博客
关于我
夜光精讲 Opentcs 三大算法(十三)调度算法
阅读量:274 次
发布时间:2019-03-01

本文共 554 字,大约阅读时间需要 1 分钟。

夜光序言

要达到重要目标,有两个关键途径——势力与毅力。势力通常由少数人掌握,但坚韧不拔的毅力却是大多数人都可以具备的品质。随着时间的推移,这种沉默的力量终将无可匹敌。

中心系统控制约束条件

本系统设计理念是实现协同互动,但各机器人仍保持独立性,不需要依赖其他机器人完成任务,但可以共同完成一个客户的订单。同时,仓库中的AGV数量限制在仓库点的个数以下,且不得超过允许停靠的站点数(不包括过道和特殊点)。此外,控制中心需要实时监控资源占用状态,并将其分为可用、不可用和已预定三种类别。

调度决策控制实现流程

本文通过优化资源配置,将冲突和拥堵主要局限在“Bundled Zone”(简称BZ)中,并通过决策机制对该区域进行资源锁定和调度控制。具体流程如下:

1. AGV向控制中心申请资源。

2. 控制中心维护一个申请同一资源的车辆集合表,并按优先级进行排序。

3. 当BZ区域空闲时,优先分配资源给优先级最高的小型车辆,其他车辆需排队等待。

4. 小型车进入BZ区域后,扫描BZ内当前占用点,将该点状态更改为“已被占用”,并对资源上锁。

5. 小型车离开BZ区域后,释放资源并解锁。

6. 重复执行步骤3,直至所有车辆完成通行。

通过上述流程,本系统有效控制了资源冲突和拥堵,确保了仓库内AGV的高效调度。

转载地址:http://srbo.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
查看>>
OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
查看>>
OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
查看>>
OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
查看>>
OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏!)
查看>>
OpenCV与AI深度学习 | 五分钟快速搭建一个实时人脸口罩检测系统(OpenCV+PaddleHub 含源码)
查看>>
OpenCV与AI深度学习 | 什么是 COCO 数据集?
查看>>
OpenCV与AI深度学习 | 低对比度缺陷检测应用实例--LCD屏幕脏污检测
查看>>
OpenCV与AI深度学习 | 使用 MoveNet Lightning 和 OpenCV 实现实时姿势检测
查看>>
OpenCV与AI深度学习 | 使用 OpenCV 创建自定义图像滤镜
查看>>
OpenCV与AI深度学习 | 使用 SAM 和 Grounding DINO 分割卫星图像
查看>>
OpenCV与AI深度学习 | 使用OpenCV图像修复技术去除眩光
查看>>
OpenCV与AI深度学习 | 使用OpenCV检测并计算直线角度
查看>>
OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>