一种基于AI大模型决策分析的智能协同调度智能体系统及方法与流程

本发明涉及多机器人任务，具体涉及一种基于ai大模型决策分析的智能协同调度智能体系统及方法。

背景技术：

1、随着城市化进程加速和基础设施建设规模的持续扩大，地下空间（如综合管廊、隧道、矿山巷道、地下室等）的运维管理面临日益严峻的挑战。地下空间具有环境封闭、通风不畅、照明不足、存在有毒有害气体等特点，传统依赖人工巡检和作业的运维模式存在人员安全风险高、巡检盲点多、应急响应滞后等突出问题。

2、近年来，机器人技术在地下空间运维领域得到了初步应用，包括四足机器人用于复杂地形巡检、无人机用于空中快速探查、巡检车用于沿轨道连续监测、消防机器人用于火情处置、作业机械臂用于设备维修操作等。这些机器人的引入在一定程度上替代了人工巡检，降低了人员暴露风险。

3、然而，现有机器人应用多采用单机独立运行模式，各机器人之间缺乏统一调度与协同机制。当面对复杂运维任务（如同时涉及巡检、故障排查、应急灭火、设备维修等多类型子任务）时，需要人工操作员分别操控不同类型的机器人，调度效率低下，无法形成整体运维合力。此外，不同机器人采集的感知数据相互孤立，缺乏融合分析能力，无法为决策提供全局态势视图。

4、近年来，以gpt、文心一言、通义千问等为代表的大规模预训练语言模型（ai调度大模型）展现了强大的自然语言理解、逻辑推理和任务规划能力。同时，多智能体强化学习等技术在解决多机器人协同调度问题上取得了显著进展。这为构建基于ai调度大模型决策分析的智能协同调度智能体系统提供了技术基础，较为成熟为基于固定规则的多机器人调度系统和基于单一ai模型的单机器人自主控制系统。

5、基于固定规则的多机器人调度系统，广泛应用于工业仓储、物流分拣等场景。该类系统采用预定义的调度规则和任务分配策略，通过中央调度服务器向各机器人下发指令。

6、其基本架构包括：

7、（1）任务输入模块：操作员通过图形界面手动创建和分配任务，任务以结构化表单的形式输入（如指定目标位置、操作类型、优先级等）；

8、（2）规则引擎：基于预设的调度规则（如最短路径优先、最近机器人优先、优先级抢占等）进行任务分配；

9、（3）路径规划模块：采用dijkstra（迪杰斯特拉算法）算法或rrt算法为各机器人规划独立的行进路径；

10、（4）机器人通信接口：通过wi-fi或专用无线通信协议向各机器人下发运动指令；

11、（5）状态监控模块：收集各机器人的位置、电量、任务状态等信息并在监控界面上展示。

12、该方案的核心特征在于：任务分解和分配完全依赖人工预设的规则模板，当任务类型增加或场景变化时，需要人工更新规则库，系统存在以下缺点

13、（1）任务理解能力不足：现有技术依赖操作员以结构化表单形式输入任务，无法理解自然语言描述的复杂运维任务（如"巡检a区电力舱并检查异常温升点"），当任务涉及多步骤、多目标时，需要操作员手动分解为原子任务并逐一指派，效率极低；

14、（2）缺乏多机协同能力：现有技术的任务分配基于独立规则（如最近机器人优先），无法综合考虑多个异构机器人（如无人机与四足机器人、消防机器人与巡检车之间）的能力互补关系和协同作业约束，不能生成需要多种类型机器人接力或并行协作的协同方案；

15、（3）缺乏动态重规划能力：当执行过程中出现机器人电量不足、遭遇障碍物、设备故障或突发新紧急任务等情况时，现有系统需人工干预才能调整调度方案，无法实时自主进行动态重规划，导致应急处置响应滞后；

16、（4）感知数据利用不充分：现有系统仅将机器人传感器数据用于定位和避障，未对其进行多模态融合分析，无法构建全局环境态势图，也难以主动识别需要处理的异常事件（如设备温度异常、气体浓度超标等），导致决策缺乏全局环境感知支撑。

17、基于单一ai模型的单机器人自主控制系统，典型方案如基于深度强化学习的机器人自主导航系统、基于智能视觉语言模型的机器人抓取系统等。该类系统将ai模型嵌入单个机器人本体，实现该机器人对特定任务的自主感知、规划与执行。

18、其基本架构包括：

19、（1）感知模块：通过该机器人搭载的摄像头、激光雷达、imu等传感器采集环境数据；

20、（2）ai推理模块：部署于机器人本体计算单元或边缘服务器的ai视觉模型（如cnn目标检测、vlm视觉问答、drl策略网络等），对感知数据进行推理，输出动作指令；

21、（3）执行控制模块：将ai推理结果转换为机器人运动控制指令（如电机转速、机械臂关节角度等）；

22、（4）通信模块：与远程监控终端保持连接，支持人工远程接管。

23、该方案的核心特征在于：ai模型服务于单个机器人，只关注该机器人的任务执行，不具备多机器人全局调度和协同决策能力，该方案存在以下缺点

24、（1）缺乏全局调度智能体：现有技术将ai模型部署于单机器人本体或边缘服务器，每个机器人独立决策，缺乏一个统一的"智能体大脑"从全局视角进行任务理解、分解与多机器人协同调度；

25、（2）无法实现异构机器人协同：现有技术的ai模型通常针对特定机器人类型和特定任务训练（如四足机器人的地形穿越策略、机械臂的抓取策略），无法跨机器人类型进行协同规划，当任务需要无人机高空探查、四足机器人地面抵近、机械臂精细操作等多机器人接力完成时，现有技术无法支持；

26、（3）缺乏领域知识增强：现有技术的ai模型依赖通用训练数据，对地下空间运维领域的专业知识（如设备故障模式、应急处置规程、管廊空间拓扑关系等）缺乏理解，导致在面对专业运维任务时决策能力不足；

27、（4）缺乏多源数据融合的态势感知：现有技术仅使用单机器人的传感器数据进行决策，无法融合多机器人、多传感器以及固定物联网监测设备的多源异构数据，难以构建完整的数字孪生态势图来支撑全局决策。

28、基于此，本发明设计了一种基于ai大模型决策分析的智能协同调度智能体系统及方法以解决上述问题。

技术实现思路

1、针对现有技术所存在的如何使系统能够理解自然语言描述的复杂运维任务，并自动将任务分解为可执行的多机器人协同子任务序列，而非依赖操作员手动分解和指派，以及如何实现异构多机器人在动态地下空间环境中的统一智能协同调度与实时动态重规划，如何有效融合多机器人、多类型传感器及固定物联网监测设备的多源异构感知数据，构建实时数字孪生环境模型，为ai调度大模型决策提供全面的态势感知支撑的缺点，本发明提供了一种基于ai大模型决策分析的智能协同调度智能体系统及方法。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、一种基于ai大模型决策分析的智能协同调度智能体系统，包括：感知层、通信层、数据融合层、智能决策层、调度执行层和交互展示层，各层之间通过标准化数据接口进行交互；

4、具体如下：

5、感知层：包括机器人自带的多模态传感器和固定安装的环境监测设备，用于采集机器人运行和地下空间的多源异构数据；

6、通信层：上行传输多源异构感知数据，下行传输调度指令与远程控制指令；

7、数据融合层：接收来自感知层的多源异构数据，执行时间同步、空间坐标对齐和多模态特征融合处理，生成统一格式的环境态势数据，同时驱动数字孪生场景实时映射数字孪生场景；

8、智能决策层：接收来自交互展示层的自然语言任务指令、来自数据融合层输出的环境态势数据以及实时更新的数字孪生场景，再通过训练完成的ai调度大模型与运维知识图谱配合生成的多机器人协同调度方案，同时，多机器人任务执行过程中分级对原有协同调度方案进行局部或全局重规划；

9、调度执行层：通过实时数字孪生场景完成指令校验、轨迹比对与路径偏差监测，将协同调度方案转化为各机器人可识别的任务执行指令并下发，同时采集机器人运行反馈数据回传至数据融合层；

10、交互展示层：通过实时更新的数字孪生场景，实现全局态势展示、任务下发、进度监控、异常告警以及人工远程接管的人机交互功能。

11、更进一步的，多模态传感器包括可见光摄像头、红外热成像仪、激光雷达、气体传感器、超声波传感器、imu惯性测量单元；

12、固定安装的环境监测设备包括温湿度传感器、烟雾传感器、水位传感器、固定摄像头。

13、更进一步的，ai调度大模型包括任务规划与分解模块和动态重规划模块；

14、任务规划与分解模块：用于解析完整运维任务，依托运维知识图谱拆解为具备先后逻辑关系的子任务序列，结合数字孪生场景内机器人实时状态完成机器人与子任务的最优匹配；

15、动态重规划模块：用于任务执行过程中，通过监测的机器人异常工况与地下空间突发环境扰动，分级对原有协同调度方案进行局部或全局重规划。

16、更进一步的，调度执行层包括异构机器人统一调度引擎和协议适配网关；

17、异构机器人统一调度引擎基于ros2（robot operating system 2第二代机器人操作系统）框架扩展开发，屏蔽不同机器人内部架构差异，提供类型无关的统一调度抽象；引擎解析上层协同调度方案，标准化生成包含任务id、目标机器人id、任务类型、目标坐标、操作参数、执行时间窗口、优先级的统一任务指令；同时维护全局任务队列，实现任务优先级排序、时间窗冲突检测、多机器人同步时序协调，统筹全部机器人有序作业。

18、协议适配网关：用于屏蔽不同类型、不同厂商机器人的通信协议差异，完成标准化指令与机器人原生控制协议的双向转换，并下发各机器人可识别的任务执行指令，并将采集机器人运行反馈数据回传至数据融合层。

19、更进一步的，还包括机器人状态数据库；

20、机器人状态数据库：用于实时存储机器人全维度运行状态信息，与数字孪生场景联动同步机器人虚实运行状态

21、一种调度方法，利用基于ai大模型决策分析的智能协同调度智能体系统；

22、包括以下步骤：

23、步骤1：系统启动，加载各机器人的能力模型至运维知识图谱，初始化数字孪生场景；

24、步骤2：机器人自带的多模态传感器和固定安装的环境监测设备采集机器人运行和地下空间的多源异构数据，并通过通信层传输给数据融合层；

25、步骤3：数据融合层执行时间同步、空间坐标对齐和多模态特征融合处理，生成统一格式的环境态势数据，同时驱动数字孪生场景实时映射数字孪生场景；

26、步骤4：智能决策层接收来自交互展示层的自然语言任务指令、来自数据融合层输出的环境态势数据以及实时更新的数字孪生场景，再通过训练完成的ai调度大模型与运维知识图谱配合生成的多机器人协同调度方案；

27、步骤5：调度执行层通过实时数字孪生场景完成指令校验、轨迹比对与路径偏差监测，将协同调度方案转化为各机器人可识别的任务执行指令并下发，同时采集机器人运行反馈数据回传至数据融合层；

28、步骤6：在任务执行过程中，调度执行层持续收集各机器人的状态反馈和环境变化的信息，判断是否达到触发预设的重规划条件时，若判断为是时，动态重规划模块被激活，重新规划协同调度方案，将重新规划的协同调度方案与当前正在执行的新协同调度方案通过操作序列插值方式进行平滑衔接，再执行步骤5，若判断为否时，执行步骤7；

29、步骤7：所有子任务执行完毕后，系统汇总执行结果，生成任务报告，并将本次任务执行过程中新发现的环境变化信息和异常处置经验更新至运维知识图谱，实现知识持续积累。

30、更进一步的，步骤3的具体操作如下：

31、步骤31、多源数据时空对齐：对所有多源异构感知数据进行精确时间戳标记，然后将不同坐标系下的传感器数据统一转换至全局数字孪生坐标系；

32、步骤32、底层融合：针对完成时间同步、空间坐标对齐后的原始传感数据，开展数据配准与像素/点云层面拼接校正，完成可见光图像与红外热成像图像像素级精准配准，同时完成激光雷达三维点云与视觉深度图的点云融合；

33、步骤33、中层融合：分别提取可见光视觉特征、红外温度异常特征、激光雷达环境几何特征、气体浓度特征、环境监测参数特征以及机器人运行状态特征，依托设备唯一标识完成多类特征关联拼接，生成统一目标融合特征向量；

34、步骤34、高层融合：结合通道注意力机制，依据运维任务需求，自适应分配视觉、红外、点云、环境传感、机器人状态五类模态数据的权重，统一转化为统一格式的环境态势数据，同步将环境态势数据实时推送至数字孪生场景，驱动场景态势毫秒级动态刷新，生成实时的数字孪生场景。

35、更进一步的，步骤4具体操作如下：

36、步骤41、任务理解与意图解析：接收用户输入的自然语言任务指令，结合运维知识图谱对自然语言任务指令进行分解任务意图，并提取任务类型、目标区域、重点检查项、时间约束和最迟完成时间，再调用工具接口查询运维知识图谱，获取目标区域的空间拓扑信息和历史运维数据；

37、步骤42、任务分解与机器人匹配：将任务分解为子任务，并对每个子任务匹配最优执行机器人；

38、步骤43、多机器人协同路径与动作规划：对已分配好的子任务的最优执行机器人，ai调度大模型决策引擎进一步生成各机器人的执行计划，得到多机器人协同调度方案。

39、更进一步的，步骤42具体操作如下：

40、步骤421：ai调度大模型根据任务意图、目标区域的空间拓扑信息和历史运维数据，通过思维链推理生成任务分解方案，将任务意图分解为具有逻辑顺序的子任务序列；

41、步骤422：ai调度大模型调用运维知识图谱查询接口，检索各候选机器人类型的能力状态，通过语义匹配计算子任务需求与机器人能力之间的匹配度；

42、步骤423：基于匹配度排序和机器人当前可用状态，再根据多机器人协同约束和协同约束类型，对每个子任务匹配最优执行机器人。

43、更进一步的，步骤43具体操作如下：

44、步骤431、ai调度大模型调用路径规划工具，基于数字孪生场景，采用rrt（快速扩展随机树路径规划算法）算法为每台机器人规划从当前位置到目标区域的最优行进路径，同时考虑多机器人路径间的冲突避免约束；

45、步骤432、判断是否需要使用精细操作的机器人，若判断为是时，执行步骤433，若判断为否时，直接将各机器人最优行进路径整理形成多机器人协同调度方案，再执行步骤434；

46、步骤433、ai调度大模型调用操作规划工具，依托目标设备数字孪生模型与具体作业任务描述生成精细化操作动作序列，将机器人行进路径与作业动作序列按照时间轴对齐整合，生成带时序约束的多机器人协同调度方案，随后执行步骤434；

47、步骤434、输出多机器人协同调度方案。

48、有益效果：本发明实现了自然语言驱动的复杂运维任务自主理解与分解：通过ai调度大模型决策引擎的语义理解、思维链推理和知识图谱增强能力，能够理解用户以自然语言描述的复杂运维任务，自动将其分解为结构化的子任务序列并匹配最优机器人类型，突破了现有技术依赖操作员手动分解和指派的局限性，显著降低了运维人员的工作负担和操作复杂度。

49、（2）实现了异构多机器人的统一智能协同调度：通过运维知识图谱中的机器人能力模型与语义匹配机制，结合多机器人路径与动作规划算法，首次实现了涵盖无人机、四足机器人、巡检车、消防机器人、作业机械臂等多种异构机器人的统一协同调度，支持"探查、抵近、操作和处置"等多种多机器人接力协作模式，填补了现有技术在异构多机器人协同调度领域的空白。

50、（3）具备实时动态重规划能力：通过持续监控任务执行状态和环境变化，结合分级重规划策略，系统能够在机器人电量不足、遭遇障碍、发生突发异常事件等情况下自主进行实时动态重规划，保证任务执行的连续性和鲁棒性，将应急处置响应时间从现有技术的分钟级缩短到秒级。

51、（4）实现了多源感知数据的深度融合与数字孪生实时映射：采用分层融合策略处理多机器人、多类型传感器的异构感知数据，结合高精度时空对齐技术，实现了地下空间数字孪生模型的近实时更新（延迟低于0.1秒），为ai调度大模型决策提供了全局、实时的态势感知支撑。