本技術(shù)實施例涉及智能制造領(lǐng)域，尤其涉及一種料箱機器人的靜態(tài)路徑規(guī)劃方法。

背景技術(shù)：

1、在自動化倉儲領(lǐng)域，料箱機器人作為實現(xiàn)物料搬運和存儲的關(guān)鍵設(shè)備，其高效、準(zhǔn)確的路徑規(guī)劃能力對于提升倉庫運作效率至關(guān)重要。傳統(tǒng)上，料箱機器人的路徑規(guī)劃主要依賴于動態(tài)路徑規(guī)劃方法，即機器人在運行過程中實時感知環(huán)境并作出路徑?jīng)Q策。然而，這種方法在復(fù)雜倉庫環(huán)境中易受到實時障礙物、通信延遲等因素影響，導(dǎo)致路徑規(guī)劃效率低下，機器人運行不穩(wěn)定，甚至發(fā)生碰撞事故。

2、特別是，在需要頻繁執(zhí)行出入庫任務(wù)的場景中，動態(tài)路徑規(guī)劃往往無法充分利用倉庫環(huán)境的先驗知識，如固定的障礙物位置、常用的通行區(qū)域等，從而導(dǎo)致每次任務(wù)都需重新探索路徑，增加了計算負(fù)擔(dān)和響應(yīng)時間。此外，動態(tài)路徑規(guī)劃難以有效處理多任務(wù)并發(fā)情況，當(dāng)多個料箱機器人同時作業(yè)時，易發(fā)生路徑?jīng)_突，影響整體作業(yè)效率。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的在于提出一種料箱機器人的靜態(tài)路徑規(guī)劃方法，用于解決或者克服現(xiàn)有技術(shù)中存在的上述技術(shù)問題。

2、本技術(shù)實施例提供的一種料箱機器人的靜態(tài)路徑規(guī)劃方法，其包括：

3、讀取所述料箱機器人所在倉庫的全局環(huán)境模型，所述全局環(huán)境模型中定義有障礙物區(qū)域以及自由運行區(qū)域；

4、對所述料箱機器人的出入庫指令進行解析，以確定所述料箱機器人的當(dāng)前起始位置以及當(dāng)前目標(biāo)點位置；

5、根據(jù)所述起始點位置與當(dāng)前目標(biāo)點位置與全局環(huán)境模型，進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合；

6、基于設(shè)定的靜態(tài)路徑約束，對所述可選靜態(tài)路徑集合求解，以從中選出滿足所述設(shè)定的路徑約束的可選靜態(tài)路徑并作為規(guī)劃的靜態(tài)路徑。

7、可選地，所述出入庫指令包括入庫指令和/出庫指令，以根據(jù)任務(wù)訂單完成一次出庫或入庫任務(wù)，一次可取或者可卸多個貨物；

8、所述入庫指令用于調(diào)度所述料箱機器人從起始位置到入庫工作臺進行貨物的放置；對應(yīng)地，所述可選靜態(tài)路徑為：所述料箱機器人從其可選起始點位置到入庫工作臺、從入庫工作臺到第一個貨架的路線、從第一個貨架到下一個貨架直至放置完所有貨物的路線；

9、所述入庫指令用于調(diào)度所述料箱機器人從起始位置到入庫工作臺進行貨物的拾??；對應(yīng)地，所述可選靜態(tài)路徑包括：所述料箱機器人從起始位置點到第一個貨架的路線、從第一個貨架到下一個貨架直至取完訂單所需貨物的路線、從最后一個貨架到出庫工作臺的路線。

10、可選地，所述讀取所述料箱機器人所在倉庫的全局環(huán)境模型，所述全局環(huán)境模型中定義有障礙物區(qū)域以及自由運行區(qū)域，之前還包括：

11、獲取所述料箱機器人所在倉庫的全局環(huán)境模型文件，對所述全局環(huán)境模型文件進行解析，確定所述倉庫中障礙物的中心坐標(biāo)以及障礙物的輪廓；

12、基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，構(gòu)建所述倉庫的全局環(huán)境模型。

13、可選地，所述基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，構(gòu)建所述倉庫的全局環(huán)境模型，包括:

14、對所述倉庫所占區(qū)域進行網(wǎng)格劃分得到若干網(wǎng)格以形成網(wǎng)格陣列；

15、基于所述倉庫中障礙物的中心坐標(biāo)，對所述障礙物的輪廓與所述網(wǎng)格陣列進行匹配以確定障礙物與所述網(wǎng)格陣列的映射關(guān)系；

16、基于所示映射關(guān)系，對所述網(wǎng)格陣列進行編碼，得到障礙物位置編碼以及自由區(qū)域位置編碼；

17、將所述障礙物位置編碼以及自由區(qū)域位置編碼投影到所述網(wǎng)格陣列上，以形成所述倉庫的全局環(huán)境模型。

18、可選地，所述基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，構(gòu)建所述倉庫的全局環(huán)境模型，包括:

19、基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，定義所述料箱機器人在所述倉庫中行進時要經(jīng)過的多個指定位置坐標(biāo)以形成指定位置坐標(biāo)序列；

20、確定所述料箱機器人從其起始位置點坐標(biāo)到最近指定位置坐標(biāo)的路線，從所述最近指定位置坐標(biāo)出發(fā)到下一個指定位置坐標(biāo)的路線，依次迭代，得到若干條路線；

21、將每一條路線映射為一條邊，并在每條邊上障礙物標(biāo)識；

22、將加載了障礙物標(biāo)識的所有邊按照迭代的先后順序拼接起來，以形成所述倉庫的全局環(huán)境模型。

23、可選地，所述基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，構(gòu)建所述倉庫的全局環(huán)境模型，包括:

24、基于所述障礙物的中心坐標(biāo)以及障礙物的輪廓，生成代表不同障礙物的多邊形；

25、確定每個所述多邊形的各個頂點的坐標(biāo)，以建立所述可選起始點位置與所有頂點的連線、以建立所述可選目標(biāo)點位置與所有頂點的連線、不同多邊形的頂點之間的連線；

26、將所述可選起始點位置、所述可選目標(biāo)點位置、所述多邊形、所述可選起始點位置與所有頂點的連線、以建立所述可選目標(biāo)點位置與所有頂點的連線、不同多邊形的頂點之間的連線，投影到所述倉庫所占的區(qū)域上，以所述倉庫的全局環(huán)境模型。

27、可選地，所述對所述料箱機器人的出入庫指令進行解析，以確定所述料箱機器人的當(dāng)前起始位置以及當(dāng)前目標(biāo)點位置，包括：

28、對所述料箱機器人的出入庫指令進行解析，得到出入庫配置參數(shù)；

29、根據(jù)所述出庫參數(shù)，判斷是出庫指令還是入庫指令、以及對應(yīng)所述料箱機器人的當(dāng)前起始點位置以及當(dāng)前目標(biāo)點位置。

30、可選地，所述根據(jù)所述當(dāng)前起始點位置與當(dāng)前目標(biāo)點位置與全局環(huán)境模型，進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合，包括：

31、根據(jù)所述起始點位置與當(dāng)前目標(biāo)點位置與全局環(huán)境模型，構(gòu)建若干粒子，并為每個粒子分配一個初始適應(yīng)度值以及初始慣性權(quán)重，以得到初始化粒子群，每個粒子代表一個初始化靜態(tài)路徑；

32、對所述初始化粒子群進行迭代，以進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合。

33、可選地，所述初始適應(yīng)度值代表對應(yīng)初始化靜態(tài)路徑的初始性能強度，所述初始性能強度包括路徑的長度、所述料箱機器人沿著所述初始化靜態(tài)路徑移動時的初始化轉(zhuǎn)彎次數(shù)、與障礙物的平均安全距離。

34、可選地，所述對所述初始化粒子群進行迭代，以進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合，包括：

35、基于設(shè)定的路徑搜索機制，確定對所述初始化粒子群進行迭代時使用的自我認(rèn)知度量、社會認(rèn)知度量，所述自我認(rèn)知度量用于表示粒子的當(dāng)前路徑長度與其最短路徑長度的初始化語義距離，所述社會認(rèn)知度量用于表示粒子的當(dāng)前路徑長度與全局最短路徑長度的初始化語義距離；

36、基于所述自我認(rèn)知度量、社會認(rèn)知度量，對所述初始化粒子群進行迭代，以進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合。

37、可選地，所述基于所述自我認(rèn)知度量、社會認(rèn)知度量，對所述初始化粒子群進行迭代，以進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合，包括：

38、基于所述自我認(rèn)知度量、社會認(rèn)知度量，在所述初始化粒子群所在的空間，對所述初始化粒子群進行迭代，以對所述初始化粒子群中的粒子進行實時更新得到動態(tài)粒子，以得到動態(tài)粒子群，每個動態(tài)粒子具有更新后的適應(yīng)度值以及更新后的慣性權(quán)重；

39、基于所述更新后的適應(yīng)度值從所述動態(tài)粒子群篩選出部分動態(tài)粒子，以進行料箱機器人出入庫的靜態(tài)路徑的搜索，得到若干條可選靜態(tài)路徑，以組成可選靜態(tài)路徑集合。

40、可選地，所述的方法，還包括：

41、根據(jù)慣性權(quán)重更新的規(guī)則，對所述初始化粒子群中粒子的慣性權(quán)重進行線性更新，以使得所述慣性權(quán)重隨著迭代次數(shù)的增加線性遞減，所述線性遞減使得在進行出入庫的靜態(tài)路徑的搜索時，基于粒子在所述初始化粒子群所在的空間的最近搜索位置和搜索方向進行。

42、可選地，所述基于設(shè)定的靜態(tài)路徑約束，對所述可選靜態(tài)路徑集合求解，以從中選出滿足所述設(shè)定的路徑約束的可選靜態(tài)路徑并作為規(guī)劃的靜態(tài)路徑，包括：

43、所述靜態(tài)路徑約束定于的適應(yīng)度閾值，以與所述可選靜態(tài)路徑集合中每條靜態(tài)可選路徑對應(yīng)的更新后的粒子具有的更新后的適應(yīng)度值進行全局求解，以從中選出更新后的路徑的長度、轉(zhuǎn)彎次數(shù)、與障礙物的平均安全距離全局匹配所述適應(yīng)度閾值的可選靜態(tài)路徑為規(guī)劃的靜態(tài)路徑。

44、本發(fā)明中，通過讀取料箱機器人所在倉庫的全局環(huán)境模型，充分利用了倉庫環(huán)境的先驗知識。全局環(huán)境模型中定義了障礙物區(qū)域以及自由運行區(qū)域，這使得路徑規(guī)劃能夠在已知的環(huán)境約束下進行，從而避免了動態(tài)路徑規(guī)劃在實時感知環(huán)境時可能遇到的通信延遲和感知誤差問題。其次，對料箱機器人的出入庫指令進行解析，確定了機器人的當(dāng)前起始位置和目標(biāo)點位置。這一步驟使得路徑規(guī)劃能夠基于具體的任務(wù)需求進行，提高了路徑規(guī)劃的針對性和實用性。接著，根據(jù)起始點位置、目標(biāo)點位置以及全局環(huán)境模型，進行料箱機器人出入庫的靜態(tài)路徑搜索。通過搜索得到若干條可選靜態(tài)路徑，并組成可選靜態(tài)路徑集合。這一過程充分利用了全局環(huán)境模型的信息，減少了實時計算量，提高了路徑規(guī)劃的效率。最后，基于設(shè)定的靜態(tài)路徑約束，對可選靜態(tài)路徑集合進行求解，從中選出滿足路徑約束的可選靜態(tài)路徑作為規(guī)劃的靜態(tài)路徑。這一步驟確保了所選路徑的可行性和安全性，同時解決了多任務(wù)并發(fā)時的路徑?jīng)_突問題。