CN117705124B - 一种物流机器人的路径规划方法 - Google Patents

Abstract

本发明公开了一种物流机器人的路径规划方法，属于路径规划技术领域，包括以下步骤：S1、获取物流仓库的地图，并确定物流包裹在地图中的初始位置坐标和存放位置坐标；S2、根据物流包裹在地图中的初始位置坐标，确定理想物流机器人，并为理想物流机器人生成初始配送路径；S3、根据物流包裹在地图中的初始位置坐标和存放位置坐标，对初始配送路径进行优化，为理想物流机器人生成优化配送路径。该物流机器人的路径规划方法尽量减少理想物流机器人的转折拐点，减少资源浪费，提高配送效率。

Description

一种物流机器人的路径规划方法

技术领域

本发明属于路径规划技术领域，具体涉及一种物流机器人的路径规划方法。

背景技术

目前物流仓库是电商和物流公司存放大量待发放包裹和存储货物的地方，随着我国快递业务的快速增长，物流中转站的包裹越来越多，需要的人力资本也越来越多。但随着人工智能的发展，智能物流机器人逐步进入了大众的视野，物流工作也逐渐开始与智能化机器人相结合，目前运输用的物流机器人大都采用人为预设好的路线进行投递，不能根据实际仓库情况进行实时优化，因此机器人的智能搬运过程会造成过多的资源消耗，从而降低了效率。

发明内容

本发明为了解决以上问题，提出了一种物流机器人的路径规划方法。

本发明的技术方案是：一种物流机器人的路径规划方法包括以下步骤：

S1、获取物流仓库的地图，并确定物流包裹在地图中的初始位置坐标和存放位置坐标；

S2、根据物流包裹在地图中的初始位置坐标，确定理想物流机器人，并为理想物流机器人生成初始配送路径；

S3、根据物流包裹在地图中的初始位置坐标和存放位置坐标，对初始配送路径进行优化，为理想物流机器人生成优化配送路径。

初始位置坐标，即物流机器人路径规划的起点；存放位置坐标，即物流机器人路径规划的终点。

进一步地，S2中，利用自由空间法为理想物流机器人生成初始配送路径。

S2中，将距离初始位置坐标行驶距离最近的空闲物流机器人作为理想物流机器人。自由空间法采用预先定义的基本形状构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来进行路径规划，但其缺点是障碍物多时将加大算法的复杂度，规划的路径不一定最佳。而物流仓库的特点之一是障碍物多，因此本发明对采用现有算法生成的初始配送路径进行修正优化，为物流包裹生成最佳的配送路径。

进一步地，S3包括以下子步骤：

S31、获取初始配送路径中所有障碍物，并确定各个障碍物的运输惩罚系数；

S32、根据各个障碍物的运输惩罚系数，确定初始配送路径的第一待优化障碍物集合；

S33、在初始配送路径中，确定第二待优化障碍物集合；

S34、构建路径优化模型，将第一待优化障碍物集合和第二待优化障碍物集合输入至路径优化模型中，为理想物流机器人生成优化配送路径。

上述进一步方案的有益效果是：在本发明中，在初始配送路径中会存在多个障碍物，理想物流机器人在经过障碍物时会进行转弯（即转折），而物流机器人的转弯操作较慢，既会增加运输时间，还会增加运输成本，因此本发明通过计算每个障碍物的运输惩罚系数以及经过每个障碍物的转折次数来挑选需要进行平滑的障碍物。本发明构建路径优化模型，对初始配送路径中理想物流机器人的转折点进行平滑操作，完成路径优化。

进一步地，S31中，第i个障碍物的运输惩罚系数p_i的计算公式为：；式中，α_i表示理想物流机器人经过第i个障碍物的转折角度，x_i表示第i个障碍物在地图的横坐标，y_i表示第i个障碍物在地图的纵坐标，x_i-1表示第i-1个障碍物在地图的横坐标，y_i-1表示第i-1个障碍物在地图的纵坐标，x_i+1表示第i+1个障碍物在地图的横坐标，y_i+1表示第i+1个障碍物在地图的纵坐标，X₀表示物流包裹在地图中的初始位置横坐标，Y₀表示物流包裹在地图中的初始位置纵坐标，X₁表示物流包裹在地图中的存放位置横坐标，Y₁表示物流包裹在地图中的存放位置纵坐标，R_i表示理想物流机器人经过第i个障碍物的运输成本，/>表示向上取整。

进一步地，S32中，确定第一待优化障碍物集合的具体方法为：将运输惩罚系数小于运输惩罚阈值的所有障碍物作为第一待优化障碍物集合；

运输惩罚阈值可以人为设定，也可以采用所有障碍物的运输惩罚系数的均值。

S33中，确定第二待优化障碍物集合的具体方法为：将初始配送路径中除第一待优化障碍物集合外转折次数大于1的所有障碍物作为第二待优化障碍物集合。

进一步地，路径优化模型包括第一卷积层、第二卷积层、第一激活层、第二激活层和平滑层；

第一卷积层的输入端作为路径优化模型的第一输入端；第二卷积层的输入端作为路径优化模型的第二输入端；第一卷积层的输出端、第一激活层以及平滑层的第一输入端依次连接；第二卷积层的输出端、第二激活层以及平滑层的第二输入端依次连接；平滑层的第一输出端作为路径优化模型的第一输出端；平滑层的第二输出端作为路径优化模型的第二输出端。

上述进一步方案的有益效果是：在本发明中，第一卷积层对第一待优化障碍物集合进行特征提取，输出多个特征值，第二卷积核对第二待优化障碍物集合进行特征提取，输出多个特征值。第一激活层对第一卷积层输出的最大/小特征值进行运算，第二激活层对第二卷积层输出的最大/小特征值进行运算。平滑层根据第一激活层和第二激活层的输出确定最终的平滑角度。理想物流机器人在经过障碍物时，可直接采用该平滑角度，或在本身转折角度基础上加减平滑角度。

进一步地，第一卷积层的输出U的表达式为：U={u₁,…,u_m,…,u_M}，；式中，u₁表示第一卷积层中第一个卷积核的输出，u_m表示第一卷积层中第m个卷积核的输出，u_M表示第一卷积层中第M个卷积核的输出，M表示第一卷积层的卷积核个数，p_m表示第一卷积层中第m个卷积核对应处理障碍物的运输惩罚系数，p_m-1表示第一卷积层中第m-1个卷积核对应处理障碍物的运输惩罚系数，p_m+1表示第一卷积层中第m+1个卷积核对应处理障碍物的运输惩罚系数，γ_m表示第一卷积层中第m个卷积核的权重，b_m表示第一卷积层中第m个卷积核的尺寸；

第二卷积层的输出V的表达式为：v={v₁,…,v_n,…,v_N}，；式中，v₁表示第二卷积层中第一个卷积核的输出，v_n表示第二卷积层中第n个卷积核的输出，u_N表示第二卷积层中第N个卷积核的输出，N表示第二卷积层的卷积核个数，c_n表示第二卷积层中第n个卷积核对应处理障碍物的转折次数，γ_n表示第二卷积层中第n个卷积核的权重，b_n表示第二卷积层中第n个卷积核的尺寸。

进一步地，第一激活层的输出J₁的表达式为：；式中，e表示指数，max(·)表示最大值运算，β₁表示第一激活层的偏置，U表示第一卷积层的输出，σ(·)表示激活函数，c表示常数；

第二激活层的输出J₂的表达式为：；式中，β₂表示第二激活层的偏置，V表示第二卷积层的输出。

进一步地，平滑层的输出W的表达式为：；式中，J₁表示第一激活层的输出，J₂表示第二激活层的输出，min(·)表示最小值运算。

本发明的有益效果是：该物流机器人的路径规划方法根据物流包括在地图的初始位置，分配理想物流机器人完成配送任务，并为理想物流机器人配置初始配送路径；考虑到物流仓库自身障碍物较多的特点，本发明对初始配送路径进行修正优化，尽量减少理想物流机器人的转折拐点，减少资源浪费，提高配送效率。

附图说明

图1为物流机器人的路径规划方法的流程图；

图2为路径优化模型的结构示意图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

如图1所示，本发明提供了一种物流机器人的路径规划方法，包括以下步骤：

S1、获取物流仓库的地图，并确定物流包裹在地图中的初始位置坐标和存放位置坐标；

S2、根据物流包裹在地图中的初始位置坐标，确定理想物流机器人，并为理想物流机器人生成初始配送路径；

S3、根据物流包裹在地图中的初始位置坐标和存放位置坐标，对初始配送路径进行优化，为理想物流机器人生成优化配送路径。

初始位置坐标，即物流机器人路径规划的起点；存放位置坐标，即物流机器人路径规划的终点。

在本发明实施例中，S2中，利用自由空间法为理想物流机器人生成初始配送路径。

S2中，将距离初始位置坐标行驶距离最近的空闲物流机器人作为理想物流机器人。自由空间法采用预先定义的基本形状构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来进行路径规划，但其缺点是障碍物多时将加大算法的复杂度，规划的路径不一定最佳。而物流仓库的特点之一是障碍物多，因此本发明对采用现有算法生成的初始配送路径进行修正优化，为物流包裹生成最佳的配送路径。

在本发明实施例中，S3包括以下子步骤：

S31、获取初始配送路径中所有障碍物，并确定各个障碍物的运输惩罚系数；

S32、根据各个障碍物的运输惩罚系数，确定初始配送路径的第一待优化障碍物集合；

S33、在初始配送路径中，确定第二待优化障碍物集合；

S34、构建路径优化模型，将第一待优化障碍物集合和第二待优化障碍物集合输入至路径优化模型中，为理想物流机器人生成优化配送路径。

在本发明中，在初始配送路径中会存在多个障碍物，理想物流机器人在经过障碍物时会进行转弯（即转折），而物流机器人的转弯操作较慢，既会增加运输时间，还会增加运输成本，因此本发明通过计算每个障碍物的运输惩罚系数以及经过每个障碍物的转折次数来挑选需要进行平滑的障碍物。本发明构建路径优化模型，对初始配送路径中理想物流机器人的转折点进行平滑操作，完成路径优化。

在本发明实施例中，S31中，第i个障碍物的运输惩罚系数p_i的计算公式为：

；式中，α_i表示理想物流机器人经过第i个障碍物的转折角度，x_i表示第i个障碍物在地图的横坐标，y_i表示第i个障碍物在地图的纵坐标，x_i-1表示第i-1个障碍物在地图的横坐标，y_i-1表示第i-1个障碍物在地图的纵坐标，x_i+1表示第i+1个障碍物在地图的横坐标，y_i+1表示第i+1个障碍物在地图的纵坐标，X₀表示物流包裹在地图中的初始位置横坐标，Y₀表示物流包裹在地图中的初始位置纵坐标，X₁表示物流包裹在地图中的存放位置横坐标，Y₁表示物流包裹在地图中的存放位置纵坐标，R_i表示理想物流机器人经过第i个障碍物的运输成本，/>表示向上取整。

在本发明实施例中，S32中，确定第一待优化障碍物集合的具体方法为：将运输惩罚系数小于运输惩罚阈值的所有障碍物作为第一待优化障碍物集合；

运输惩罚阈值可以人为设定，也可以采用所有障碍物的运输惩罚系数的均值。

S33中，确定第二待优化障碍物集合的具体方法为：将初始配送路径中除第一待优化障碍物集合外转折次数大于1的所有障碍物作为第二待优化障碍物集合。

在本发明实施例中，如图2所示，路径优化模型包括第一卷积层、第二卷积层、第一激活层、第二激活层和平滑层；

第一卷积层的输入端作为路径优化模型的第一输入端；第二卷积层的输入端作为路径优化模型的第二输入端；第一卷积层的输出端、第一激活层以及平滑层的第一输入端依次连接；第二卷积层的输出端、第二激活层以及平滑层的第二输入端依次连接；平滑层的第一输出端作为路径优化模型的第一输出端；平滑层的第二输出端作为路径优化模型的第二输出端。

在本发明中，第一卷积层对第一待优化障碍物集合进行特征提取，输出多个特征值，第二卷积核对第二待优化障碍物集合进行特征提取，输出多个特征值。第一激活层对第一卷积层输出的最大/小特征值进行运算，第二激活层对第二卷积层输出的最大/小特征值进行运算。平滑层根据第一激活层和第二激活层的输出确定最终的平滑角度。理想物流机器人在经过障碍物时，可直接采用该平滑角度，或在本身转折角度基础上加减平滑角度。

在本发明实施例中，第一卷积层的输出U的表达式为：U={u₁,…,u_m,…,u_M}，；式中，u₁表示第一卷积层中第一个卷积核的输出，u_m表示第一卷积层中第m个卷积核的输出，u_M表示第一卷积层中第M个卷积核的输出，M表示第一卷积层的卷积核个数，p_m表示第一卷积层中第m个卷积核对应处理障碍物的运输惩罚系数，p_m-1表示第一卷积层中第m-1个卷积核对应处理障碍物的运输惩罚系数，p_m+1表示第一卷积层中第m+1个卷积核对应处理障碍物的运输惩罚系数，γ_m表示第一卷积层中第m个卷积核的权重，b_m表示第一卷积层中第m个卷积核的尺寸；

第二卷积层的输出V的表达式为：v={v₁,…,v_n,…,v_N}，；式中，v₁表示第二卷积层中第一个卷积核的输出，v_n表示第二卷积层中第n个卷积核的输出，u_N表示第二卷积层中第N个卷积核的输出，N表示第二卷积层的卷积核个数，c_n表示第二卷积层中第n个卷积核对应处理障碍物的转折次数，γ_n表示第二卷积层中第n个卷积核的权重，b_n表示第二卷积层中第n个卷积核的尺寸。

在本发明实施例中，第一激活层的输出J₁的表达式为：；式中，e表示指数，max(·)表示最大值运算，β₁表示第一激活层的偏置，U表示第一卷积层的输出，σ(·)表示激活函数，c表示常数；

第二激活层的输出J₂的表达式为：；式中，β₂表示第二激活层的偏置，V表示第二卷积层的输出。

在本发明实施例中，平滑层的输出W的表达式为：；式中，J₁表示第一激活层的输出，J₂表示第二激活层的输出，min(·)表示最小值运算。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种物流机器人的路径规划方法，其特征在于，包括以下步骤：

S1、获取物流仓库的地图，并确定物流包裹在地图中的初始位置坐标和存放位置坐标；

S2、根据物流包裹在地图中的初始位置坐标，确定理想物流机器人，并为理想物流机器人生成初始配送路径；

S3、根据物流包裹在地图中的初始位置坐标和存放位置坐标，对初始配送路径进行优化，为理想物流机器人生成优化配送路径；

所述S3包括以下子步骤：

S31、获取初始配送路径中所有障碍物，并确定各个障碍物的运输惩罚系数；

S32、根据各个障碍物的运输惩罚系数，确定初始配送路径的第一待优化障碍物集合；

S33、在初始配送路径中，确定第二待优化障碍物集合；

S34、构建路径优化模型，将第一待优化障碍物集合和第二待优化障碍物集合输入至路径优化模型中，为理想物流机器人生成优化配送路径；

所述S31中，第i个障碍物的运输惩罚系数p_i的计算公式为：

；式中，α_i表示理想物流机器人经过第i个障碍物的转折角度，x_i表示第i个障碍物在地图的横坐标，y_i表示第i个障碍物在地图的纵坐标，x_i-1表示第i-1个障碍物在地图的横坐标，y_i-1表示第i-1个障碍物在地图的纵坐标，x_i+1表示第i+1个障碍物在地图的横坐标，y_i+1表示第i+1个障碍物在地图的纵坐标，X₀表示物流包裹在地图中的初始位置横坐标，Y₀表示物流包裹在地图中的初始位置纵坐标，X₁表示物流包裹在地图中的存放位置横坐标，Y₁表示物流包裹在地图中的存放位置纵坐标，R_i表示理想物流机器人经过第i个障碍物的运输成本，/>表示向上取整；

所述S32中，确定第一待优化障碍物集合的具体方法为：将运输惩罚系数小于运输惩罚阈值的所有障碍物作为第一待优化障碍物集合；

所述S33中，确定第二待优化障碍物集合的具体方法为：将初始配送路径中除第一待优化障碍物集合外转折次数大于1的所有障碍物作为第二待优化障碍物集合；

所述路径优化模型包括第一卷积层、第二卷积层、第一激活层、第二激活层和平滑层；

所述第一卷积层的输入端作为路径优化模型的第一输入端；所述第二卷积层的输入端作为路径优化模型的第二输入端；所述第一卷积层的输出端、第一激活层以及平滑层的第一输入端依次连接；所述第二卷积层的输出端、第二激活层以及平滑层的第二输入端依次连接；所述平滑层的第一输出端作为路径优化模型的第一输出端；所述平滑层的第二输出端作为路径优化模型的第二输出端；

所述第一卷积层的输出U的表达式为：U={u₁,…,u_m,…,u_M}，；式中，u₁表示第一卷积层中第一个卷积核的输出，u_m表示第一卷积层中第m个卷积核的输出，u_M表示第一卷积层中第M个卷积核的输出，M表示第一卷积层的卷积核个数，p_m表示第一卷积层中第m个卷积核对应处理障碍物的运输惩罚系数，p_m-1表示第一卷积层中第m-1个卷积核对应处理障碍物的运输惩罚系数，p_m+1表示第一卷积层中第m+1个卷积核对应处理障碍物的运输惩罚系数，γ_m表示第一卷积层中第m个卷积核的权重，b_m表示第一卷积层中第m个卷积核的尺寸；

所述第二卷积层的输出V的表达式为：v={v₁,…,v_n,…,v_N}，；式中，v₁表示第二卷积层中第一个卷积核的输出，v_n表示第二卷积层中第n个卷积核的输出，v_N表示第二卷积层中第N个卷积核的输出，N表示第二卷积层的卷积核个数，c_n表示第二卷积层中第n个卷积核对应处理障碍物的转折次数，w_n表示第二卷积层中第n个卷积核的权重，b_n表示第二卷积层中第n个卷积核的尺寸；

所述第一激活层的输出J₁的表达式为：；式中，e表示指数，max(·)表示最大值运算，β₁表示第一激活层的偏置，U表示第一卷积层的输出，σ(·)表示激活函数，c表示常数；

所述第二激活层的输出J₂的表达式为：；式中，β₂表示第二激活层的偏置，V表示第二卷积层的输出；

所述平滑层的输出W的表达式为：；式中，J₁表示第一激活层的输出，J₂表示第二激活层的输出，min(·)表示最小值运算。

2.根据权利要求1所述的物流机器人的路径规划方法，其特征在于，所述S2中，利用自由空间法为理想物流机器人生成初始配送路径。