(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210993739.1 (22)申请日 2022.08.18 (71)申请人 中国外运 华南有限公司 地址 516000 广东省广州市黄埔区海员路 97号11-16、 18层 (72)发明人 叶增健　郑克欧　江坚　李特　 马振华　 (74)专利代理 机构 厦门市宽信知识产权代理有 限公司 3 5246 专利代理师 张广辉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06N 20/00(2019.01) (54)发明名称 集装箱落位筛选方法、 系统、 存储介质和电 子设备 (57)摘要 本发明提供了一种集装箱 落位筛选方法、 系 统、 存储介质和电子设备， 所述方法通过构建集 装箱的3D堆场模型， 结合所述3D堆场模型、 所述 深度学习模 型进行迭代训练， 而后接收待落位的 集装箱的装卸指令， 根据训练完成的所述深度学 习模型确定当前待落位集装箱的最优落位 以及 操作路径， 根据所述操作路径驱动作业机构将所 述待落位集装箱移动至所述最优落位。 本申请的 集装箱落位筛选方法充分考虑了当前堆场内集 装箱的堆放情况， 并通过评估关键指标对于深度 学习模型进行训练， 能够使 得确定的落位和操作 路径根据准确， 较实际翻箱率有较高的优化效 果， 具备实际生产应用的可 行性。 权利要求书2页 说明书11页 附图11页 CN 115511151 A 2022.12.23 CN 115511151 A 1.一种基于深度学习的集装箱落 位筛选方法， 其特 征在于， 所述方法包括以下步骤： S1： 构建集装箱的3D堆场模型； S2： 获取集装箱堆场的历史堆场数据及历史作业数据， 根据所述历史堆场数据及历史 作业数据确定深度学习模型中的参数信息； S3： 结合所述3D堆场模型、 所述深度学习模型进行迭代训练， 将训练过程的评估指标与 参考作业数据进行比对， 当两者 误差在预设误差范围内时， 所述深度学习模型训练完成； S4： 接收待落位的集装箱的装卸指令， 根据步骤S3训练完成的所述深度学习模型确定 当前待落位集装箱的最优落位以及操作路径， 根据所述操作路径驱动作业机构将所述待落 位集装箱移动至所述 最优落位。 2.如权利要求1所述的基于深度学习的集装箱落位筛选方法， 其特征在于， 步骤S1包 括： S11： 确定放置集装箱的箱区的规模大小； S12： 根据堆场的箱数据对当前堆场内堆放的各个集装箱进行渲染； 所述箱数据包括堆 位尺寸和集装箱的箱 尺寸； S13： 根据集装箱的堆 放规则要求， 确定当前堆场内允许的入堆 落位或翻箱落 位集合； S14： 统计各堆场的关键指标并在3D堆场模型中显示； 所述关键指标包括堆场利用率、 当前出入堆集装箱个数、 总翻箱 量、 单个柜的翻箱 量、 作业机构运动至堆位的距离中的任一 项或多项。 3.如权利要求1所述的基于深度 学习的集装箱落位筛选方法， 其特征在于， 所述参数信 息包括堆场状态特 征、 动作状态特 征和奖励函数； 所述堆场状态特 征根据堆场的属性特 征和集装箱的属性特 征确定； 所述动作状态特 征为将当前集装箱置 于堆场中的某一 堆位需要进行的操作动作集 合； 所述奖励函数用于计算奖励积分， 所述奖励积分根据最小化翻箱量、 二次翻箱量以及 作业机械的运动距离确定 。 4.如权利要求3所述的基于深度 学习的集装箱落位筛选方法， 其特征在于， 所述评估指 标包括每次迭代的奖励积分总和、 翻箱 量、 二次翻箱 量、 作业结构运动距离中的任一项或多 项。 5.如权利要求1所述的基于深度学习的集装箱落位筛选方法， 其特征在于， 步骤S3包 括： S31： 初始化t0时刻状态空间S， 具体包括： 设置当前集装箱堆场的状态以及即将作业的 集装箱操作， 并设置单步允许的最大错 误操作数； S32： 根据t时刻环境状态st， 选择动作空间A中的某个可选动作at， 判断该动作是否满足 业务校验规则， 如不满足则存档当前状态， 记录奖励r(st,at)， 并将单步错误操作数加1， 继 续选择下一动作进行判断， 直至单步错误数到达设置允许 的最大错误操作数， 结束当前迭 代； 如果当前所选择 的动作匹配当前即将作业的集装箱状态且符合业务校验规则， 记录奖 励r(st,at)， 进入t+1时刻并更新环境状态为St+1； S33： 通过设置不同的迭代次数或模型参数， 对模型进行训练， 统计训练过程中的关键， 将所述关键评估指标与参考作业数据进行比对， 当两者误差在预设误差范围内时， 所述深 度学习模型训练完成。权　利　要　求　书 1/2 页 2 CN 115511151 A 26.如权利要求1所述的基于深度 学习的集装箱落位筛选方法， 其特征在于， 所述方法还 包括： 将步骤S3训练完成的深度 学习模型置入码头操作系统 的计划调度决策模块， 所述计划 调度决策模块用于接收待落位的集装箱的装卸指 令， 并通过所述训练完成的深度学习模型 输出最优 入堆和翻箱落 位。 7.如权利要求6所述的基于深度 学习的集装箱落位筛选方法， 其特征在于， 所述方法还 包括： 当判定本次翻箱率高于预设值时， 对本次模型输出的最优入堆和翻箱落位进行记录， 将记录的数据重新输入训练完成的模型进行优化迭代。 8.一种存储介质， 其特征在于， 所述存储介质中存储有计算机程序， 所述计算机程序被 执行时实现如权利要求1至7任一项所述的方法。 9.一种电子设备， 其特 征在于， 包括： 存储介质， 为如权利要求8所述的存 储介质； 处理器， 与所述存储介质电连接， 用于执行所述存储介质存储的计算机程序以实现如 权利要求1至7任一项所述的方法。 10.一种基于深度学习的集装箱落 位筛选系统， 其特 征在于， 包括： 电子设备， 为如权利要求9所述的电子设备； 作业机构， 用于接收所述电子设备的控制命令， 根据所述控制命令将所述待落位集装 箱移动至所述 最优落位。权　利　要　求　书 2/2 页 3 CN 115511151 A 3