JP2024016781A - METHOD OF, APPARATUS FOR, AND COMPUTER PROGRAM FOR PROVIDING LOGISTIC MANAGEMENT SOLUTION USING 3D GEOFENCE ON LiDAR POINT CLOUD BASIS - Google Patents
METHOD OF, APPARATUS FOR, AND COMPUTER PROGRAM FOR PROVIDING LOGISTIC MANAGEMENT SOLUTION USING 3D GEOFENCE ON LiDAR POINT CLOUD BASIS Download PDFInfo
- Publication number
- JP2024016781A JP2024016781A JP2022156237A JP2022156237A JP2024016781A JP 2024016781 A JP2024016781 A JP 2024016781A JP 2022156237 A JP2022156237 A JP 2022156237A JP 2022156237 A JP2022156237 A JP 2022156237A JP 2024016781 A JP2024016781 A JP 2024016781A
- Authority
- JP
- Japan
- Prior art keywords
- geofence
- point cloud
- shelf
- providing
- logistics management
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004590 computer program Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Graphics (AREA)
- Optics & Photonics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明の多様な実施例はライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法、装置およびコンピュータプログラムに関し、より具体的には、ライダセンサを通じて収集されたポイントクラウドに基づいて設定された３Ｄジオフェンスを利用してより効率的な物流管理を可能にさせるライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法、装置およびコンピュータプログラムに関する。 Various embodiments of the present invention relate to a method, an apparatus, and a computer program for providing a logistics management solution using a 3D geofence based on a lidar point cloud, and more particularly, to a method, an apparatus, and a computer program for providing a logistics management solution using a 3D geofence based on a lidar point cloud. The present invention relates to a method, device, and computer program for providing a logistics management solution using 3D geofence based on lidar point cloud, which enables more efficient logistics management using 3D geofence.
通常的に、工場で生産された物品が販売されてその物品を購入する消費者に伝達されるためには、多くの段階の物流処理過程を経なければならない。具体的な物流処理過程の場合、販売される物品の種類によって異なり得るが、生産工場で物品が生産されると、その物品は一定の数量別にコンテナなどに搭載された後、トラックなどの運送手段によって全国各地にある物流会社の物流センターに移送され、各物流センターではさらに各地域の代理店や集荷場などに物品を移送してから、最終的に小売店や消費者に伝達されながら販売がなされるのが一般的である。 Generally, in order for goods produced in a factory to be sold and delivered to consumers who purchase the goods, many steps must be taken in the logistics process. The specific logistics process may vary depending on the type of goods being sold, but once goods are produced at a production factory, they are loaded into containers in fixed quantities, and then transported by means of transportation such as trucks. The goods are then transferred to distribution centers of logistics companies all over the country, and at each distribution center, they are further transferred to agents and collection points in each region, and then finally sold while being transmitted to retailers and consumers. This is commonly done.
特に、物流処理過程において、物品が工場で出荷された後、小売店や消費者に最終的に伝達されるまで物流倉庫に積載されている場合が多いが、物流処理過程を経る間に物流倉庫に入庫されたり物流倉庫から出庫される物品の入出庫状況や、現在物流倉庫に積載されている在庫の現況を正確に把握することすなわち、物流倉庫内で遂行される物流管理が非常に重要な要素と言える。
一方、従来の物流倉庫での物品積載管理および在庫管理は、在庫現況を管理する作業者や管理者が各物流センターごとに備えられている倉庫のサーバーコンピュータなどから該当物品に対する現在の在庫現況を検索した後、検索された在庫現況を出力して直接倉庫の積載台に行って物品を確認するなどの手作業によって遂行されてきたという不都合な点があった。
In particular, in the logistics processing process, after goods are shipped from a factory, they are often loaded in a logistics warehouse until they are finally delivered to retailers or consumers; It is very important to accurately understand the status of goods entering and leaving the distribution warehouse, as well as the current status of the inventory currently loaded in the distribution warehouse. It can be said to be an element.
On the other hand, in conventional goods loading management and inventory management in distribution warehouses, workers and managers who manage the current inventory status check the current inventory status of the relevant items from the warehouse server computer installed at each distribution center. There has been an inconvenience in that the search has been performed manually, such as outputting the searched inventory status and going directly to the loading platform in the warehouse to check the items.
また、検索された在庫現況と積載台で確認した実際の物品積載現況が一致しない場合には、再び倉庫のサーバーコンピュータに戻って該当物品の在庫現況を修正するなど、在庫現況を把握するための過程を反復的にいちいち遂行しなければならないという点で、非常に非効率的であるという問題がある。
また、物品が積載される物流センターに備えられている倉庫は、全国各地から集まった物品や全国各地に送られる物品が一定期間の間積載されていなければならないため比較的規模が大きく形成され、このように大規模な倉庫を管理するためには多数の人員が必要であるという問題がある。
In addition, if the searched inventory status does not match the actual item loading status confirmed on the loading platform, we will take steps to understand the inventory status, such as returning to the warehouse server computer and modifying the inventory status of the relevant item. The problem is that it is extremely inefficient because the process must be repeated one by one.
In addition, the warehouses installed at distribution centers where goods are loaded are relatively large in size because they must be loaded with goods collected from all over the country or goods sent to all over the country for a certain period of time. There is a problem in that a large number of personnel are required to manage such a large-scale warehouse.
本発明が解決しようとする課題は、前述された従来の問題を解消するための目的で、ライダセンサを通じて物品を積載するための棚をスキャンすることによって収集されたポイントクラウドを利用して棚に対応する３Ｄジオフェンスを設定し、３Ｄジオフェンスを利用して物品の積載の有無、物品の積載量などの物品の積載に関連した物品積載情報を生成し、生成された物品積載情報を利用して物流管理ソリューションを提供することによって、より効率的に物流管理を遂行できるようにするライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法、装置およびコンピュータプログラムを提供することである。
本発明が解決しようとする課題は以上で言及された課題に制限されず、言及されていないさらに他の課題は下記の記載から通常の技術者に明確に理解され得るであろう。
The problem to be solved by the present invention is to solve the above-mentioned conventional problems by using a point cloud collected by scanning a shelf for loading goods through a lidar sensor. Set up a 3D geofence, use the 3D geofence to generate article loading information related to article loading, such as whether or not the article is loaded, and the amount of article loaded, and use the generated article loading information. An object of the present invention is to provide a method, device, and computer program for providing a logistics management solution using a 3D geofence based on lidar point cloud, which enables more efficient logistics management by providing the logistics management solution.
The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
前述した課題を解決するための本発明の一実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法は、コンピューティング装置によって遂行される方法において、所定の領域に配置された棚に対応する３Ｄジオフェンスを設定する段階、前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成する段階および前記生成された物品積載情報を利用して物流管理ソリューションを提供する段階を含むことができる。 A method for providing a logistics management solution using 3D geofence based on lidar point cloud according to an embodiment of the present invention for solving the above-mentioned problems is a method performed by a computing device, in which a step of setting a 3D geofence corresponding to the shelf, a step of generating article loading information for the shelf using the set 3D geofence, and a step of creating a logistics management solution using the generated article loading information. The step of providing the information may include the step of providing the information.
多様な実施例において、前記３Ｄジオフェンスを設定する段階は、ライダセンサを通じて前記棚をスキャンすることによって生成されたポイントクラウドを出力するユーザインターフェース（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ、ＵＩ）を提供する段階、前記提供されたユーザインターフェースを通じて前記棚の外形に対応する３次元空間を定義するユーザ入力を獲得する段階および前記獲得されたユーザ入力に基づいて前記棚に対応する３Ｄジオフェンスを設定する段階を含むことができる。 In various embodiments, setting the 3D geofence includes providing a user interface (UI) that outputs a point cloud generated by scanning the shelf through a lidar sensor. The method may include obtaining user input defining a three-dimensional space corresponding to the outer shape of the shelf through a user interface, and setting a 3D geofence corresponding to the shelf based on the obtained user input.
多様な実施例において、前記３Ｄジオフェンスを設定する段階は、ライダセンサを通じて前記棚をスキャンすることによって生成されたポイントクラウドを収集する段階、前記収集されたポイントクラウドを分析して前記棚の外形に対応するベクトルを抽出する段階および前記抽出されたベクトルに基づいて前記棚に対応する３Ｄジオフェンスを設定する段階を含むことができる。 In various embodiments, setting the 3D geofence includes collecting a point cloud generated by scanning the shelf through a lidar sensor, and analyzing the collected point cloud to determine the profile of the shelf. The method may include extracting a corresponding vector and setting a 3D geofence corresponding to the shelf based on the extracted vector.
多様な実施例において、前記物品積載情報を生成する段階は、前記所定の領域に対するポイントクラウドを収集する段階、前記収集されたポイントクラウドを分析して前記設定された３Ｄジオフェンスを識別する段階および前記収集されたポイントクラウドのうち前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して客体を識別し、前記識別された客体を利用して前記棚に対する第１物品積載情報－前記第１物品積載情報は客体の識別の有無、客体の位置および客体の種類のうち少なくとも一つを含む－を生成する段階を含むことができる。 In various embodiments, generating the article loading information includes collecting a point cloud for the predetermined area, analyzing the collected point cloud to identify the established 3D geofence, and Among the collected point clouds, a point cloud corresponding to the identified 3D geofence is analyzed to identify an object, and using the identified object, first article loading information for the shelf - the first The article loading information may include a step of generating at least one of identification of the object, location of the object, and type of the object.
多様な実施例において、前記物品積載情報を生成する段階は、前記所定の領域に対するポイントクラウドを収集する段階、前記収集されたポイントクラウドを分析して前記設定された３Ｄジオフェンスを識別する段階および前記収集されたポイントクラウドのうち前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して前記棚の積載率を算出し、前記算出された積載率に関する情報を含む第２物品積載情報を生成する段階を含むことができる。 In various embodiments, generating the article loading information includes collecting a point cloud for the predetermined area, analyzing the collected point cloud to identify the established 3D geofence, and Analyzing the point cloud corresponding to the identified 3D geofence among the collected point clouds to calculate the loading rate of the shelf, and generating second article loading information including information regarding the calculated loading rate. The process may include the steps of:
多様な実施例において、前記第２物品積載情報を生成する段階は、前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して前記設定された３Ｄジオフェンス内に積載された客体を識別する段階および前記棚の積載率として、前記識別された３Ｄジオフェンスの面積対比前記識別された客体の面積の比率を算出する段階を含むことができる。
多様な実施例において、前記第２物品積載情報を生成する段階は、前記識別された３Ｄジオフェンスが複数の段を含む場合、前記複数の段それぞれに対応するポイントクラウドを分析して前記複数の段それぞれに積載された客体を識別する段階、前記複数の段それぞれの積載率として、前記複数の段それぞれの高さ対比前記識別された客体の高さの比率を算出する段階および前記複数の段それぞれの積載率を合算して前記棚の積載率を算出する段階を含むことができる。
In various embodiments, the step of generating the second article loading information includes analyzing a point cloud corresponding to the identified 3D geofence to identify objects loaded within the set 3D geofence. The method may include calculating a ratio of the area of the identified object to the area of the identified 3D geofence as the loading rate of the shelf.
In various embodiments, when the identified 3D geofence includes a plurality of stages, the step of generating the second article loading information includes analyzing a point cloud corresponding to each of the plurality of stages to determine the second article loading information. identifying the objects loaded on each of the stages; calculating a ratio of the height of the identified object to the height of each of the stages as a loading rate of each of the stages; and The method may include the step of calculating the loading rate of the shelf by summing the respective loading rates.
多様な実施例において、前記物流管理ソリューションを提供する段階は、前記生成された物品積載情報に基づいて予め設定された条件が満足されるかどうかを判断し、前記予め設定された条件が満足されるものと判断される場合、ユーザに通知を提供するものの、前記予め設定された条件は前記所定の領域に配置される複数の棚、前記複数の棚それぞれに含まれた複数の段およびマスそれぞれに個別的に設定されることである、段階を含むことができる。 In various embodiments, the step of providing the logistics management solution includes determining whether a preset condition is satisfied based on the generated article loading information, and determining whether the preset condition is satisfied. If it is determined that the plurality of shelves is located in the predetermined area, a notification is provided to the user. may include stages that are individually configured.
前述した課題を解決するための本発明の他の実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供装置は、プロセッサ、ネットワークインターフェース、メモリおよび前記メモリにロード（ｌｏａｄ）され、前記プロセッサによって実行されるコンピュータプログラムを含むものの、前記コンピュータプログラムは、所定の領域に配置された棚に対応する３Ｄジオフェンスを設定するインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）、前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成するインストラクションおよび前記生成された物品積載情報を利用して物流管理ソリューションを提供するインストラクションを含むことができる。 A logistics management solution providing device using a 3D geofence based on lidar point cloud according to another embodiment of the present invention for solving the above-mentioned problems includes a processor, a network interface, a memory, and a device loaded into the memory. , a computer program executed by the processor, the computer program including instructions for setting a 3D geofence corresponding to shelves arranged in a predetermined area, and using the set 3D geofence. The method may include instructions for generating article loading information for the shelf and instructions for providing a logistics management solution by using the generated article loading information.
前述した課題を解決するための本発明のさらに他の実施例に係るコンピュータプログラムは、コンピューティング装置と結合され、所定の領域に配置された棚に対応する３Ｄジオフェンスを設定する段階、前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成する段階および前記生成された物品積載情報を利用して物流管理ソリューションを提供する段階を含むライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を実行させるためにコンピューティング装置で読み取り可能な記録媒体に保存され得る。
本発明のその他の具体的な事項は詳細な説明および図面に含まれている。
A computer program according to another embodiment of the present invention for solving the above-mentioned problems is coupled to a computing device, and includes the steps of: setting a 3D geofence corresponding to shelves arranged in a predetermined area; using a lidar point cloud-based 3D geofence, including the steps of: generating article loading information for the shelf using the generated 3D geofence; and providing a logistics management solution using the generated article loading information. The information may be stored in a recording medium readable by a computing device in order to execute the logistics management solution providing method.
Other specific details of the invention are contained in the detailed description and drawings.
本発明の多様な実施例によると、ライダセンサを通じて物品を積載するための棚をスキャンすることによって収集されたポイントクラウドを利用して棚に対応する３Ｄジオフェンスを設定し、３Ｄジオフェンスを利用して物品の積載の有無、物品の積載量などの物品の積載に関連した物品積載情報を生成し、生成された物品積載情報を利用して物流管理ソリューションを提供することによって、より効率的に物流管理を遂行できるようにするという利点がある。
本発明の効果は以上で言及された効果に制限されず、言及されていないさらに他の効果は下記の記載から通常の技術者に明確に理解され得るであろう。
According to various embodiments of the present invention, a point cloud collected by scanning a shelf for loading goods through a lidar sensor is used to set a 3D geofence corresponding to the shelf, and the 3D geofence is used. By generating goods loading information related to goods loading, such as whether goods are loaded or not and the amount of goods loaded, and providing logistics management solutions using the generated goods loading information, logistics can be carried out more efficiently. It has the advantage of allowing management to be carried out.
The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
本発明の利点および特徴、そしてそれらを達成する方法は、添付される図面と共に詳細に後述されている実施例を参照すると明確となるであろう。しかし、本発明は以下で開示される実施例に制限されるものではなく、互いに異なる多様な形態で具現され得、ただし、本実施例は本発明の開示を完全なものとし、本発明が属する技術分野の通常の技術者に本発明の範疇を完全に知らせるために提供されるものであり、本発明は請求項の範疇によって定義されるのみである。 The advantages and features of the invention, and the manner in which they are achieved, will become clearer with reference to the examples described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, and may be embodied in various forms different from each other, but the present embodiments should be considered as complete disclosures of the present invention, and the present invention should not be limited to the embodiments disclosed below. It is provided so that one of ordinary skill in the art will be fully informed of the scope of the invention, and the invention is to be defined only by the scope of the claims that follow.
本明細書で使われた用語は、実施例を説明するためのものであって、本発明を制限しようとするものではない。本明細書で、単数型は文面で特に言及しない限り複数型も含む。明細書で使われる「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は言及された構成要素の他に一つ以上の他の構成要素の存在または追加を排除しない。明細書全体に亘って同一の図面符号は同一の構成要素を指し示し、「および／または」は言及された構成要素のそれぞれおよび一つ以上のすべての組み合わせを含む。たとえ「第１」、「第２」等が多様な構成要素を叙述するために使われるが、これらの構成要素はこれらの用語によって制限されないことは言うまでもない。これらの用語は単に一つの構成要素を他の構成要素と区別するために使うものである。したがって、以下で言及される第１構成要素は本発明の技術的思想内で第２構成要素であってもよいことは言うまでもない。
他の定義がない限り、本明細書で使われるすべての用語（技術および科学的用語を含む）は、本発明が属する技術分野の通常の技術者に共通して理解され得る意味で使われ得るであろう。また、一般的に使われる辞書に定義されている用語は明白に特に定義されていない限り理想的にまたは過度に解釈されない。
The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the invention. In this specification, the singular term also includes the plural term unless specifically stated otherwise. As used in the specification, "comprises" and/or "comprising" do not exclude the presence or addition of one or more other elements besides the mentioned element. Like drawing numerals refer to like elements throughout the specification, and "and/or" includes each and every combination of one or more of the mentioned elements. Although "first", "second", etc. are used to describe various components, it goes without saying that these components are not limited by these terms. These terms are only used to distinguish one component from another. Therefore, it goes without saying that the first component mentioned below may also be the second component within the technical idea of the present invention.
Unless otherwise defined, all terms (including technical and scientific terms) used herein are to be given the meanings that would be commonly understood by one of ordinary skill in the art to which this invention belongs. Will. Additionally, terms defined in commonly used dictionaries are not to be interpreted ideally or unduly unless explicitly specifically defined.
明細書で使われる「部」または「モジュール」という用語は、ソフトウェア、ＦＰＧＡまたはＡＳＩＣのようなハードウェア構成要素を意味し、「部」または「モジュール」は何らかの役割を遂行する。しかし、「部」または「モジュール」はソフトウェアまたはハードウェアに限定される意味ではない。「部」または「モジュール」はアドレッシングできる保存媒体にあるように構成されてもよく、一つまたはそれ以上のプロセッサを再生させるように構成されてもよい。したがって、一例として、「部」または「モジュール」はソフトウェア構成要素、客体指向ソフトウェア構成要素、クラス構成要素およびタスク構成要素のような構成要素と、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバ、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイおよび変数を含む。構成要素と「部」または「モジュール」内で提供される機能はさらに小さい数の構成要素および「部」または「モジュール」に結合されるか追加的な構成要素と「部」または「モジュール」にさらに分離され得る。
空間的に相対的な用語である「下（ｂｅｌｏｗ）」、「下（ｂｅｎｅａｔｈ）」、「下部（ｌｏｗｅｒ）」、「上（ａｂｏｖｅ）」、「上部（ｕｐｐｅｒ）」などは、図面に図示されているように一つの構成要素と他の構成要素との相関関係を容易に記述するために使われ得る。空間的に相対的な用語は、図面に図示されている方向に加え、使用時または動作時の構成要素の互いに異なる方向を含む用語で理解されるべきである。例えば、図面に図示されている構成要素をひっくり返す場合、他の構成要素の「下（ｂｅｌｏｗ）」または「下（ｂｅｎｅａｔｈ）」と記述された構成要素は他の構成要素の「上（ａｂｏｖｅ）」に置かれ得る。したがって、例示的な用語である「下」は下と上の方向をすべて含むことができる。構成要素は他の方向にも配向され得、これに伴い、空間的に相対的な用語は配向により解釈され得る。
The term "unit" or "module" as used in the specification refers to a software, hardware component, such as an FPGA or an ASIC, in which the "unit" or "module" performs some role. However, the term "unit" or "module" is not limited to software or hardware. A "unit" or "module" may be configured to reside on an addressable storage medium and may be configured to execute on one or more processors. Thus, by way of example, "unit" or "module" refers to components such as software components, object-oriented software components, class components, and task components, as well as processes, functions, attributes, procedures, subroutines, program code. including segments, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays and variables. The functionality provided within the components and "parts" or "modules" may be combined into a smaller number of components and "parts" or "modules" or into additional components and "parts" or "modules." It can be further separated.
Spatially relative terms such as "below,""beneath,""lower,""above," and "upper" may not be illustrated in the drawings. It can be used to easily describe the correlation between one component and another component, as in Spatially relative terms are to be understood in terms that include the orientations illustrated in the drawings, as well as different orientations of the components in use or operation. For example, when a component illustrated in a drawing is turned over, a component described as "below" or "beneath" another component is "above" the other component. can be placed in Accordingly, the exemplary term "bottom" may include both directions below and above. Components may be oriented in other directions, and accordingly, spatially relative terms may be interpreted in terms of orientation.
本明細書で、コンピュータは少なくとも一つのプロセッサを含むすべての種類のハードウェア装置を意味するものであり、実施例により該当ハードウェア装置で動作するソフトウェア的構成も包括する意味として理解され得る。例えば、コンピュータはスマートフォン、タブレットＰＣ、デスクトップ、ノートパソコンおよび各装置で駆動されるユーザクライアントおよびアプリケーションをすべて含む意味として理解され得、また、これに制限されるものではない。 In this specification, a computer refers to all types of hardware devices including at least one processor, and may also be understood to include software configurations that operate on the hardware devices, depending on the embodiment. For example, a computer may be understood to include, but is not limited to, a smartphone, a tablet PC, a desktop, a notebook computer, and all user clients and applications run on each device.
以下、添付された図面を参照して本発明の実施例を詳細に説明する。
本明細書で説明される各段階はコンピュータによって遂行されるものとして説明されるが、各段階の主体はこれに制限されるものではなく、実施例により各段階の少なくとも一部が互いに異なる装置で遂行されてもよい。
Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
Although each step described in this specification is described as being performed by a computer, the main body of each step is not limited to this, and depending on the embodiment, at least a part of each step may be performed by a different device. May be carried out.
図１は、本発明の一実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供システムを図示した図面である。
図１を参照すると、本発明の一実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供システムは、物流管理ソリューション提供装置１００、ユーザ端末２００、外部サーバー３００およびネットワーク４００を含むことができる。
FIG. 1 is a diagram illustrating a logistics management solution providing system using a lidar point cloud-based 3D geofence according to an embodiment of the present invention.
Referring to FIG. 1, a logistics management solution providing system using a 3D geofence based on lidar point cloud according to an embodiment of the present invention includes a logistics management solution providing device 100, a user terminal 200, an external server 300, and a network 400. can be included.
ここで、図１に図示されたライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供システムは一実施例によるものであり、その構成要素は図１に図示された実施例に限定されず、必要に応じて付加、変更または削除され得る。
一実施例において、物流管理ソリューション提供装置１００（以下、「コンピューティング装置１００」）はより効率的な物流管理のための目的で、物流管理を遂行するユーザに物流管理ソリューションを提供することができる。
Here, the logistics management solution providing system using 3D geofence based on the lidar point cloud illustrated in FIG. 1 is based on one embodiment, and its components are not limited to the embodiment illustrated in FIG. 1. , may be added, changed, or deleted as necessary.
In one embodiment, the logistics management solution providing device 100 (hereinafter referred to as the "computing device 100") is capable of providing logistics management solutions to users who perform logistics management for the purpose of more efficient logistics management. .
一例として、コンピューティング装置１００はユーザの要請により所定の領域（例えば、物流倉庫）内に配置された複数の棚それぞれに対する物品積載情報を生成し、これを通じて複数の棚それぞれに対する物品積載の有無、物品の積載率および積載された物品の種類に関する情報を提供する物流管理ソリューションを提供することができる。
他の例として、コンピューティング装置１００は複数の棚それぞれに対する物品積載情報に基づいてユーザに通知を提供する物流管理ソリューションを提供することができる。
As an example, the computing device 100 generates article loading information for each of a plurality of shelves arranged in a predetermined area (for example, a distribution warehouse) in response to a user's request, and uses this information to determine whether or not articles are loaded on each of the plurality of shelves. A logistics management solution can be provided that provides information regarding the loading rate of goods and the type of goods loaded.
As another example, computing device 100 may provide a logistics management solution that provides notifications to a user based on article loading information for each of a plurality of shelves.
さらに他の例として、コンピューティング装置１００は所定期間の間の物品積載情報を統計化して提供する物流管理ソリューションを提供することができる。
さらに他の例として、コンピューティング装置１００は特定物品の種類、特定物品の積載位置、特定物品の移動履歴などを含むヒストリー情報を提供する物流管理ソリューションを提供することができる。しかし、これに限定されない。
As yet another example, the computing device 100 can provide a logistics management solution that provides statistics on article loading information for a predetermined period of time.
As yet another example, the computing device 100 may provide a logistics management solution that provides history information including the type of a particular item, the loading location of a particular item, the movement history of a particular item, and the like. However, it is not limited to this.
多様な実施例において、コンピューティング装置１００は特定の棚に対応する３Ｄジオフェンスを設定することができ、３Ｄジオフェンスを利用して特定の棚に対する物品積載情報を生成することができる。 In various embodiments, computing device 100 may establish a 3D geofence corresponding to a particular shelf, and the 3D geofence may be utilized to generate article loading information for the particular shelf.
多様な実施例において、コンピューティング装置１００はネットワーク４００を通じてユーザ端末２００と連結され得、ユーザ端末２００に物流管理ソリューションを提供することができる。例えば、コンピューティング装置１００が提供する物流管理ソリューション提供サービスはウェブまたはアプリケーションの形態で具現され得、ユーザ端末２００を通じてウェブまたはアプリケーションを駆動することによってコンピューティング装置１００が提供する物流管理ソリューション提供サービスが実行され得る。 In various embodiments, the computing device 100 may be coupled to the user terminal 200 through the network 400 and may provide the user terminal 200 with a logistics management solution. For example, the logistics management solution providing service provided by the computing device 100 may be implemented in the form of a web or an application, and by driving the web or application through the user terminal 200, the logistics management solution providing service provided by the computing device 100 may be implemented in the form of a web or application. can be executed.
ここで、ユーザ端末２００はウェブまたはアプリケーションの駆動が可能な運営体制を含み、ウェブまたはアプリケーションを実行することによって提供されるＵＩ（例：図１２～図１５）を出力するためのディスプレイが少なくとも一部の領域に備えられるスマートフォン（Ｓｍａｒｔｐｈｏｎｅ）であり得るが、これに限定されず、ユーザ端末２００は、携帯性と移動性が保障される無線通信装置であって、ナビゲーション、ＰＣＳ（Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＰＨＳ（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙｐｈｏｎｅ Ｓｙｓｔｅｍ）、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＩＭＴ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ）－２０００、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）－２０００、Ｗ－ＣＤＭＡ（Ｗ－Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ Ｉｎｔｅｒｎｅｔ）端末、スマートパッド（Ｓｍａｒｔｐａｄ）、タブレットＰＣ（Ｔａｂｌｅｔ ＰＣ）などのようなすべての種類のハンドヘルド（Ｈａｎｄｈｅｌｄ）基盤の無線通信装置を含むことができるが、これに限定されない。 Here, the user terminal 200 includes an operating system capable of driving a web or an application, and has at least one display for outputting a UI (e.g., FIGS. 12 to 15) provided by running the web or application. The user terminal 200 may be a smartphone provided in a certain area, but is not limited thereto, and the user terminal 200 is a wireless communication device that ensures portability and mobility, and is used for navigation, PCS (Personal Communication System), etc. , GSM (Global System for Mobile communications), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), PDA (Personal D Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, All kinds of handhelds such as W-CDMA (W-Code Division Multiple Access), Wibro (Wireless Broadband Internet) terminals, Smartpads, Tablet PCs, etc. ) based wireless communication equipment can include, but are not limited to.
一実施例において、外部サーバー３００はネットワーク４００を通じてコンピューティング装置１００と連結され得、コンピューティング装置１００がライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を遂行するために必要な各種情報およびデータを保存および管理したり、ライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を遂行することによって生成する各種情報およびデータを収集して保存および管理することができる。例えば、外部サーバー３００はコンピューティング装置１００の外部に別途に備えられる保存サーバーであり得るが、これに限定されない。以下、図２を参照してライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を遂行するコンピューティング装置１００のハードウェア構成について説明することにする。 In one embodiment, the external server 300 may be connected to the computing device 100 through the network 400, and the external server 300 may be connected to the computing device 100 to perform various operations necessary for the computing device 100 to perform the method of providing a logistics management solution using 3D geofence based on the Lidar point cloud. It is possible to store and manage information and data, and collect, store and manage various kinds of information and data generated by carrying out the method for providing a logistics management solution using 3D geofence based on the Lidar Point cloud. For example, the external server 300 may be a storage server provided separately outside the computing device 100, but is not limited thereto. Hereinafter, with reference to FIG. 2, the hardware configuration of the computing device 100 that implements the method for providing a logistics management solution using a 3D geofence based on the lidar point cloud will be described.
図２は、本発明の他の実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供装置のハードウェア構成図である。
図２を参照すると、多様な実施例において、コンピューティング装置１００は一つ以上のプロセッサ１１０、プロセッサ１１０によって遂行されるコンピュータプログラム１５１をロード（Ｌｏａｄ）するメモリ１２０、バス１３０、通信インターフェース１４０およびコンピュータプログラム１５１を保存するストレージ１５０を含むことができる。ここで、図２には本発明の実施例と関連する構成要素のみ図示されている。したがって、本発明が属した技術分野の通常の技術者であれば、図２に図示された構成要素の他に他の汎用的な構成要素がさらに含まれ得ることが分かる。
FIG. 2 is a hardware configuration diagram of a logistics management solution providing apparatus using a lidar point cloud-based 3D geofence according to another embodiment of the present invention.
Referring to FIG. 2, in various embodiments, a computing device 100 includes one or more processors 110, a memory 120 that loads a computer program 151 executed by the processors 110, a bus 130, a communication interface 140, and a computer. A storage 150 for storing programs 151 may be included. Here, only the components related to the embodiment of the present invention are illustrated in FIG. Therefore, those skilled in the art to which the present invention pertains will understand that other general-purpose components may be included in addition to the components illustrated in FIG.
プロセッサ１１０はコンピューティング装置１００の各構成の全般的な動作を制御する。プロセッサ１１０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）または本発明の技術分野に広く知られている任意の形態のプロセッサを含んで構成され得る。 Processor 110 controls the general operation of each component of computing device 100. The processor 110 may be a CPU (Central Processing Unit), an MPU (Micro Processor Unit), an MCU (Micro Controller Unit), a GPU (Graphic Processing Unit), or may be widely used in the technical field of the present invention. including any known form of processor can be configured.
また、プロセッサ１１０は本発明の実施例に係る方法を実行するための少なくとも一つのアプリケーションまたはプログラムに対する演算を遂行すことができ、コンピューティング装置１００は一つ以上のプロセッサを具備することができる。 In addition, the processor 110 may perform operations on at least one application or program for performing a method according to an embodiment of the present invention, and the computing device 100 may include one or more processors.
多様な実施例において、プロセッサ１１０はプロセッサ１１０内部で処理される信号（またはデータ）を一時的および／または永久的に保存するラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、図示されず）およびロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、図示されず）をさらに含むことができる。また、プロセッサ１１０はグラフィック処理部、ラムおよびロムのうち少なくとも一つを含むシステムオンチップ（ＳｏＣ：ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）の形態で具現され得る。 In various embodiments, processor 110 may include random access memory (RAM, not shown) and read memory (ROM) for temporarily and/or permanently storing signals (or data) processed within processor 110. -Only Memory (not shown). Further, the processor 110 may be implemented in the form of a system on chip (SoC) including at least one of a graphics processing unit, RAM, and ROM.
メモリ１２０は各種データ、命令および／または情報を保存する。メモリ１２０は本発明の多様な実施例に係る方法／動作を実行するためにストレージ１５０からコンピュータプログラム１５１をロードすることができる。メモリ１２０にコンピュータプログラム１５１がロードされると、プロセッサ１１０はコンピュータプログラム１５１を構成する一つ以上のインストラクションを実行することによって前記方法／動作を遂行できる。メモリ１２０はＲＡＭのような揮発性メモリで具現され得るが、本開示の技術的範囲はこれに限定されるものではない。 Memory 120 stores various data, instructions and/or information. Memory 120 can load computer programs 151 from storage 150 to perform methods/acts according to various embodiments of the present invention. Once the computer program 151 is loaded into the memory 120, the processor 110 can perform the methods/operations by executing one or more instructions comprising the computer program 151. Although the memory 120 may be implemented as a volatile memory such as a RAM, the technical scope of the present disclosure is not limited thereto.
バス１３０はコンピューティング装置１００の構成要素間の通信機能を提供する。バス１３０はアドレスバス（ａｄｄｒｅｓｓ Ｂｕｓ）、データバス（Ｄａｔａ Ｂｕｓ）および制御バス（Ｃｏｎｔｒｏｌ Ｂｕｓ）などの多様な形態のバスで具現され得る。
通信インターフェース１４０はコンピューティング装置１００の有線／無線インターネット通信を支援する。また、通信インターフェース１４０はインターネット通信以外の多様な通信方式を支援してもよい。このために、通信インターフェース１４０は本発明の技術分野に広く知られている通信モジュールを含んで構成され得る。いくつかの実施例において、通信インターフェース１４０は省略されてもよい。
Bus 130 provides communication functionality between components of computing device 100. The bus 130 may be implemented as various types of buses, such as an address bus, a data bus, and a control bus.
Communications interface 140 supports wired/wireless Internet communications for computing device 100. Furthermore, the communication interface 140 may support various communication methods other than Internet communication. To this end, the communication interface 140 may include communication modules widely known in the technical field of the present invention. In some embodiments, communication interface 140 may be omitted.
ストレージ１５０はコンピュータプログラム１５１を非臨時的に保存することができる。コンピューティング装置１００を通じてライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供プロセスを遂行する場合、ストレージ１５０はライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供プロセスを提供するために必要な各種情報を保存することができる。 The storage 150 can store the computer program 151 on a non-temporary basis. When the computing device 100 performs the process of providing a logistics management solution using 3D geofence based on the Lidar Point cloud, the storage 150 is used to provide the process of providing a logistics management solution using the 3D geofence based on the Lidar Point cloud. Various necessary information can be saved.
ストレージ１５０はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリなどのような不揮発性メモリ、ハードディスク、着脱型ディスク、または本発明が属する技術分野で広く知られている任意の形態のコンピュータで読み取り可能な記録媒体を含んで構成され得る。 The storage 150 includes non-volatile memory such as ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), flash memory, hard disk, etc. demolding disk, or widely used in the technical field to which this invention belongs. The computer readable recording medium may include any known form of computer readable recording medium.
コンピュータプログラム１５１はメモリ１２０にロードされる時、プロセッサ１１０に本発明の多様な実施例に係る方法／動作を遂行するようにさせる一つ以上のインストラクションを含むことができる。すなわち、プロセッサ１１０は前記一つ以上のインストラクションを実行することによって、本発明の多様な実施例に係る前記方法／動作を遂行できる。
一実施例において、コンピュータプログラム１５１は所定の領域に配置された棚に対応する３Ｄジオフェンスを設定する段階、設定された３Ｄジオフェンスを利用して棚に対する物品積載情報を生成する段階および生成された物品積載情報を利用して物流管理ソリューションを提供する段階を含むライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を遂行するようにする一つ以上のインストラクションを含むことができる。
Computer program 151 may include one or more instructions that, when loaded into memory 120, cause processor 110 to perform methods/operations according to various embodiments of the present invention. That is, the processor 110 may perform the methods/operations according to various embodiments of the present invention by executing the one or more instructions.
In one embodiment, the computer program 151 includes steps of setting a 3D geofence corresponding to a shelf placed in a predetermined area, generating article loading information for the shelf using the set 3D geofence, and The method may include one or more instructions for performing a method for providing a logistics management solution using a 3D geofence based on a lidar point cloud, including providing a logistics management solution using the obtained article loading information.
本発明の実施例と関連して説明された方法またはアルゴリズムの段階はハードウェアで直接具現されるか、ハードウェアによって実行されるソフトウェアモジュールで具現されるか、またはこれらの結合によって具現され得る。ソフトウェアモジュールはＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）、ハードディスク、着脱型ディスク、ＣＤ－ＲＯＭ。または本発明が属する技術分野で広く知られている任意の形態のコンピュータ読み取り可能記録媒体に常駐してもよい。 The steps of a method or algorithm described in connection with an embodiment of the invention may be directly implemented in hardware, in a software module executed by hardware, or a combination thereof. Software modules include RAM (Random Access Memory), ROM (Read Only Memory), EPROM (Erasable Programmable ROM), and EEPROM (Electrically Erasable Programmable Memory). e ROM), flash memory, hard disk, removable disk, CD-ROM. Alternatively, it may reside in any form of computer-readable recording medium widely known in the technical field to which the present invention pertains.
本発明の構成要素はハードウェアであるコンピュータと結合されて実行されるために、プログラム（またはアプリケーション）で具現されて媒体に保存され得る。本発明の構成要素はソフトウェアプログラミングまたはソフトウェア要素で実行され得、これと同様に、実施例はデータ構造、プロセス、ルーチンまたは他のプログラミング構成の組み合わせで具現される多様なアルゴリズムを含み、Ｃ、Ｃ＋＋、ジャバ（Ｊａｖａ）、アセンブラ（ａｓｓｅｍｂｌｅｒ）などのようなプログラミングまたはスクリプト言語で具現され得る。機能的な側面は一つ以上のプロセッサで実行されるアルゴリズムで具現され得る。以下、図３～図１５を参照して、コンピューティング装置１００により実行されるライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法について説明することにする。 The components of the present invention may be implemented as a program (or an application) and stored in a medium in order to be executed in combination with a computer, which is hardware. Components of the invention may be implemented in software programming or software elements; similarly, embodiments include a variety of algorithms implemented in combinations of data structures, processes, routines, or other programming constructs, such as C, C++, etc. , Java, assembler, or the like. Functional aspects may be implemented in algorithms running on one or more processors. Hereinafter, with reference to FIGS. 3 to 15, a method for providing a logistics management solution using a lidar point cloud-based 3D geofence executed by the computing device 100 will be described.
図３は、本発明のさらに他の実施例に係るライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法のフローチャートである。
図３を参照すると、Ｓ１１０段階で、コンピューティング装置１００は所定の領域に配置された棚に対応する３Ｄジオフェンスを設定することができる。
多様な実施例において、コンピューティング装置１００はライダセンサを通じて所定の領域（例えば、物流倉庫内部領域）をスキャンすることによって収集されるポイントクラウド（Ｐｏｉｎｔ Ｃｌｏｕｄ）を利用して所定の領域に配置される複数の棚それぞれに対応する複数の３Ｄジオフェンスを設定することができる（例：図４）。
FIG. 3 is a flowchart of a method for providing a logistics management solution using a lidar point cloud-based 3D geofence according to yet another embodiment of the present invention.
Referring to FIG. 3, in step S110, the computing device 100 may set a 3D geofence corresponding to shelves arranged in a predetermined area.
In various embodiments, the computing device 100 uses a point cloud collected by scanning a predetermined area (e.g., an interior area of a distribution warehouse) through a lidar sensor to locate a plurality of points in a predetermined area. It is possible to set multiple 3D geofences corresponding to each shelf (for example, Fig. 4).
ここで、ポイントクラウドはライダセンサを通じて収集された点群形態のライダセンサデータであるものとして説明しているが、これに限定されず、レーダーセンサ、カメラセンサ（例：Ｄｅｐｔｈ Ｃａｍｅｒａ）等の点群形態のセンサデータを収集可能な装置であればいかなる装置であっても適用が可能である。 Here, the point cloud is explained as being lidar sensor data in the form of a point cloud collected through a lidar sensor, but is not limited to this, and can be in the form of a point cloud such as a radar sensor, a camera sensor (e.g. Depth Camera), etc. Any device can be applied as long as it is capable of collecting sensor data.
また、ここで、ポイントクラウドを収集するライダセンサは、物流倉庫の内部を移動しながら棚に物品を移送する車両（例えば、リフト車）に設置され得、ライダセンサが設置された車両が物流倉庫を走行する過程でリアルタイム／周期的にポイントクラウドを収集することができる。 Furthermore, here, the lidar sensor that collects the point cloud may be installed in a vehicle (e.g., a lift truck) that transfers items to the shelves while moving inside the distribution warehouse, and the vehicle equipped with the lidar sensor is traveling in the distribution warehouse. Point clouds can be collected in real time/periodically during the process.
このように、ライダセンサが所定の領域（物流倉庫）内の特定位置に固定設置されるのではなくリフト車に設置される場合、リフト車が移動する過程で所定の領域内に配置された棚に対応するポイントクラウドを収集できるため、特定位置にライダセンサを固定的に設置する方式対比少ない個数のライダセンサのみを利用してより効率的にポイントクラウド収集が可能であるという利点がある。 In this way, if the lidar sensor is installed on a lift vehicle rather than fixedly installed at a specific location within a predetermined area (distribution warehouse), the lidar sensor may be placed on a shelf placed within the predetermined area as the lift vehicle moves. Since the corresponding point cloud can be collected, this method has the advantage that it is possible to collect point clouds more efficiently by using only a smaller number of lidar sensors compared to a method in which lidar sensors are fixedly installed at specific positions.
また、ライダセンサがリフト車に設置される場合、物流倉庫内の特定位置にライダセンサを固定的に設置する方式対比近距離で棚に対するポイントクラウドを収集できるため、棚および棚に積載された物品に対するポイントクラウドをより正確に収集することができるという利点がある。 Additionally, when the lidar sensor is installed on a lift vehicle, it is possible to collect point clouds for shelves at a short distance compared to a method in which the lidar sensor is fixedly installed at a specific location in a distribution warehouse, so points for the shelves and the items loaded on the shelves can be collected. This has the advantage that cloud data can be collected more accurately.
また、ライダセンサがリフト車に設置される場合、特定の棚に物品を積載したり、特定の棚に積載された物品を他の場所に移動する過程で特定の棚に対するポイントクラウドをリアルタイムで収集できるため、このようなポイントクラウドに基づいて特定の棚に対する物流積載情報をより迅速かつ正確に更新することができるという利点がある。 Additionally, when a lidar sensor is installed on a lift vehicle, it is possible to collect point clouds for a specific shelf in real time while loading items on a specific shelf or moving items loaded on a specific shelf to another location. Therefore, there is an advantage that the logistics loading information for a specific shelf can be updated more quickly and accurately based on such a point cloud.
また、ライダセンサがリフト車に設置される場合、リフト車を利用して物品を運んだり、特定の棚に積載された物品を他の棚に移動する過程に対するポイントクラウドを収集できるため、このようなポイントクラウドとリフト車の移動経路に基づいてリフト車を通じて運搬される物品に対する移動内訳などのヒストリー管理が容易であるという利点がある。 In addition, when the lidar sensor is installed on a lift vehicle, it is possible to collect point clouds for the process of transporting goods using the lift vehicle or moving goods loaded on a specific shelf to other shelves. This method has the advantage that it is easy to manage the history of items transported through the lift vehicle based on the point cloud and the movement route of the lift vehicle.
ここで、所定の領域内に複数のリフト車が運用される場合、複数のリフト車それぞれにライダセンサが設置され得るが、場合により複数のリフト車のうち少なくとも一つのリフト車にのみ選択的にライダセンサが設置され得る。また、場合によりリフト車に設置されたライダセンサと所定の領域内に固定的に設置されるライダセンサを共に運用する形態でも具現され得る。 Here, when a plurality of lift vehicles are operated within a predetermined area, a lidar sensor may be installed in each of the plurality of lift vehicles, but in some cases, a lidar sensor may be selectively installed only in at least one of the plurality of lift vehicles. can be installed. Further, depending on the case, it may be implemented in a form in which a lidar sensor installed on the lift vehicle and a lidar sensor fixedly installed in a predetermined area are operated together.
多様な実施例において、コンピューティング装置１００はユーザ入力により３Ｄジオフェンスを設定したりまたはポイントクラウドに基づいて３Ｄジオフェンスを自動設定することができる。以下、図５～図８を参照してより具体的に説明することにする。 In various embodiments, computing device 100 can configure a 3D geofence through user input or automatically configure a 3D geofence based on a point cloud. A more specific explanation will be given below with reference to FIGS. 5 to 8.
図５は、多様な実施例において、ユーザ入力により３Ｄジオフェンスを設定する方法を説明するためのフローチャートである。
図５を参照すると、多様な実施例において、コンピューティング装置１００はポイントクラウドに基づいて獲得されたユーザ入力に基づいて、棚に対応する３Ｄジオフェンスを設定することができる。
FIG. 5 is a flowchart illustrating a method for setting a 3D geofence through user input in various embodiments.
Referring to FIG. 5, in various embodiments, computing device 100 may establish a 3D geofence corresponding to a shelf based on user input obtained based on a point cloud.
Ｓ２１０段階で、コンピューティング装置１００は所定の領域に対するポイントクラウドを収集することができる。例えば、コンピューティング装置１００はリフト車に設置されたライダセンサを通じて所定の領域をスキャンすることによって生成されるポイントクラウドを収集することができるが、これに限定されない。 In step S210, the computing device 100 may collect a point cloud for a predetermined area. For example, but not limited to, the computing device 100 may collect a point cloud generated by scanning a predetermined area through a lidar sensor installed on a lift vehicle.
Ｓ２２０段階で、コンピューティング装置１００はＳ２１０段階を経て収集されたポイントクラウドを出力するＵＩをユーザに提供することができる。
ここで、ユーザに提供するＵＩは、ポイントクラウドを出力するポイントクラウド出力フィールドとポイントクラウド上に３Ｄジオフェンスを設定するための入力道具を出力する入力道具フィールドを含むことができるが、これに限定されない。
In step S220, the computing device 100 may provide the user with a UI that outputs the point cloud collected in step S210.
Here, the UI provided to the user may include a point cloud output field that outputs a point cloud and an input tool field that outputs an input tool for setting a 3D geofence on the point cloud, but is limited to this. Not done.
Ｓ２３０段階で、コンピューティング装置１００はＳ２２０段階を経て提供されたＵＩを通じて、ユーザから特定の棚の外形に対応する３次元空間を定義するユーザ入力を獲得することができ、獲得したユーザ入力に基づいて特定の棚に対応する３Ｄジオフェンスを設定することができる。 In step S230, the computing device 100 may obtain user input for defining a three-dimensional space corresponding to the outer shape of a specific shelf from the user through the UI provided in step S220, and may obtain user input based on the obtained user input. You can set a 3D geofence that corresponds to a specific shelf.
多様な実施例において、コンピューティング装置１００はＵＩの入力道具フィールドを通じて複数の入力道具（例えば、ポイントクラウド上に点、線および面を描くことによって３次元空間を定義する道具）を提供することができ、入力道具フィールドを通じて獲得されたユーザ入力とポイントクラウド出力フィールドを通じて獲得されたユーザ入力に基づいて特定の棚に対応する３Ｄジオフェンスを設定することができる。 In various embodiments, the computing device 100 may provide a plurality of input tools (e.g., tools for defining three-dimensional space by drawing points, lines, and planes on a point cloud) through the input tool field of the UI. A 3D geofence corresponding to a particular shelf can be set based on user input obtained through the input tool field and user input obtained through the point cloud output field.
例えば、コンピューティング装置１００はユーザから複数の入力道具のうち「点」を選択するユーザ入力とポイントクラウド上の４個の点を選択するユーザ入力を獲得することによりポイントクラウド上に４個の点を設定することによって３Ｄジオフェンスの底面を設定することができ、４個の点それぞれに対する高さを設定するユーザ入力（例えば、４個のポイントそれぞれに対する高さ軸方向へのドラッグ入力など）を獲得することにより特定の棚に対応する３次元空間形態の３Ｄジオフェンスを設定することができる。 For example, the computing device 100 obtains a user input to select a "point" from among a plurality of input tools and a user input to select four points on the point cloud, thereby inputting four points on the point cloud. The base of the 3D geofence can be set by setting , and user input to set the height for each of the four points (for example, drag input in the height axis direction for each of the four points) is required. By acquiring this information, it is possible to set a 3D geofence of a 3D spatial form corresponding to a specific shelf.
多様な実施例において、コンピューティング装置１００は事前に設定されたプレセット（Ｐｒｅ－ｓｅｔ）（例えば、３Ｄジオフェンス設定のために事前に設定された３Ｄジオフェンステンプレートとして、例えば、互いに異なる大きさの正六面体、直六面体など）に基づいて特定の棚に対する３Ｄジオフェンスを設定することができる。 In various embodiments, the computing device 100 may be configured to provide pre-configured pre-sets (e.g., pre-configured 3D geofence templates for 3D geofence configuration, e.g., different sizes). A 3D geofence can be set for a specific shelf based on a regular hexahedron, a rectangular hexahedron, etc.).
例えば、コンピューティング装置１００はＵＩを通じて事前に設定された複数のプレセットを提供することができ、ユーザが特定のプレセットを選択することに対応してポイントクラウド上に特定のプレセットを出力することができ、特定のプレセットに対するユーザ入力（例えば、特定のプレセットの位置、大きさ、形態および角度のうち少なくとも一つを調節するユーザ入力）により特定のプレセットを加工することによって、特定の棚に対応する３Ｄジオフェンス領域を設定することができる。
この時、コンピューティング装置１００は所定期間の間ユーザの３Ｄジオフェンス設定履歴に基づいて、特定の属性（例えば、大きさ、形態、角度等）を有する３Ｄジオフェンスが予め設定された回数以上設定される場合、予め設定された回数以上設定された３Ｄジオフェンスをプレセットとして設定して保存すなわち、ユーザがよく使う形態の３Ｄジオフェンスをテンプレート化することによって、今後ユーザがより迅速かつ便利に３Ｄジオフェンスを設定できるようにする。
For example, the computing device 100 may provide a plurality of preset presets through a UI, and output a particular preset on a point cloud in response to a user selecting a particular preset. and by manipulating a particular preset with user input for the particular preset (e.g., user input adjusting at least one of the position, size, shape, and angle of the particular preset). A 3D geofence area corresponding to the shelf can be set.
At this time, the computing device 100 sets a 3D geofence having a specific attribute (for example, size, shape, angle, etc.) a preset number of times or more based on the user's 3D geofence setting history for a predetermined period of time. If the 3D geofence has been set a preset number of times or more, it can be set as a preset and saved. In other words, by creating a template of the 3D geofence that the user often uses, the user can use it more quickly and conveniently in the future. Enable to set 3D geofence.
多様な実施例において、コンピューティング装置１００は特定の棚の大きさ値に基づいて特定の棚に対する３Ｄジオフェンスを設定することができる。例えば、コンピューティング装置１００はＵＩを通じて特定の棚に対する大きさ値（例えば、特定の棚の横、縦および高さ値）の入力を受けることができ、入力された大きさ値に基づいて３次元空間を生成および出力することができ、出力された３次元空間に対するユーザ入力（例えば、３次元空間の位置、大きさ、形態および角度を調節するユーザ入力）により特定の棚に対応する３Ｄジオフェンス領域を設定することができる。 In various embodiments, computing device 100 may establish a 3D geofence for a particular shelf based on the size value of the particular shelf. For example, the computing device 100 can receive input of size values for a particular shelf (e.g., width, length, and height values for a particular shelf) through a UI, and based on the input size values, create a three-dimensional A 3D geofence that corresponds to a specific shelf can generate and output a space, and user input to the output 3D space (e.g., user input that adjusts the position, size, form, and angle of the 3D space) Area can be set.
多様な実施例において、コンピューティング装置１００は予め学習された人工知能モデルを通じてポイントクラウドを分析することによって特定の棚の外形に関する一つ以上の特徴値を抽出することができ、抽出された一つ以上の特徴値を利用して特定の棚に対応する３次元空間を生成することができ、生成された３次元空間に対するユーザ入力（例えば、３次元空間の位置、大きさ、形態および角度を調節するユーザ入力）により特定の棚に対応する３Ｄジオフェンス領域を設定することができる。 In various embodiments, the computing device 100 may extract one or more feature values regarding a particular shelf profile by analyzing a point cloud through a pre-trained artificial intelligence model, and may extract one or more feature values for a particular shelf profile. A three-dimensional space corresponding to a specific shelf can be generated using the above feature values, and user input to the generated three-dimensional space (for example, adjusting the position, size, shape, and angle of the three-dimensional space) A 3D geofence area corresponding to a specific shelf can be set by user input (such as user input).
ここで、予め学習された人工知能モデルは複数の棚それぞれに対応するポイントクラウドを学習データとして予め学習されたモデルであり得る。
人工知能モデル（例：ニューラルネットワーク）は一つ以上のネットワーク関数で構成され、一つ以上のネットワーク関数は一般的に「ノード」と指称され得る互いに連結された計算単位の集合で構成され得る。このような「ノード」は「ニューロン（ｎｅｕｒｏｎ）」と指称されてもよい。一つ以上のネットワーク関数は少なくとも一つ以上のノードを含んで構成される。一つ以上のネットワーク関数を構成するノード（またはニューロン）は一つ以上の「リンク」により互いに連結され得る。
Here, the pre-trained artificial intelligence model may be a model trained in advance using point clouds corresponding to each of a plurality of shelves as learning data.
An artificial intelligence model (e.g., neural network) may be composed of one or more network functions, and one or more network functions may be composed of a set of interconnected computational units, which may be generally referred to as "nodes." Such a "node" may be referred to as a "neuron." One or more network functions are configured including at least one or more nodes. The nodes (or neurons) that make up one or more network functions may be connected to each other by one or more "links."
人工知能モデル内で、リンクを通じて連結された一つ以上のノードは、相対的に入力ノードおよび出力ノードの関係を形成することができる。入力ノードおよび出力ノードの概念は相対的なものであり、一つのノードに対して出力ノード関係にある任意のノードは他のノードとの関係で入力ノード関係にあり得、その逆も成立できる。前述した通り、入力ノード対出力ノード関係はリンクを中心に生成され得る。一つの入力ノードに一つ以上の出力ノードがリンクを通じて連結され得、その逆も成立できる。 In an artificial intelligence model, one or more nodes connected through a link may form a relationship of an input node and an output node relative to each other. The concepts of input and output nodes are relative; any node that is in an output node relationship with one node can be in an input node relationship with another node, and vice versa. As described above, the input node to output node relationship may be generated around links. One or more output nodes may be connected to one input node through a link, and vice versa.
一つのリンクを通じて連結された入力ノードおよび出力ノード関係で、出力ノードは入力ノードに入力されたデータに基づいてその値が決定され得る。ここで入力ノードと出力ノードを互いに連結するノードは加重値（ｗｅｉｇｈｔ）を有することができる。加重値は可変的であり得、人工知能モデルが望む機能を遂行するために、ユーザまたはアルゴリズムによって可変され得る。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって互いに連結された場合、出力ノードは前記出力ノードと連結された入力ノードに入力された値およびそれぞれの入力ノードに対応するリンクに設定された加重値に基づいて出力ノード値を決定することができる。 In a relationship between an input node and an output node connected through one link, the value of the output node can be determined based on data input to the input node. Here, a node connecting an input node and an output node may have a weight. The weight values may be variable and may be varied by the user or algorithm to perform the desired function of the artificial intelligence model. For example, when one or more input nodes are connected to one output node by respective links, the output node includes the value input to the input node connected to the output node and the link corresponding to each input node. The output node value can be determined based on the weight value set to .
前述した通り、人工知能モデルは一つ以上のノードが一つ以上のリンクを通じて互いに連結されて人工知能モデル内で入力ノードおよび出力ノード関係を形成する。人工知能モデル内でノードとリンクの個数およびノードとリンクの間の相関関係、リンクそれぞれに付与された加重値の値により、人工知能モデルの特性が決定され得る。例えば、同じ個数のノードおよびリンクが存在し、リンク間の加重値値が異なる二つの人工知能モデルが存在する場合、二つの人工知能モデルは互いに異なるものと認識され得る。 As described above, in the artificial intelligence model, one or more nodes are connected to each other through one or more links to form an input node and an output node relationship in the artificial intelligence model. Characteristics of the artificial intelligence model may be determined by the number of nodes and links in the artificial intelligence model, the correlation between the nodes and links, and the weight value given to each link. For example, if two artificial intelligence models exist that have the same number of nodes and links and different weight values between links, the two artificial intelligence models may be recognized as different from each other.
人工知能モデルを構成するノードのうち一部は、最初入力ノードからの距離に基づいて、一つのレイヤ（ｌａｙｅｒ）を構成することができる。例えば、最初入力ノードから距離がｎであるノードの集合は、ｎレイヤを構成することができる。最初入力ノードから距離は、最初入力ノードから該当ノードまで到達するために経なければならないリンクの最小個数によって定義され得る。しかし、このようなレイヤの定義は説明のための任意的なものであって、人工知能モデル内でレイヤの次数は前述したものと異なる方法で定義され得る。例えば、ノードのレイヤは最終出力ノードから距離によって定義されてもよい。 Some of the nodes forming the artificial intelligence model may form one layer based on the distance from the initial input node. For example, a set of nodes that are distance n from the initial input node can constitute n layers. The distance from the first input node may be defined by the minimum number of links that must be passed to reach the corresponding node from the first input node. However, such a layer definition is arbitrary for purposes of illustration, and the order of layers within the artificial intelligence model may be defined in a different manner than described above. For example, a layer of nodes may be defined by distance from the final output node.
最初入力ノードは人工知能モデル内のノードのうち、他のノードとの関係でリンクを経ずにデータが直接入力される一つ以上のノードを意味し得る。または人工知能モデルネットワーク内で、リンクを基準としたノード間の関係において、リンクで連結された他の入力ノードを有さないノードを意味し得る。これと同様に、最終出力ノードは人工知能モデル内のノードのうち、他のノードとの関係で出力ノードを有さない一つ以上のノードを意味し得る。また、隠れノードは最初入力ノードおよび最後出力ノードでない人工知能モデルを構成するノードを意味し得る。本発明の一実施例に係る人工知能モデルは入力レイヤのノードが出力レイヤに近い隠れレイヤのノードより多くてもよく、入力レイヤから隠れレイヤに進行されるにつれてノードの数が減少する形態の人工知能モデルであり得る。 The first input node may refer to one or more nodes in the artificial intelligence model to which data is directly input without going through a link in relation to other nodes. Alternatively, in an artificial intelligence model network, in the relationship between nodes based on links, it may mean a node that does not have other input nodes connected by links. Similarly, the final output node may refer to one or more nodes in the artificial intelligence model that do not have an output node in relation to other nodes. In addition, a hidden node may refer to a node that constitutes an artificial intelligence model that is not the first input node and the last output node. An artificial intelligence model according to an embodiment of the present invention may have more nodes in an input layer than nodes in a hidden layer near an output layer, and the number of nodes decreases as the input layer progresses from the input layer to the hidden layer. It can be an intelligence model.
人工知能モデルは一つ以上の隠れレイヤを含むことができる。隠れレイヤの隠れノードは、以前のレイヤの出力と周辺の隠れノードの出力を入力とすることができる。各隠れレイヤ別隠れノードの数は同一であってもよく、異なってもよい。入力レイヤのノードの数は入力データのデータフィールドの数に基づいて決定され得、隠れノードの数と同一であってもよく、異なってもよい。入力レイヤに入力された入力データは隠れレイヤの隠れノードによって演算され得、出力レイヤである完全連結レイヤ（ＦＣＬ：ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）により出力され得る。 Artificial intelligence models can include one or more hidden layers. A hidden node in a hidden layer can take as input the output of the previous layer and the output of surrounding hidden nodes. The number of hidden nodes for each hidden layer may be the same or different. The number of nodes in the input layer may be determined based on the number of data fields of the input data, and may be the same as or different from the number of hidden nodes. Input data input to an input layer may be operated on by a hidden node of a hidden layer, and may be outputted by a fully connected layer (FCL), which is an output layer.
多様な実施例において、人工知能モデルはディープラーニング（Ｄｅｅｐ ｌｅａｒｎｉｎｇ）モデルであり得る。
ディープラーニングモデル（例：ディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、深層ニューラルネットワーク）は入力レイヤと出力レイヤの他に複数の隠れレイヤを含む人工知能モデルを意味し得る。ディープニューラルネットワークを利用すればデータの潜在的な構造（ｌａｔｅｎｔ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。すなわち、写真、文章、ビデオ、音声、音楽の潜在的な構造（例えば、どの物体が写真にあるか、文章の内容と感情が何であるか、音声の内容と感情が何であるかなど）を把握することができる。
In various embodiments, the artificial intelligence model may be a deep learning model.
A deep learning model (e.g., deep neural network (DNN)) can refer to an artificial intelligence model that includes multiple hidden layers in addition to an input layer and an output layer. It is possible to understand the latent structures of data, i.e., the latent structures of photos, text, videos, audio, music (e.g. which objects are in the photo, the content and emotion of the text). what the voice is, what the content and emotion of the voice are, etc.).
ディープニューラルネットワークは畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダ（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限ボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層信頼ネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワークなどを含むことができるが、これに限定されない。 Deep neural networks include convolutional neural networks (CNN), recurrent neural networks (RNN), auto encoders, and GAN (Generative Adversari). al Networks), restricted boltzmann machine (RBM) , a deep belief network (DBN), a Q network, a U network, a Siamese network, etc., but are not limited thereto.
多様な実施例において、ネットワーク関数はオートエンコーダを含んでもよい。ここで、オートエンコーダは入力データに類似する出力データを出力するための人工ニューラルネットワークの一種であり得る。 In various embodiments, the network function may include an autoencoder. Here, the autoencoder may be a type of artificial neural network for outputting output data similar to input data.
オートエンコーダは少なくとも一つの隠れレイヤを含むことができ、奇数個の隠れレイヤが入出力レイヤの間に配置され得る。それぞれのレイヤのノードの数は、入力レイヤのノードの数からボトルネックレイヤ（エンコーディング）という中間レイヤに縮小されてから、ボトルネックレイヤから出力レイヤ（入力レイヤと対称）に縮小と対称して拡張されてもよい。次元減少レイヤと次元復元レイヤのノードは対称であってもよく対称でなくてもよい。また、オートエンコーダは非線形次元減少を遂行できる。入力レイヤおよび出力レイヤの数は入力データの前処理以後に残ったセンサの数と対応し得る。オートエンコーダ構造でエンコーダに含まれた隠れレイヤのノードの数は、入力レイヤから遠ざかるほど減少する構造を有し得る。ボトルネックレイヤ（エンコーダとデコーダの間に位置する最も少ないノードを有するレイヤ）のノードの数は、過度に小さい場合は十分な量の情報が伝達されない可能性があるので、特定数以上（例えば、入力レイヤの半分以上など）に維持されてもよい。
ニューラルネットワークは教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、および半教師あり学習（ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）のうち少なくとも一つの方式で学習され得る。ニューラルネットワークの学習は出力のエラーを最小化するためのものである。より具体的には、ニューラルネットワークの学習は反復的にデータをニューラルネットワークに入力させ、学習データに対するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向にニューラルネットワークのエラーをニューラルネットワークの出力レイヤから入力レイヤ方向に逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの加重値をアップデートする過程である。
The autoencoder may include at least one hidden layer, and an odd number of hidden layers may be arranged between the input and output layers. The number of nodes in each layer is reduced from the number of nodes in the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically from the bottleneck layer to the output layer (symmetrical to the input layer). may be done. The nodes of the dimensionality reduction layer and the dimensionality restoration layer may or may not be symmetrical. The autoencoder can also perform nonlinear dimensionality reduction. The number of input and output layers may correspond to the number of sensors remaining after pre-processing the input data. In the autoencoder structure, the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. The number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) should be set above a certain number (e.g. (e.g., more than half of the input layer).
The neural network may be trained using at least one of supervised learning, unsupervised learning, and semi-supervised learning. The purpose of neural network training is to minimize errors in the output. More specifically, neural network training involves iteratively inputting data into the neural network, calculating the neural network's output and target error for the training data, and neural network's error in the direction of reducing the error. This is a process of updating the weight values of each node of the neural network by performing backpropagation from the output layer of the network to the input layer.
まず、教師あり学習の場合、それぞれの学習データに正解がラベリングされている学習データを使用（すなわち、ラベリングされた学習データ）し、教師なし学習の場合はそれぞれの学習データに正解がラベリングされていない場合もある。すなわち、例えばデータ分類に関する教師あり学習の場合の学習データは、学習データそれぞれにカテゴリーがラベリングされたデータであり得る。ラベリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリー）と学習データのラベルを比較することによってエラー（ｅｒｒｏｒ）が計算され得る。 First, in the case of supervised learning, training data in which each training data is labeled with the correct answer (that is, labeled training data) is used, and in the case of unsupervised learning, each training data is labeled with the correct answer. Sometimes there isn't. That is, for example, learning data in the case of supervised learning regarding data classification may be data in which each learning data is labeled with a category. The labeled training data is input to the neural network, and the error may be calculated by comparing the output (category) of the neural network and the label of the training data.
次に、データ分類に関する教師なし学習の場合、入力である学習データがニューラルネットワーク出力と比較されることによってエラーが計算され得る。計算されたエラーは、ニューラルネットワークで逆方向（すなわち、出力レイヤから入力レイヤ方向）に逆伝播され、逆伝播によりニューラルネットワークの各レイヤの各ノードの連結加重値がアップデートされ得る。アップデートされる各ノードの連結加重値は学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）によって変化量が決定され得る。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習サイクル（ｅｐｏｃｈ）を構成することができる。学習率はニューラルネットワークの学習サイクルの反復回数によって異なって適用され得る。例えば、ニューラルネットワークの学習初期には高い学習率を使ってニューラルネットワークが早く一定水準の性能を確保するようにして効率性を高め、学習後期には低い学習率を使って正確度を高めることができる。 Then, in the case of unsupervised learning for data classification, the error can be calculated by comparing the input training data with the neural network output. The calculated error may be backpropagated in the neural network in the reverse direction (ie, from the output layer to the input layer direction), and the backpropagation may update the connection weight value of each node in each layer of the neural network. The amount of change in the updated connection weight value of each node may be determined by a learning rate. Neural network computations on input data and backpropagation of errors may constitute a learning cycle (epoch). The learning rate may be applied differently depending on the number of iterations of the learning cycle of the neural network. For example, in the early stages of training a neural network, a high learning rate can be used to ensure that the neural network quickly achieves a certain level of performance, increasing efficiency, and in the later stages of training, a lower learning rate can be used to increase accuracy. can.
ニューラルネットワークの学習において、一般的に学習データは実際のデータ（すなわち、学習されたニューラルネットワークを利用して処理しようとするデータ）の部分集合であり得、したがって、学習データに対するエラーは減少するが実際のデータについてはエラーが増加する学習サイクルが存在し得る。過適合（ｏｖｅｒｆｉｔｔｉｎｇ）は、このように学習データに過度に学習して実際のデータに対するエラーが増加する現象である。例えば、黄色の猫を見せて猫を学習したニューラルネットワークが、黄色以外の猫を見ては猫であることを認識できない現象が過適合の一種であり得る。過適合はマシンラーニングアルゴリズムのエラーを増加させる原因として作用し得る。このような過適合を防ぐために多様な最適化方法が使われ得る。過適合を防ぐためには、学習データを増加させたり、正規化（ｒｅｇｕｌａｒｉｚａｔｉｏｎ）、学習の過程でネットワークのノードの一部を省略するドロップアウト（ｄｒｏｐｏｕｔ）等の方法が適用され得る。 In neural network training, the training data can generally be a subset of the actual data (i.e., the data that the trained neural network is intended to process), and therefore the error on the training data is reduced, but For real data there may be learning cycles with increasing errors. Overfitting is a phenomenon in which excessive learning is performed on training data, resulting in an increase in errors with respect to actual data. For example, a type of overfitting could be a phenomenon in which a neural network that learns about cats by showing a yellow cat is unable to recognize that it is a cat when it sees a non-yellow cat. Overfitting can act as a source of increased error in machine learning algorithms. Various optimization methods can be used to prevent such overfitting. In order to prevent overfitting, methods such as increasing training data, regularization, and dropping out some network nodes during the learning process may be applied.
多様な実施例において、コンピューティング装置１００は特定の棚が複数の段、複数のマスを含む場合、ユーザ入力に基づいて特定の棚に対応する３Ｄジオフェンスを複数の段、複数のマスそれぞれに合わせて分割することによって複数のグリッドセルを生成することができる。
一例として、コンピューティング装置１００は図６に図示された通り、ＵＩを通じてユーザから特定の棚に対する段の個数とマスの個数が入力（例えば、ＮｘＭ）され得、入力された段の個数およびマスの個数により３Ｄジオフェンスを分割することによって、複数の段、複数のマスそれぞれに対応する複数のグリッドセルを生成することができる。しかし、これに限定されず、コンピューティング装置１００はユーザから３Ｄジオフェンスを分割するユーザ入力（例えば、３Ｄジオフェンスを複数のグリッドセルに分割する点、線、面を描くユーザ入力）により３Ｄジオフェンスを分割することによって、複数のグリッドセルを生成することができる。
In various embodiments, if a particular shelf includes multiple tiers and multiple squares, the computing device 100 creates a 3D geofence corresponding to the particular shelf for each of the multiple tiers and multiple squares based on user input. Multiple grid cells can be generated by dividing them together.
As an example, as illustrated in FIG. 6, the computing device 100 may input the number of stages and the number of squares for a specific shelf (for example, NxM) from the user through the UI, and the input number of stages and the number of squares. By dividing the 3D geofence according to the number of cells, it is possible to generate a plurality of grid cells corresponding to each of a plurality of stages and a plurality of squares. However, without limitation, the computing device 100 receives user input from the user that divides the 3D geofence (e.g., user input that draws points, lines, planes that divide the 3D geofence into multiple grid cells). By dividing the offense, multiple grid cells can be generated.
この時、コンピューティング装置１００は図７に図示された通り、ＵＩを通じて複数のグリッドセルを出力することができ、ユーザ入力（例えば、複数のグリッドセルを区分する境界線を除去または追加したり、境界線の位置を移動させるユーザ入力）により複数のグリッドセルを補正することができる。 At this time, the computing device 100 may output a plurality of grid cells through the UI, as illustrated in FIG. Multiple grid cells can be corrected by user input (which moves the position of the border).
図８は、多様な実施例において、ポイントクラウドに基づいて３Ｄジオフェンスを自動設定する方法を説明するためのフローチャートである。
図８を参照すると、多様な実施例において、コンピューティング装置１００はポイントクラウドを分析して棚に対応する３Ｄジオフェンスを自動で設定することができる。
Ｓ３１０段階で、コンピューティング装置１００は特定の棚をスキャンすることによって生成されたポイントクラウドを収集することができる。例えば、コンピューティング装置１００はリフト車に設置されたライダセンサを通じて所定の領域をスキャンすることによって生成されるポイントクラウドを収集でき、収集されたポイントクラウドで特定の棚に対応するポイントクラウドのみを抽出することができるが、これに限定されない。
FIG. 8 is a flowchart illustrating a method for automatically setting a 3D geofence based on a point cloud in various embodiments.
Referring to FIG. 8, in various embodiments, computing device 100 may analyze a point cloud to automatically establish a 3D geofence corresponding to a shelf.
At step S310, the computing device 100 may collect a point cloud generated by scanning a particular shelf. For example, the computing device 100 can collect a point cloud generated by scanning a predetermined area through a lidar sensor installed on a lift vehicle, and extract only the point cloud corresponding to a specific shelf from the collected point cloud. However, it is not limited to this.
Ｓ３２０段階で、コンピューティング装置１００はポイントクラウドを分析して特定の棚の外形に対応するベクトルを抽出することができる。例えば、コンピューティング装置１００は特定の棚に対応するポイントクラウドを分析して特定の棚に対する横軸ベクトル（例えば、特定の棚の幅方向（Ｘ軸）ベクトル）、縦軸ベクトル（例えば、特定の棚の深さ方向（Ｙ軸）ベクトル）および高さ軸ベクトル（例えば、特定の棚の高さ方向（Ｚ軸）ベクトル）を抽出することができる。 In step S320, the computing device 100 may extract a vector corresponding to the contour of a particular shelf by analyzing the point cloud. For example, the computing device 100 may analyze a point cloud corresponding to a particular shelf to determine the horizontal axis vector (e.g., the width direction (X-axis) vector of the particular shelf), the vertical axis vector (e.g., the The depth direction (Y-axis) vector of the shelf) and the height-axis vector (for example, the height direction (Z-axis) vector of a particular shelf) can be extracted.
ここで、コンピューティング装置１００は特定の棚が正六面体または直六面体の形状を有するという点を考慮して、特定の棚に対する４個の横軸ベクトル、４個の縦軸ベクトルおよび４個の高さ軸ベクトルを抽出することができるが、これに限定されない。
また、コンピューティング装置１００は特定の棚が複数の段および複数のマスを含む場合、複数の段それぞれに対するベクトルと複数のマスそれぞれに対するベクトルを抽出することができるが、これに限定されない。
Here, the computing device 100 calculates four horizontal axis vectors, four vertical axis vectors, and four height vectors for the specific shelf, taking into consideration that the specific shelf has a regular hexahedron or rectangular hexahedron shape. Although the horizontal axis vector can be extracted, the present invention is not limited to this.
Further, when a specific shelf includes a plurality of stages and a plurality of squares, the computing device 100 can extract vectors for each of the plurality of stages and vectors for each of the plurality of squares, but the present invention is not limited thereto.
Ｓ３３０段階で、コンピューティング装置１００はＳ３２０段階で抽出されたベクトルを利用して特定の棚に対する３Ｄジオフェンスを設定することができる。
多様な実施例において、コンピューティング装置１００はポイントクラウドに含まれた複数のポイントのうち、抽出されたベクトルに対応するポイントをグループ化することによって、特定の棚に対する３Ｄジオフェンスを設定することができる。
In step S330, the computing device 100 may set a 3D geofence for a specific shelf using the vector extracted in step S320.
In various embodiments, the computing device 100 may establish a 3D geofence for a particular shelf by grouping points corresponding to the extracted vectors among a plurality of points included in the point cloud. can.
例えば、コンピューティング装置１００は複数のポイントのうち横軸ベクトルに対応するポイントをグループ化してグループ化されたポイントを連結することによって３Ｄジオフェンスの横軸を設定することができ、縦軸ベクトルに対応するポイントをグループ化してグループ化されたポイントを連結することによって３Ｄジオフェンスの縦軸を設定することができ、高さ軸ベクトルに対応するポイントをグループ化してグループ化されたポイントを連結することによってジオフェンスの高さ軸を設定することができ、これを利用して最終的に３次元空間形態の３Ｄジオフェンスを設定することができる。 For example, the computing device 100 can set the horizontal axis of the 3D geofence by grouping points corresponding to the horizontal axis vector among a plurality of points and connecting the grouped points, and You can set the vertical axis of a 3D geofence by grouping corresponding points and connecting the grouped points, and by grouping the points corresponding to the height axis vector and connecting the grouped points. By doing this, the height axis of the geofence can be set, and by using this, it is possible to finally set a 3D geofence in a three-dimensional spatial form.
多様な実施例において、コンピューティング装置１００は予め学習された人工知能モデルを通じてポイントクラウドを分析することによって、特定の棚に対応する３次元空間形態の３Ｄジオフェンスを設定することができる。例えば、コンピューティング装置１００は予め学習された人工知能モデルを通じてポイントクラウドを分析することによって特定の棚の外形に関する一つ以上の特徴値を抽出することができ、抽出された一つ以上の特徴値を利用して特定の棚に対応する３Ｄジオフェンスを設定することができる。 In various embodiments, the computing device 100 may establish a 3D geofence of a 3D spatial form corresponding to a particular shelf by analyzing a point cloud through a pre-trained artificial intelligence model. For example, the computing device 100 may extract one or more feature values regarding the outer shape of a particular shelf by analyzing a point cloud through a pre-trained artificial intelligence model, and the one or more extracted feature values may be You can use this to set up a 3D geofence that corresponds to a specific shelf.
この時、特定の棚に一つ以上の物品が積載された場合、積載された物品に対応するポイントによって特定の棚の外形に対する特徴値が正確に抽出され難いこともあるところ、コンピューティング装置１００は予め学習された人工知能モデルを通じてポイントクラウドを分析することによって客体（物品）を識別することができ、ポイントクラウドに含まれた複数のポイントのうち客体に対応するポイントを除去することができ、客体に対応するポイントが除去されたポイントクラウドを分析して特定の棚に対応する３次元空間形態の３Ｄジオフェンスを設定することができる。
再び、図３を参照すると、多様な実施例において、コンピューティング装置１００はＳ１１０段階を経て設定された３Ｄジオフェンスに対する検証を遂行できる。
At this time, when one or more items are loaded on a specific shelf, it may be difficult to accurately extract feature values for the external shape of the specific shelf based on the points corresponding to the loaded items. can identify an object (article) by analyzing a point cloud using a pre-trained artificial intelligence model, and can remove points corresponding to the object from among multiple points included in the point cloud. A 3D geofence in a 3D spatial form corresponding to a specific shelf can be set by analyzing a point cloud from which points corresponding to objects have been removed.
Referring again to FIG. 3, in various embodiments, the computing device 100 may perform verification of the 3D geofence set through step S110.
一例として、リフト車にはライダセンサの他にカメラセンサをさらに含むことができ、コンピューティング装置１００はカメラセンサを通じて特定の棚を撮影することによって生成された棚イメージと特定の棚に対応する３Ｄジオフェンスに対する類似度を算出することができ、算出された類似度に基づいて特定の棚に対応する３Ｄジオフェンスが適切に設定されたかどうかを判断することができる。 For example, the lift vehicle may further include a camera sensor in addition to the lidar sensor, and the computing device 100 may combine a shelf image generated by photographing a specific shelf through the camera sensor and a 3D digital image corresponding to the specific shelf. The degree of similarity with respect to the offense can be calculated, and it can be determined whether the 3D geofence corresponding to a specific shelf has been appropriately set based on the calculated degree of similarity.
他の例として、コンピューティング装置１００はＳ１１０段階を経て特定の棚に対する３Ｄジオフェンスが設定された場合、所定の領域内に配置された複数の棚のうち特定の棚と類似度が予め設定された値以上の少なくとも一つの棚を選択し、選択された少なくとも一つの棚に対応する３Ｄジオフェンスと特定の棚に対応する３Ｄジオフェンス間の類似度を算出することができ、算出された類似度に基づいて特定の棚に対応する３Ｄジオフェンスが適切に設定されたかどうかを判断することができる。 As another example, when the 3D geofence for a specific shelf is set through step S110, the computing device 100 may preset similarity with a specific shelf among a plurality of shelves arranged within a predetermined area. The degree of similarity between the 3D geofence corresponding to the selected at least one shelf and the 3D geofence corresponding to the specific shelf can be calculated. It is possible to determine whether the 3D geofence corresponding to a specific shelf has been appropriately set based on the degree.
多様な実施例において、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して棚を識別することができ、識別された棚に対応して予め設定された３Ｄジオフェンスを呼び出すことができる。例えば、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して特定の棚が識別される場合、特定の棚が識別された位置に対応して予め設定された３Ｄジオフェンスを呼び出すことができるが、これに限定されない。 In various embodiments, computing device 100 may analyze a point cloud for a predetermined area to identify shelves and may invoke a preconfigured 3D geofence corresponding to the identified shelves. For example, if a specific shelf is identified by analyzing a point cloud for a predetermined area, the computing device 100 may call a preset 3D geofence corresponding to the location where the specific shelf is identified. However, it is not limited to this.
この時、コンピューティング装置１００は識別された棚に対応する３Ｄジオフェンスが呼び出されない場合（例えば、識別された棚に対して３Ｄジオフェンスがまだ設定されていないか、識別された棚が所定の領域内に新規配置された場合）、識別された棚に対する３Ｄジオフェンス設定動作を遂行できる。
一例として、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して識別された棚に対応する３Ｄジオフェンスが呼び出されない場合、ユーザが直接識別された棚に対応する３Ｄジオフェンスを設定（例：図５）できるように識別された棚に対応するポイントクラウドを出力するＵＩをユーザに提供することができる。
例えば、コンピューティング装置１００はポイントクラウド分析を通じて識別された棚に対して３Ｄジオフェンスが設定されていないものと判断される場合、該当棚に対する３Ｄジオフェンスを設定することを案内する通知と共に、該当棚に対応するポイントクラウドを出力するＵＩをユーザに提供することができるが、３Ｄジオフェンスが設定されていない棚をリスト化して保存しておいて、ユーザが特定の棚に対する３Ｄジオフェンス設定のためにＵＩを出力する場合、保存されたリストをＵＩ上に出力することができる。
At this time, if the 3D geofence corresponding to the identified shelf is not called (for example, the 3D geofence has not yet been set for the identified shelf, or the identified shelf is ), a 3D geofencing operation can be performed for the identified shelf.
As an example, if the computing device 100 analyzes the point cloud for a predetermined area and the 3D geofence corresponding to the identified shelf is not called, the user may directly configure the 3D geofence corresponding to the identified shelf ( Example: Figure 5) A user can be provided with a UI that outputs a point cloud corresponding to the identified shelves.
For example, if the computing device 100 determines that no 3D geofence has been set for the shelf identified through point cloud analysis, the computing device 100 sends a notification to set the 3D geofence for the shelf. It is possible to provide the user with a UI that outputs a point cloud corresponding to the shelves, but if the shelves for which 3D geofences have not been set are listed and saved, the user can configure the 3D geofence settings for specific shelves. If you want to output a UI for this purpose, you can output the saved list on the UI.
他の例として、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して識別された棚に対応する３Ｄジオフェンスが呼び出されない場合、識別された棚に対応するポイントクラウドを分析して識別された棚に対する３Ｄジオフェンスを自動で設定（例：図８）することができる。
すなわち、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析することによって識別された棚に対応する３Ｄジオフェンスが呼び出されない場合、該当棚に対する３Ｄジオフェンス設定動作を遂行すことができ、所定の領域に対するポイントクラウドを分析することによって識別された棚に対応する３Ｄジオフェンスが呼び出される場合、後述されるＳ１２０段階を繰り返し遂行して該当棚に対する物品積載情報を生成およびアップデートすることができる。
As another example, if the 3D geofence corresponding to the identified shelf by analyzing the point cloud for the predetermined region is not invoked, the computing device 100 may analyze the point cloud for the predetermined region to identify the 3D geofence corresponding to the identified shelf. A 3D geofence can be automatically set (for example, Fig. 8) for a shelf that has been created.
That is, if the 3D geofence corresponding to the shelf identified by analyzing the point cloud for a predetermined area is not called, the computing device 100 may perform a 3D geofence setting operation for the shelf, and perform a 3D geofence setting operation for the shelf. When the 3D geofence corresponding to the shelf identified by analyzing the point cloud for the region is called, step S120, which will be described below, may be repeatedly performed to generate and update article loading information for the corresponding shelf.
多様な実施例において、コンピューティング装置１００は所定の領域に対するポイントクラウドに基づいて、３Ｄジオフェンスが設定された位置に対応するポイントクラウドで３Ｄジオフェンスに対応する棚が識別されない場合、３Ｄジオフェンスを除去することができる。
コンピューティング装置１００は前述された方法により所定の領域内に配置された複数の棚それぞれに対する３Ｄジオフェンスが設定された以後、より効率的な物流管理ソリューションを提供するための目的で所定の領域に対する物流管理システムを構築することができる。
In various embodiments, the computing device 100 determines a 3D geofence based on the point cloud for the predetermined region if a shelf corresponding to the 3D geofence is not identified in the point cloud corresponding to the location where the 3D geofence is set. can be removed.
After the 3D geofence for each of the plurality of shelves arranged in a predetermined area is set by the method described above, the computing device 100 performs a 3D geofence for each of the plurality of shelves placed in the predetermined area in order to provide a more efficient logistics management solution. It is possible to build a logistics management system.
まず、コンピューティング装置１００は前述された方法により生成された複数の３Ｄジオフェンスをグループ化することができる。
一例として、コンピューティング装置１００はユーザ入力に基づいて二つ以上の３Ｄジオフェンスをグループ化することができる。例えば、ユーザから二つ以上の３Ｄジオフェンスが選択されることによって二つ以上の３Ｄジオフェンスを一つのジオフェンスグループにグループ化することができる。また、コンピューティング装置１００はユーザから二つ以上のジオフェンスグループが選択されることによって二つ以上のジオフェンスグループを一つのストレージにグループ化することができ、二つ以上のストレージが選択されることによって二つ以上のストレージを一つのストレージグループにグループ化することができる。
他の例として、コンピューティング装置１００は事前に定義された基準により二つ以上の３Ｄジオフェンスをグループ化することができる。例えば、コンピューティング装置１００は複数の３Ｄジオフェンスを層別にグループ化したり、物流倉庫別にグループ化することができる。また、コンピューティング装置１００は複数の３Ｄジオフェンスのうち同じ属性（例えば、大きさ、位置、方向など）を有する二つ以上の３Ｄジオフェンスをグループ化することができる。また、コンピューティング装置１００は複数の３Ｄジオフェンスのうち同じ物品が積載された棚に対応する３Ｄジオフェンス同士でグループ化することができる。また、コンピューティング装置１００は複数の３Ｄジオフェンスのうち相互の離隔距離が予め設定された値以内である３Ｄジオフェンス同士でしグループ化することができる。
次に、コンピューティング装置１００は複数の棚それぞれに積載された物品に関する情報を記録、保存することができる。例えば、コンピューティング装置１００は複数の棚それぞれに対して、物品の積載の有無、物品の積載率（積載量）、物品の積載位置、物品の種類、物品の移動履歴など、物品に関連した各種情報を複数の棚それぞれに対応する３Ｄジオフェンスとマッチングして保存することができる。
First, the computing device 100 may group multiple 3D geofences generated by the method described above.
As one example, computing device 100 may group two or more 3D geofences based on user input. For example, when two or more 3D geofences are selected by the user, the two or more 3D geofences can be grouped into one geofence group. Furthermore, the computing device 100 can group two or more geofence groups into one storage when two or more geofence groups are selected by the user, and when two or more storages are selected. This allows two or more storages to be grouped into one storage group.
As another example, computing device 100 may group two or more 3D geofences according to predefined criteria. For example, the computing device 100 can group a plurality of 3D geofences by layer or by distribution warehouse. Further, the computing device 100 can group two or more 3D geofences having the same attributes (eg, size, location, direction, etc.) among the plurality of 3D geofences. Furthermore, the computing device 100 can group 3D geofences that correspond to shelves loaded with the same items among a plurality of 3D geofences. In addition, the computing device 100 can group 3D geofences that are separated by a distance within a preset value from among a plurality of 3D geofences.
The computing device 100 can then record and store information regarding the items loaded on each of the plurality of shelves. For example, the computing device 100 checks various items related to the item, such as whether or not an item is loaded, the loading rate (loading amount) of the item, the loading position of the item, the type of the item, and the movement history of the item, for each of the plurality of shelves. Information can be matched and saved with 3D geofences corresponding to each of multiple shelves.
次に、コンピューティング装置１００は所定の領域に対する物流管理マップを生成することができる。例えば、コンピューティング装置１００は所定の領域に対する地図データ上に複数の棚それぞれに対応して設定された複数の３Ｄジオフェンスを表示し、複数の３Ｄジオフェンスそれぞれに対する情報と複数の３Ｄジオフェンスそれぞれに対して予めマッチングされた情報（例えば複数の棚それぞれに積載された物品に関する情報）を記録することによって、物流管理マップを生成することができる。 Computing device 100 can then generate a logistics management map for the predetermined area. For example, the computing device 100 displays a plurality of 3D geofences set corresponding to each of a plurality of shelves on map data for a predetermined area, and displays information for each of the plurality of 3D geofences and information for each of the plurality of 3D geofences. A logistics management map can be generated by recording information (for example, information regarding articles loaded on each of a plurality of shelves) that has been matched in advance to the above.
Ｓ１２０段階で、コンピューティング装置１００はＳ１１０段階を経て設定された３Ｄジオフェンスを利用して３Ｄジオフェンスに対応する棚に対する物品積載情報を生成することができる。例えば、コンピューティング装置１００は３Ｄジオフェンスに基づいて所定の領域に対するポイントクラウドを分析することによって、棚内部に対する分析結果（例：棚に含まれたそれぞれの段およびマスに物品が積載されてあるかどうか、物品の積載率など）を含む物品積載情報を生成することができる。以下、図９を参照して説明することにする。 In step S120, the computing device 100 may generate article loading information for a shelf corresponding to the 3D geofence using the 3D geofence set in step S110. For example, by analyzing a point cloud for a predetermined area based on a 3D geofence, the computing device 100 obtains analysis results for the interior of a shelf (e.g., items are loaded on each shelf and square included in the shelf). It is possible to generate article loading information, including information such as whether or not the article is loaded, the loading rate of the article, etc. This will be explained below with reference to FIG.
図９は、多様な実施例において、物品積載情報を生成する方法を説明するためのフローチャートである。
図９を参照すると、Ｓ４１０段階で、コンピューティング装置１００は所定の領域に対するポイントクラウドを収集することができる。例えば、コンピューティング装置１００はリフト車に設置されたライダセンサを通じて所定の領域をスキャンすることによって生成されるポイントクラウドを収集することができるが、これに限定されない。
FIG. 9 is a flowchart illustrating a method of generating article loading information in various embodiments.
Referring to FIG. 9, in step S410, the computing device 100 may collect a point cloud for a predetermined area. For example, but not limited to, the computing device 100 may collect a point cloud generated by scanning a predetermined area through a lidar sensor installed on a lift vehicle.
Ｓ４２０段階で、コンピューティング装置１００はＳ４１０段階を経て収集されたポイントクラウドを分析して第１物品積載情報を生成することができる。
多様な実施例において、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して特定の棚に対応する３Ｄジオフェンスを識別することができ、所定の領域に対するポイントクラウドのうち、３Ｄジオフェンスに対応するポイントクラウドを分析して客体（物品）を識別することができ、識別された客体に基づいて特定の棚に対する第１物品積載情報を生成することができる。
In step S420, the computing device 100 may generate first article loading information by analyzing the point cloud collected in step S410.
In various embodiments, computing device 100 may analyze a point cloud for a predetermined region to identify a 3D geofence corresponding to a particular shelf, and may identify a 3D geofence within the point cloud for a predetermined region. The corresponding point cloud can be analyzed to identify objects (articles), and first article loading information for a particular shelf can be generated based on the identified objects.
例えば、コンピューティング装置１００は３Ｄジオフェンスに対応するポイントクラウドを分析して客体の識別の有無（特定の棚に物品が積載されてあるかどうか）、客体の位置（客体が特定の棚のどの段／マスに積載されているかに関する情報で、客体が識別された場合に限る）および客体の種類（物品の種類に関する情報であって、客体が識別された場合に限る）を判断することができ、判断結果を含む第１物品積載情報を生成することができる。
Ｓ４３０段階で、コンピューティング装置１００はＳ４１０段階を経て収集されたポイントクラウドを分析して第２物品積載情報を生成することができる。
For example, the computing device 100 analyzes a point cloud corresponding to a 3D geofence to determine whether an object is identified (whether an item is loaded on a specific shelf), the location of the object (whether the object is on a specific shelf, etc.) It is possible to determine the type of object (information regarding the type of article, limited to when the object is identified) and the type of object (information regarding the type of article, limited to when the object is identified). , first article loading information including the determination result can be generated.
In step S430, the computing device 100 may generate second article loading information by analyzing the point cloud collected in step S410.
多様な実施例において、コンピューティング装置１００は所定の領域に対するポイントクラウドを分析して特定の棚に対応する３Ｄジオフェンスを識別することができ、所定の領域に対するポイントクラウドのうち、３Ｄジオフェンスに対応するポイントクラウドを分析して棚の積載率を算出することができ、算出された積載率に関する情報を含む第２物品積載情報を生成することができる。 In various embodiments, computing device 100 may analyze a point cloud for a predetermined region to identify a 3D geofence corresponding to a particular shelf, and may identify a 3D geofence within the point cloud for a predetermined region. A shelf loading rate can be calculated by analyzing the corresponding point cloud, and second article loading information can be generated that includes information regarding the calculated loading rate.
多様な実施例において、コンピューティング装置１００は３Ｄジオフェンスに対応するポイントクラウドを分析して３Ｄジオフェンス内に積載された客体を識別することができ、３Ｄジオフェンス面積対比客体の面積の比率を棚の積載率として算出することができる。この時、コンピューティング装置１００は特定の棚が複数の段および複数のマスを含む場合、複数の段および複数のマスそれぞれに対する積載率を個別的に算出することができ、算出された積載率を合算して最終的な棚の積載率を算出することができる。 In various embodiments, the computing device 100 can analyze a point cloud corresponding to a 3D geofence to identify objects loaded within the 3D geofence, and determine the ratio of the area of the object to the area of the 3D geofence. It can be calculated as the shelf loading rate. At this time, if the specific shelf includes multiple stages and multiple squares, the computing device 100 can individually calculate the loading rate for each of the multiple stages and multiple squares, and calculates the calculated loading rate. By adding them up, the final shelf loading rate can be calculated.
例えば、コンピューティング装置１００は図１０に図示された通り、特定の棚が二つの段を含む場合、各段の面積Ｓ１対比客体の面積Ｓ２の比率を算出することによって、各段の積載率を算出することができ、算出された各段の積載率を合算することによって二つの段を含む特定の棚に対する積載率を算出することができる。 For example, as illustrated in FIG. 10, if a particular shelf includes two shelves, the computing device 100 calculates the ratio of the area S1 of each shelf to the area S2 of the object, thereby increasing the loading capacity of each shelf. By adding up the calculated loading rates of each stage, it is possible to calculate the loading rate for a specific shelf including two stages.
多様な実施例において、コンピューティング装置１００は３Ｄジオフェンスに対応するポイントクラウドを分析して３Ｄジオフェンス内に積載された客体を識別することができ、３Ｄジオフェンスの高さ対比客体の高さの比率を棚の積載率として算出することができる。この時、コンピューティング装置１００は特定の棚が複数の段および複数のマスを含む場合、複数の段および複数のマスそれぞれに対する積載率を個別的に算出することができ、算出された積載率を合算して最終的な棚の積載率を算出することができる。 In various embodiments, the computing device 100 may analyze a point cloud corresponding to a 3D geofence to identify an object loaded within the 3D geofence, and may determine the height of the 3D geofence relative to the height of the object. The ratio can be calculated as the shelf loading rate. At this time, if the specific shelf includes multiple stages and multiple squares, the computing device 100 can individually calculate the loading rate for each of the multiple stages and multiple squares, and calculates the calculated loading rate. By adding them up, the final shelf loading rate can be calculated.
例えば、コンピューティング装置１００は図１１に図示された通り、特定の棚が二つの段を含む場合、各段の高さＨ１対比客体の高さＨ２の比率を算出することによって、各段の積載率を算出することができ、算出された各段の積載率を合算することによって二つの段を含む特定の棚に対する積載率を算出することができる。 For example, as illustrated in FIG. 11, if a particular shelf includes two tiers, the computing device 100 calculates the height of each tier by calculating the ratio of the height H 1 of each tier to the height H 2 of the object. By adding up the calculated loading rates of each stage, it is possible to calculate the loading rate for a specific shelf including two stages.
多様な実施例において、コンピューティング装置１００は３Ｄジオフェンスに対応するポイントクラウドを分析して３Ｄジオフェンス内に積載された客体を識別することができ、３Ｄジオフェンスの体積対比客体の体積の比率を棚の積載率として算出することができる。この時、コンピューティング装置１００は特定の棚が複数の段および複数のマスを含む場合、複数の段および複数のマスそれぞれに対する積載率を個別的に算出することができ、算出された積載率を合算して最終的な棚の積載率を算出することができる。
例えば、コンピューティング装置１００は特定の棚が二つの段を含む場合、特定の棚をスキャンすることによって収集されたポイントクラウドを利用して各段の体積Ｖ１と各段に積載された物品の体積Ｖ２を算出することができ、算出された各段の体積Ｖ１と各段に積載された物品の体積Ｖ２の比率を算出することによって、各段の積載率を算出することができ、算出された各段の積載率を合算することによって二つの段を含む特定の棚に対する積載率を算出することができる。
この時、特定の棚をスキャンすることによって収集されたポイントクラウドには棚に対応する複数のポイントと棚に積載された物品に対応する複数のポイントをすべて含んでいるので、棚に対応する複数のポイントによって物品に対する体積を算出する過程で誤差が発生し得る。
In various embodiments, the computing device 100 can analyze a point cloud corresponding to a 3D geofence to identify objects loaded within the 3D geofence, and determine the ratio of the volume of the object to the volume of the 3D geofence. can be calculated as the shelf loading rate. At this time, if the specific shelf includes multiple stages and multiple squares, the computing device 100 can individually calculate the loading rate for each of the multiple stages and multiple squares, and calculates the calculated loading rate. By adding them up, the final shelf loading rate can be calculated.
For example, if a particular shelf includes two tiers, the computing device 100 uses a point cloud collected by scanning the specific shelf to determine the volume V 1 of each tier and the number of articles loaded on each tier. The volume V 2 can be calculated, and the loading ratio of each tier can be calculated by calculating the ratio of the calculated volume V 1 of each tier to the volume V 2 of the articles loaded on each tier. By summing up the calculated loading rates of each stage, it is possible to calculate the loading rate for a specific shelf including two stages.
At this time, the point cloud collected by scanning a specific shelf includes multiple points corresponding to the shelf and multiple points corresponding to the items loaded on the shelf, so multiple points corresponding to the shelf are included. Errors may occur in the process of calculating the volume of the article depending on the points.
このような点を考慮して、コンピューティング装置１００は特定の棚をスキャンすることによって収集されたポイントクラウドに基づいて物品に対する体積Ｖ２を算出し、算出された物品の体積Ｖ２から棚に対応する複数のポイントによって追加された体積値を差し引く補正を遂行することによって、物品に対する実際的な体積を算出することができる。しかし、これに限定されず、コンピューティング装置１００はポイントクラウドで、棚に対応する複数のポイントを除去したりまたは物品に対する複数のポイントのみを選択して物品に対する体積Ｖ２を算出することができる。 Taking these points into consideration, the computing device 100 calculates the volume V 2 for the article based on the point cloud collected by scanning a specific shelf, and calculates the volume V 2 for the article from the calculated volume V 2 of the article. By performing a correction that subtracts the volume values added by the corresponding points, the actual volume for the article can be calculated. However, the present invention is not limited thereto, and the computing device 100 may calculate the volume V2 for the article by removing points corresponding to the shelf or selecting only the points for the article in the point cloud. .
再び図３を参照すると、Ｓ１３０段階で、コンピューティング装置１００はＳ１２０段階を経て生成された物品積載情報に基づいて物流管理ソリューションを提供することができる。
多様な実施例において、コンピューティング装置１００は物品積載情報に基づいて予め設定された条件が満足されるかどうかを判断し、予め設定された条件が満足されるものと判断される場合、ユーザに通知を提供する物流管理ソリューションを提供することができる。
ここで、予め設定された条件はユーザに通知を提供するための条件を意味するものであり、所定の領域に配置される複数の棚、複数の棚それぞれに含まれた複数の段およびマスそれぞれに個別的に設定されてもよい。
Referring again to FIG. 3, in step S130, the computing device 100 may provide a logistics management solution based on the article loading information generated in step S120.
In various embodiments, the computing device 100 determines whether a preset condition is satisfied based on the article loading information, and if it is determined that the preset condition is satisfied, the computing device 100 sends a message to the user. We can provide logistics management solutions that provide notifications.
Here, the preset conditions refer to conditions for providing notifications to the user, and include multiple shelves arranged in a predetermined area, multiple shelves included in each of the multiple shelves, and each square. may be set individually.
まず、コンピューティング装置１００は図１２の（Ａ）に図示された通り、ユーザにＵＩを提供して、ＵＩを通じてのユーザ入力により複数の棚（棚Ａ、ＢおよびＣ）、複数の棚に含まれた複数の段（棚ＡのＡ－１～Ａ－３、棚ＢのＢ－１～Ｂ－３、棚ＣのＣ－１～Ｃ－３）それぞれに対して積載通知条件（ＹまたはＮ）を設定することができる。 First, as shown in FIG. 12(A), the computing device 100 provides a UI to the user, and according to the user input through the UI, the computing device 100 selects multiple shelves (shelves A, B, and C), The loading notification condition (Y or N ) can be set.
以後、コンピューティング装置１００は第１物品積載情報に基づいて、特定の棚に物品が積載されたものと判断される場合、予め設定された条件により物品積載に関する通知を提供することができる。例えば、コンピューティング装置１００は積載通知条件が「Ｙ」に設定された棚ＣのＣ－１段に物品が積載されたものと判断される場合、ユーザにＣ－１段に物品が積載されたことを案内する通知を提供することができる。一方、コンピューティング装置１００は積載通知条件が「Ｎ」に設定された棚ＡのＡ－２段に物品が積載されたものと判断される場合、物品の積載の有無にかかわらず、ユーザに通知を提供しなくてもよい。 Thereafter, if the computing device 100 determines that an item is loaded on a specific shelf based on the first item loading information, it may provide a notification regarding the loading of the item according to preset conditions. For example, if the computing device 100 determines that an article has been loaded on the C-1 tier of a shelf C for which the loading notification condition is set to "Y," the computing device 100 will notify the user that the article has been loaded on the C-1 tier. We may provide notifications to guide you. On the other hand, if the computing device 100 determines that an article is loaded on the A-2 shelf of shelf A for which the loading notification condition is set to "N," the computing device 100 notifies the user regardless of whether or not the article is loaded. does not have to be provided.
次に、コンピューティング装置１００は図１２の（Ｂ）に図示された通り、ユーザにＵＩを提供して、ＵＩを通じてのユーザ入力により複数の棚（棚Ａ、ＢおよびＣ）、複数の棚に含まれた複数の段（棚ＡのＡ－１～Ａ－３、棚ＢのＢ－１～Ｂ－３、棚ＣのＣ－１～Ｃ－３）それぞれに対して積載率通知条件（％）を設定することができる。 Next, the computing device 100 provides a UI to the user, as illustrated in FIG. The loading rate notification condition (% ) can be set.
以後、コンピューティング装置１００は第２物品積載情報に基づいて特定の棚に対する積載率が予め設定された条件を超過する場合、物品の過積載に関する通知を提供することができる。例えば、コンピューティング装置１００は積載率アラーム条件が７０％に設定された棚ＢのＢ－１段の積載率が７０％を超過した場合、ユーザにＢ－２段が過積載されたことを案内する通知を提供することができる。一方、コンピューティング装置１００は積載率アラーム条件が８０％に設定された棚ＡのＡ－１段の積載率が８０％以下である場合、ユーザに通知を提供しなくてもよい。 Thereafter, the computing device 100 may provide a notification regarding overloading of articles if the loading rate for a particular shelf exceeds a preset condition based on the second article loading information. For example, if the loading rate of shelf B-1 of shelf B whose loading rate alarm condition is set to 70% exceeds 70%, the computing device 100 notifies the user that shelf B-2 is overloaded. may provide notice to you. On the other hand, the computing device 100 does not need to provide a notification to the user when the loading rate of the A-1 stage of the shelf A whose loading rate alarm condition is set to 80% is 80% or less.
多様な実施例において、コンピューティング装置１００は一緒に物流管理ソリューションであって、所定の領域に対する３Ｄジオフェンスマップを提供することができる。例えば、コンピューティング装置１００は図１３に図示された通り、所定の領域に配置された複数の棚それぞれに対して設定された３Ｄジオフェンスの位置、大きさ、形態が表示された地図を出力するＵＩを提供することができる。 In various embodiments, the computing device 100 may together be a logistics management solution to provide a 3D geofence map for a given area. For example, as illustrated in FIG. 13, the computing device 100 outputs a map displaying the position, size, and form of 3D geofences set for each of a plurality of shelves arranged in a predetermined area. UI can be provided.
また、コンピューティング装置１００は図１４に図示された通り、ＵＩを通じて特定３Ｄジオフェンスまたは特定３Ｄジオフェンスグループ（ストレージグループまたはストレージグループに含まれた特定ストレージ）を選択する場合、選択した３Ｄジオフェンスまたは３Ｄジオフェンスグループとマッチングされて記録、保存された情報（例えば、物品の積載の有無、棚の積載率などを含む物品積載情報、物品に関連した情報（移動内訳、積載内訳など））を提供することができる。 Further, as shown in FIG. 14, when selecting a specific 3D geofence or a specific 3D geofence group (storage group or specific storage included in a storage group) through the UI, the computing device 100 Or the information recorded and saved by matching with the 3D geofence group (for example, goods loading information including whether goods are loaded or not, shelf loading rate, etc., information related to goods (movement details, loading details, etc.)) can be provided.
また、コンピューティング装置１００は図１５に図示された通り、特定の棚または特定の棚に含まれた特定の段／マスが選択される場合、選択された棚または選択された段／マスに対する積載率情報を提供するだけでなく、特定の棚の積載率統計、特定の棚に含まれた段／マスそれぞれに対する積載率統計情報を提供することができる。 Further, as illustrated in FIG. 15, when a specific shelf or a specific stage/box included in a specific shelf is selected, the computing device 100 loads the selected shelf or the selected stage/box. In addition to providing rate information, it is possible to provide loading rate statistics for a particular shelf and for each shelf/cell included in a particular shelf.
前述したライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法は、図面に図示されたフローチャートを参照して説明した。簡単な説明のためにライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法は一連のブロックで図示して説明したが、本発明は前記ブロックの順序に限定されず、いくつかのブロックは本明細書に図示し、叙述されたものと異なる順序で遂行されるかまたは同時に遂行され得る。また、本明細書および図面に記載されていない新しいブロックが追加されたり、一部のブロックが削除または変更された状態で遂行されてもよい。
以上、添付された図面を参照して本発明の実施例を説明したが、本発明が属する技術分野の通常の技術者は本発明がその技術的思想や必須の特徴を変更することなく他の具体的な形態で実施できることが理解できるであろう。したがって、以上で記述した実施例はすべての面で例示的なものであって、制限的ではないものと理解されるべきである。
The method for providing a logistics management solution using the 3D geofence based on the lidar point cloud described above has been described with reference to the flowchart illustrated in the drawings. For the sake of simplicity, the method for providing a logistics management solution using a 3D geofence based on the lidar point cloud has been illustrated and explained using a series of blocks, but the present invention is not limited to the order of the blocks; may be performed in a different order than illustrated and described herein, or may be performed simultaneously. In addition, new blocks not described in this specification and drawings may be added, or some blocks may be deleted or modified.
Although the embodiments of the present invention have been described above with reference to the attached drawings, it is clear to those skilled in the art that the present invention can be implemented in other ways without changing its technical idea or essential features. It will be understood that it can be implemented in specific forms. Therefore, the embodiments described above should be understood to be illustrative in all respects and not restrictive.
１００：物流管理ソリューション提供装置（コンピューティング装置）
２００：ユーザ端末
３００：外部サーバー
４００：ネットワーク
100: Logistics management solution providing equipment (computing equipment)
200: User terminal 300: External server 400: Network
Claims (10)
所定の領域に配置された棚に対応する３Ｄジオフェンスを設定する段階；
前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成する段階；および
前記生成された物品積載情報を利用して物流管理ソリューションを提供する段階を含む、ライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 In a method performed by a computing device,
setting a 3D geofence corresponding to shelves placed in a predetermined area;
3D based on lidar point cloud, including: generating article loading information for the shelf using the set 3D geofence; and providing a logistics management solution using the generated article loading information. A method of providing logistics management solutions using geofences.
ライダセンサを通じて前記棚をスキャンすることによって生成されたポイントクラウドを出力するユーザインターフェース（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ、ＵＩ）を提供する段階；
前記提供されたユーザインターフェースを通じて前記棚の外形に対応する３次元空間を定義するユーザ入力を獲得する段階；および
前記獲得されたユーザ入力に基づいて前記棚に対応する３Ｄジオフェンスを設定する段階を含む、請求項１に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of setting the 3D geofence includes:
providing a user interface (UI) that outputs a point cloud generated by scanning the shelf through a lidar sensor;
obtaining user input defining a three-dimensional space corresponding to the outer shape of the shelf through the provided user interface; and setting a 3D geofence corresponding to the shelf based on the obtained user input. A method for providing a logistics management solution using a lidar point cloud-based 3D geofence according to claim 1.
ライダセンサを通じて前記棚をスキャンすることによって生成されたポイントクラウドを収集する段階；
前記収集されたポイントクラウドを分析して前記棚の外形に対応するベクトルを抽出する段階；および
前記抽出されたベクトルに基づいて前記棚に対応する３Ｄジオフェンスを設定する段階を含む、請求項１に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of setting the 3D geofence includes:
collecting a point cloud generated by scanning the shelf through a lidar sensor;
2. The method of claim 1, further comprising: analyzing the collected point cloud to extract a vector corresponding to an outline of the shelf; and setting a 3D geofence corresponding to the shelf based on the extracted vector. A method of providing a logistics management solution using a 3D geofence based on the lidar point cloud described in .
前記所定の領域に対するポイントクラウドを収集する段階；
前記収集されたポイントクラウドを分析して前記設定された３Ｄジオフェンスを識別する段階；および
前記収集されたポイントクラウドのうち前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して客体を識別し、前記識別された客体を利用して前記棚に対する第１物品積載情報－前記第１物品積載情報は客体の識別の有無、客体の位置および客体の種類のうち少なくとも一つを含む－を生成する段階を含む、請求項１に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of generating the article loading information includes:
collecting a point cloud for the predetermined area;
analyzing the collected point cloud to identify the set 3D geofence; and analyzing a point cloud corresponding to the identified 3D geofence among the collected point clouds to identify the object. and generates first article loading information for the shelf using the identified object; the first article loading information includes at least one of whether or not the object is identified, the position of the object, and the type of the object. The method for providing a logistics management solution using a lidar point cloud-based 3D geofence according to claim 1, comprising the step of:
前記所定の領域に対するポイントクラウドを収集する段階；
前記収集されたポイントクラウドを分析して前記設定された３Ｄジオフェンスを識別する段階；および
前記収集されたポイントクラウドのうち前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して前記棚の積載率を算出し、前記算出された積載率に関する情報を含む第２物品積載情報を生成する段階を含む、請求項１に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of generating the article loading information includes:
collecting a point cloud for the predetermined area;
analyzing the collected point cloud to identify the set 3D geofence; and analyzing the point cloud corresponding to the identified 3D geofence among the collected point clouds to identify the set 3D geofence. The method for providing a logistics management solution using 3D geofence based on lidar point cloud according to claim 1, comprising the step of calculating a loading rate and generating second article loading information including information regarding the calculated loading rate. .
前記識別された３Ｄジオフェンスに対応するポイントクラウドを分析して前記設定された３Ｄジオフェンス内に積載された客体を識別する段階；および
前記棚の積載率として、前記識別された３Ｄジオフェンスの面積対比前記識別された客体の面積の比率を算出する段階を含む、請求項５に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of generating the second article loading information includes:
analyzing a point cloud corresponding to the identified 3D geofence to identify objects loaded within the set 3D geofence; and determining the loading rate of the identified 3D geofence as the shelf loading rate; The method for providing a logistics management solution using a lidar point cloud-based 3D geofence according to claim 5, comprising the step of calculating a ratio of the area of the identified object to the area.
前記識別された３Ｄジオフェンスが複数の段を含む場合、前記複数の段それぞれに対応するポイントクラウドを分析して前記複数の段それぞれに積載された客体を識別する段階；
前記複数の段それぞれの積載率として、前記複数の段それぞれの高さ対比前記識別された客体の高さの比率を算出する段階；および
前記複数の段それぞれの積載率を合算して前記棚の積載率を算出する段階を含む、請求項５に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of generating the second article loading information includes:
If the identified 3D geofence includes a plurality of stages, analyzing a point cloud corresponding to each of the plurality of stages to identify objects loaded on each of the plurality of stages;
calculating the ratio of the height of the identified object to the height of each of the plurality of shelves as the loading rate of each of the plurality of shelves; The method for providing a logistics management solution using a lidar point cloud-based 3D geofence according to claim 5, including the step of calculating a loading rate.
前記生成された物品積載情報に基づいて予め設定された条件が満足されるかどうかを判断し、前記予め設定された条件が満足されるものと判断される場合、ユーザに通知を提供するものの、前記予め設定された条件は前記所定の領域に配置される複数の棚、前記複数の棚それぞれに含まれた複数の段およびマスそれぞれに個別的に設定されるものである、段階を含む、請求項１に記載のライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法。 The step of providing the logistics management solution includes:
determining whether a preset condition is satisfied based on the generated article loading information, and providing a notification to the user when it is determined that the preset condition is satisfied; The preset condition includes a step that is individually set for each of a plurality of shelves disposed in the predetermined area, and a plurality of stages and squares included in each of the plurality of shelves. A method for providing a logistics management solution using a 3D geofence based on lidar point cloud as described in item 1.
ネットワークインターフェース；
メモリ；および
前記メモリにロード（ｌｏａｄ）され、前記プロセッサによって実行されるコンピュータプログラムを含むものの、
前記コンピュータプログラムは、
所定の領域に配置された棚に対応する３Ｄジオフェンスを設定するインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）；
前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成するインストラクション；および
前記生成された物品積載情報を利用して物流管理ソリューションを提供するインストラクションを含む、ライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供装置。 processor;
network interface;
a memory; and a computer program loaded into said memory and executed by said processor;
The computer program includes:
Instructions for setting a 3D geofence corresponding to shelves placed in a predetermined area;
3D based on Lidar point cloud, including instructions for generating article loading information for the shelf using the set 3D geofence; and instructions for providing a logistics management solution using the generated article loading information. A device that provides logistics management solutions using geofence.
所定の領域に配置された棚に対応する３Ｄジオフェンスを設定する段階；
前記設定された３Ｄジオフェンスを利用して前記棚に対する物品積載情報を生成する段階；および
前記生成された物品積載情報を利用して物流管理ソリューションを提供する段階を含むライダポイントクラウド基盤の３Ｄジオフェンスを利用した物流管理ソリューション提供方法を実行させるためにコンピューティング装置で読み取り可能な記録媒体に保存された、コンピュータプログラム。 combined with a computing device;
setting a 3D geofence corresponding to shelves placed in a predetermined area;
3D geofence based on lidar point cloud, including: generating article loading information for the shelf using the set 3D geofence; and providing a logistics management solution using the generated article loading information. A computer program stored on a storage medium readable by a computing device for executing a method for providing a logistics management solution using offense.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2022-0092244 | 2022-07-26 | ||
| KR1020220092244A KR102548867B1 (en) | 2022-07-26 | 2022-07-26 | Method, apparatus and computer program for providing distribution management solution using 3d geofence based on lidar point cloud |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2024016781A true JP2024016781A (en) | 2024-02-07 |
| JP7483236B2 JP7483236B2 (en) | 2024-05-15 |
Family
ID=86945967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022156237A Active JP7483236B2 (en) | 2022-07-26 | 2022-09-29 | Method, device and computer program for providing logistics management solutions using 3D geofences based on LIDAR point cloud |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7483236B2 (en) |
| KR (2) | KR102548867B1 (en) |
| WO (1) | WO2024025021A1 (en) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100903801B1 (en) * | 2007-10-29 | 2009-06-25 | 유한테크노스 (주) | Common application system of a warehouse used empty location and method therof |
| KR101116196B1 (en) * | 2011-10-06 | 2012-03-06 | 주식회사 이킵비즈 | Distribution center management method using 3 dimension modeling, and computer readable recording medium storing distribution center management program for the same |
| JP3187207U (en) | 2013-09-04 | 2013-11-14 | キムラユニティー株式会社 | Frontage management device |
| KR20160044320A (en) * | 2014-10-15 | 2016-04-25 | 삼성에스디에스 주식회사 | Method and apparatus for item put-away task management |
| KR101815583B1 (en) * | 2016-02-29 | 2018-01-05 | 성균관대학교 산학협력단 | Goods loading system using 3d camera and bigdata system, and thereof method |
| JP6605711B2 (en) | 2016-04-05 | 2019-11-13 | 株式会社日立物流 | Measuring system and measuring method |
| JP2019008571A (en) | 2017-06-26 | 2019-01-17 | 株式会社デンソーアイティーラボラトリ | Object recognition device, object recognition method, program, and trained model |
| JP6976239B2 (en) | 2018-12-27 | 2021-12-08 | 株式会社メルカリ | Programs, information processing methods, and information processing equipment |
| KR102408933B1 (en) * | 2020-09-03 | 2022-06-13 | 주식회사 에스엠코어 | Automatic warehouse manage system using carmer device |
-
2022
- 2022-07-26 KR KR1020220092244A patent/KR102548867B1/en active IP Right Grant
- 2022-08-01 WO PCT/KR2022/011340 patent/WO2024025021A1/en unknown
- 2022-09-29 JP JP2022156237A patent/JP7483236B2/en active Active
-
2023
- 2023-06-23 KR KR1020230080713A patent/KR20240015566A/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024025021A1 (en) | 2024-02-01 |
| KR102548867B1 (en) | 2023-06-29 |
| KR20240015566A (en) | 2024-02-05 |
| JP7483236B2 (en) | 2024-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230089380A1 (en) | Neural network construction method and apparatus | |
| CN109241903B (en) | Sample data cleaning method, device, computer equipment and storage medium | |
| WO2022083536A1 (en) | Neural network construction method and apparatus | |
| CN112994940B (en) | Network anomaly detection method and device | |
| US20230082597A1 (en) | Neural Network Construction Method and System | |
| Doherty et al. | Bayesian generalized kernel inference for occupancy map prediction | |
| KR102382448B1 (en) | Method, apparatus and computer program for generating input feature map of artificial intelligence model to detect object based on lidar | |
| CN112801265A (en) | Machine learning method and device | |
| US20210097345A1 (en) | Computer architecture for object detection using point-wise labels | |
| US20220335293A1 (en) | Method of optimizing neural network model that is pre-trained, method of providing a graphical user interface related to optimizing neural network model, and neural network model processing system performing the same | |
| CN115016507A (en) | Mapping method, positioning method, device, robot and storage medium | |
| CN113947144A (en) | Method, apparatus, device, medium and program product for object detection | |
| KR20180086021A (en) | Image analyzing method based on random tree cnn and image analyzing method based on forest cnn | |
| WO2022166125A1 (en) | Recommendation system with adaptive weighted baysian personalized ranking loss | |
| JP2024016781A (en) | METHOD OF, APPARATUS FOR, AND COMPUTER PROGRAM FOR PROVIDING LOGISTIC MANAGEMENT SOLUTION USING 3D GEOFENCE ON LiDAR POINT CLOUD BASIS | |
| Singh et al. | A comparative study of quantum and classical deep learning for intelligent agriculture | |
| Bukchin et al. | A comprehensive toolbox for load retrieval in puzzle-based storage systems with simultaneous movements | |
| KR20220079451A (en) | Method, apparatus and computer program for providing warehouse solution using artificial intelligence model | |
| CN111782837B (en) | Image retrieval method and device | |
| CN116563660A (en) | Image processing method and related device based on pre-training large model | |
| CN113269834A (en) | Logistics container carrying method and device and storage medium | |
| KR102507906B1 (en) | Automatic driving vehicle localization method, apparatus and computer program using low-volume normal distribution transform map | |
| US11810003B2 (en) | Learning tree output node selection using a measure of node reliability | |
| KR102581969B1 (en) | Method, computing device and computer program for interpolating lidar point cloud to improve object recognition | |
| Dobrilovic et al. | Shortest-path based model for warehouse inner transportation optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220929 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230621 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230920 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231211 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240307 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240401 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240422 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7483236 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |