CN119417192A 基于物联网的油库罐区巡检机器人任务分配方法及系统 （北京网藤科技有限公司）

基于物联网的油库罐区巡检机器人任务分本发明提供基于物联网的油库罐区巡检机器人任务分配方法及系统，涉及物联网技术领2接收油库罐区物联网传感节点采集的环境数据信息和多个智能巡检机器人上传的实构建基于深度神经网络的多目标协同调度模型，将环基于所述最优任务分配策略向机器人下发巡检任务指令，通过物针对环境数据信息和实时状态信息分别构建时间窗口计算时间注基于所述时空融合特征构建任务优先级评估子模型，所述任务优先基于所述时空融合特征和任务执行顺序构建路径规划子模型，所基于所述环境数据信息计算环境数据相似度，采用余弦相似度方法3采用基于熵权法的特征融合方法计算环境数据相似度权重、任务类型对所述任务相似度矩阵进行阈值稀疏化处理得到初始耦合矩阵，采用将环境安全度量引入启发式信息计算，所述环境安全度量由基于任务优先级对信息素矩阵更新规则进行改进，在局部更新中任务优先级动态调整因子随当前任务优先级与最大优先级的比构建时空维度的动态禁忌表处理多机器人路径冲基于所述环境安全度量、更新后的信息素矩阵和所述动态输入任务分配优化模块生成最优任务分配策将所述任务执行顺序转换为任务优先级矩阵，所述任务优先级矩阵4基于所述任务优先级矩阵和所述路径时空矩阵构建多目标任务分用于规范相互依赖任务的执行顺序；基于机器人剩余电量和任务资源需求建立能量约束，采用混合整数规划方法求解所述多目标任务分配优化模型，将任务优通过物联网采集机器人层数据和环境层数据，其中所述机器人层境状态向量输入训练好的双重深度Q网络获取优化后的任务分配策略，对所述优化后的任5所述任务完成奖励基于任务进度、任务优先级和质量评分的乘积计算，基于任务完成稳定性和及时性评定，所述风险惩罚包括执行异常惩罚和安全距离违约惩采用时序差分学习方法和贝尔曼方程计算目标网络输出的目标Q值，基于平滑L1损失8.基于物联网的油库罐区巡检机器人任务分配系统，用于实现前述权利要求1_7中任第一单元，用于接收油库罐区物联网传感节点采集的环第二单元，用于构建基于深度神经网络的多目标协同调度第三单元，用于基于所述最优任务分配策略向机器动应急模块，所述应急模块基于所述任务执行数据和环境数据进行情境感知和风险评估，其中，所述处理器被配置为调用所述存储器存储的指令，以执行6程序指令被处理器执行时实现权利要求1至7中任意7[0006]接收油库罐区物联网传感节点采集的环境数据信息和多个智能巡检机器人上传模型，所述任务优先级评估子模型结合油罐区安全等级和任务紧急程度计算任务执行顺8态得到风险趋势指数，结合所述油罐区安全等级和所述实时状态信息计算任务紧急程度，计算任务间特征相似度和任务目标点空间距离构建任务耦合矩阵，将所述风险趋势指数、型采用改进蚁群算法进行多机器人协同避障路径规划，将环境安全度量引入启发式信息，[0018]采用基于熵权法的特征融合方法计算环境数据相似度权重、任务类型相似度权[0022]将环境安全度量引入启发式信息计算，所述环境安全度量由油罐压力安全系数、9路径长度共同作为信息素增量的计算依据，在全局更新中引入任务优先级动态调整因子，所述任务优先级动态调整因子随当前任务优先级与最大优先级的比值径规划，将所述环境安全度量和任务优先级作为输入计算改进蚁群算法的状态转移概率，[0027]将所述任务执行顺序与所述协同避障路径输入任务分配优化模块生成最优任务述多目标任务分配优化模型以最大化任务优先级满足度和最小化路径执行代价为优化目[0030]采用混合整数规划方法求解所述多目标任务分配优化模型，将任务优先级满足和环境状态向量输入训练好的双重深度Q网络获取优化后的任务分配策略，对所述优化后[0040]采用时序差分学习方法和贝尔曼方程计算目标网络输出的目标Q值，基于平滑L1状态空间的状态向量输入评估网络得到动作选择，执行选择的动作获取新状态和奖励值，和实时状态信息输入所述多目标协同调度模型，采用时空注意力机制提取时空融合特征，联网实时采集机器人的任务执行数据和环境数据，当检测到机器人任务冲突或执行异常机制大大提高了系统的鲁棒性和应对突发情况[0056]图1为本发明实施例基于物联网的油库罐区巡检机器人任务分配方法的流程示意[0057]图2为本发明实施例基于物联网的油库罐区巡检机器人任务分配系统的结构示意[0060]图1为本发明实施例基于物联网的油库罐区巡检机器人任务分配的流程示意图，[0061]S1.接收油库罐区物联网传感节点采集[0062]S2.构建基于深度神经网络的多目标[0063]S3.基于所述最优任务分配策略向模型，所述任务优先级评估子模型结合油罐区安全等级和任务紧急程度计算任务执行顺态得到风险趋势指数，结合所述油罐区安全等级和所述实时状态信息计算任务紧急程度，计算任务间特征相似度和任务目标点空间距离构建任务耦合矩阵，将所述风险趋势指数、型采用改进蚁群算法进行多机器人协同避障路径规划，将环境安全度量引入启发式信息，[0082]本发明的多目标协同调度模型通过时空注意力机制有效融合了环境数据和实时[0087]采用基于熵权法的特征融合方法计算环境数据相似度权重、任务类型相似度权[0094]采用基于熵权法的特征融合方法计算环境数据相似度权重、任务类型相似度权[0099]将环境安全度量引入启发式信息计算，所述环境安全度量由油罐压力安全系数、路径长度共同作为信息素增量的计算依据，在全局更新中引入任务优先级动态调整因子，所述任务优先级动态调整因子随当前任务优先级与最大优先级的比值径规划，将所述环境安全度量和任务优先级作为输入计算改进蚁群算法的状态转移概率，正常温度范围的偏差计算，如当前温度为35℃,正常范围为20_30℃,则温度安全系数为[0110]将所述任务执行顺序与所述协同避障路径输入任务分配优化模块生成最优任务述多目标任务分配优化模型以最大化任务优先级满足度和最小化路径执行代价为优化目[0113]采用混合整数规划方法求解所述多目标任务分配优化模型，将任务优先级满足先级矩阵，并为每个任务赋予优先级权重。然后根据协同避障路径构建3维的路径时空矩通过迭和环境状态向量输入训练好的双重深度Q网络获取优化后的任务分配策略，对所述优化后[0139]采用时序差分学习方法和贝尔曼方程计算目标网络输出的目标Q值，基于平滑L1状态空间的状态向量输入评估网络得到动作选择，执行选择的动作获取新状态和奖励值，惩罚包括执行异常惩罚和安全距离违约惩罚两部分。执行异常惩罚与执行异常程度正相反向传播优化评估网络参数。按照预设更新周期累积样本数量达到训练批次要求时(如32)，基于损失函数通过反向传播更新评估网络参[0147]图2为本发明实施例基于物联网的油库罐区巡检机器人任务分配系统的结构示意