[发明专利]一种多任务多约束高可信实时自主决策优化方法及系统

权利要求书

1.一种多任务多约束高可信实时自主决策优化方法，其特征在于，所述方法包括如下步骤：

步骤S1：对机器人获得的矩形件进行尺寸测量，得到矩形件的尺寸信息；

步骤S2：对储存盒内放置环境进行拍照，利用图像处理技术得到储存盒环境俯视图；

步骤S3：将储存盒环境俯视图映射成一个二值矩阵；

步骤S4：生成一个与矩形件长宽相同的第一卷积核矩阵，将第一卷积核矩阵与步骤S3的二值矩阵做卷积运算，得到放置矩阵；

步骤S5：生成一个第二卷积核矩阵，将第二卷积核矩阵与步骤S4得到的放置矩阵做卷积运算，得到价值矩阵；所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。

2.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S1中，利用三维重建对矩形件进行三维重建，得到矩形件的长宽高的尺寸信息。

3.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S2中，在储存盒上方放置相机，对储存盒内的放置环境进行拍照，根据预设的相机内参数将拍照角度矫正到俯视视角，得到储存盒环境俯视图。

4.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S3中，根据储存盒环境俯视图检测到储存盒四个角在像素坐标系中的位置，将储存盒截取出来，利用矩形件和储存盒像素特征的差异，将储存盒环境照片转化为二值矩阵，得到环境矩阵。

5.根据权利要求4所述的多任务多约束高可信实时自主决策优化方法，其特征在于：储存盒中已放置矩形件的区域对应矩阵中的元素全为1，未放置矩形件的区域对应二值矩阵中的元素值全为0。

6.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S4中，所述矩形件的长宽分别为L、W，根据所述矩形件的长宽生成一个L×W的元素全为1的矩阵，作为第一卷积核矩阵。

7.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S4中，放置矩阵中元素值计算方式如下：

其中，i为矩阵的行号，j为矩阵的列号。

8.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法，其特征在于：在步骤S5中，在步骤S4中的放置矩阵外填充一层全0元素，生成一个3×3的第二卷积核矩阵。

9.一种多任务多约束高可信实时自主决策优化系统，其特征在于包括：

第一模块，用于对机器人获得的矩形件进行尺寸测量，得到矩形件的尺寸信息；

第二模块，用于对储存盒内放置环境进行拍照，利用图像处理技术得到储存盒环境俯视图；

第三模块，用于将储存盒环境俯视图映射成一个二值矩阵；

第四模块，用于生成一个与矩形件长宽相同的第一卷积核矩阵，将第一卷积核矩阵与二值矩阵做卷积运算，得到放置矩阵；

第五模块，用于生成一个第二卷积核矩阵，将第二卷积核矩阵与放置矩阵做卷积运算，得到价值矩阵；所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。

10.根据权利要求9所述的多任务多约束高可信实时自主决策优化系统，其特征在于：利用三维重建对矩形件进行三维重建，得到矩形件的长宽高的尺寸信息。