【技术实现步骤摘要】
本专利技术涉及智能制造，具体是一种基于云机混合智能驱动的多机器人协同系统。
技术介绍
1、目前各种类型的机器人，在制造、运输、生活等各领域起着非常重要的作用，从完成效率、综合成本等方面显示了巨大的发展潜力。如果能够协调各机器人进行分工协作，对于提升机器人群体的智能意义重大。
2、目前多机器人系统的研究已经取得了初步进展，但是如何将多机器人系统与制造业、实体经济深度结合，推动智能制造领域的转型升级仍存在一定的技术挑战。一方面，现有多机器人系统缺乏有效统一的协同调度方法。在智能制造车间等具有动态变化的通信拓扑、环境不确定性、非线性特性的复杂场景中，现有的控制策略很难使得多智能体系统在异步环境下达到期望的协同效果。另一方面，复杂场景下的多机器人系统协作任务具有更高的不确定性和学习困难性，现有的计算机终端计算资源有限难以满足任务执行的实时性和有效性。
3、为了解决上述多机器人系统存在的技术问题，国内外研究人员从策略算法、网络模型、信用分配等方面进行了优化，并通过仿真实验和实际应用的方式验证理论方法的有效性。这些研究方法虽然在一定程度上提高了多机器人系统的协作能力，加快了多机器人系统的技能学习速度，但是这些方法大多针对机器人终端展开，虽然对完成任务有一定帮助，但所需的硬件升级大大增加了开发和维护的成本。此外，这些方法大多只从机器人完成任务的工作效率出发，只考虑了单一执行任务过程，而没有考虑总体任务分解、特定任务分配、执行闭环反馈这一全局工作流程。目前，将云端强大的算力与机器人终端相结合，弥补机器人本身的智能缺陷，并
技术实现思路
1、针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于云机混合智能驱动的多机器人协同系统。
2、本专利技术解决所述技术问题的技术方案是，提供一种基于云机混合智能驱动的多机器人协同系统，其特征在于，该系统包括多机器人任务调度和无线通信协议模块、多机器人路径规划与避障模块和智能工厂地图建模模块；
3、多机器人任务调度和无线通信协议模块用于对复杂任务进行分解分配以及实现云机间的通信，同时为多机器人路径规划与避障模块提供各机器人子任务和位置关系的信息；当任务环境或者任务需求发生动态变化时，接收多机器人路径规划与避障模块的反馈信息对机器人的运动路径进行路径重规划；
4、智能工厂地图建模模块接收智能制造环境中已有的视频数据，通过图像畸变矫正、障碍物分割和多个局部图像拼接对智能制造环境进行实时环境地图建模，生成全局环境地图，同时为多机器人路径规划与避障模块提供必要的全局地图和环境信息，帮助系统准确定位机器人位置以规划任务路径，并根据多机器人路径规划与避障模块的运动变化情况实时更新全局环境地图；
5、多机器人路径规划与避障模块接收智能工厂地图建模模块生成的全局环境地图和多机器人任务调度和无线通信协议模块的各机器人子任务，为各个机器人生成初始路径，在任务执行过程中实时检测并动态调整机器人运动路径，即当运动路径发生动态变化时，该机器人向云端智能反馈并请求重新规划路径，同时在接收到云端智能传回的新路径之前，机器人根据自身智能进行局部路径调整以实现自主避障，避免与其他机器人间的碰撞和其他的安全隐患。
6、与现有技术相比，本专利技术的有益效果在于：
7、(1)多机器人协同作业的闭环流程创新：当前对于多机器人系统的研究主要集中在任务执行阶段，致力于提高任务执行的质量与效率。然而，对于任务前期分解、分配以及执行过程中的反馈环节，研究尚显不足，这限制了自动化控制的深度实现。本专利技术提出一种全面任务执行机制，涵盖任务接收到完成的整个流程，旨在构建闭环的智能制造流程，实现流程的完整性。此机制将任务分解、分配与反馈环节纳入闭环控制系统，从而实现自动化控制的深度整合，提高多机器人系统的智能化水平，对于推动多机器人协同作业在智能制造领域的发展具有重要意义。
8、(2)多机器人系统工作过程的多方面优化：从任务调度、环境建模、路径规划、云机通信方面弥补现有多机器人系统的不足。在任务调度方面，利用生成式大语言模型的语义理解和任务规划能力，进行任务分解与分配，同时设计一种实时可靠的面向机器人的通信协议，打破异构机器人间的“通信壁垒”，使异构机器人系统能够协同高效完成任务；在环境建模方面，使用智能制造环境已有的视频设备，减少系统开发的成本，同时设计一种障碍物轮廓标定方法，准确区分智能制造环境中可行通路和不可行障碍区域，降低因传感器误差、光学特性导致的图像畸变影响，提高地图建模的准确性；在路径规划方面，综合考虑路径质量和时间成本，设计一种全局和局部结合的路径规划算法，在任务开始时云端智能为机器人终端规划初始路径，当任务执行过程中遇到动态变化的障碍物时，机器人终端根据局部环境动态调整运动路径，同时向云端智能请求重新生成路径，保证机器人运动的安全性和可靠性。
9、(3)构建资源优势互补的新型控制系统：本专利技术创造性地融合了云计算的强大处理能力与机器人自身智能，形成了一种资源优势互补的新型控制系统。在多机器人系统中，通过云端的智能分析处理，为机器人提供精准的任务分配与决策支持，大幅减轻了机器人端在复杂环境中的实时计算负担，提升了系统的整体作业效率和稳定性。这一方法创新性地实现了分布式智能资源的最优化配置，为多机器人系统在复杂环境下的高效协同作业提供了新的研究视角和技术路径。
10、(4)提出一种创新性的云端智能具身化实现方案：云端智能虽然具有强大的算力支持，但由于缺乏对任务世界的真实认识可能导致决策风险和效率风险。本专利技术设计一种针对云端智能的自适应主动学习机制，将多机器人系统作为云端智能的“感官延伸”，建立关于环境全面立体的感知。这种方式有效地突破了云端智能在传统监督式学习中的被动性，减轻了对大规模标注数据的依赖性，实现了云端智能在任务执行过程中的具身认知能力，显著提高了云端智能在复杂任务环境中的执行效率和鲁棒性，为云端智能的具身化研究提供了新的理论框架和实践路径。
11、(5)系统的高可扩展性：本专利技术致力于构建一个适应实际生产需求的多机器人协同系统。该系统采用模块化设计理念，封装了多机器人协同作业中必需的调度、通信、感知和决策等功能接口。这种设计使得系统架构在逻辑上清晰，层次上分明，便于与智能工厂的制造企业生产过程执行管理系统进行交互。此外，该系统的设计还能够适应智能物流、智能仓储等其他任务场景，展现了其跨领域的应用潜力。此外，系统的设计还考虑到了未来可能的技术升级和功能扩展，为系统的长期可持续发展和优化提供了坚实的基础。
本文档来自技高网...【技术保护点】
1.一种基于云机混合智能驱动的多机器人协同系统，其特征在于，该系统包括多机器人任务调度和无线通信协议模块(10)、多机器人路径规划与避障模块(20)和智能工厂地图建模模块(30)；
2.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，所述多机器人任务调度和无线通信协议模块(10)包括通信协议(101)、任务分解(102)和任务分配(103)；云端智能接收工厂已有的制造执行系统发送的自然语言形式的总任务后，对该总任务进行任务分解(102)，并利用云端智能与异构多机器人间的通信协议(101)进行任务分配(103)；
3.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，多机器人任务调度和无线通信协议模块(10)的流程为：首先云端智能接收制造执行系统发送的自然语言形式的总任务，将总任务中的自然语言指令(1021)发送给大语言模型(1022)，利用大语言模型(1022)的语义理解能力和任务规划能力生成机器人可执行的子任务序列(1023)；然后云端智能将任务需求(1031)、机器人的角色功能(1032)和位置信息作为先验
4.根据权利要求3所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，利用大语言模型(1022)的语义理解能力和任务规划能力生成机器人可执行的子任务序列(1023)，具体是：云端智能通过自底向上的方式构建任务分解的数据集，利用在工厂中相对方便获得的子任务，采取反向倒推的方法生成用于模型训练和评估的数据，以此数据对大语言模型(1022)进行微调，同时将prompt作为指导信息，与自然描述的文本拼接后输入到大语言模型(1022)中以减轻大语言模型(1022)的幻觉性问题，进而完成训练；最终利用训练后的大语言模型(1022)对自然语言形式的总任务进行分解，生成子任务序列(1023)。
5.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，所述智能工厂地图建模模块(30)包括图像畸变矫正(301)、障碍物分割(302)和多摄像头图像拼接(303)；云端智能实时接收智能制造环境中多个摄像头的视频数据，再从视频数据中提取各子区域的视频图像，然后对各子区域的视频图像进行图像畸变矫正(301)获得各子区域的矫正图像，再对各子区域的矫正图像进行障碍物分割(302)获得各子区域的区域地图，最后对各子区域的区域地图进行多摄像头图像拼接(303)生成完整的全局环境地图；
6.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，智能工厂地图建模模块(30)的流程为：首先云端智能实时接收智能制造环境中多个摄像头的视频数据，再从视频数据中提取各子区域的视频图像(3011)，再对各子区域的视频图像(3011)通过畸变矫正算法(3012)生成各子区域的矫正图像(3013)；然后对各子区域的矫正图像(3013)通过语义分割算法(3021)标定环境中的障碍物、机器人和可通行道路，生成各子区域的区域地图(3022)；最后利用特征匹配算法(3031)将各子区域的区域地图(3022)拼接成完整的全局环境地图(3032)。
7.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，所述多机器人路径规划与避障模块(20)包括基于云端的机器人路径规划(201)、基于机器人的碰撞检测与避障(202)和基于云端的主动学习(203)；云端智能根据多机器人任务调度和无线通信协议模块(10)生成的子任务指令(1034)以及智能工厂地图建模模块(30)生成的全局环境地图(3032)为每个机器人进行基于云端的机器人路径规划(201)，并将初始路径的指令序列发送给相应机器人，若运动路径出现动态变化，机器人进行基于机器人的碰撞检测与避障(202)；当任务完成时，结合多机器人运动过程中收集的环境信息，综合考虑碰撞情况和时间开销对云端智能进行优化，实现基于云端的主动学习(203)；
8.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，多机器人路径规划与避障模块(20)的流程为：首先云端智能(2012)根据环境状态(2011)生成机器人执行的初始路径(2013)并通过通信协议(101)发送给各机器人；然后机器人根据云端智能生成的初始路径(2013)进行移动，并按照自身的视频数据识别运动方向是否存在移动目标，若存在移动目标则进行目标识别(...
【技术特征摘要】
1.一种基于云机混合智能驱动的多机器人协同系统，其特征在于，该系统包括多机器人任务调度和无线通信协议模块(10)、多机器人路径规划与避障模块(20)和智能工厂地图建模模块(30)；
2.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，所述多机器人任务调度和无线通信协议模块(10)包括通信协议(101)、任务分解(102)和任务分配(103)；云端智能接收工厂已有的制造执行系统发送的自然语言形式的总任务后，对该总任务进行任务分解(102)，并利用云端智能与异构多机器人间的通信协议(101)进行任务分配(103)；
3.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，多机器人任务调度和无线通信协议模块(10)的流程为：首先云端智能接收制造执行系统发送的自然语言形式的总任务，将总任务中的自然语言指令(1021)发送给大语言模型(1022)，利用大语言模型(1022)的语义理解能力和任务规划能力生成机器人可执行的子任务序列(1023)；然后云端智能将任务需求(1031)、机器人的角色功能(1032)和位置信息作为先验知识结合子任务序列(1023)一起发送给专家大语言模型(1033)，使其生成各机器人子任务(1034)；最后将各机器人子任务(1034)按照消息结构(1011)、消息流(1012)和消息传输机制(1013)的要求封装后发送给对应的机器人。
4.根据权利要求3所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，利用大语言模型(1022)的语义理解能力和任务规划能力生成机器人可执行的子任务序列(1023)，具体是：云端智能通过自底向上的方式构建任务分解的数据集，利用在工厂中相对方便获得的子任务，采取反向倒推的方法生成用于模型训练和评估的数据，以此数据对大语言模型(1022)进行微调，同时将prompt作为指导信息，与自然描述的文本拼接后输入到大语言模型(1022)中以减轻大语言模型(1022)的幻觉性问题，进而完成训练；最终利用训练后的大语言模型(1022)对自然语言形式的总任务进行分解，生成子任务序列(1023)。
5.根据权利要求1所述的基于云机混合智能驱动的多机器人协同系统，其特征在于，所述智能工厂地图建模模块(30)包括图像畸变矫正(301)、障碍物分割(302)和多摄像头图像拼接(303)；云端智能实时接收智能制造环境中多个摄像头的视频数据，再从视频数据中提取各子区域的视频图像，然后对各子区域的视频图像进行图像畸变矫正(301)获得各子区域的矫正图像，再对各子区域的矫正图像进行障碍物分割(302)获得各子区域的区域地图，最后对各子区域的区域地图进行多摄像头图像拼接(3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。