基于端边协同的多机器人协同调度方法

本发明属于多机器人协同调度领域，具体地说，涉及一种基于端边协同的多机器人协同调度方法。

背景技术：

1、在现代工业园区的应用场景中，自动化技术的发展正以前所未有的速度推进，推动着生产流程的智能化与高效化。随着自动化水平的不断提升，企业开始引入大规模的移动机器人系统，以替代传统的人工操作和管理。这些移动机器人不仅承担着物料搬运、生产线供给、仓储管理等多种复杂任务，还能够在整个园区内实现自主导航和协同作业。然而，当这些机器人数量增长到几百台甚至上千台时，系统的复杂性也随之急剧增加。

2、在如此庞大的系统中，传统的简单逻辑思考和决策模式已经难以满足日益复杂的任务需求。过去，单一机器人或小规模系统可以通过预设的规则和集中化的控制进行操作和管理，但在大规模、多任务的场景下，这种方式显得捉襟见肘。每个机器人在执行任务时，不仅要考虑自身的路径规划和资源分配，还要与其他机器人进行有效的协作，以避免碰撞、阻塞和资源争夺。然而，随着系统规模的扩大，这种简单的逻辑处理方式逐渐暴露出其不足之处，难以应对实时变化的复杂环境。

3、这种情况下，系统的群体协作效率可能会大幅下降，机器人之间的冲突、任务延误、资源浪费等问题频发，导致系统的整体运作变得低效甚至失控。随着任务复杂度的增加和环境动态变化的加剧，系统容易陷入瓶颈，无法及时作出响应和调整，最终可能导致整个生产流程的中断或瘫痪。

4、此外，当系统规模扩大后，集中式控制模式的弊端也变得更加明显。集中化的决策过程往往存在延迟，且难以处理大量并发的任务需求，这会进一步拖慢系统响应速度，降低整体的运作效率。与此同时，系统的扩展性和灵活性也受到了限制，难以快速适应工业园区内的变化需求。

5、有鉴于此特提出本发明。

技术实现思路

1、本发明要解决的技术问题在于克服现有技术的不足，提供一种基于端边协同的多机器人协同调度方法，解决了上述背景技术中提出的问题。

2、为解决上述技术问题，本发明采用技术方案的基本构思是：

3、一种基于端边协同的多机器人协同调度方法，包括：采用端智能体和边智能体、云智能体交互，其特征在于，包括以下步骤：

4、步骤(1)：端智能体接收任务指令，并采集环境数据初步分析自身的计算能力与任务需求之间的匹配度；

5、步骤(2)：边智能体接收来自端智能体的任务请求，基于深度强化学习和卷积神经网络生成次优调度方案，并将该方案下发至端智能体执行；

6、步骤(3)：端智能体根据次优调度方案执行任务，并通过任务成本估计器实时评估任务执行情况，若任务进展异常则将反馈信息发送至边智能体；

7、步骤(4)：边智能体接收到端智能体的反馈信息后，通过融合遗传算子的水波优化算法对次优调度方案进行二次优化，生成全局最优调度方案，并下发至端智能体执行；

8、步骤(5)：云智能体定期从边智能体接收累积的任务执行数据并执行非实时的复杂ai模型训练与全局优化分析，最后将优化后的ai模型分发至边智能体用于后续任务的推理计算；

9、步骤(6)：云智能体整合来自多个边智能体上传的区域地图及端智能体的实时数据，生成工业园区的全局地图并基于该全局地图进行仿真测试，验证地图的精度与可用性；

10、步骤(7)：云智能体根据仿真测试结果，识别全局地图中的未探索区域生成相应的探索任务指令并通过边智能体将任务指令下发至端智能体。

11、可选的，端智能体接收任务指令，并采集环境数据初步分析自身的计算能力与任务需求之间的匹配度的步骤为：

12、端智能体通过无线通信网络从云智能体接收任务指令并通过集成的传感器机器人系统实时采集周围环境数据；

13、基于内置的计算资源对自身的计算能力进行评估，确定当前可用的计算资源和剩余能源水平；

14、综合分析环境数据、任务需求和自身计算能力，判断是否具备独立完成任务的能力，若评估结果表明端智能体的计算资源不足，则会将部分的计算需求迁移至边智能体。

15、可选的，边智能体接收来自端智能体的任务请求，基于深度强化学习和卷积神经网络生成次优调度方案，并将该方案下发至端智能体执行的步骤为：

16、边智能体通过无线通信网络接收来自端智能体的任务请求；

17、边智能体将接收到的任务请求数据进行解析，提取出任务的关键特征参数并通过卷积神经网络对这些特征进行处理，将复杂的输入数据映射到一个低维空间中；

18、边智能体应用深度强化学习模型对任务的状态进行评估，计算不同操作的奖励值，然后强化学习模型根据当前状态和历史数据，生成一个次优的调度方案并将生成的次优调度方案通过无线通信网络发送回端智能体，供端智能体执行；

19、在端智能体执行次优调度方案的过程中，边智能体持续监控任务的执行情况。若检测到环境变化或任务执行中出现异常，边智能体会实时调整调度方案，并将更新后的指令下发给端智能体。

20、可选的，端智能体根据次优调度方案执行任务，并通过任务成本估计器实时评估任务执行情况，若任务进展异常则将反馈信息发送至边智能体的步骤为：

21、在任务执行过程中，端智能体通过内置的任务成本估计器实时监控任务的进展情况并通过任务成本估计器综合分析当前任务的执行状态，评估实际执行情况与预期次优调度方案之间的匹配度，若任务执行成本超出预期或任务进展出现异常，任务成本估计器将识别这些异常情况；

22、一旦检测到任务执行过程中出现异常情况，端智能体立即生成异常报告并通过无线通信网络将异常报告和当前任务执行数据发送至边智能体；

23、边智能体接收到异常信息后，会根据异常情况重新评估任务，并重新生成调度方案或采取其他纠正措施；

24、在等待边智能体的反馈或新调度方案期间，端智能体能选择暂时停止任务执行或者在不影响主要任务的前提下继续执行任务中的某些部分，直至接收到新的指令为止。

25、可选的，边智能体接收到端智能体的反馈信息后，通过融合遗传算子的水波优化算法对次优调度方案进行二次优化，生成全局最优调度方案，并下发至端智能体执行的步骤为：

26、通过无线通信网络接收来自端智能体的反馈信息并对端智能体发送的反馈数据进行分析，识别任务执行中的关键问题和偏差；

27、根据反馈信息对次优调度方案中的任务模型进行调整，重新定义任务优先级、路径规划和资源分配要素，以适应当前的任务状态和环境变化；

28、应用水波优化算法模拟水波传播过程中能量扩散的过程，利用扩散规律优化路径选择和任务分配并对调整后的任务模型进行初步优化并在水波优化算法的基础上，边智能体融合遗传算法中的关键算子帮助算法跳出局部最优解，寻找更为优越的全局最优解；

29、通过结合水波优化算法和遗传算子，边智能体生成二次优化的调度方案，在生成二次优化调度方案后，会对该方案进行验证，确保其在当前环境和资源约束下的可行性，必要时，边智能体会对方案进行微调；

30、经过验证的全局最优调度方案通过无线通信网络下发至端智能体，供端智能体执行；

31、在端智能体执行全局最优调度方案的过程中，边智能体持续监控任务执行情况，若再次出现异常或环境进一步变化，边智能体重新启动优化过程。

32、可选的，云智能体定期从边智能体接收累积的任务执行数据并执行非实时的复杂ai模型训练与全局优化分析，最后将优化后的ai模型分发至边智能体用于后续任务的推理计算的步骤为；

33、云智能体通过高速有线通信定期从边智能体接收累积的任务执行数据并对接收到的任务执行数据进行预处理；

34、在预处理数据的基础上，云智能体提取关键特征并对数据进行标注，创建训练集和测试集；

35、基于累积的数据执行复杂ai模型的训练用于预测任务执行中的各种情况，优化未来的调度策略；

36、在模型训练完成后，云智能体会通过交叉验证、仿真测试等方式对模型进行验证，评估模型在实际任务中的表现；

37、基于训练好的ai模型，云智能体进行全局优化分析，综合考虑多个任务的协同执行、资源分配和环境变化，生成全局优化策略；

38、云智能体将经过优化分析生成的全局优化策略下发至边智能体，用于指导后续任务的执行和调度并且随着任务执行和环境变化的持续进行，云智能体会定期更新ai模型，持续优化全局策略，以应对新的挑战和任务需求。

39、可选的，云智能体整合来自多个边智能体上传的区域地图及端智能体的实时数据，生成工业园区的全局地图；云智能体基于该全局地图进行仿真测试，验证地图的精度与可用性，并识别未探索区域的步骤为：

40、云智能体通过高速有线通信网络从多个边智能体接收上传的区域地图，这些地图由边智能体在其覆盖的特定区域内生成；

41、云智能体根据各区域地图之间的重叠部分进行坐标校准，然后对各地图边界进行处理，消除重叠区域的误差，并通过关键标志物进一步精确校准区域地图的相对位置；

42、在完成区域地图的融合后，云智能体将端智能体的实时数据与融合后的区域地图结合，生成更加细致的全局地图并将整合后的数据通过处理生成工业园区的全局地图；

43、基于生成的全局地图进行仿真测试验证全局地图的精度和可用性并通过仿真识别出地图中的潜在问题。

44、可选的，云智能体根据仿真测试结果，识别全局地图中的未探索区域生成相应的探索任务指令并通过边智能体将任务指令下发至端智能体的步骤为：

45、在仿真测试完成后，云智能体通过分析地图边界的非障碍物区域以及未被标注的区域来识别出地域内未被探索的区域；

46、识别出未探索区域后，云智能体将这些信息反馈给边智能体，并通过边智能体将新的任务指令下发至端智能体，使端智能体往未知区域继续探索；

47、在端智能体执行探索任务过程中，边智能体会持续监控任务的执行进展，并根据实际执行情况对任务指令进行动态调整；

48、端智能体完成任务后，反馈执行结果至边智能体，再由边智能体汇总反馈信息并上传至云智能体进行全局地图的更新。

49、采用上述技术方案后，本发明与现有技术相比具有以下有益效果，当然，实施本发明的任一产品并不一定需要同时达到以下所述的所有优点：

50、通过引入端边云协同的群体智能算法，在传统工业园区多机器人系统的基础上，显著提升了系统在处理复杂任务和应对动态环境变化时的协同效率和鲁棒性；本发明不仅突破了传统集中化控制模式下的瓶颈，避免了由于系统规模扩大和任务复杂化导致的协作效率下降和系统失控问题，同时通过分布式智能决策和实时数据反馈机制，实现了多机器人系统在大规模、多任务场景中的高效协同作业；此外，本技术的方法还通过实时任务监控、动态调度优化和全局地图更新，确保了系统在复杂动态环境下的灵活性和适应性，使得各机器人能够自主决策、快速响应任务需求，最终达成资源的最优配置和任务的精准执行。

51、下面结合附图对本发明的具体实施方式作进一步详细的描述。