本期主講

  AI賦能智能制造系列之RCS機(jī)器人控制調(diào)度系統(tǒng)

  隨著智能制造成為企業(yè)轉(zhuǎn)型升級(jí)的重點(diǎn)，將聰明的機(jī)器人放入復(fù)雜的制造業(yè)， 實(shí)現(xiàn)大規(guī)模的柔性生產(chǎn)，單憑一“人”之力是遠(yuǎn)遠(yuǎn)不夠的。管理一個(gè)聰明的機(jī)器人團(tuán)隊(duì)，使它們匯集在一起高效協(xié)作，則不是件易事。

  處于AI Cloud框架中邊緣域之一的RCS機(jī)器人調(diào)度控制系統(tǒng)（以下簡(jiǎn)稱“RCS”），如同機(jī)器人的智慧大腦，通過(guò)融合運(yùn)用機(jī)器學(xué)習(xí)、多智能體博弈等AI關(guān)鍵技術(shù)，從單個(gè)機(jī)器人的定位導(dǎo)航，運(yùn)動(dòng)控制，到多機(jī)器人協(xié)作，讓具備單體智能的移動(dòng)機(jī)器人協(xié)同作業(yè)，邁向群體智能。

海工技術(shù)詞典

  機(jī)器學(xué)習(xí)

  機(jī)器學(xué)習(xí)是人工智能的核心研究課題之一。讓計(jì)算機(jī)在未經(jīng)編程的情況下運(yùn)行，模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，用數(shù)據(jù)或以往的經(jīng)驗(yàn)，獲取新知識(shí)和新技能，并識(shí)別現(xiàn)有知識(shí)，以此不斷優(yōu)化自身的性能。

  多智能體博弈

  在多智能體強(qiáng)化學(xué)習(xí)中，環(huán)境是復(fù)雜的、動(dòng)態(tài)的，可能涉及合作與競(jìng)爭(zhēng)等關(guān)系，因此引入競(jìng)合博弈的概念，即多個(gè)智能體學(xué)會(huì)彼此合作和相互競(jìng)爭(zhēng)一起完成同一個(gè)任務(wù)。

  運(yùn)籌優(yōu)化

  運(yùn)籌優(yōu)化通常指物流調(diào)度、路徑規(guī)劃等算法用于優(yōu)化業(yè)務(wù)決策，使用數(shù)學(xué)算法和邏輯找到實(shí)現(xiàn)目標(biāo)的最優(yōu)求解。

  科普

RCS 管理的機(jī)器人

種類多+數(shù)量大

  多種場(chǎng)景：生產(chǎn)過(guò)程中往往混合搬運(yùn)場(chǎng)景，需要多款機(jī)器人配合。RCS可混合調(diào)度?？?/a>威視全系列多型號(hào)的機(jī)器人產(chǎn)品，打通內(nèi)物流環(huán)節(jié)的關(guān)鍵物流節(jié)點(diǎn)，無(wú)縫銜接倉(cāng)儲(chǔ)搬運(yùn)-產(chǎn)線搬運(yùn)、庫(kù)內(nèi)搬運(yùn)-分揀搬運(yùn)等混合搬運(yùn)場(chǎng)景。

使用車型：潛伏、移載、叉車等

智慧大腦賦予機(jī)器人「高度柔性」

適應(yīng)各類內(nèi)物流場(chǎng)景

  對(duì)內(nèi)物流場(chǎng)景中存在的機(jī)器人、載具、電梯等多種資源，RCS可進(jìn)行協(xié)同管理和統(tǒng)一調(diào)度。此外，通過(guò)多智能體間的競(jìng)合博弈算法，RCS可調(diào)度多機(jī)器人適應(yīng)各類柔性化的內(nèi)物流場(chǎng)景（如下圖）。

AGV協(xié)同搬運(yùn)密集存儲(chǔ)下的內(nèi)外層貨架▼

▲AGV協(xié)同取放泊車系統(tǒng)中并排車庫(kù)下的內(nèi)層車輛

AGV接駁產(chǎn)線完成空滿箱交換▼

▲叉車系列AGV對(duì)接電梯/升降機(jī)

智慧大腦深度「挖掘數(shù)據(jù)」

機(jī)器人工作更科學(xué)

  以往的倉(cāng)庫(kù)，可能存在各工作臺(tái)揀貨任務(wù)不均衡，機(jī)器人“盲目”排隊(duì)的情況。全新的RCS在傳統(tǒng)的運(yùn)籌優(yōu)化算法的基礎(chǔ)上融合了機(jī)器學(xué)習(xí)算法，使機(jī)器人工作更科學(xué)，調(diào)度效率顯著提升。基于大數(shù)據(jù)分析，RCS能夠智能決策機(jī)器人的行為。

  ■  通過(guò)對(duì)歷史數(shù)據(jù)的分析預(yù)測(cè)，系統(tǒng)可預(yù)估貨架在工作臺(tái)的揀選耗時(shí)，進(jìn)而智能調(diào)整機(jī)器人排隊(duì)策略，縮短任務(wù)等待時(shí)間；

▲預(yù)估工作臺(tái)揀選耗時(shí)模型圖

  ■  通過(guò)對(duì)數(shù)字化工廠各環(huán)節(jié)數(shù)據(jù)的深入挖掘，學(xué)習(xí)預(yù)測(cè)自動(dòng)化設(shè)備生產(chǎn)任務(wù)的時(shí)間， 可以提前調(diào)度空閑機(jī)器人在更貼近任務(wù)的位置等待；

▲RCS實(shí)時(shí)調(diào)度AGV

  ■  通過(guò)評(píng)估路線的擁堵程度及工作臺(tái)的繁忙程度，合理控制貨架的搬運(yùn)順序及時(shí)機(jī)，實(shí)現(xiàn)各工作臺(tái)的任務(wù)負(fù)載均衡。

  位于控制層的RCS機(jī)器人調(diào)度控制系統(tǒng)實(shí)現(xiàn)對(duì)不同系列、種類的機(jī)器人的路徑規(guī)劃、集群調(diào)度、任務(wù)分配，確保機(jī)器人能夠適應(yīng)更加復(fù)雜的場(chǎng)景。

  智能制造系統(tǒng)中，移動(dòng)機(jī)器人“學(xué)”會(huì)協(xié)同作業(yè)，展現(xiàn)出群體智能，同時(shí)與人的智能相互賦能增效，實(shí)現(xiàn)人機(jī)協(xié)同。推進(jìn)智能制造的道路同樣如此，?？禉C(jī)器人愿與各界合作伙伴一同實(shí)現(xiàn)設(shè)備、平臺(tái)、技術(shù)等層面的深度合作，不斷優(yōu)化創(chuàng)新物流產(chǎn)品及供應(yīng)鏈整體解決方案，共同建立智慧物流生態(tài)體系。