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
OJ中常见的一种presentation error解决方法
查看>>
OK335xS UART device registe hacking
查看>>
ok6410内存初始化
查看>>
one_day_one--mkdir
查看>>
OpenCV 中的图像转换
查看>>
opencv5-图像混合
查看>>
opencv9-膨胀和腐蚀
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
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 | 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>>
opencv保存图片路径包含中文乱码解决方案
查看>>
opencv图像分割2-GMM
查看>>
OpenCV(1)读写图像
查看>>