本申请涉及物流技术领域，具体而言，涉及一种仓储机器人的自动化控制方法及装置。
背景技术：
在传统的物流技术中，一般通过人力来进行货物的搬运。但这种方式费事费力，效率低且成本高。而随着技术的不断进步，现以实现通过机器人来进行货物的搬运，比如在需要搬运某个货物时，其可以随机选择一个空闲的机器人来搬运该货物。较于人力搬运的方式，机器人搬运能够明显的降低成本并提高效率。
但随着社会的不断发展进步，其对物流的需求越来越大，因此对机器人搬运的效率要求也越来越高。目前的随机选择机器人来进行搬运效率已经逐渐无法满足当前的物流需求。
技术实现要素：
本申请实施例的目的在于提供一种仓储机器人的自动化控制方法及装置，用以改善上述缺陷。
第一方面，本申请实施例提供了一种仓储机器人的自动化控制方法，所述方法应用于控制仓储机器人的中控主机，所述方法包括：
接收上游的物流系统发送针对待运输货物的运输指令；
根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；
确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；
确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；
利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；
选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
本申请实施例中，中控主机在接到针对某一待运输货物的运输指令，中控主机可以先确定出从出货口能够到达该待运输货物所在货架的每条路径。然后，中控主机可以进一步确定出每条路径上距离该货架最近且空闲的仓储机器人与该货架之间且正在工作的仓储机器人的位置。最后，中控主机利用时间预测模型计算每条路径上正在工作的仓储机器人的位置，便可以选择出能够最快到达该货架且空闲的仓储机器人，并利用该最快到达该货架且空闲的仓储机器人来搬运该待运输货物，从而实现以最高的效率来进行货物的搬运，进一步提高了仓储机器人对货物的搬运效率。
结合第一方面，在第一种可能的实现方式中，在利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间之前，所述方法还包括：
针对每条路径：获取历史中位于该路径上距离所述货架最近且空闲的仓储机器人与所述货架之间的正在工作的仓储机器人的历史位置，其中，所述历史位置以及该路径上距离所述货架最近且空闲的仓储机器人在历史中实际到达所述货架的时间，作为该路径的训练参数；
利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型。
本申请实施例中，利用正在工作的仓储机器人的历史位置以及实际到达该货架的时间来训练该卷积神经网络，能够使得卷积神经网络预测的时间越来越接近实际到达该货架的时间，使得训练好的时间预测模型能够更加准确的预测出该货架的时间。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型，包括：
通过将每条路径的所述历史位置对应映射到矩阵中，获得每条路径的位置矩阵；
利用所述卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间；
利用每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间和实际到达所述货架的时间，优化所述卷积神经网络，获得所述时间预测模型。
本申请实施例中，通过将每条路径的历史位置对应映射到矩阵中，获得每条路径的位置矩阵，使得输入卷积神经网络处理的参数类型更加符合卷积神经网络的处理特点，进而能够更好的训练卷积神经网络。
结合第一方面，在第三种可能的实现方式中，利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间，包括：
将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵；
利用所述时间预测模型处理每条路径的位置矩阵，预测出每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
本申请实施例中，通过将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵，使得输入时间预测模型处理的参数类型更加符合时间预测模型的处理特点，进而能够获得更准确的预测时间。
结合第一方面，在第四种可能的实现方式中，所述方法还应用于所述时间最早的空闲的仓储机器人，在选择所述时间最早的空闲的仓储机器人运输所述待运输货物之后，所述方法还包括：
所述时间最早的空闲的仓储机器人在朝所述货架移动的过程中，若与从所述货架返回的其它仓储机器人相遇，从所述其它仓储机器人获取所述待运输货物在所述货架上的最新位置；
当所述时间最早的空闲的仓储机器人到达所述货架时，根据所述最新位置获取所述待运输货物。
本申请实施例中，由其它仓储机器人对货物的搬运有可能改变待运输货物在货架上的位置，故通过从货架处返回的其它仓储机器人上获取待运输货物在货架上的最新位置，能够便捷快速且准确的获取该待运输货物的准确位置，以实现对待运输货物的正确搬运。
第二方面，本申请实施例提供了一种仓储机器人的自动化控制装置，所述装置应用于控制仓储机器人的中控主机，所述装置包括：
数据收发模块，用于接收上游的物流系统发送针对待运输货物的运输指令；
机器人选择模块，用于根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
结合第二方面，在第一种可能的实现方式中，所述机器人选择模块在利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间之前，所述装置还包括：
模型训练模块，用于针对每条路径：获取历史中位于该路径上距离所述货架最近且空闲的仓储机器人与所述货架之间的正在工作的仓储机器人的历史位置，其中，所述历史位置以及该路径上距离所述货架最近且空闲的仓储机器人在历史中实际到达所述货架的时间，作为该路径的训练参数；利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，
所述模型训练模块，用于通过将每条路径的所述历史位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间；利用每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间和实际到达所述货架的时间，优化所述卷积神经网络，获得所述时间预测模型。
结合第二方面，在第三种可能的实现方式中，
所述机器人选择模块，用于将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述时间预测模型处理每条路径的位置矩阵，预测出每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
结合第二方面，在第四种可能的实现方式中，
所述装置还应用于所述时间最早的空闲的仓储机器人，所述机器人选择模块在选择所述时间最早的空闲的仓储机器人运输所述待运输货物之后，所述装置还包括：
位置更新模块，用于所述时间最早的空闲的仓储机器人在朝所述货架移动的过程中，若与从所述货架返回的其它仓储机器人相遇，从所述其它仓储机器人获取所述待运输货物在所述货架上的最新位置；当所述时间最早的空闲的仓储机器人到达所述货架时，根据所述最新位置获取所述待运输货物。
第三方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有程序代码，当所述程序代码被所述计算机运行时，执行如第一方面或第一方面的任一实现方式所述的仓储机器人的自动化控制方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种仓储机器人的自动化控制系统的结构框图；
图2为本申请实施例提供的一种仓库的第一示意图；
图3为本申请实施例提供的一种仓储机器人的自动化控制方法的流程图；
图4为本申请实施例提供的一种仓库的第二示意图；
图5为本申请实施例提供的一种智仓库的第三示意图；
图6为本申请实施例提供的一种仓储机器人的自动化控制装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
请参阅图1和图2，本申请实施例提供的一种仓储机器人的自动化控制系统10，该仓储机器人的自动化控制系统10，该仓储机器人的自动化控制系统10可以部署到物流中心的货物中转的仓库中。
具体的，仓储机器人的自动化控制系统10可以包括：中控主机11和受控于中控主机11的多个仓储机器人12。
中控主机11可以是服务器或者服务器集群，其可以部署在仓库内，或者也可以部署在远程。
仓库的多个货架到仓库的出货口之间架设有多条轨道，每条轨道作为出货口到货架之间的一条路径，这样，每个货架到出货口之间都可以有多条路径。
每个仓储机器人12都可以安装在轨道上沿轨道运行。通过中控主机11执行仓储机器人12的自动化控制方法控制每个仓储机器人12沿轨道往返于货架和出货口，每个仓储机器人12都可以将货架上的待运输货物从货架上搬运到出货口，以便进行下一步的运输。
请参阅图3，本申请实施例的仓储机器人的自动化控制方法的具体流程可以包括：
步骤s11：接收上游的物流系统发送针对待运输货物的运输指令；
步骤s12：根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；
步骤s13：确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；
步骤s14：确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；
步骤s15：利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；
步骤s16：选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
下面将结合示例，对上述流程进行说明。
步骤s11：接收上游的物流系统发送针对待运输货物的运输指令。
当上游的物流系统10需要从下游获取某件待运输货物时，比如a地的待运输货物需要通过b地的中转发往c地，当待运输货物到达b地时，上游c地的物流系统10便可以向下游的b地的中控主机11发送该待运输货物的运输指令。
步骤s12：根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架。
当货物存储在仓库中的货架上时，中控主机11可以对应存储该货物的id与其所在的货架id的对应关系。换言之，针对仓库中的每件货物，中控主机11都可以知晓其存放于那个货架上。
当接收到运输指令时，中控主机11根据运输指令中携带的该待运输货物的id，中控主机11根据该待运输货物的id所对应的对应关系，便可以确定相应的货架id，即从仓库的多个货架中确定出该待运输货物所在的货架。
步骤s13：确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径。
本实施例中，由于出货口到货架之间设有多条轨道，那么中控主机11可以预设出货口到每个货架之间由这多条轨道形成的多条路径。从而，基于确定出的货架id，中控主机11便可以找到该货架id对应的多条路径，即确定出该待运输货物所在的货架与出货口之间的多条路口。
比如图4所示，待运输货物位于货架a上，那么中控主机11可以货架a到出货口之间具有3条路径(图4中的加粗线条所示)，其分别是路径a，路径b和路径c。
步骤s14：确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置。
本实施例中，为便于空闲的仓储机器人12一旦接到运输某件货物的任务时能够尽快去到该货物所在的货架以运输该货物，故每个仓储机器人12在空闲时，其可以在轨道上随机的移动。
每个仓储机器人12都可以实时的与中控主机11进行通信，这样，中控主机11可以获知每个仓储机器人12当前的位置，以及每个仓储机器人12当前的工作状态即每个仓储机器人12当前是正在工作还是空闲。
进一步的，基于确定出待运输货物所在的货架与出货口之间的多条路径，以及基于当前每个仓储机器人12的位置和工作状态。中控主机11可以确定出每条路径上距离该货架最近且空闲的仓储机器人12，以及确定出每条路径上位于距离该货架最近且空闲的仓储机器人12与该货架之间且正在工作的仓储机器人12的位置。
比如图5所示，路径a上距离货架a最近且空闲的仓储机器人12q1位于位置w1，且路径a上距离货架a最近且空闲的仓储机器人12与货架a之间且正在工作的仓储机器人q2和q3分为位于位置w2和w3。
路径b上距离货架a最近且空闲的仓储机器人12q4位于位置w4，且路径b上距离货架a最近且空闲的仓储机器人12与货架a之间且正在工作的仓储机器人q2、q3和q5分为位于位置w2、w3和w5。
路径c上距离货架a最近且空闲的仓储机器人12q6位于位置w6，且路径c上距离货架a最近且空闲的仓储机器人12与货架a之间且正在工作的仓储机器人q2和q7分为位于位置w2和w7。
步骤s15：利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
中控主机11预设有时间预测模型，该时间预测模型可以卷积神经网络经训练而获得。
在实际使用前，针对该卷积神经网络的训练流程具体可以是：
针对每条路径：获取历史中位于该路径上距离货架最近且空闲的仓储机器人12与货架之间的正在工作的仓储机器人12的历史位置，其中，历史位置以及该路径上距离货架最近且空闲的仓储机器人12在历史中实际到达该货架的时间，作为该路径的训练参数。
然后，利用每条路径的训练参数训练预设的卷积神经网络，从而获得时间预测模型。
举例来说，在历史的某一时刻，路径a上距货架a最近且空闲的仓储机器人12与货架a之间有3个正在工作的仓储机器人12，3个正在工作的仓储机器人12在该某一时刻的历史位置分别为w11、w12和w13。中控主机11将w11、w12和w13输入卷积神经网络处理，卷积神经网络便输出其预测路径a上距货架a最近且空闲的仓储机器人12到达货架a的时间t1。中控主机11再利用预测的时间t1和该路径a上距货架a最近且空闲的仓储机器人12实际到达货架a的时间t2的差值，去优化该卷积神经网络则实现了对该卷积神经网络的一次训练。
通过各种不同的训练参数，不断重复上述训练过程，则使得卷积神经网络预测的时间越来越接近实际的时间。比如，经过100000次训练，卷积神经网络预测的时间和实际的时间之间的差错不超过1分钟，则认为对卷积神经网络的训练结束，获得了时间预测模型。
值得指出的是，由于卷积神经网络处理数据一般是针对二维的矩阵数据比如图像。因此，需要将训练参数转换成二维的矩阵，再将二维的矩阵输入到卷积神经网络，以便卷积神经网络进行卷积处理。
作为将训练参数转换成二维的矩阵的一种方式，示例的，中控主机11可以将通过每条路径的历史位置对应映射到矩阵中，获得每条路径的位置矩阵。
比如图5中，路径a上w2为(0,10)和w3(0，6)，那么将位置w2和w3映射，获得的10*10矩阵可以如下所示：
0010000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0006000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
又比如，路径b上w5为(2,5)和w4(7，5)，那么将位置w2、w3、w4和w5映射，获得的10*10矩阵可以如下所示：
0010000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0006000000000000000000000000000000000000
0000020500000000000000000705000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
再比如，路径c上w7为(4，8)，那么将位置w2、w7映射，获得的10*10矩阵可以如下所示：
0010000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000408000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
0000000000000000000000000000000000000000
进一步的，中控主机11利用卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离货架最近且空闲的仓储机器人12预计到达货架的时间，再利用每条路径上距离该货架最近且空闲的仓储机器人12预计到达该货架的时间和实际到达该货架的时间，优化该卷积神经网络，获得时间预测模型。
实际应用中，中控主机11也将每条路径上距离该货架最近且空闲的仓储机器人12与该货架之间正在工作的仓储机器人12的位置对应映射到矩阵中，获得每条路径的位置矩阵；再利用时间预测模型处理每条路径的位置矩阵，便可以预测出每条路径上距离该货架最近且空闲的仓储机器人12移动到该货架的时间。
步骤s16：选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
预测出每条路径上距离该货架最近且空闲的仓储机器人12移动到该货架的时间后，中控主机11便可以选择出时间最早的空闲的仓储机器人12运输该待运输货物，即将该货架的位置以及该货架上该货位的位置发送给时间最早的空闲的仓储机器人12。
若时间最早的空闲的仓储机器人12有多个，则从时间最早的空闲的仓储机器人12中选择路径上的距离最短的仓储机器人12(路径上的距离最短的仓储机器人12在实际中更有可能早到)，然后控制路径上的距离最短的仓储机器人12去运输该待运输货物，即将该货架的位置以及该货架上该货位的位置发送给该路径上的距离最短的仓储机器人12。
还需要要说明的是，在本实施例中，被选择出的仓储机器人12(“被选择出的仓储机器人12”即是“时间最早的空闲的仓储机器人12”或者“路径上的距离最短的仓储机器人12”)在接收到货架的位置以及该货架上该货位的位置，便根据该货架的位置朝该货架移动。
实际中，由于货架上货物遮挡的原因，仓储机器人12在搬运货架上的货物时，可能需要将挡住该货物的其它货物移开。当然，移开该其它货物后，仓储机器人12可以记录该其它货物被移动到的新位置。
基于这种原因，在被选择出的仓储机器人12移动到该货架之前，该货物可能因为其它仓储机器人12的搬运而被移动位置。因此，被选择出的仓储机器人12在朝所述货架移动的过程中，若与从该货架返回的其它仓储机器人12相遇，则从其它仓储机器人12上获取该其它仓储机器人12在该货架上搬运货物时记录的该待运输货物在货架上的最新位置。然后，当被选择出的仓储机器人12到达该货架时，则根据该最新位置获取该待运输货物，以确保货物能够获取到。
请参阅图6，基于同一发明构思，本申请实施例还提供了一种仓储机器人的自动化控制装置100，应用于控制仓储机器人的中控主机，仓储机器人的自动化控制装置100包括：
数据收发模块110，用于接收上游的物流系统发送针对待运输货物的运输指令；
机器人选择模块120，用于根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
可选的，所述机器人选择模块120在利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间之前，仓储机器人的自动化控制装置100包括：还包括：
模型训练模块130，用于针对每条路径：获取历史中位于该路径上距离所述货架最近且空闲的仓储机器人与所述货架之间的正在工作的仓储机器人的历史位置，其中，所述历史位置以及该路径上距离所述货架最近且空闲的仓储机器人在历史中实际到达所述货架的时间，作为该路径的训练参数；利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型。
所述模型训练模块130，用于通过将每条路径的所述历史位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间；利用每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间和实际到达所述货架的时间，优化所述卷积神经网络，获得所述时间预测模型。
所述机器人选择模块120，用于将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述时间预测模型处理每条路径的位置矩阵，预测出每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
仓储机器人的自动化控制装置100还应用于所述时间最早的空闲的仓储机器人，所述机器人选择模块120在选择所述时间最早的空闲的仓储机器人运输所述待运输货物之后，仓储机器人的自动化控制装置100还包括：
位置更新模块140，用于所述时间最早的空闲的仓储机器人在朝所述货架移动的过程中，若与从所述货架返回的其它仓储机器人相遇，从所述其它仓储机器人获取所述待运输货物在所述货架上的最新位置；当所述时间最早的空闲的仓储机器人到达所述货架时，根据所述最新位置获取所述待运输货物。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质，该存储介质能够为通用的存储介质，如移动磁盘、硬盘，该计算机可读存储介质上存储有程序代码，该程序代码被计算机运行时执行上述任一实施方式的仓储机器人的自动化控制方法的步骤。
本申请实施例所提供的仓储机器人的自动化控制方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
综上所述，本申请实施例提供了一种仓储机器人的自动化控制方法及装置。中控主机在接到针对某一待运输货物的运输指令，中控主机可以先确定出从出货口能够到达该待运输货物所在货架的每条路径。然后，中控主机可以进一步确定出每条路径上距离该货架最近且空闲的仓储机器人与该货架之间且正在工作的仓储机器人的位置。最后，中控主机利用时间预测模型计算每条路径上正在工作的仓储机器人的位置，便可以选择出能够最快到达该货架且空闲的仓储机器人，并利用该最快到达该货架且空闲的仓储机器人来搬运该待运输货物，从而实现以最高的效率来进行货物的搬运，进一步提高了仓储机器人对货物的搬运效率。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统10，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
1.一种仓储机器人的自动化控制方法，其特征在于，所述方法应用于控制从的中控主机，所述方法包括：
接收上游的物流系统发送针对待运输货物的运输指令；
根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；
确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；
确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；
利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；
选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
2.根据权利要求1所述的仓储机器人的自动化控制方法，其特征在于，在利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间之前，所述方法还包括：
针对每条路径：获取历史中位于该路径上距离所述货架最近且空闲的仓储机器人与所述货架之间的正在工作的仓储机器人的历史位置，其中，所述历史位置以及该路径上距离所述货架最近且空闲的仓储机器人在历史中实际到达所述货架的时间，作为该路径的训练参数；
利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型。
3.根据权利要求2所述的仓储机器人的自动化控制方法，其特征在于，利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型，包括：
通过将每条路径的所述历史位置对应映射到矩阵中，获得每条路径的位置矩阵；
利用所述卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间；
利用每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间和实际到达所述货架的时间，优化所述卷积神经网络，获得所述时间预测模型。
4.根据权利要求1所述的仓储机器人的自动化控制方法，其特征在于，利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间，包括：
将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵；
利用所述时间预测模型处理每条路径的位置矩阵，预测出每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
5.根据权利要求1所述的仓储机器人的自动化控制方法，其特征在于，所述方法还应用于所述时间最早的空闲的仓储机器人，在选择所述时间最早的空闲的仓储机器人运输所述待运输货物之后，所述方法还包括：
所述时间最早的空闲的仓储机器人在朝所述货架移动的过程中，若与从所述货架返回的其它仓储机器人相遇，从所述其它仓储机器人获取所述待运输货物在所述货架上的最新位置；
当所述时间最早的空闲的仓储机器人到达所述货架时，根据所述最新位置获取所述待运输货物。
6.一种仓储机器人的自动化控制装置，其特征在于，所述装置应用于控制仓储机器人的中控主机，所述装置包括：
数据收发模块，用于接收上游的物流系统发送针对待运输货物的运输指令；
机器人选择模块，用于根据所述运输指令，从仓库的多个货架中确定出所述待运输货物所在的货架；确定出所述仓库中所述待运输货物的出货口到所述货架的每条路径；确定出每条路径上距离所述货架最近且空闲的仓储机器人，以及确定出每条路径上位于距离所述货架最近且空闲的仓储机器人与所述货架之间且正在工作的仓储机器人的位置；利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间；选择所述时间最早的空闲的仓储机器人运输所述待运输货物。
7.根据权利要求6所述的仓储机器人的自动化控制装置，其特征在于，所述机器人选择模块在利用预设的时间预测模型计算每条路径上所述正在工作的仓储机器人的位置，预测每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间之前，所述装置还包括：
模型训练模块，用于针对每条路径：获取历史中位于该路径上距离所述货架最近且空闲的仓储机器人与所述货架之间的正在工作的仓储机器人的历史位置，其中，所述历史位置以及该路径上距离所述货架最近且空闲的仓储机器人在历史中实际到达所述货架的时间，作为该路径的训练参数；利用每条路径的训练参数训练预设的卷积神经网络，获得所述时间预测模型。
8.根据权利要求7所述的仓储机器人的自动化控制装置，其特征在于，
所述模型训练模块，用于通过将每条路径的所述历史位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述卷积神经网络处理每条路径的位置矩阵，获得每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间；利用每条路径上距离所述货架最近且空闲的仓储机器人预计到达所述货架的时间和实际到达所述货架的时间，优化所述卷积神经网络，获得所述时间预测模型。
9.根据权利要求6所述的仓储机器人的自动化控制装置，其特征在于，
所述机器人选择模块，用于将每条路径上所述正在工作的仓储机器人的位置对应映射到矩阵中，获得每条路径的位置矩阵；利用所述时间预测模型处理每条路径的位置矩阵，预测出每条路径上距离所述货架最近且空闲的仓储机器人移动到所述货架的时间。
10.根据权利要求6所述的仓储机器人的自动化控制装置，其特征在于，所述装置还应用于所述时间最早的空闲的仓储机器人，所述机器人选择模块在选择所述时间最早的空闲的仓储机器人运输所述待运输货物之后，所述装置还包括：
位置更新模块，用于所述时间最早的空闲的仓储机器人在朝所述货架移动的过程中，若与从所述货架返回的其它仓储机器人相遇，从所述其它仓储机器人获取所述待运输货物在所述货架上的最新位置；当所述时间最早的空闲的仓储机器人到达所述货架时，根据所述最新位置获取所述待运输货物。
技术总结