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 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>