一种基于深度学习的AGV充电调度方法、装置及介质制造方法及图纸

本申请公开了一种基于深度学习的AGV充电调度方法、装置及介质，应用于深度学习领域。该方法将AGV的系统的当前状态输入预先建立的Q学习算法模型，然后获取AGV在当前状态下执行不同动作对应的Q值；最后根据最大的Q值对应的动作确定AGV的调度方案；其中，Q值表征Q学习算法模型的最大期望值，最大的Q值表征Q学习算法模型的最大期望值。通过优化AGV充电调度方案，不仅可以实现各台作业设备的有效衔接，提高利用率，增加AGV的总行驶时间，更重要的是减少装卸作业总消耗的时间，使单位时间内可以搬运更多货物，从而提升整个系统的生产运营效率，实现整个仓储系统综合竞争力的提升。现整个仓储系统综合竞争力的提升。现整个仓储系统综合竞争力的提升。

【技术实现步骤摘要】
一种基于深度学习的AGV充电调度方法、装置及介质


[0001]本申请涉及深度学习领域，特别是涉及一种基于深度学习的AGV充电调度方法、装置及介质。

技术介绍

[0002]自动引导小车(Automated Guided Vehicle，AGV)是自动化仓储物流、集装箱仓储等场景中广泛使用的水平运输设备，具有导向柔性化，行驶速度快、转向灵活、具备安全防护功能、定位精度高等优点。由于自动化仓储装卸作业量大，一般需要多台AGV配合完成作业。实现多台AGV的高效、动态调度，不仅需要满足岸桥作业连续性的要求，还要缩短岸桥总作业时间、AGV无效作业时间，提高岸桥、AGV的作业效率，故自动化场景AGV调度问题明是一个多目标优化问题，其求解具有一定的难度。此外，与集卡不同，电驱动AGV电池电量随着作业时间增加逐渐下降，需要通过某种方式进行充电，这将消耗一定的时间成本。目前并未针对AGV的充电过程提出相应的调度方案。
[0003]AGV作为电驱动车辆，电量随着作业次数的增多，会不断的减少，当电量过低时行驶将会影响电池的寿命，同时若AGV因电量不足突然停止，将极大地影响作业的流畅度，以及各AGV的总行驶时间，一AGV的总行驶时间越少，该AGV的利用率越低，则整个AGV系统的成本会较高。
[0004]由此可见，如何增加AGV的总行驶时间，提高工作效率，是本领域技术人员亟待解决的问题。

技术实现思路

[0005]本申请的目的是提供一种基于深度学习的AGV充电调度方法、装置及介质，以增加AGV的总行驶时间，提高工作效率。
[0006]为解决上述技术问题，本申请提供一种基于深度学习的AGV充电调度方法，包括：
[0007]将所述AGV的系统的当前状态输入预先建立的Q学习算法模型；
[0008]获取所述AGV在所述当前状态下执行不同动作对应的Q值；其中，所述Q值表征所述Q学习算法模型的期望值；
[0009]根据最大的所述Q值对应的所述动作确定所述AGV的调度方案；其中，最大的所述Q值表征所述Q学习算法模型的最大期望值。
[0010]优选地，所述AGV的系统的状态包括：所述AGV的电量以及充电桩的状态。
[0011]优选地，所述动作包括所述AGV的充电、搬运、休息。
[0012]优选地，所述Q学习算法模型为基于BP神经网络建立。
[0013]优选地，建立所述Q学习算法模型之后，还包括：
[0014]根据不同应用场景对所述Q学习算法模型进行验证。
[0015]优选地，建立所述Q学习算法模型之后，还包括：
[0016]采用不同数量的所述AGV对所述Q学习算法模型进行验证。
[0017]优选地，建立所述Q学习算法模型之后，还包括：
[0018]用传统遗启发式算法以及遗传算法对所述Q学习算法模型进行验证。
[0019]为解决上述技术问题，本申请还提供一种基于深度学习的AGV充电调度装置，包括：
[0020]输入模块，用于将所述AGV的系统的当前状态输入预先建立的Q学习算法模型；
[0021]获取模块，用于获取所述AGV在所述当前状态下执行不同动作对应的Q值；其中，所述Q值表征所述Q学习算法模型的期望值；
[0022]确定模块，用于根据最大的所述Q值对应的所述动作确定所述AGV的调度方案；其中，最大的所述Q值表征所述Q学习算法模型的最大期望值。
[0023]为解决上述技术问题，本申请还提供一种基于深度学习的AGV充电调度装置，包括：存储器，用于存储计算机程序；
[0024]处理器，用于执行计算机程序时实现上述基于深度学习的AGV充电调度方法的步骤。
[0025]为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的AGV充电调度方法的步骤。
[0026]本申请所提供的一种基于深度学习的AGV充电调度方法，将AGV的系统的当前状态输入预先建立的Q学习算法模型，然后获取AGV在当前状态下执行不同动作对应的Q值；最后根据最大的Q值对应的动作确定AGV的调度方案；其中，Q值表征Q学习算法模型的期望值，最大的Q值表征Q学习算法模型的最大期望值，可通过实际需求设定对应的期望。本申请是在自动化仓储系统中的设备调度优化，涉及到堆存作业计划以及装卸作业计划，涉及到的作业设备主要包括AGV自动化传送等，通过优化AGV充电调度方案，不仅可以实现各台作业设备的有效衔接，提高利用率，增加AGV的总行驶时间，更重要的是减少装卸作业总消耗的时间，使单位时间内可以搬运更多货物，从而提升整个系统的生产运营效率，实现整个仓储系统综合竞争力的提升。除此之外，提升周转效率，减少设备的不必要作业时间和等待时间，在一定程度上可以降低能耗，如电能等，帮助实现降低运营成本、构建绿色环境友好型仓库的目标。
[0027]本申请还提供了一种基于深度学习的AGV充电调度装置和计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
附图说明
[0028]为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本申请实施例提供的一种基于深度学习的AGV充电调度方法的流程图；
[0030]图2为本申请实施例提供的一种Q学习的AGV调度模型框架对应的方法流程图；
[0031]图3为本申请实施例提供的一种神经网络下的强化学习结构图；
[0032]图4为本申请实施例提供的一种面向强化学习的多AGV调度研究模型概念图；
[0033]图5为本申请实施例提供的一种技术路线示意图；
[0034]图6为本申请实施例提供的基于深度学习的AGV充电调度装置的结构图；
[0035]图7为本申请另一实施例提供的基于深度学习的AGV充电调度装置的结构图。
具体实施方式
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
[0037]本申请的核心是提供一种基于深度学习的AGV充电调度方法、装置及介质，以增加AGV的总行驶时间，提高工作效率。
[0038]为了使本
的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
[0039]AGV是自动化仓储物流、集装箱仓储等场景中广泛使用的水平运输设备，具有导向柔性化，行驶速度快、转向灵活、具备安全防护功能、定位精度高等。由于自动化仓储装卸作业量大，一般需要多台AGV配合完成作业。实现多台本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的AGV充电调度方法，其特征在于，包括：将所述AGV的系统的当前状态输入预先建立的Q学习算法模型；获取所述AGV在所述当前状态下执行不同动作对应的Q值；其中，所述Q值表征所述Q学习算法模型的期望值；根据最大的所述Q值对应的所述动作确定所述AGV的调度方案；其中，最大的所述Q值表征所述Q学习算法模型的最大期望值。2.根据权利要求1所述的基于深度学习的AGV充电调度方法，其特征在于，所述AGV的系统的状态包括：所述AGV的电量以及充电桩的状态。3.根据权利要求2所述的基于深度学习的AGV充电调度方法，其特征在于，所述动作包括所述AGV的充电、搬运、休息。4.根据权利要求1所述的基于深度学习的AGV充电调度方法，其特征在于，所述Q学习算法模型为基于BP神经网络建立。5.根据权利要求4所述的基于深度学习的AGV充电调度方法，其特征在于，建立所述Q学习算法模型之后，还包括：根据不同应用场景对所述Q学习算法模型进行验证。6.根据权利要求5所述的基于深度学习的AGV充电调度方法，其特征在于，建立所述Q学习算法模型之后，还包括：采用不同数量的所述...

【专利技术属性】
技术研发人员：王志杰，刘斌，王瀚森，
申请(专利权)人：浙江杭叉智能科技有限公司，
类型：发明
国别省市：