一种自动化装卸车容量感知及码垛规划方法技术

一种自动化装卸车容量感知及码垛规划方法，属于自动化装卸车技术领域。通过机器人激光扫描传感器和超宽带技术获得货车货物点云数据图及货车位置信息；通过星图降噪法对所获点云数据图进行边缘修正，达到去除噪声、删除无用区域的目的；修正的点云图进行Delaunay剖分，对剖分的N个三角面片凸壳投影形成的三棱柱进行体积叠加；通过梯度下降不断优化强化学习初始数据集，获得最优空间利用率；计算最优码垛数量。本发明专利技术对于货车位置的感知定位精确，货车容量和货物体积的判断准确，误差范围小，判断值随着凸壳容量的增加逐渐接近真实值；同时可以在较短时间内实现码垛方式的最优规划，以最大的空间利用率，尽可能减少空间资源的浪费。源的浪费。源的浪费。

【技术实现步骤摘要】
一种自动化装卸车容量感知及码垛规划方法


[0001]一种自动化装卸车容量感知及码垛规划方法，属于自动化装卸车


技术介绍

[0002]自动化装卸车机器人系统主要源于企业对装卸车过程的自动化和智能化需求。它涉及多个
的综合应用，如机械工程、机器人学、计算机视觉、感应技术和导航技术等，这些技术的进步和发展为自动化装卸车机器人系统的实现提供了基础和支持。目前，随着物流行业的快速发展和企业货物装卸供应链的不断优化，识别货车位置、提高装车效率、增大空间利用率、减少操作成本和降低人力风险成为企业关注的重点。当前，针对于自动化装卸车机器人系统常用技术如下：
[0003](1)计算机视觉技术：使用相机进行图像识别和特征提取，以确定机器人的位置。但是，视觉识别容易受到光线、背景变化和遮挡等因素的干扰，识别准确性有时可能不足。
[0004](2)重量感知技术：通过在货车底部安装称重传感器，测量装载物的重量来感知货车容量。但是，重量感知可能无法精确识别单个物体的重量，而且需要与外部数据库进行比对，限制了其实时性和准确性。
[0005](3)优化算法：通过优化算法实现码垛规划问题。但是优化算法可能需要较长的计算时间，并且在复杂的场景中难以找到全局最优解。
[0006]为解决这些问题，需要进一步研究和改进自动化装卸车机器人系统的技术和功能，提高机器人对复杂环境的感知和适应能力，使其设计更灵活、精确，时间成本更低。

技术实现思路

[0007]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种自动化装卸车容量感知及码垛规划方法，对于货车位置的感知定位精确，货车容量和货物体积的判断准确，误差范围小，判断值随着凸壳容量的增加逐渐接近真实值。
[0008]本专利技术解决其技术问题所采用的技术方案是：该自动化装卸车容量感知及码垛规划方法，其特征在于：包括如下步骤：
[0009]S1设置强化学习初始数据集，并通过机器人激光扫描传感器和超宽带技术获得货车货物点云数据图及货车位置信息；
[0010]S2通过星图降噪法对所获点云数据图进行边缘修正，达到去除噪声、删除无用区域的目的；
[0011]S3修正的点云图进行Delaunay剖分，对剖分的N个三角面片凸壳投影形成的三棱柱进行体积叠加，即为所需样本；
[0012]S4对N个凸壳区域采用不同的码垛方式，通过梯度下降不断优化强化学习初始数据集，更新最优策略，获得最优空间利用率；
[0013]S5空间利用率最优的凸壳区域码垛方式即为最优码垛规划策略，并计算最优码垛数量。
[0014]优选的，所述方法还包括，机器人在t时刻的状态为k，此时采取的动作为a，此时的累计回报期望值函数为：
[0015]f(k，a)
rewards
＝E
U
(w
t
|K
t
＝k，A
t
＝a)；
[0016]其中，w
t
为累计回报，K
t
、A
t
为t时刻的状态和动作，E
U
为累计回报期望值。
[0017]优选的，在动作空间中设置奖励函数R
reward
来决定最优货物数量规划，其中奖励函数R
reward
为：
[0018][0019]其中，为t时刻状态k的估值奖赏；k
t+1
为下一时刻的状态；K
t
＝k，A
t
＝a，分别为状态k出发，执行动作a后再使用策略U
′
的累计奖赏。
[0020]优选的，所述方法还包括，机器人使用超宽带技术对货车位置实现高精度的判断和定位，包括以下步骤：
[0021]S101在货车上安装超宽带发送器，发送短脉冲信号；；
[0022]S102机器人、装载台、控制箱搭载配备超宽带接收器的传感器，接收超宽带信号；
[0023]S103机器人接收到超宽带信号后，计算从发送器到接收器的信号传播时间差Δt，并结合己知接收器信息，利用三角定位判断货车位置；
[0024]货车位置与基站的距离为：
[0025][0026]其中，货车位置坐标为(x，y)；三个基站的位置坐标为(x
i
，y
i
)，i＝1，2，3。
[0027]优选的，所述的货车货物点云数据图由识别目标、识别背景和图像噪声三部分组成，货车货物点云数据图为：
[0028]g(m，n)＝o(m，n)+c(m，n)+l(m，n)；
[0029]其中，g(m，n)为点云数据图像素点(m，n)的灰度值，o(m，n)为识别目标的亮化，c(m，n)为识别背景的灰度值，为图像噪声信号；
[0030]识别背景灰度值每个数据点遵循以下扩充定义：
[0031]c
′
(m，n)＝c(m+1，n+1)+c(m
‑
1，n
‑
1)；
[0032]g(m+1，n+1)＝2c(m，n)；
[0033]其中，c
′
(m，n)为识别背景的灰度值，g(m+1，n+1)为云数据图像素点(m+1，n+1)的灰度值，c(m+1，n+1)、c(m
‑
1，n
‑
1)为(m，n)的前后灰度值。
[0034]优选的，所述方法还包括，高斯滤波的处理系数及中心点δ邻域为：
[0035][0036][0037]其中，cenx、ceny为灰度点与高斯滤波中心位置的距离，σ为灰度点与高斯滤波中心位置的距离；
[0038]高斯滤波中心点δ邻域中值代替差度的方法为：
[0039][0040]c
′
(ml，nl)＝g(m+p，n+q)
‑
C(m+1，n+1)；
[0041]其中，g(m+p，n+q)为点云数据图像素点(m+p，n+q)的灰度值，C(m+1，n+1)为数据扩展后g(m+p，n+q)经过δ邻域中值处理后的灰度值，c
′
(ml，nl)为最终输出后的灰度值，N为中心点δ邻域内的中值，p、q为不同的数据扩展个数。
[0042]优选的，所述方法还包括，建立包含N个三角面片凸壳的点云数据三角网络，三角网络的建立步骤如下：
[0043]S301设置α1平面层，对于所定义的三角元凸壳区域集合，寻找最大内接圆，并令三角元凸壳绕任意一顶点旋转；
[0044]S302设置α2平面层，插入数据点P1，找出所有包含数据点P1的外接圆，并去除外接圆之间所形成的空腔区域；
[0045]S303对α1平面层的三角元凸壳区域集合和α2平面层数据点P1实行放样处理，形成新的三角网络；
[0046]S304新的三角网络填充并删除对应点云数据，重复步骤S302，直到所有点云数据均遍历插入，最终形成包含N个三角面片凸壳的点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动化装卸车容量感知及码垛规划方法，其特征在于：包括如下步骤：S1设置强化学习初始数据集，并通过机器人激光扫描传感器和超宽带技术获得货车货物点云数据图及货车位置信息；S2通过星图降噪法对所获点云数据图进行边缘修正，达到去除噪声、删除无用区域的目的；S3修正的点云图进行Delaunay剖分，对剖分的N个三角面片凸壳投影形成的三棱柱进行体积叠加，即为所需样本；S4对N个凸壳区域采用不同的码垛方式，通过梯度下降不断优化强化学习初始数据集，更新最优策略，获得最优空间利用率；S5空间利用率最优的凸壳区域码垛方式即为最优码垛规划策略，并计算最优码垛数量。2.根据权利要求1所述的自动化装卸车容量感知及码垛规划方法，其特征在于：所述方法还包括，机器人在t时刻的状态为k，此时采取的动作为a，此时的累计回报期望值函数为：f(k，a)
rewards
＝E
U
(w
t
|K
t
＝k，A
t
＝a)；其中，w
t
为累计回报，K
t
、A
t
为t时刻的状态和动作，E
U
为累计回报期望值。3.根据权利要求2所述的自动化装卸车容量感知及码垛规划方法，其特征在于：在动作空间中设置奖励函数R
reward
来决定最优货物数量规划，其中奖励函数R
reward
为：其中，为t时刻状态k的估值奖赏；k
t+1
为下一时刻的状态；K
t
＝k，A
t
＝a，分别为状态k出发，执行动作a后再使用策略U
′
的累计奖赏。4.根据权利要求1所述的自动化装卸车容量感知及码垛规划方法，其特征在于：所述方法还包括，机器人使用超宽带技术对货车位置实现高精度的判断和定位，包括以下步骤：S101在货车上安装超宽带发送器，发送短脉冲信号；；S102机器人、装载台、控制箱搭载配备超宽带接收器的传感器，接收超宽带信号；S103机器人接收到超宽带信号后，计算从发送器到接收器的信号传播时间差Δt，并结合己知接收器信息，利用三角定位判断货车位置；货车位置与基站的距离为：其中，货车位置坐标为(x，y)；三个基站的位置坐标为(x
i
，y
i
)，i＝1，2，3。5.根据权利要求1所述的自动化装卸车容量感知及码垛规划方法，其特征在于：所述的货车货物点云数据图由识别目标、识别背景和图像噪声三部分组成，货车货物点云数据图为：g(m，n)＝o(m，n)+c(m，n)+l(m，n)；其中，g(m，n)为点云数据图像素点(m，n)的灰度值，o(m，n)为识别目标的亮化，c(m，n)
为识别背景的灰度值，l(m，n)为图像噪声信号；识别背景灰度值每个数据点遵循以下扩充定义：c
′
(m，n)＝c(m+1，n+1)+c(m
‑
1，n
‑
1)；g(m+1，n+1)＝2c(m，n)；其中，c
′
(m，n)为识别背景的灰度值，g(m+1，n+1)为云数据图像素点(m+1，n+1)的灰度值，c(m+1，n+1)、c(m
‑
1，n
‑
1)为(m，n)的前后灰度值。6.根据权利要求5所述的自动化装卸车容量感知及码垛规划方法，其特征在于：所述方法还包括，高斯滤波的处理系数及中心点δ邻域为：法还包括，高斯滤波的处理系数及中心点δ邻域为：其中，cenx、ceny为灰度点与高斯滤波中心位置的距离，σ为灰度点与高斯滤波中心位置的距离；高斯滤波中心点δ...

【专利技术属性】
技术研发人员：崔传宇，隋金雪，王佐勋，郭长坤，田子凡，慕峻青，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：