力智能装备有限公司 | 机器人的控制方法及装置、视觉设备的控制方法及装置 |
CN111994593A (zh) * | 2020-08-24 | 2020-11-27 | 南京华捷艾米软件科技有限公司 | 一种物流设备以及物流处理方法 |
CN112099498A (zh) * | 2020-09-08 | 2020-12-18 | 合肥学院 | 基于参数化Thiele连分式插值的路径规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112499298A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112499298B (zh) | 一种装车用运输机器人 | |
US10296995B2 (en) | Dynamically maintaining a map of a fleet of robotic devices in an environment to facilitate robotic action | |
US10265856B2 (en) | Reorienting a distance sensor using an adjustable leveler | |
CN107636547B (zh) | 用于装卸货物的设备和方法 | |
CN109436820B (zh) | 一种货物垛的拆垛方法及拆垛*** | |
CN106950972B (zh) | 一种无人搬运车agv及其路线纠偏方法 | |
US10025886B1 (en) | Methods and systems for using projected patterns to facilitate mapping of an environment | |
CN112149555A (zh) | 一种基于全局视觉的多仓储agv追踪方法 | |
CN110837814A (zh) | 车辆导航方法、装置及计算机可读存储介质 | |
CN115308708A (zh) | 一种基于激光雷达的托盘位姿识别方法与*** | |
Behrje et al. | An autonomous forklift with 3d time-of-flight camera-based localization and navigation | |
CN114862301A (zh) | 基于二维码辅助定位的托盘叉车agv自动装载方法 | |
CN111061260B (zh) | 基于自动驾驶粗对准及二维图像精对准的货箱自动转移控制方法 | |
CN114911226A (zh) | 搬运车行驶控制方法、装置及搬运车 | |
CN115273066A (zh) | 货架识别方法、装置、电子设备及机器可读存储介质 | |
CN114265374B (zh) | 一种agv对厢式卡车货物存取的***和方法 | |
CN116414116A (zh) | 路径规划方法、运动控制方法及计算机程序产品 | |
CN112347664B (zh) | 一种非规整装车空间的建模方法及装置 | |
WO2023007878A1 (ja) | 荷役車両システムおよび車載コントローラ | |
Bedín et al. | Teach and Repeat and Wheel Calibration for LiDAR-Equipped Omnidirectional Drive Robots | |
CN117521936B (zh) | 搬运设备的调度方法、装置及电子设备 | |
CN113449906B (zh) | 一种库位优化方法、装置、库存管理设备及*** | |
CN116281758A (zh) | 一种货架上托盘位姿识别的***及方法 | |
WO2022145142A1 (ja) | 荷役車両システム | |
CN117303258A (zh) | 一种基于agv的整托盘自动化装卸方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |