一种物品装拣方法及装置制造方法及图纸

本申请实施例公开一种物品装拣方法及装置。其中，物品装拣方法包括：确定打排在同一装载工具上的多个待装拣物品；构建与多个待装拣物品相关的图神经网络；图神经网络包括：按照所述多个待装拣物品的打排顺序以多个待装拣物品为第一类节点构建的第一子网络；及在所述第一子网络的基础上形成的多个第二子网络；每一个第二子网络包括第一子网络中的某一第一类节点和与某一第一类节点连接的至少一个第二类节点；基于图神经网络对多个第一类节点和多个第二类节点进行聚类，获得聚类结果；根据聚类结果和第一优化目标进行强化学习，获得对多个待装拣物品的拣取策略。多个待装拣物品的拣取策略。多个待装拣物品的拣取策略。

【技术实现步骤摘要】
一种物品装拣方法及装置


[0001]本申请涉及物流运输
，尤其涉及一种物品装拣方法及装置。

技术介绍

[0002]随着物流行业的迅速发展，对物流运输效率的要求越来越高，而物品装车是物流运输中必不可少的环节。在物品装车过程中，需要通过叉车将待运输的物品运输到打排区进行打排，以便后续装车。由于叉车的运载能够有限且物品又比较多、比较分散，如何节省运载时间及合理使用有限的缓存区是目前亟需解决的问题。

技术实现思路

[0003]本申请实施例提供一种物品装拣方法及装置。
[0004]第一方面，本申请实施例提供一种物品装拣方法，包括：
[0005]确定打排在同一装载工具上的多个待装拣物品；
[0006]构建与所述多个待装拣物品相关的图神经网络；其中，所述图神经网络包括：按照所述多个待装拣物品的打排顺序以所述多个待装拣物品为第一类节点构建的第一子网络；及在所述第一子网络的基础上形成的多个第二子网络；每一个第二子网络包括所述第一子网络中的某一第一类节点和与所述某一第一类节点连接的至少一个第二类节点；每一个第二类节点对应的待装拣物品与所述某一第一类节点对应的待装拣物品之间的距离小于目标阈值；
[0007]基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得聚类结果；所述聚类结果中的每一类表示每次需要通过运载工具由存储区运输至装载区的待装拣物品；
[0008]根据所述聚类结果和第一优化目标进行强化学习，获得对所述多个待装拣物品的拣取策略；所述第一优化目标为最小化所述运载工具的运输总里程，或，所述第一优化目标为最小化所述运载工具的运输总里程及所述多个待装拣物品的打排体积。
[0009]在上述方案中，其中，所述装载区包括打排区，或者，所述装载区包括打排区和缓存区；
[0010]其中，所述聚类结果中的每一类包含的第一类节点对应的待装拣物品通过所述运载工具由所述存储区运输至所述打排区；所述聚类结果中的每一类包含的第二类节点对应的待装拣物品通过所述运载工具由所述存储区运输至所述打排区或者所述缓存区；
[0011]其中，所述根据所述聚类结果和第一优化目标进行强化学习，获得对所述多个待装拣物品的拣取策略，包括：
[0012]构建强化学习网络并确定所述第一优化目标；
[0013]将所述聚类结果输入所述强化学习网络进行强化学习，获得达到所述第一优化目标时的所述拣取策略。
[0014]在上述方案中，其中，所述构建与所述多个待装拣物品相关的图神经网络，包括：
[0015]确定所述多个待装拣物品的所述打排顺序；
[0016]以所述多个待装拣物品中的每一个待装载物品为第一类节点，根据所述打排顺序将多个所述第一类节点依次连接，构建所述第一子网络；
[0017]以所述第一子网络的每一个第一类节点作为基础节点构建多个所述第二子网络；其中，每一个所述第二子网络包括一个基础节点和与所述基础节点连接的至少一个第二类节点；每一个所述第二类节点对应的待装拣物品与所述基础节点对应的待装拣物品之间的距离小于所述目标阈值；
[0018]其中，所述第一子网络和所述多个第二子网络形成所述图神经网络。
[0019]在上述方案中，其中，所述基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得聚类结果，包括：
[0020]确定所述图神经网络中每一节点的节点信息；
[0021]基于所述每一节点的节点信息，确定所述图神经网络中各节点之间的相关程度；
[0022]按照所述打排顺序和所述相关程度获得所述聚类结果；
[0023]其中，所述节点信息至少包括节点对应的待装拣物品的体积、重量及在所述存储区的位置中的一种。
[0024]在上述方案中，其中，所述确定所述多个待装拣物品的所述打排顺序，包括：
[0025]获取所述多个待装拣物品中每一个所述待装拣物品包含的长度、宽度、高度及重量；
[0026]根据所述每一个所述待装拣物品包含的长度、宽度、高度及重量和第二优化目标进行强化学习，获得所述待装拣物品的所述打排顺序；其中，所述第二优化目标为最小化所述多个待装拣物品的打排体积；所述打排体积表征所述多个待装拣物品按照所述打排顺序打排至所述装载工具上的总体积。
[0027]在上述方案中，其中，所述将所述聚类结果输入所述强化学习网络进行强化学习，获得达到所述第一优化目标时的所述拣取策略，包括：
[0028]若所述第一优化目标为最小化所述运载工具的运输总里程，逐步迭代进行强化学习，若确定在某一次迭代获得的拣取策略下在某一次运输到所述缓存区的待装拣物品所占体积超过所述缓存区的容量，重新基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得新的聚类结果；重新将所述聚类结果输入所述强化学习网络进行强化学习，获得对所述多个待装拣物品的新的拣取策略；
[0029]若在所述新的拣取策略下在某一次运输到所述缓存区的待装拣物品所占体积仍超过所述缓存区的容量，需要再重新获取所述拣取策略，直到在获得的所述拣取策略下每一次运输到所述缓存区的待装拣物品所占总体积均未超过所述缓存区的容量为止，获得达到所述第一优化目标时的所述拣取策略；
[0030]或者，所述将所述聚类结果输入所述强化学习网络进行强化学习，获得达到所述第一优化目标时的所述拣取策略，包括：
[0031]若所述第一优化目标为最小化所述运载工具的运输总里程及所述多个待装拣物品的打排体积，获得第一次迭代的拣取策略，将所述第一次迭代的拣取策略每一次运输到所述打排区的待装拣物品打排至所述装载工具，且所述第一次迭代的拣取策略中每一次运输到所述缓存区的待装拣物品摆满所述缓存区后剩余的待装拣物品打排至所述装载工具
上，直到将所述多个待装拣物品中的每一个待装拣物品打排至所述装载工具；
[0032]逐步迭代进行强化学习，直到在某次迭代获得的拣取策略下运输且打排所述多个待装拣物品能够使所述多个待装拣物品的打排体积及所述运载工具的运输总里程达到所述第一优化目标为止。
[0033]在上述方案中，其中，所述确定打排在同一装载工具上的多个待装拣物品，包括：对所述存储区的多个物品进行近邻聚类，获得多类待运输物品，其中，每一类待运输物品为打排在同一所述装载工具上的多个待装拣物品；
[0034]所述对所述存储区的多个物品进行近邻聚类，获得多类待运输物品，包括：
[0035]确定所述多个物品中每一个物品对应的长度、宽度、高度及重量；
[0036]将所述每一个物品对应的长度、宽度、高度及重量输入到神经网络，获得与所述神经网络相关的自注意力矩阵；其中，所述自注意力矩阵中包含的元素均为非负的常数；
[0037]根据所述自注意力矩阵的倒数对所述多个物品进行近邻聚类，获得多类待运输物品。
[0038]在上述方案中，其中，获得所述多个待装拣物品的打排顺序，包括：
[0039]从所述自注意力矩阵中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品装拣方法，包括：确定打排在同一装载工具上的多个待装拣物品；构建与所述多个待装拣物品相关的图神经网络；其中，所述图神经网络包括：按照所述多个待装拣物品的打排顺序以所述多个待装拣物品为第一类节点构建的第一子网络；及在所述第一子网络的基础上形成的多个第二子网络；每一个第二子网络包括所述第一子网络中的某一第一类节点和与所述某一第一类节点连接的至少一个第二类节点；每一个第二类节点对应的待装拣物品与所述某一第一类节点对应的待装拣物品之间的距离小于目标阈值；基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得聚类结果；所述聚类结果中的每一类表示每次需要通过运载工具由存储区运输至装载区的待装拣物品；根据所述聚类结果和第一优化目标进行强化学习，获得对所述多个待装拣物品的拣取策略；所述第一优化目标为最小化所述运载工具的运输总里程，或，所述第一优化目标为最小化所述运载工具的运输总里程及所述多个待装拣物品的打排体积。2.根据权利要求1所述的方法，其中，所述装载区包括打排区，或者，所述装载区包括打排区和缓存区；其中，所述聚类结果中的每一类包含的第一类节点对应的待装拣物品通过所述运载工具由所述存储区运输至所述打排区；所述聚类结果中的每一类包含的第二类节点对应的待装拣物品通过所述运载工具由所述存储区运输至所述打排区或者所述缓存区；其中，所述根据所述聚类结果和第一优化目标进行强化学习，获得对所述多个待装拣物品的拣取策略，包括：构建强化学习网络并确定所述第一优化目标；将所述聚类结果输入所述强化学习网络进行强化学习，获得达到所述第一优化目标时的所述拣取策略。3.根据权利要求1所述的方法，其中，所述构建与所述多个待装拣物品相关的图神经网络，包括：确定所述多个待装拣物品的所述打排顺序；以所述多个待装拣物品中的每一个待装载物品为第一类节点，根据所述打排顺序将多个所述第一类节点依次连接，构建所述第一子网络；以所述第一子网络的每一个第一类节点作为基础节点构建多个所述第二子网络；其中，每一个所述第二子网络包括一个基础节点和与所述基础节点连接的至少一个第二类节点；每一个所述第二类节点对应的待装拣物品与所述基础节点对应的待装拣物品之间的距离小于所述目标阈值；其中，所述第一子网络和所述多个第二子网络形成所述图神经网络。4.根据权利要求1所述的方法，其中，所述基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得聚类结果，包括：确定所述图神经网络中每一节点的节点信息；基于所述每一节点的节点信息，确定所述图神经网络中各节点之间的相关程度；按照所述打排顺序和所述相关程度获得所述聚类结果；
其中，所述节点信息至少包括节点对应的待装拣物品的体积、重量及在所述存储区的位置中的一种。5.根据权利要求3所述的方法，其中，所述确定所述多个待装拣物品的所述打排顺序，包括：获取所述多个待装拣物品中每一个所述待装拣物品包含的长度、宽度、高度及重量；根据所述每一个所述待装拣物品包含的长度、宽度、高度及重量和第二优化目标进行强化学习，获得所述待装拣物品的所述打排顺序；其中，所述第二优化目标为最小化所述多个待装拣物品的打排体积；所述打排体积表征所述多个待装拣物品按照所述打排顺序打排至所述装载工具上的总体积。6.根据权利要求2所述的方法，其中，所述将所述聚类结果输入所述强化学习网络进行强化学习，获得达到所述第一优化目标时的所述拣取策略，包括：若所述第一优化目标为最小化所述运载工具的运输总里程，逐步迭代进行强化学习，若确定在某一次迭代获得的拣取策略下在某一次运输到所述缓存区的待装拣物品所占体积超过所述缓存区的容量，重新基于所述图神经网络对多个所述第一类节点和多个所述第二类节点进行聚类，获得新的聚类结果；重新将所述聚类结果输入所述强化学习网络进行强化学习，获得对所述多个待装拣物品的新的拣取策略；若在所述新的拣取策略下在某一次运输到所述缓存区的待装拣物品所占体积仍超过所述缓存区的容量，需要再...

【专利技术属性】
技术研发人员：屈鹏展，田鑫源，祁宏升，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：