1.本发明实施例涉及智能控制技术，尤其涉及一种加工车间无人小车协同调度方法、系统和存储介质。
背景技术：2.自动导航车(automated guided vehicle，agv)已经在工业领域中得到了广泛的应用，avg可以自动运行，在自动加工车间中实现原料和成品的自动搬运，因此avg也可称为无人小车。例如，使用agv在注塑加工车间的生产过程中进行原料和成品搬运，可以大幅提高生产效率，节约人工成本、提高智能工厂的自动化水平。
3.但在自动加工车间中，常由多辆无人小车同时进行作业，如何在多辆无人小车之间进行协调，从而高效地进行联动作业，是目前亟待解决的问题。
技术实现要素：4.本发明提供一种加工车间无人小车协同调度方法、系统和存储介质，以提高自动加工车间中无人小车的作业效率。
5.第一方面，本发明实施例提供了一种加工车间无人小车协同调度方法，包括：
6.随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；
7.将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合；
8.根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；
9.使用无人小车网络模型参数控制多个无人小车在加工车间中运行。
10.在第一方面一种可能的实现方式中，使用无人小车网络模型参数控制多个无人小车在加工车间中运行之后，还包括：
11.更新仿真多维矩阵。
12.在第一方面一种可能的实现方式中，随机生成加工车间中多个无人小车的连续动作序列集合之前，还包括：
13.建立加工车间的仿真模拟环境，根据仿真模拟环境得到加工车间的仿真多维矩阵，仿真多维矩阵包括无人小车特征矩阵、障碍物特征矩阵和原料特征矩阵。
14.在第一方面一种可能的实现方式中，建立加工车间的仿真模拟环境，根据仿真模拟环境得到加工车间的仿真多维矩阵包括：
15.根据加工车间的尺寸、加工车间中的障碍物位置、原材料位置和多个无人小车的位置，建立加工车间的仿真模拟环境；
16.根据加工车间的尺寸确定仿真多维矩阵的大小，将加工车间中的障碍物位置、原材料位置和多个无人小车分别作为仿真多维矩阵中的元素，得到加工车间的仿真多维矩阵。
17.在第一方面一种可能的实现方式中，将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合，包括：
18.将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到环境多维特征集合和动作奖励值集合；
19.根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数，包括：
20.根据所环境多维特征集合和动作奖励值集合对无人小车网络模型进行训练和优化，在连续动作序列集合中各动作的动作奖励值最优时，输出无人小车网络模型参数。
21.在第一方面一种可能的实现方式中，根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数，包括：
22.采用深度强化学习算法，根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。
23.在第一方面一种可能的实现方式中，生产车间为注塑加工车间。
24.第二方面，本发明实施例提供一种加工车间无人小车协同调度系统，包括：
25.动作生成模块，用于随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；
26.数据训练模块，用于将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合；
27.参数生成模块，用于根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；
28.运行控制模块，用于使用无人小车网络模型参数控制多个无人小车在加工车间中运行。
29.在第二方面一种可能的实现方式中，加工车间无人小车协同调度系统还包括：矩阵更新模块，用于在使用无人小车网络模型参数控制多个无人小车在加工车间中运行之后，更新仿真多维矩阵。
30.第三方面，本发明实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如第一方面任一可能的实现方式的加工车间无人小车协同调度方法。
31.本发明实施例提供的加工车间无人小车协同调度方法、系统和存储介质，首先随机生成加工车间中多个无人小车的连续动作序列集合，然后将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合，在根据训练数据集合对无人小车网络模型进行训练和优化后，输出无人小车网络模型参数，最后使用无人小车网络模型参数控制多个无人小车在加工车间中运行，提供了一种低成本的多无人小车协同调度方法，提高了自动加工车间中无人小车的调度效率。
附图说明
32.图1为本发明实施例提供的一种加工车间无人小车协同调度方法的流程图；
33.图2a为加工车间的仿真模拟环境示意图；
34.图2b为无人小车特征矩阵示意图；
35.图2c为障碍物特征矩阵示意图；
36.图2d为原料特征矩阵示意图；
37.图3为本发明实施例提供的另一种加工车间无人小车协同调度方法的流程图；
38.图4为本发明实施例提供的一种加工车间无人小车协同调度系统的结构示意图；
39.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
40.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
41.图1为本发明实施例提供的一种加工车间无人小车协同调度方法的流程图，如图1所示，本实施例提供的加工车间无人小车协同调度方法包括：
42.步骤s110，随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列。
43.本发明实施例提供的加工车间无人小车协同调度方法用于对自动加工车间中的多个无人小车进行协调调度。对多个无人小车进行协调调度的工作由无人小车协同调度系统执行，该系统可以获取自动加工车间中的环境信息和各无人小车的运行信息，并具有协调调度处理能力，以及对无人小车的控制能力。该系统可以是独立设置的系统，也可以是设置于任一具有处理能力的设备中的软件系统。在自动加工车间中，无人小车用于在原材料点、加工设备等地点之间进行物品转运，为了提高作业效率，需要根据加工车间中的环境为无人小车规划最优线路。但当一个加工车间中存在多台无人小车同时作业时，多台无人小车的最优线路之间可能存在冲突，因此就需要对多台无人小车的运行进行协同调度，使得多台无人小车能够实现作业。本实施例中，无人小车例如可以是agv或其他能够进行自动控制的无人车辆。本实施例中生产车间可以为注塑加工车间。
44.首先，为了实现对多台无人小车的协同调度，需要随机生成加工车间中多个无人小车的连续动作序列集合。连续动作序列集合中的每个动作表示多个无人小车在加工车间中各进行一次动作，各无人小车完成一项任务的动作按照次序排列即为该连续动作序列。该连续动作序列集合由各无人小车的连续动作序列组成，其中，每个无人小车的连续动作序列为无人小车完成一项任务的动作组成的序列。连续动作序列集合中各动作所占用的时间可以根据需要配置，各动作占用的时间越短，无人小车协调调度的精度也越高。连续动作序列集合是随机生成的，仅需要确定各无人小车的初始状态即可生成连续动作序列集合。连续动作序列集合中各无人小车的动作例如可以是前进、后退、左移、后移、停留等。下表为连续动作序列集合的示意图，如下表所示，连续动作序列集合由多个小车的多个动作组成。
[0045] 1号小车2号小车3号小车......n号小车第一个动作动作x11动作x12动作x13......动作x1n第二个动作动作x21动作x22动作x23......动作x2n第三个动作动作x31动作x32动作x33......动作x3n....................................第m个动作动作xm1动作xm2动作xm3......动作xmn
[0046]
步骤s120，将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合。
[0047]
在生成加工车间中多个无人小车的连续动作序列集合之后，需要将该连续动作序列集合与加工车间的仿真多维矩阵进行交互，也就是将多个无人小车的连续动作集合在加工车间的仿真多维矩阵中进行仿真。其中，加工车间的仿真多维矩阵是以加工车间中的各种不同种类物体分别作为矩阵中的元素建立的多个维度的矩阵。例如，可以分别将加工车间中的障碍物和原料作为元素分别建立障碍物特征矩阵和原料特征矩阵，再加上无人小车特征矩阵，共同作为仿真多维矩阵。仿真多维矩阵的大小根据加工车间的大小和无人小车协同调度精度确定。
[0048]
例如图2a-图2d所示，图2a为加工车间的仿真模拟环境示意图，图2b为无人小车特征矩阵示意图，图2c为障碍物特征矩阵示意图，图2d为原料特征矩阵示意图。在图2a中，首先将无人小车21、障碍物22、原料23分别作为无人车间中的不同元素，建立无人小车仿真模拟环境，无人小车仿真模拟环境可以划分为多个不同的区域，每个区域对应于图2b-图2d中各矩阵中的一个元素，图2a中每个区域的大小是根据无人小车的调度精度确定的，在对无人小车的调度进行优化时，可以以无人小车仿真模拟环境中划分的一个区域为一个调度粒度，也就是控制各无人小车每次移动一个区域，相应地，步骤s110中随机生成的连续动作序列集合中的每个动作表示各无人小车移动一个区域。在图2b-图2d中，分别将无人小车、障碍物和原料作为矩阵中的元素，分别建立对应的特征矩阵。加工车间的仿真模拟环境可以提前建立好，例如可以通过配置界面接收用户输入的加工车间平面图的尺寸、障碍物区域、原料初始区域位置及数量、多个无人小车的初始位置及数量等信息，建立加工车间的仿真模拟环境。然后将加工车间平面图的尺寸、障碍物区域、原料初始区域位置及数量、多个无人小车的初始位置及数量等信息，传入仿真数字环境接口，初始化仿真多维矩阵。
[0049]
在建立了仿真多维矩阵之后，即可将随机生成的连续动作序列集合应用于仿真多维矩阵中，得到训练数据集合，该训练数据集合用于对无人小车网络模型进行训练和优化。训练数据集合可以包括环境多维特征集合和动作奖励值集合。其中环境多维特征集合表示将连续动作序列集合应用于仿真多维矩阵之后的变化情况，而动作奖励值集合表示随机生成的各动作的权重。由于连续动作序列集合中的动作均为随机生成的，因此各无人小车按照连续动作序列集合中的动作运行后，其结果也是随机的，例如可能与障碍我发生碰撞、与其他无人小车发生碰撞、到达原料区、与原料区距离增大、与原料区距离减小等。而各无人小车的目的任务是可以确定的，因此可以根据各无人小车的目的任务对连续动作序列集合中的动作进行奖励值计算，动作越接近完成任务则对应的奖励值越高，动作越远离完成任务或出现碰撞则对应的奖励值减少，将每个无人小车的连续动作序列的奖励值之和作为该无人小车对应的动作奖励值，统计多个无人小车的动作奖励值集合。
[0050]
其中，无人小车的动作奖励值例如可以根据如下规则确定：动作若发生碰撞则奖励值-1，动作若到达原料区域则奖励值+2，动作若与原料区域距离减小则奖励值+0.1，动作若与原料区域距离增大则奖励值-0.2，动作若与原料区域距离不变则奖励值-0.1。
[0051]
步骤s130，根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。
[0052]
由于加工车间中多个无人小车的连续动作序列集合是随机生成的，因此该连续动
作序列集合并不能用于对无人小车进行控制，需要对其进行训练和优化，从而得到能够控制各无人小车完成目标任务的连续动作序列集合。可以根据计算得到的训练数据集合，对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。其中，无人小车网络模型表示各无人小车组成的网络，无人小车网络模型中的参数为各无人小车的运动参数。根据训练数据集合，对无人小车网络模型进行训练和优化，使得各无人小车能够通过连续动作序列完成目标任务，从而得到各无人小车的连续动作序列，即为无人小车网络模型参数。
[0053]
在一实施例中，训练数据集合包括环境多维特征集合和动作奖励值集合，那么就可以根据所环境多维特征集合和动作奖励值集合对无人小车网络模型进行训练和优化，在连续动作序列集合中各动作的动作奖励值最优时，输出无人小车网络模型参数。也就是根据动作奖励值对无人小车网络模型进行训练和优化，通过调整连续动作序列集合中的动作，使得各动作的动作奖励值最优，从而完成对无人小车网络模型进行训练和优化。
[0054]
在一实施例中，可以采用深度强化学习算法，根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。
[0055]
步骤s140，使用无人小车网络模型参数控制多个无人小车在加工车间中运行。
[0056]
在完成对无人小车网络模型的训练和优化后，即可使用训练得到的无人小车网络模型参数控制多个无人小车在加工车间中运行，从而实现对自动加工车间中多个无人小车的协同调度。在本实施例中，实现对加工车间中多个无人小车的协同调度，无需为各无人小车配置各种复杂的传感器感知周围的信息，只需要根据加工车间的环境建立仿真多维矩阵，然后即可对多个无人小车的动作进行训练和优化，最终实现对多个无人小车的协同调度，能够以很低的成本实现多个无人小车的协同调度。
[0057]
进一步地，在使用无人小车网络模型参数控制多个无人小车在加工车间中运行之后，还可以根据运行后的加工车间环境更新仿真多维矩阵，然后即可使用更新后的仿真多维矩阵继续进行无人小车的协同调度。对仿真多维矩阵的更新是由于在进行了一次多无人小车的协同调度之后，各无人小车分别完成了一次任务，但各无人小车的位置以及加工车间中的环境均可能发生了变化，因此需要根据变化后的加工车间环境更新仿真多维矩阵，从而能够重复执行本实施例提供的加工车间无人小车协同调度方法，实现对多个无人小车的连续协同调度。
[0058]
本实施例提供的加工车间无人小车协同调度方法，首先随机生成加工车间中多个无人小车的连续动作序列集合，然后将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合，在根据训练数据集合对无人小车网络模型进行训练和优化后，输出无人小车网络模型参数，最后使用无人小车网络模型参数控制多个无人小车在加工车间中运行，提供了一种低成本的多无人小车协同调度方法，提高了自动加工车间中无人小车的调度效率。
[0059]
图3为本发明实施例提供的另一种加工车间无人小车协同调度方法的流程图，如图3所示，本实施例提供的加工车间无人小车协同调度方法包括：
[0060]
步骤s310，获取加工车间环境参数。
[0061]
步骤s320，建立仿真多维矩阵训练环境。
[0062]
步骤s330，将连续动作序列集合与加工车间的仿真多维矩阵进行交互
[0063]
步骤s340，生成训练数据集合。
[0064]
步骤s350，对无人小车网络模型进行训练和优化。
[0065]
步骤s360，输出无人小车网络模型参数。
[0066]
步骤s370，将无人小车网络模型参数导入各无人小车。
[0067]
步骤s380，建立仿真多维矩阵生产环境。
[0068]
步骤s390，仿真多维矩阵生产环境向无人小车输入观察信息。
[0069]
步骤s400，向多个无人小车发出运动控制指令。
[0070]
步骤s410，更新仿真多维矩阵生产环境。
[0071]
步骤s420，驱动各无人小车运动。
[0072]
图4为本发明实施例提供的一种加工车间无人小车协同调度系统的结构示意图，如图4所示，本实施例提供的加工车间无人小车协同调度系统包括：
[0073]
动作生成模块41，用于随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列。
[0074]
数据训练模块42，用于将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合。
[0075]
参数生成模块43，用于根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。
[0076]
运行控制模块44，用于使用无人小车网络模型参数控制多个无人小车在加工车间中运行。
[0077]
本实施例提供的加工车间无人小车协同调度系统用于实现图1所示加工车间无人小车协同调度方法，其实现原理和技术效果类似，此处不再赘述。
[0078]
进一步地，图4所示加工车间无人小车协同调度系统还可以包括矩阵更新模块，用于在使用无人小车网络模型参数控制多个无人小车在加工车间中运行之后，更新仿真多维矩阵。
[0079]
图5为本发明实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器51、存储器52、输入装置53和输出装置54；电子设备中处理器51的数量可以是一个或多个，图5中以一个处理器51为例；电子设备中的处理器51、存储器52、输入装置53和输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。
[0080]
存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的加工车间无人小车协同调度方法对应的程序指令/模块(例如，加工车间无人小车协同调度系统中的动作生成模块41、数据训练模块42、参数生成模块43、运行控制模块44)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的加工车间无人小车协同调度方法。
[0081]
存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0082]
输入装置53可用于通过任一种通信方式连接接收外部输入的信息和数据。输出装置54可用于通过任一种通信方式连接向外发送信息和数据。
[0083]
本发明实施例还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种加工车间无人小车协同调度方法，该方法包括：随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合；根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；使用无人小车网络模型参数控制多个无人小车在加工车间中运行。
[0084]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的专题页面上线方法中的相关操作。
[0085]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0086]
值得注意的是，上述专题页面上线装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0087]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
技术特征：1.一种加工车间无人小车协同调度方法，其特征在于，包括：随机生成加工车间中多个无人小车的连续动作序列集合，所述连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；将所述连续动作序列集合与所述加工车间的仿真多维矩阵进行交互，得到训练数据集合；根据所述训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；使用所述无人小车网络模型参数控制所述多个无人小车在所述加工车间中运行。2.根据权利要求1所述的方法，其特征在于，所述使用所述无人小车网络模型参数控制所述多个无人小车在所述加工车间中运行之后，还包括：更新所述仿真多维矩阵。3.根据权利要求1所述的方法，其特征在于，所述随机生成加工车间中多个无人小车的连续动作序列集合之前，还包括：建立所述加工车间的仿真模拟环境，根据所述仿真模拟环境得到所述加工车间的仿真多维矩阵，所述仿真多维矩阵包括无人小车特征矩阵、障碍物特征矩阵和原料特征矩阵。4.根据权利要求3所述的方法，其特征在于，所述建立所述加工车间的仿真模拟环境，根据所述仿真模拟环境得到所述加工车间的仿真多维矩阵包括：根据所述加工车间的尺寸、所述加工车间中的障碍物位置、原材料位置和所述多个无人小车的位置，建立所述加工车间的仿真模拟环境；根据所述加工车间的尺寸确定所述仿真多维矩阵的大小，将所述加工车间中的障碍物位置、原材料位置和所述多个无人小车分别作为所述仿真多维矩阵中的元素，得到所述加工车间的仿真多维矩阵。5.根据权利要求1～4任一项所述的方法，其特征在于，所述将所述连续动作序列集合与所述加工车间的仿真多维矩阵进行交互，得到训练数据集合，包括：将所述连续动作序列集合与所述加工车间的仿真多维矩阵进行交互，得到环境多维特征集合和动作奖励值集合；所述根据所述训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数，包括：根据所环境多维特征集合和所述动作奖励值集合对无人小车网络模型进行训练和优化，在所述连续动作序列集合中各动作的动作奖励值最优时，输出无人小车网络模型参数。6.根据权利要求1～4任一项所述的方法，其特征在于，根据所述训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数，包括：采用深度强化学习算法，根据所述训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数。7.根据权利要求1～4任一项所述的方法，其特征在于，所述生产车间为注塑加工车间。8.一种加工车间无人小车协同调度系统，其特征在于，包括：动作生成模块，用于随机生成加工车间中多个无人小车的连续动作序列集合，所述连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；数据训练模块，用于将所述连续动作序列集合与所述加工车间的仿真多维矩阵进行交
互，得到训练数据集合；参数生成模块，用于根据所述训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；运行控制模块，用于使用所述无人小车网络模型参数控制所述多个无人小车在所述加工车间中运行。9.根据权利要求8所述的系统，其特征在于，还包括：矩阵更新模块，用于在所述使用所述无人小车网络模型参数控制所述多个无人小车在所述加工车间中运行之后，更新所述仿真多维矩阵。10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的加工车间无人小车协同调度方法。
技术总结本发明公开了一种加工车间无人小车协同调度方法、系统和存储介质。一种加工车间无人小车协同调度方法包括：随机生成加工车间中多个无人小车的连续动作序列集合，连续动作序列集合中每个无人小车的连续动作序列为无人小车完成一项任务的动作序列；将连续动作序列集合与加工车间的仿真多维矩阵进行交互，得到训练数据集合；根据训练数据集合对无人小车网络模型进行训练和优化，输出无人小车网络模型参数；使用无人小车网络模型参数控制多个无人小车在加工车间中运行。本发明实施例的技术方案，提高了自动加工车间中无人小车的作业效率。率。率。
技术研发人员：陈录城 肖人文 盛国军 徐鹏 谈晟
受保护的技术使用者：卡奥斯工业智能研究院（青岛）有限公司 海尔数字科技（青岛）有限公司
技术研发日：2022.04.18
技术公布日：2022/7/4
