CN112859885A - 一种送料机器人路径协同优化方法 - Google Patents
一种送料机器人路径协同优化方法 Download PDFInfo
- Publication number
- CN112859885A CN112859885A CN202110447932.0A CN202110447932A CN112859885A CN 112859885 A CN112859885 A CN 112859885A CN 202110447932 A CN202110447932 A CN 202110447932A CN 112859885 A CN112859885 A CN 112859885A
- Authority
- CN
- China
- Prior art keywords
- real
- data
- path
- time
- feeding robot
- 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.)
- Withdrawn
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种送料机器人路径协同优化方法,包括提供一车间固定检测端,所述车间固定检测端用于检测所述送料机器人在路径范围内的实时移动信息,记为第一实时移动数据,并发送至所述云计算服务器;提供若干个送料机器人,所述送料机器人用于感知自身在路径范围内的实时移动信息,记为第二实时移动数据,并发送至所述云计算服务器等。本发明通过车间固定检测端、送料机器人和云计算服务器的匹配,进行车间送料路径的全局优化调度,提升了多个送料机器人之间协同条件下全局的运营效率,对某一个单独送料机器人的检测和决策能力要求降低,从而降低了某一个单独送料机器人的检测和数据处理成本,在送料机器人数量增加时,***总体成本更低。
Description
技术领域
本发明属于智能机器人控制技术领域,具体涉及一种送料机器人路径协同优化方法。
背景技术
随着智能机器人控制技术的不断完善进步和产品的不断推陈出新,在特定场景下的智能机器人控制的应用越来越多,比如企业的生产车间在进行食品加工的过程中,食品原料需求量较大并且不易移动,大多数厂家已经采用了智能机器人送料的方式,解决了需求量较大、不易移动以及人力消耗大等困境,但是存在智能机器人视野范围有限、多个智能机器人协同效率低下等问题,阻碍了智能机器人在特定场景下的应用推广。
因此,现阶段需设计一种送料机器人路径协同优化方法,来解决以上问题。
发明内容
本发明目的在于提供一种送料机器人路径协同优化方法,用于解决上述现有技术中存在的技术问题,如:存在智能机器人视野范围有限、多个智能机器人协同效率低下等问题,阻碍了智能机器人在特定场景下的应用推广等。
为实现上述目的,本发明的技术方案是:
一种送料机器人路径协同优化方法,包括以下步骤:
步骤S1:提供一车间固定检测端,所述车间固定检测端用于检测所述送料机器人在路径范围内的实时移动信息,记为第一实时移动数据,并发送至云计算服务器;
步骤S2:提供若干个送料机器人,所述送料机器人用于感知自身在路径范围内的实时移动信息,记为第二实时移动数据,并发送至云计算服务器;
其中,所述送料机器人包括装置本体、控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、移动底盘、气缸、机械臂;所述控制器分别与数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸连接,且所述控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸均设置于所述装置本体上;所述步进电机用于驱动所述移动底盘;所述移动底盘设于所述装置本体底部;所述气缸用于驱动所述机械臂的伸缩和抓取;所述数据存储器用于数据存储;所述移动信息采集装置用于采集所述送料机器人在路径范围内的实时移动信息;所述数据通信装置用于建立所述控制器与所述云计算服务器之间的数据通信;
步骤S3:提供一云计算服务器,所述云计算服务器用于接收所述第一实时移动数据和第二实时移动数据,将所述第一实时移动数据和第二实时移动数据去除重复数据和错误数据,再采用数据融合的方式生成目标优化路径,最后将所述目标优化路径发送至所述送料机器人;
步骤S4:所述送料机器人还用于接收所述目标优化路径,并按照所述目标优化路径进行移动送料;其中,当某一个所述送料机器人的实际移动路径与其目标优化路径不匹配时,所述云计算服务器控制所有的所述送料机器人停止移动。
进一步的,在步骤S3中,采用数据融合的方式生成目标优化路径具体如下:
步骤S301:对所述第一实时移动数据和第二实时移动数据作特征融合处理,使用部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立训练数据集,同样的,使用其余部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立测试数据集;
步骤S302:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数;所述卷积神经网络模型由多个网络并行搭建构成,每个网络模型的框架为Resnet101,在每个Resnet101网络中最后一层卷积层后级联一层特征融合层,完成网络特征融合,在特征融合层后接一层全连接层,最后将全连接层连接回归层;
步骤S303:将训练数据集中的第一实时移动数据和第二实时移动数据输入卷积神经网络模型中,对卷积神经网络模型进行训练,优化卷积网络模型;
步骤S304:将测试数据集中的第一实时移动数据和第二实时移动数据输入优化后的卷积神经网络模型中,从而生成目标优化路径。
进一步的,所述车间固定检测端包括检测模块、数据处理模块、通信模块;
所述检测模块用于检测所述送料机器人在路径范围内的实时移动信息并传输至数据处理模块;
所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据,并传输至通信模块;
所述通信模块将所述第一实时移动数据发送至所述云计算服务器处。
进一步的,所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据的过程中,包括以下步骤:
接收所述送料机器人在路径范围内的实时移动信息;
识别出其中的重复数据和错误数据,并去除,从而得到有效数据;
将有效数据统一整理为第一实时移动数据。
进一步的,步骤S4中,所述送料机器人的实际移动路径与其目标优化路径进行匹配判断时,具体如下:
所述云计算服务器内部配置两个相互独立的匹配判断单元;
在第一个匹配判断单元中,将所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果;
若此时的实际移动路径与目标优化路径不匹配;则暂存第一个匹配判断单元的匹配判断结果,在第二个匹配判断单元中,将同样的所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第二个匹配判断单元的匹配判断结果,同时丢弃第一个匹配判断单元的匹配判断结果;若此时的实际移动路径与目标优化路径仍不匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果,同时丢弃第二个匹配判断单元的匹配判断结果。
与现有技术相比,本发明所具有的有益效果为:
本方案的一个创新点在于,通过车间固定检测端、送料机器人和云计算服务器的匹配,进行车间送料路径的全局优化调度,提升了多个送料机器人之间协同条件下全局的运营效率,更加适合封闭、半封闭区域的智能机器人控制***。方案对某一个单独送料机器人的检测和决策能力要求降低,从而降低了某一个单独送料机器人的检测和数据处理成本,在送料机器人数量增加时,***总体成本更低。
附图说明
图1是本发明具体实施方式的方法步骤示意图。
图2是本发明具体实施方式的数据融合步骤示意图。
图3是本发明具体实施方式的卷积神经网络示意图。
图4是本发明具体实施方式的固定检测端结构示意图。
图5是本发明具体实施方式的第一实时移动数据生成步骤示意图。
具体实施方式
下面结合本发明的附图1-5,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1所示,因此提出一种送料机器人路径协同优化方法,包括以下步骤:
步骤S1:提供一车间固定检测端,所述车间固定检测端用于检测所述送料机器人在路径范围内的实时移动信息,记为第一实时移动数据,并发送至云计算服务器;
步骤S2:提供若干个送料机器人,所述送料机器人用于感知自身在路径范围内的实时移动信息,记为第二实时移动数据,并发送至云计算服务器;
其中,所述送料机器人包括装置本体、控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、移动底盘、气缸、机械臂;所述控制器分别与数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸连接,且所述控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸均设置于所述装置本体上;所述步进电机用于驱动所述移动底盘;所述移动底盘设于所述装置本体底部;所述气缸用于驱动所述机械臂的伸缩和抓取,机械臂用于抓取食品加工所需的原料,配合移动底盘的移动,从而完成送料任务;所述数据存储器用于数据存储;所述移动信息采集装置用于采集所述送料机器人在路径范围内的实时移动信息;
所述数据通信装置用于建立所述控制器与所述云计算服务器之间的数据通信;值得注意的是,送料机器人的装置本体、控制器、数据存储器、数据通信装置、步进电机、移动底盘、气缸、机械臂等均为现有技术中的设备或器件,不是本方案的创新点;比如:控制器可选用型号为西门子S7-200S7-200CPU226,步进电机可选用伺服电机,型号为FRLS10205A4A等;本方案中的送料机器人即食品加工过程中输送食品原料的机器人;
步骤S3:提供一云计算服务器,所述云计算服务器用于接收所述第一实时移动数据和第二实时移动数据,将所述第一实时移动数据和第二实时移动数据去除重复数据和错误数据,再采用数据融合的方式生成目标优化路径,最后将所述目标优化路径发送至所述送料机器人;
步骤S4:所述送料机器人还用于接收所述目标优化路径,并按照所述目标优化路径进行移动送料;其中,当某一个所述送料机器人的实际移动路径与其目标优化路径不匹配时,所述云计算服务器控制所有的所述送料机器人停止移动。
上述方案中,通过车间固定检测端、送料机器人和云计算服务器的匹配,进行车间送料路径的全局优化调度,提升了多个送料机器人之间协同条件下全局的运营效率,更加适合封闭、半封闭区域的智能机器人控制***。方案对某一个单独送料机器人的检测和决策能力要求降低,从而降低了某一个单独送料机器人的检测和数据处理成本,在送料机器人数量增加时,***总体成本更低。
实施例2:
如图2和图3所示,在实施例1的基础上进一步的,在步骤S3中,采用数据融合的方式生成目标优化路径具体如下:
步骤S301:对所述第一实时移动数据和第二实时移动数据作特征融合处理,使用部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立训练数据集,同样的,使用其余部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立测试数据集;
步骤S302:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数;所述卷积神经网络模型由多个网络并行搭建构成,每个网络模型的框架为Resnet101,在每个Resnet101网络中最后一层卷积层后级联一层特征融合层,完成网络特征融合,在特征融合层后接一层全连接层,最后将全连接层连接回归层;
步骤S303:将训练数据集中的第一实时移动数据和第二实时移动数据输入卷积神经网络模型中,对卷积神经网络模型进行训练,优化卷积网络模型;
步骤S304:将测试数据集中的第一实时移动数据和第二实时移动数据输入优化后的卷积神经网络模型中,从而生成目标优化路径。
上述方案中,卷积神经网络模型在训练的时候排除了其他无关特征,利用第一实时移动数据和第二实时移动数据进行特征融合,对关键特征进行训练,具有提高卷积神经网络模型训练效率的优点;并且采用卷积神经网络模型来对目标优化路径进行预测生成,可有效提升目标优化路径的精准度。其中,因为仅通过第一实时移动数据(或第二实时移动数据)作为样本数据,通过深度学***均池化层、全连接层和回归层。设置相应的模型参数,包括网络层数和激活函数,在搭建的两条并行网络中,特征提取模块框架相同。根据采集的训练图像集建立卷积神经网络模型,针对训练数据集内的第一实时移动数据和第二实时移动数据,建立相应的模型参数,设置每层网络的单元数和激活函数。再将训练图像集内的第一实时移动数据和第二实时移动数据输入卷积神经网络模型中,训练卷积神经网络模型并优化深度学习卷积网络模型。其中,最优的深度学习卷积神经网络模型是指卷积神经网络模型的模型误差达到设定的收敛误差或训练时的迭代次数达到上限。
实施例3:
如图4所示,在实施例2的基础上进一步的,所述车间固定检测端包括检测模块、数据处理模块、通信模块;
所述检测模块用于检测所述送料机器人在路径范围内的实时移动信息并传输至数据处理模块;
所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据,并传输至通信模块;
所述通信模块将所述第一实时移动数据发送至所述云计算服务器处。
如图5所示,所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据的过程中,包括以下步骤:
接收所述送料机器人在路径范围内的实时移动信息;
识别出其中的重复数据和错误数据,并去除,从而得到有效数据;
将有效数据统一整理为第一实时移动数据。
其中值得注意的是,检测模块在采集所述送料机器人在路径范围内的实时移动信息时,对所有的实时移动信息进行时间序列标注,每一个瞬时时间都对应独一无二的一个实时移动信息;因此,后续对实时移动信息进行重复数据识别时,只需要识别其标注好的时间序列即可。同时,检测模块在采集所述送料机器人在路径范围内的实时移动信息时,对所有的实时移动信息进行数据格式化处理,使得所有的实时移动信息都是统一的数据格式,后续对实时移动信息进行错误数据识别时,只需要识别其数据格式化处理后的数据格式即可。
实施例4:
在实施例3的基础上进一步的,步骤S4中,所述送料机器人的实际移动路径与其目标优化路径进行匹配判断时,具体如下:
所述云计算服务器内部配置两个相互独立的匹配判断单元;
在第一个匹配判断单元中,将所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果;
若此时的实际移动路径与目标优化路径不匹配;则暂存第一个匹配判断单元的匹配判断结果,在第二个匹配判断单元中,将同样的所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第二个匹配判断单元的匹配判断结果,同时丢弃第一个匹配判断单元的匹配判断结果;若此时的实际移动路径与目标优化路径仍不匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果,同时丢弃第二个匹配判断单元的匹配判断结果。
上述方案中,为了防止匹配判断过程因为匹配判断单元的误动作,而引发后续的一系列误判;因此采用两个相互独立的匹配判断单元,将其中一个设置为***常用的匹配判断单元,将另一个设置作为备用匹配判断单元用以误判保险,即使***常用的匹配判断单元出现了不需要的偶然误差或误判,也可以有效保证匹配判断的准确性;并且备用匹配判断单元在长时间没有工作的情况下,***会主动对备用匹配判断单元进行工作运行状态测试,以保证备用匹配判断单元长期处于正常工作运行状态。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种送料机器人路径协同优化方法,其特征在于,包括以下步骤:
步骤S1:提供一车间固定检测端,所述车间固定检测端用于检测所述送料机器人在路径范围内的实时移动信息,记为第一实时移动数据,并发送至云计算服务器;
步骤S2:提供若干个送料机器人,所述送料机器人用于感知自身在路径范围内的实时移动信息,记为第二实时移动数据,并发送至云计算服务器;
其中,所述送料机器人包括装置本体、控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、移动底盘、气缸、机械臂;所述控制器分别与数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸连接,且所述控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸均设置于所述装置本体上;所述步进电机用于驱动所述移动底盘;所述移动底盘设于所述装置本体底部;所述气缸用于驱动所述机械臂的伸缩和抓取;所述数据存储器用于数据存储;所述移动信息采集装置用于采集所述送料机器人在路径范围内的实时移动信息;所述数据通信装置用于建立所述控制器与所述云计算服务器之间的数据通信;
步骤S3:提供一云计算服务器,所述云计算服务器用于接收所述第一实时移动数据和第二实时移动数据,将所述第一实时移动数据和第二实时移动数据去除重复数据和错误数据,再采用数据融合的方式生成目标优化路径,最后将所述目标优化路径发送至所述送料机器人;
步骤S4:所述送料机器人还用于接收所述目标优化路径,并按照所述目标优化路径进行移动送料;其中,当某一个所述送料机器人的实际移动路径与其目标优化路径不匹配时,所述云计算服务器控制所有的所述送料机器人停止移动。
2.如权利要求1所述的一种送料机器人路径协同优化方法,其特征在于,在步骤S3中,采用数据融合的方式生成目标优化路径具体如下:
步骤S301:对所述第一实时移动数据和第二实时移动数据作特征融合处理,使用部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立训练数据集,同样的,使用其余部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立测试数据集;
步骤S302:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数;所述卷积神经网络模型由多个网络并行搭建构成,每个网络模型的框架为Resnet101,在每个Resnet101网络中最后一层卷积层后级联一层特征融合层,完成网络特征融合,在特征融合层后接一层全连接层,最后将全连接层连接回归层;
步骤S303:将训练数据集中的第一实时移动数据和第二实时移动数据输入卷积神经网络模型中,对卷积神经网络模型进行训练,优化卷积网络模型;
步骤S304:将测试数据集中的第一实时移动数据和第二实时移动数据输入优化后的卷积神经网络模型中,从而生成目标优化路径。
3.如权利要求1所述的一种送料机器人路径协同优化方法,其特征在于,所述车间固定检测端包括检测模块、数据处理模块、通信模块;
所述检测模块用于检测所述送料机器人在路径范围内的实时移动信息并传输至数据处理模块;
所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据,并传输至通信模块;
所述通信模块将所述第一实时移动数据发送至所述云计算服务器处。
4.如权利要求3所述的一种送料机器人路径协同优化方法,其特征在于,所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据的过程中,包括以下步骤:
接收所述送料机器人在路径范围内的实时移动信息;
识别出其中的重复数据和错误数据,并去除,从而得到有效数据;
将有效数据统一整理为第一实时移动数据。
5.如权利要求1所述的一种送料机器人路径协同优化方法,其特征在于,步骤S4中,所述送料机器人的实际移动路径与其目标优化路径进行匹配判断时,具体如下:
所述云计算服务器内部配置两个相互独立的匹配判断单元;
在第一个匹配判断单元中,将所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果;
若此时的实际移动路径与目标优化路径不匹配;则暂存第一个匹配判断单元的匹配判断结果,在第二个匹配判断单元中,将同样的所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断,若此时的实际移动路径与目标优化路径匹配,则实际的匹配判断结果为第二个匹配判断单元的匹配判断结果,同时丢弃第一个匹配判断单元的匹配判断结果;若此时的实际移动路径与目标优化路径仍不匹配,则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果,同时丢弃第二个匹配判断单元的匹配判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447932.0A CN112859885A (zh) | 2021-04-25 | 2021-04-25 | 一种送料机器人路径协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447932.0A CN112859885A (zh) | 2021-04-25 | 2021-04-25 | 一种送料机器人路径协同优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112859885A true CN112859885A (zh) | 2021-05-28 |
Family
ID=75992844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110447932.0A Withdrawn CN112859885A (zh) | 2021-04-25 | 2021-04-25 | 一种送料机器人路径协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859885A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885095A (zh) * | 2021-12-03 | 2022-01-04 | 四川远方云天食品科技有限公司 | 一种食品运输动态平衡测控装置、***及方法 |
CN113911766A (zh) * | 2021-12-13 | 2022-01-11 | 四川远方云天食品科技有限公司 | 一种食品包装袋用限位式输送装置 |
CN117945064A (zh) * | 2024-03-27 | 2024-04-30 | 四川远方云天食品科技有限公司 | 一种火锅底料成品的输送设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108235809A (zh) * | 2017-12-25 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 端云结合定位方法、装置及电子设备、计算机程序产品 |
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
CN110543171A (zh) * | 2019-08-27 | 2019-12-06 | 华中科技大学 | 一种基于改进bp神经网络的仓储多agv路径规划方法 |
CN110554420A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 设备轨迹获取方法、装置、计算机设备及存储介质 |
CN110733568A (zh) * | 2019-11-05 | 2020-01-31 | 湖北文理学院 | 履带式无人救援车的转向方法、***及存储介质 |
CN110780671A (zh) * | 2019-10-30 | 2020-02-11 | 华南理工大学 | 一种基于全局视觉的仓储导航智能车调度方法 |
CN111572562A (zh) * | 2020-07-03 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 自动驾驶方法、装置、设备、***、车辆和计算机可读存储介质 |
CN111650461A (zh) * | 2020-06-22 | 2020-09-11 | 成都艾默泰克科技有限公司 | 一种充电桩测试***及其测试方法 |
US10832062B1 (en) * | 2018-09-28 | 2020-11-10 | Zoox, Inc. | Image embedding for object tracking |
CN112327821A (zh) * | 2020-07-08 | 2021-02-05 | 东莞市均谊视觉科技有限公司 | 一种基于深度强化学习的智能清洁机器人路径规划方法 |
CN212502248U (zh) * | 2020-06-11 | 2021-02-09 | 中国石油大学(华东) | 一种智能识别的超市巡检机器人 |
CN112415997A (zh) * | 2020-10-21 | 2021-02-26 | 北京洛必德科技有限公司 | 一种用于多机器人协作的路径规划方法及*** |
CN112419773A (zh) * | 2020-11-19 | 2021-02-26 | 成都云科新能汽车技术有限公司 | 一种基于云控平台的车路协同无人驾驶控制*** |
-
2021
- 2021-04-25 CN CN202110447932.0A patent/CN112859885A/zh not_active Withdrawn
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108235809A (zh) * | 2017-12-25 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 端云结合定位方法、装置及电子设备、计算机程序产品 |
CN110554420A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 设备轨迹获取方法、装置、计算机设备及存储介质 |
US10832062B1 (en) * | 2018-09-28 | 2020-11-10 | Zoox, Inc. | Image embedding for object tracking |
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
CN110543171A (zh) * | 2019-08-27 | 2019-12-06 | 华中科技大学 | 一种基于改进bp神经网络的仓储多agv路径规划方法 |
CN110780671A (zh) * | 2019-10-30 | 2020-02-11 | 华南理工大学 | 一种基于全局视觉的仓储导航智能车调度方法 |
CN110733568A (zh) * | 2019-11-05 | 2020-01-31 | 湖北文理学院 | 履带式无人救援车的转向方法、***及存储介质 |
CN212502248U (zh) * | 2020-06-11 | 2021-02-09 | 中国石油大学(华东) | 一种智能识别的超市巡检机器人 |
CN111650461A (zh) * | 2020-06-22 | 2020-09-11 | 成都艾默泰克科技有限公司 | 一种充电桩测试***及其测试方法 |
CN111572562A (zh) * | 2020-07-03 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 自动驾驶方法、装置、设备、***、车辆和计算机可读存储介质 |
CN112327821A (zh) * | 2020-07-08 | 2021-02-05 | 东莞市均谊视觉科技有限公司 | 一种基于深度强化学习的智能清洁机器人路径规划方法 |
CN112415997A (zh) * | 2020-10-21 | 2021-02-26 | 北京洛必德科技有限公司 | 一种用于多机器人协作的路径规划方法及*** |
CN112419773A (zh) * | 2020-11-19 | 2021-02-26 | 成都云科新能汽车技术有限公司 | 一种基于云控平台的车路协同无人驾驶控制*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885095A (zh) * | 2021-12-03 | 2022-01-04 | 四川远方云天食品科技有限公司 | 一种食品运输动态平衡测控装置、***及方法 |
CN113885095B (zh) * | 2021-12-03 | 2022-04-05 | 四川远方云天食品科技有限公司 | 一种食品运输动态平衡测控装置、***及方法 |
CN113911766A (zh) * | 2021-12-13 | 2022-01-11 | 四川远方云天食品科技有限公司 | 一种食品包装袋用限位式输送装置 |
CN113911766B (zh) * | 2021-12-13 | 2022-04-01 | 四川远方云天食品科技有限公司 | 一种食品包装袋用限位式输送装置 |
CN117945064A (zh) * | 2024-03-27 | 2024-04-30 | 四川远方云天食品科技有限公司 | 一种火锅底料成品的输送设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112859885A (zh) | 一种送料机器人路径协同优化方法 | |
CN109389161B (zh) | 基于深度学习的垃圾识别进化学习方法、装置、***及介质 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及*** | |
CN106527384B (zh) | 一种基于云平台辅助切换策略的生产调控方法 | |
CN110722571B (zh) | 一种基于图像识别的汽车零件装配***及其方法 | |
CN113013508B (zh) | 动力电池化成工艺智能调度追溯***及方法 | |
CN114943751B (zh) | 云化plc环境下基于方向矢量的物料跟踪定位方法及*** | |
CN112541552B (zh) | Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法 | |
CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测*** | |
KR20230013498A (ko) | 재활용품을 선별하는 시스템 및 방법 | |
Kumar et al. | A machine vision-based cyber-physical production system for energy efficiency and enhanced teaching-learning using a learning factory | |
CN115994308B (zh) | 基于元学习的数控机床故障识别方法、***、设备及介质 | |
CN114132745A (zh) | 一种基于agv及机器视觉进行工件自动上下料***及方法 | |
CN117234165A (zh) | 一种基于计算机视觉的自动化流水线控制***和控制方法 | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
CN116442219B (zh) | 一种智能机器人控制***及方法 | |
CN116703104A (zh) | 一种基于决策大模型的料箱机器人订单拣选方法及装置 | |
CN114939757A (zh) | 一种电池工装检测方法、检测装置及电池制作*** | |
CN113674249A (zh) | 基于工业互联网的pcb板印刷质量检测方法 | |
CN116880341B (zh) | 基于工业以太网总线的高精度运动控制*** | |
CN113204227B (zh) | 一种分层式模块化工程机械机云协同故障诊断***及方法 | |
CN117908495B (zh) | 基于多传感器的柔性高精度加工***及加工方法 | |
CN220843345U (zh) | 信息码粘贴***以及发动机装配*** | |
CN212399562U (zh) | 一种糖厂分蜜机巡检智能机器人*** | |
CN117078620B (zh) | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210528 |