[发明专利]基于物流运输应用的智能感知机器人

说明书

本发明提出的一种利用图像处理技术和模仿学习方法的基于物流运输应用的智能感知机器人，本方法的操作步骤是：(1)部件检测单元；(2)部件感知决策单元；(3)部件抓取单元。该方法通过检测机器人视野中的所有部件，并识别其部件类型。然后逐一对机器人可操作范围内的部件确定其位置，然后选择当前装配线流程的所需汽车部件对象。最后，确定待处理部件对象的抓取点，并进行抓取，而后进行空件箱检测识别抓取过程，从而完成空件回收。该方法通过对深度学习与实时传感相结合，提高了物流传输的效率，节约了经济成本，对于推动自动化物流系统的发展具有很大的现实意义。

技术领域

本发明涉及计算机深度学习领域，尤其涉及基于图像处理技术和模仿学习方法的应用于物流运输的智能感知系统，是一种将目标检测、分析定位和抓取实物相结合的在汽车制造业物料运输过程中的自动化智能感知机器人。

背景技术

近年来，随着汽车零件行业的物流成本份额大幅上升，从而物流运输已经从汽车制造业的推动者转向了汽车生产的核心组成部分。促成物流成本增加的因素是由于车型种类的成倍增长和私人定制化的出现，导致汽车装配的部件数目急剧上涨。而待提供的零件数量的增加直接导致工厂所需的工作步骤的增加，这样最终形成了额外的工人需求。而在劳动力市场供求关系不平衡尤其是几乎充分就业的地区，人力资源紧张，导致人工成本大幅度增加。所以随着全球化的推进和人工成本的压力，致使汽车零部件由汽车制造商可自行生产转而由专门的工厂进行批量化生产。

目前，现代物流已经成为工业、贸易业和公共机构等各行业中内信息流、部件流通和货物处理的组织、控制、实施和优化。物流包含存储和运输两个方面，同时，物流系统必须适应货物特性，如尺寸、形状、重量和待处理材料的灵敏度。尤其在日渐多元化的汽车组装业，除了大型部件生产同步供应外，大多数部件仍然处于异步生产，而物流的流程错误可能会导致装配线的瘫痪致使高昂成本。所以实现物流规划，不仅仅能实现更广泛的资源优化配置，满足汽车制造业的发展需求，更能创造出一个快速适应具有多变性和灵活性环境的框架。物流系统性能的优劣直接影响到运输成本，从而影响了部件的可靠性和经济性。

随着现代工业中生产过程的动态变化性增加了物流运输的复杂性，工厂内部物流运输由人力运输转向了自动化智能感知系统。这是因为人力运输不仅耗费大量人力资源，使得人工成本高，而且还存在因耗时长，劳动强度大导致的错误率高等问题。因而随着自动化物流系统和机器人租赁等新兴方法的出现，这一趋势不仅影响到大型汽车企业的工厂生产模式，同样也影响到了中小企业的生产模式。自动化物流系统运行速度快且模型泛化能力强，可以应对多变的货物特性，因而检测的时效性好并且可靠性强，还节约了人工成本，减少了在单调和非技巧性处理任务中对人类就业的需求，并保证了车辆组装和车辆质保等工作领域的高要求性。

以往的自动化物流系统使用传统的图像识别算法，仍然存在复杂性高，建模时间长，对不同类型部件判断失误率高，识别的结果可靠性低。并且没有较为有效的决策方法，对于物流中普遍存在着恶劣的工业条件(如粉尘或其他污染)，和由于频繁的搬运步骤和集装箱的连续装卸而产生的高物理力的影响(如油性零件必须装在集装箱中运输，清除后仍有残余物，如果多次装载，会对集装箱线路产生严重的脏污和磨损)，这些特性会导致物流运输的自动化系统产生严重错误，造成巨大损失。

本发明为了克服上述问题，将智能模块和使用框架相结合，经过多次对比试验从而利用神经网络和模仿学习机制，检测并识别实时装载部件，进行定位，然后根据训练所得结果进行决策，最后对其进行抓取运输，解决了对汽车多类别部件的品种运输问题。根据实际情况，开发出一种基于目标检测技术和模仿学习机制的基于物流运输应用的智能感知机器人，具有检测精度高、决策能力强、实时检测速度快、性价比高、经济收益大等优点，对于智能感知物流的发展具有积极推动的作用。

发明内容