[发明专利]一种送料机器人路径协同优化方法

权利要求书

1.一种送料机器人路径协同优化方法，其特征在于，包括以下步骤：

步骤S1：提供一车间固定检测端，所述车间固定检测端用于检测所述送料机器人在路径范围内的实时移动信息，记为第一实时移动数据，并发送至云计算服务器；

步骤S2：提供若干个送料机器人，所述送料机器人用于感知自身在路径范围内的实时移动信息，记为第二实时移动数据，并发送至云计算服务器；

其中，所述送料机器人包括装置本体、控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、移动底盘、气缸、机械臂；所述控制器分别与数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸连接，且所述控制器、数据存储器、移动信息采集装置、数据通信装置、步进电机、气缸均设置于所述装置本体上；所述步进电机用于驱动所述移动底盘；所述移动底盘设于所述装置本体底部；所述气缸用于驱动所述机械臂的伸缩和抓取；所述数据存储器用于数据存储；所述移动信息采集装置用于采集所述送料机器人在路径范围内的实时移动信息；所述数据通信装置用于建立所述控制器与所述云计算服务器之间的数据通信；

步骤S3：提供一云计算服务器，所述云计算服务器用于接收所述第一实时移动数据和第二实时移动数据，将所述第一实时移动数据和第二实时移动数据去除重复数据和错误数据，再采用数据融合的方式生成目标优化路径，最后将所述目标优化路径发送至所述送料机器人；

步骤S4：所述送料机器人还用于接收所述目标优化路径，并按照所述目标优化路径进行移动送料；其中，当某一个所述送料机器人的实际移动路径与其目标优化路径不匹配时，所述云计算服务器控制所有的所述送料机器人停止移动。

2.如权利要求1所述的一种送料机器人路径协同优化方法，其特征在于，在步骤S3中，采用数据融合的方式生成目标优化路径具体如下：

步骤S301：对所述第一实时移动数据和第二实时移动数据作特征融合处理，使用部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立训练数据集，同样的，使用其余部分经过特征融合处理的第一实时移动数据和第二实时移动数据建立测试数据集；

步骤S302：建立卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；所述卷积神经网络模型由多个网络并行搭建构成，每个网络模型的框架为Resnet101，在每个Resnet101网络中最后一层卷积层后级联一层特征融合层，完成网络特征融合，在特征融合层后接一层全连接层，最后将全连接层连接回归层；

步骤S303：将训练数据集中的第一实时移动数据和第二实时移动数据输入卷积神经网络模型中，对卷积神经网络模型进行训练，优化卷积网络模型；

步骤S304：将测试数据集中的第一实时移动数据和第二实时移动数据输入优化后的卷积神经网络模型中，从而生成目标优化路径。

3.如权利要求1所述的一种送料机器人路径协同优化方法，其特征在于，所述车间固定检测端包括检测模块、数据处理模块、通信模块；

所述检测模块用于检测所述送料机器人在路径范围内的实时移动信息并传输至数据处理模块；

所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据，并传输至通信模块；

所述通信模块将所述第一实时移动数据发送至所述云计算服务器处。

4.如权利要求3所述的一种送料机器人路径协同优化方法，其特征在于，所述数据处理模块将接收到的所述送料机器人在路径范围内的实时移动信息整理为所述第一实时移动数据的过程中，包括以下步骤：

接收所述送料机器人在路径范围内的实时移动信息；

识别出其中的重复数据和错误数据，并去除，从而得到有效数据；

将有效数据统一整理为第一实时移动数据。

5.如权利要求1所述的一种送料机器人路径协同优化方法，其特征在于，步骤S4中，所述送料机器人的实际移动路径与其目标优化路径进行匹配判断时，具体如下：

所述云计算服务器内部配置两个相互独立的匹配判断单元；

在第一个匹配判断单元中，将所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断，若此时的实际移动路径与目标优化路径匹配，则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果；

若此时的实际移动路径与目标优化路径不匹配；则暂存第一个匹配判断单元的匹配判断结果，在第二个匹配判断单元中，将同样的所述送料机器人的实际移动路径与所述送料机器人的目标优化路径进行匹配判断，若此时的实际移动路径与目标优化路径匹配，则实际的匹配判断结果为第二个匹配判断单元的匹配判断结果，同时丢弃第一个匹配判断单元的匹配判断结果；若此时的实际移动路径与目标优化路径仍不匹配，则实际的匹配判断结果为第一个匹配判断单元的匹配判断结果，同时丢弃第二个匹配判断单元的匹配判断结果。