[发明专利]一种立体仓库货位坐标计算方法

说明书

本发明公开了一种立体仓库货位坐标计算方法，包括，将实体立体仓库转变为三维立体仓库模型，并基于神经网络构建货位坐标值计算网络；利用三维立体仓库模型中的货位坐标数据训练货位坐标值计算网络，并通过训练机制判断训练是否完成；若训练完成，则将任意一个货位的位置数据输入至货位坐标值计算网络，从而获得该货位的坐标值；本发明基于神经网络构建货位坐标值计算网络，根据输入参数的变化自动激活不同的子神经网络，从而产生符合实际变化情况的输出结果，同时通过设计变换函数，以防止异常数据出现，具有更强的自适应能力和拓展性。

技术领域

本发明涉及仓库货位坐标计算的技术领域，尤其涉及一种立体仓库货位坐标计算方法。

背景技术

在立体仓库控制系统中，码垛机运动到指定货位的位置并获取托盘。为了确定货位的位置，二维坐标系在立体仓库的表面被建立，所以每个货位都有确定的坐标。为了计算出指定货位的坐标，计算货位坐标的数学模型是不可缺少的内容。

当立体仓库增加货位、减少货位或者移动货位后，基于二维坐标系理论构建的数学模型不再适用。为了应对变化，现有技术采用BP神经网络进行货位坐标计算，但误差精度和拓展性依旧难以满足指定要求。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种立体仓库货位坐标计算方法，能够自适应货位变化，保证坐标计算结果的准确性。

为解决上述技术问题，本发明提供如下技术方案：包括，将实体立体仓库转变为三维立体仓库模型，并基于神经网络构建货位坐标值计算网络；利用三维立体仓库模型中的货位坐标数据训练所述货位坐标值计算网络，并通过训练机制判断训练是否完成；若训练完成，则将任意一个货位的位置数据输入至货位坐标值计算网络，从而获得该货位的坐标值。

作为本发明所述的立体仓库货位坐标计算方法的一种优选方案，其中：转变为所述三维立体仓库模型包括，绘制所有货位的仓位边框；建立实体立体仓库的坐标系；其中，在实体立体仓库中，每个仓位的外边框有四个顶角，任意一个顶角都可以被设置为坐标系原点，水平方向是横轴，从左到右是正方向；竖直方向是纵轴，从下向上是正方向；标注每个货位的定位点。

作为本发明所述的立体仓库货位坐标计算方法的一种优选方案，其中：所述仓位边框包括，每个仓位内部空间的边沿是仓位的内边框，假设A和B是两个仓位，A仓位在B仓位的左边，则位于A仓位右内边框与B仓位左内边框中间的直线是A仓位的右外边框和B仓位的左外边框；A仓位与相邻仓位之间都存在一个外边框，所有外边框组成A仓位的外边框；A仓位的所有内边框与外边框共同构成了A仓位的边框。

作为本发明所述的立体仓库货位坐标计算方法的一种优选方案，其中：标注每个货位的定位点包括，每个仓位的内部都有一个定位点，所述定位点代表在坐标系中仓位的具体位置，定位点的坐标代表仓位的坐标；其中，所述定位点在仓位内部空间；所述定位点距离仓位左内边框的距离为147mm；所述定位点距离仓位下内边框的距离为110.5mm。

作为本发明所述的立体仓库货位坐标计算方法的一种优选方案，其中：所述货位坐标值计算网络包括4个子神经网络和1个控制大脑；所述子神经网络包括输入层、隐藏层和输出层；输入层节点数为5，隐藏层节点数为4，输出层节点数为2；隐藏层的输出表达式为：

输出层的输出表达式为：

权值V的初始取值为：

权值W的初始权值为：