(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211264060.5 (22)申请日 2022.10.17 (65)同一申请的已公布的文献号 申请公布号 CN 115329683 A (43)申请公布日 2022.11.11 (73)专利权人 中国民航大 学 地址 300399 天津市东 丽区津北公路2898 号 (72)发明人 张攀　程九廪　田金涛　张威　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 孟金喆 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) G06V 10/24(2022.01) G06V 10/75(2022.01) G06V 20/00(2022.01)(56)对比文件 CN 113850793 A,2021.12.28 US 2021216 561 A1,2021.07.15 CN 115063472 A,202 2.09.16 CN 115033792 A,2022.09.09 CN 114663626 A,202 2.06.24 张长勇 等.基 于改进粒子 群算法的航空行 李在线装载优化. 《包 装工程》 .2021,第42卷(第 21期), 张威 等.基 于启发式算法的在线 多尺寸行 李码放问题求 解. 《包装工程》 .2021,第42卷(第 21期), 洪振宇 等.基 于支持向量机模型的机场行 李码放策略. 《计算机 应用与软件》 .202 2,第39卷 (第7期), 张长勇 等.阶梯垛型点云边界快速提取方 法研究. 《包 装工程》 .202 2,第43卷(第17期), 审查员 邵金 (54)发明名称 航空行李在线装载规划方法、 装置、 设备及 介质 (57)摘要 本发明公开了一种航空行李在线装载规划 方法、 装置、 设备及介质。 该方法包括获取当前待 装载行李的行李尺寸信息和码垛区域的垛型信 息； 将行李尺 寸信息和垛型信息输入至与 码垛区 域匹配的分层树搜索模型中， 获取各备选行李码 放位置分别对应的目标节点特征； 将行李尺寸信 息、 垛型信息以及各目标节点特征输入至深度强 化学习模型中， 获取与当前待装 载行李匹配的目 标行李码放位置； 控制机械臂将当前待装载行李 码放至码垛区域内的目标行李码放位置。 本发明 实施例的技术方案实现了航空行李准确、 快速的 自动化在 线装载规划， 从而使每个航空行李的装 载紧密、 稳定， 减少空间的浪费， 有效提高机场的 经济性和运行效率。 权利要求书3页 说明书17页 附图7页 CN 115329683 B 2022.12.13 CN 115329683 B 1.一种航空行李在线装载规划方法， 其特 征在于， 包括： 获取当前待装载 行李的行李 尺寸信息， 以及码垛区域的垛型信息； 将行李尺寸信 息和垛型信 息输入至与码垛 区域匹配的分层树搜索模型中， 获取与码垛 区域内各 备选行李码放 位置分别对应的目标节点特 征； 将行李尺寸信 息、 垛型信 息以及与码垛区域内各备选行李码放位置分别对应的目标节 点特征输入至深度强化学习模型中， 获取与当前待装载 行李匹配的目标 行李码放 位置； 控制机械臂将当前待装载行李码放至码垛 区域内的目标行李码放位置后， 根据目标行 李码放位置更新分层树搜索模型。 2.根据权利要求1所述的方法， 其特征在于， 将所述行李尺寸信 息和所述垛型信 息输入 至与码垛区域匹配的分层树搜索 模型中， 获取与码垛区域内各备选行李码放位置分别对应 的目标节点特 征， 包括： 根据所述 垛型信息， 对所述分层树搜索模型中的各内部节点和各叶子节点进行 更新； 其中， 各内部节点用于描述码垛区域中各码垛完成行李 的描述信息， 各叶子节点用于 描述码垛区域中各 备选行李码放 位置的描述信息； 通过分层树搜索模型中的多层感知器， 根据行李尺寸信息、 分层树搜索模型中的内部 节点和叶子节点， 生成与码垛区域内各 备选行李码放 位置分别对应的低维节点特 征； 通过分层树搜索模型中的图注意力网络， 将与码垛 区域内各备选行李码放位置分别对 应的低维节点特 征转化为高维节点特 征； 通过缩放点积注意力网络， 根据分层树搜索模型中叶子节点关系权重以及与码垛区域 内各备选行李码放位置 分别对应的高维节点特征， 计算与各备选行李码放位置 分别对应的 嵌入节点特 征； 通过归一化网络， 对与各备选行李码放位置分别对应的嵌入节点特征进行归一化处 理， 得到与码垛区域内各 备选行李码放 位置分别对应的目标节点特 征。 3.根据权利要求2所述的方法， 其特征在于， 通过分层树搜索模型中的多层感知器， 根 据行李尺寸信息、 分层树搜索模型中的内部节点和叶子节点， 生成与码垛区域内各备选行 李码放位置分别对应的低维节点特 征， 包括： 将分层树搜索模型中的各内部节点输入至第一节点式多层感知器中， 获取第一类特 征； 将分层树搜索模型中的每个叶子节点分别 输入至第 二节点式多层感知器中， 获取与每 个叶子节点分别对应的第二类特 征； 将行李尺寸信息 输入至第三节点式多层感知器中， 获取第三类特 征； 将与每个叶子节点分别对应的第二类特征， 分别与第一类特征和第三类特征进行组 合， 生成与码垛区域内各 备选行李码放 位置分别对应的低维节点特 征。 4.根据权利要求2所述的方法， 其特征在于， 通过缩放点积注意力网络， 根据分层树搜 索模型中叶子节点关系权重以及与码垛区域内各备选行李码放位置分别对应的高维节点 特征， 计算与各 备选行李码放 位置分别对应的嵌入节点特 征， 包括： 根据公式： ， 计算得到与第p个备选权　利　要　求　书 1/3 页 2 CN 115329683 B 2行李码放 位置对应的嵌入节点特 征 ； 其中， 、 、 、 为分层树搜索模型中预先训练 的权值矩阵， n为分层树搜索 模型中的叶子节点的总数量， 为与第p个备选行李码放位置对应的高维节点特征， 为与 第j个备选行李码放 位置对应的高维节点特 征， 为投影特 征的维度， 为转置运算符。 5.根据权利要求4所述的方法， 其特征在于， 通过归一化网络， 对与各备选行李码放位 置分别对应的嵌入节点特征进 行归一化处理， 得到与码垛区域内各备选行李码放位置 分别 对应的目标节点特 征， 包括： 根据公式： ， 计算得到与第p个备选行李码放 位置对应的目标节点特 征 ； 其中， 为使用第四节点式多层感知器对 进行处理。 6.根据权利要求2 ‑5任一项所述的方法， 其特征在于， 将行李尺寸信息、 垛型信息以及 与码垛区域内各备选行李码放位置 分别对应的目标节点特征输入至深度强化学习模型中， 获取与当前待装载 行李匹配的目标 行李码放 位置， 包括： 通过深度强化学习模型根据行李 尺寸信息， 确定当前待装载 行李的行李类别； 通过深度强化学习模型根据当前待装载行李的行李类别以及垛型信 息， 计算与码垛 区 域内的每 个备选行李码放 位置分别对应的节点权 重； 通过深度强化学习模型根据与每个备选行李码放位置分别对应的节点权重， 设置所述 深度强化学习模型的奖励函数； 通过深度强化学习模型根据与码垛区域内各备选行李码放位置分别对应的目标节点 特征以及所述奖励函数， 从分层树搜索模型 的全部叶子节点中决策出目标叶子节点， 作为 与当前待装载 行李匹配的目标 行李码放 位置； 其中， 所述深度强化学习模型使用优势动作评价算法预先训练得到， 该深度强化学习 模型以民航机场航空行李的行李车车厢真实数据作为训练样本集， 以填充率为评测标准， 多次迭代训练得到 。 7.根据权利要求6所述的方法， 其特征在于， 通过深度强化学习 模型根据当前待装载行 李的行李类别以及垛型信息， 计算与码垛区域内的每个备选行李码放位置 分别对应的节点 权重， 包括： 根据公式： ， 计算第t个备选行李码放位置相针对当前待 装载行李k的节点权 重 ； 其中， 为当前待装载行李的体积， c为预设的经验常数， 为当前待装载行 李k与码垛区域中全部码垛完成行李中同类别行李的平均距离 。权　利　要　求　书 2/3 页 3 CN 115329683 B 3