厢式货车货物装载策略关键算法研究

作     者：管洪亮 

作者单位：山东交通学院 

学位级别：硕士

导师姓名：张广渊;赵峰;王振飞

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：厢式货车 货物装载策略 Efficient-YOLO模型 LapEfficientDepth模型 ACKTR策略 

摘      要：厢式货车因其封闭的货箱结构,适合运输各种类型的货物,是物流运输中的配送主力。现阶段,厢式货车自动装车设备逐步投入使用,但装载策略受到现实场景的约束,仍需要人工参与。实现厢式货车货物自动装载,有利于提升运输效率和装载空间的利用率。 针对厢式货车货物装载策略,本文聚焦货物目标检测、深度估计和装箱策略三个关键方面,旨在通过计算机视觉和强化学习技术应用,得到厢式货车装载策略,提高装载空间利用率和装载个数。研究主要工作如下: (1)针对货物精准识别问题,提出Efficient-YOLO模型。本研究基于YOLO V7模型的改进,提出Efficient-YOLO货物目标检测模型。通过采用Fused MBConv模块和MBConv模块替代传统的卷积模块,使模型的参数量下降至16.79M。在货物包裹数据集上的评估显示,Efficient-YOLO-M和Efficient-YOLO-S模型在检测效果上与YOLO V7原始模型相比,均有所提升。特别是,经过迁移学习处理的Efficient-YOLO-S模型,在精准度和m AP.5指标上分别达到100%和99.4%,证明该模型能高效识别待装载货物。 (2)针对装载场景获取深度信息问题,提出LapEfficientDepth模型。本研究基于改进Lap Depth模型,提出LapEfficientDepth深度估计轻量级模型。该模型通过采用轻量级模块和残差模块,替换Lap Depth模型中的Res Next101编码器模块,使模型参数量显著降低,仅占原模型的8.5%。LapEfficientDepth模型在KITTI数据集上进行预训练,然后在ETH3D-S小样本数据集上进行迁移学习,能得到相对误差更低,精度更高的单目深度估计模型。LapEfficientDepth模型生成的深度图表现出更平滑的色彩过渡和更丰富的细节信息,证明其在小样本场景下对货物及装载空间深度估计的有效性。 (3)针对厢式货车货物装载策略问题,提出一种改进ACKTR深度强化学习货物装载策略。本研究基于ACKTR原策略,使用Lucky Re LU激活层替换原有的Re LU激活层,并在输出端前添加Dropout失活层,得到改进的ACKTR货物装载策略。实验结果表明,改进后的策略相较于原策略,在模拟10次和100次装箱实验中,空间利用率分别提升0.32%和3.54%,装箱完成后的空间稳定性更高,说明该策略有效提高了货物装载效率。