基于大数据的配送机器人充电方法、系统及处理终端技术方案

本发明专利技术公开了一种基于大数据的配送机器人充电方法、系统及处理终端，方法包括：向所述调度系统返回当前位置信息；接收所述调度系统发送的配送任务，记为当前配送任务；计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。本发明专利技术的优点在于：能够提高机器人执行任务的可靠性和安全性，在多机器人同时工作时提高机器人的使用效率。

Charging method, system and processing terminal of distribution robot based on big data

【技术实现步骤摘要】
基于大数据的配送机器人充电方法、系统及处理终端
本专利技术涉及机器人控制领域，具体涉及基于大数据的配送机器人充电控制策略。
技术介绍
目前机器人的充电策略基本是根据机器人当前电量，或者设置固定时间人为控制机器到充电桩充电。这些固定的充电策略，不能充分发挥机器人的使用率。在多台机器一起工作情况下，没有起到智能调度的作用。可能会出现没有机器可以工作，多台机器人一起充电的情况。如何更高效地调度机器人执行任务，是机器人充电策略需要解决的问题。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种基于大数据的配送机器人充电方法，解决如何更高效地调度机器人执行任务的技术问题。本专利技术的目的之二在于提供一种基于大数据的配送机器人充电系统，解决如何更高效地调度机器人执行任务的技术问题。本专利技术的目的之三在于提供一种处理终端，解决如何更高效地调度机器人执行任务的技术问题。为实现上述目的之一，本专利技术所采用的技术方案如下：基于大数据的配送机器人充电方法，包括：S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。优选的，当前配送任务所需的电量E的计算公式为：其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。优选的，所述机器学习框架为GoogleTensorflow；所述预测耗电量模型的训练过程为：设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。为实现上述目的之二，本专利技术所采用的技术方案如下：基于大数据的配送机器人充电系统，包括：响应模块，用于响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；任务管理模块，若符合所述调度系统计算出的最佳配送机器人条件，则用于接收所述调度系统发送的配送任务，记为当前配送任务；算法模块，用于根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；处理执行模块，用于判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。优选的，当前配送任务所需的电量E的计算公式为：其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。优选的，所述机器学习框架为GoogleTensorflow；所述预测耗电量模型的训练过程为：设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。优选的，所述最佳配送机器人条件为：机器人位置距离任务起点位置之间的路程最短。为实现上述目的之三，本专利技术所采用的技术方案如下：一种处理终端，包括：存储器，用于存储程序指令；处理器，用于运行所述程序指令，以执行以下步骤：S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。优选的，当前配送任务所需的电量E的计算公式为：其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。优选的，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。优选的，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。优选的，所述机本文档来自技高网...

【技术保护点】
1.基于大数据的配送机器人充电方法，其特征在于，包括：/nS1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；/nS2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；/nS3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；/nS4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。/n

【技术特征摘要】
1.基于大数据的配送机器人充电方法，其特征在于，包括：
S1、响应调度系统发送的配送任务请求，向所述调度系统返回当前位置信息；
S2、若符合所述调度系统计算出的最佳配送机器人条件，则接收所述调度系统发送的配送任务，记为当前配送任务；
S3、根据所述当前配送任务中的任务信息计算执行当前配送任务所需的电量E，从历史配送任务数据中查找到达当前配送任务的目标站点的耗电量，并计算平均耗电量E＇，E＇＝(E+E0+E1+…+En)/(n+1)；根据机器学习框架所建立的预测耗电量模型对当前配送任务的耗电量进行预测计算，得到预测耗电量；
S4、判断当前机器人的电池电量C是否同时大于平均耗电量E＇和预测耗电量，若是，则执行配送任务，否则执行充电任务。


2.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，当前配送任务所需的电量E的计算公式为：其中，F(p)＝w(f(s)+arctan(g))，s为当前配送任务的总路程，w为当前机器人的重量，f(s)为电机驱动单位重量机器人在平面行走一米的耗电量，g为执行当前配送任务的路径坡度。


3.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，在执行充电任务的同时，查询指定范围内是否有处于空闲状态的机器人，若是，则向该空闲状态的机器人转发当前配送任务，否则待充电至满足执行配送任务的电量后恢复当前配送任务。


4.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，在执行配送任务的同时，实时记录当前机器人的实时耗电和坡度信息，并实时调整当前机器人的电机的输出功率，以使当前机器人保持匀速运行。


5.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，所述机器学习框架为GoogleTensorflow；所述预测耗电量模型的训练过程为：
设定模型函数为：f(x)＝ax+by+c；其中，f(x)为预测耗电量，x为任务起点位置和终点位置，y为起点到达终点的路程，a、b、c为模型函数参数；
通过增加训练样本，利用梯度下降算法训练预测耗电量模型，使所述预测耗电量模型的优化函数g(x)小于预设值，其中，
g(x)＝((f(1)-f'(1))^2+(f(2)-f'(2))^2+…+(f(x)-f'(x))^2)/x，f'(x)为实际耗电量。


6.根据权利要求1所述的基于大数据的配送机器人充电方法，其特征在于，所述最佳配送...

【专利技术属性】
技术研发人员：俞锦涛，黄永锋，李睿，李良源，
申请(专利权)人：广州赛特智能科技有限公司，
类型：发明
国别省市：广东;44