一种铁路装卸车的拆垛方法、系统及装卸车机器人与流程

本技术属于智能物流，尤其涉及一种铁路装卸车的拆垛方法、系统及装卸车机器人。

背景技术：

1、在铁路物流领域，袋装货物的自动化装卸是实现无人化作业的关键环节，其中自动化拆垛技术尤为重要。

2、目前，现有的拆垛方案主要依赖于单一的视觉传感器，例如基于单目相机或深度相机（如结构光、tof相机）的视觉引导系统。这些方案在工厂仓库等环境可控、货物排列规整的场景下取得了一定应用。

3、然而，当应用于铁路货场棚式火车这一特定场景时，现有技术暴露出显著的局限性：

4、传感器单一，环境适应性差：单目相机无法直接获取深度信息，难以应对货物叠压、遮挡等不规则排列情况。而结构光或tof深度相机在棚车内光照不均、粉尘干扰严重的条件下，性能会急剧下降甚至失效，无法稳定运行。

5、缺乏对柔性货物的建模：袋装货物（如粮食、化肥）属于柔性体，在堆叠和运输过程中易发生挤压、变形和塌陷。现有方案多将货物视为刚体处理，无法准确识别和适应其形变，导致抓取失败率高。

6、拆垛策略僵化：现有方案通常采用固定的逐层拆垛顺序，缺乏根据实时感知的垛型状态进行智能决策的能力。这种僵化的策略在遇到不规则垛型时，极易引发塌垛风险，影响作业安全和效率。

7、因此，亟需一种能够融合多传感器优势、适应铁路货场复杂环境、并能智能识别柔性货物形变与动态规划拆垛顺序的方法，以解决上述技术难题。

技术实现思路

1、本技术所要解决的技术问题在于，提供一种铁路装卸车的拆垛方法、系统及装卸车机器人，以解决在铁路货场复杂光照及堆叠环境下，仅依靠单一传感器难以获取高精度垛面信息，且传统拆垛方式缺乏对货物柔性形变、抓取适宜性及移除风险的智能化评估，导致自动化拆垛作业存在抓取成功率低、容易发生塌垛事故以及作业效率低下的问题。

2、为了解决上述技术问题，本技术提供以下技术方案：

3、第一方面，本技术提供了一种铁路装卸车的拆垛方法，包括：

4、获取目标铁路装卸车的中待拆垛的垛面的双目深度图以及全局三维点云图；并将所述双目深度图与所述全局三维点云图进行时空对齐与融合，生成高精度的三维垛面模型；

5、对所述三维垛面模型进行实例分割，识别出每个货物点云簇，并计算每个货物的六自由度位姿信息；

6、基于所述三维垛面模型和每个货物的六自由度位姿信息，计算每个货物的抓取适宜性得分和移除风险评分；

7、根据所述抓取适宜性得分和移除风险评分，动态确定当前最优的抓取目标；

8、根据所述当前最优抓取目标的位姿信息，规划路径并执行拆垛抓取动作；

9、重复上述步骤，直至完成拆垛任务。

10、进一步地，所述将所述双目深度图与所述全局三维点云图进行时空对齐与融合，生成高精度的三维垛面模型，包括：

11、分别计算所述双目深度图的匹配代价置信度和全局三维点云图的空间结构置信度；

12、将所述双目深度图转化成双目点云图，并将所述双目点云图与所述全局三维点云图合并后进行空间体素化处理，获得空间体素化点集；

13、对所述空间体素化点集中的非空点集，根据所述匹配代价置信度和所述空间结构置信度，计算每个非空点集中的归一化权重；

14、根据所述归一化权重、双面点云图以及全局三维点云图，计算得到每个非空点集的最终三维坐标；

15、根据每个非空点集的最终三维坐标，汇总融合成高精度的三维垛面模型。

16、进一步地，在对所述三维垛面模型进行实例分割，识别出每个货物点云簇，并计算每个货物的六自由度位姿信息之后，在基于所述三维垛面模型和每个货物的六自由度位姿信息，计算每个货物的抓取适宜性得分和移除风险评分之前，还包括柔性形变自适应检测步骤：

17、根据所述每个货物点云簇，获得每个货物的实测点云尺寸，并将所述实测点云尺寸与标准尺寸进行对比，识别每个货物的压缩状态、塌陷状态或倾斜状态下的形变量；

18、当形变量超过预设阈值时，标记货物并触发自适应抓取参数调整，所述调整包括抓取点偏移和/或夹爪开合度补偿。

19、进一步地，所述抓取适宜性得分根据可见率、抓取可达性和自身稳定性三项指标加权计算得出，具体计算公式如下：

20、；

21、其中，为抓取适宜性得分，为可见率，为抓取可达性，为自身稳定性，、、分别可见率权重系数、抓取可达性权重系数以及自身稳定性权重系数。

22、进一步地，所述可见率计算方式为：通过从夹爪入爪方向对货物可抓面进行射线投射，计算未被遮挡的表面积占比得到；

23、所述抓取可达性计算方式为：通过在预设角度范围内采样多个候选抓取姿态，并进行碰撞检测和逆运动学求解，以可达姿态的占比度量；

24、所述自身稳定性计算方式为：依据货物底部接触面积占比、侧向邻包约束数及底部摩擦抗抽出力三项加权计算得到。

25、进一步地，所述移除风险评分通过以下方式计算：

26、在所述三维垛面模型中虚拟移除候选货物，生成移除后垛面模型；

27、根据所述移除后垛面模型，依次移除前后计算重心变化量、支撑力与重力的力平衡残差以及底部支撑面边缘的倾覆力矩；

28、根据所述重心变化量、力平衡残差以及倾覆力矩，计算得到移除风险评分。

29、进一步地，所述移除风险评分，具体计算公式如下：

30、；

31、其中，为移除风险评分，为受影响相邻货物数量，为重心偏移阈值，为力平衡残差，为倾覆风险，、、分别为重心偏移权重系数、力平衡残差权重系数、倾覆风险权重系数。

32、进一步地，所述根据所述抓取适宜性得分和移除风险评分，动态确定当前最优的抓取目标，包括：

33、根据所述抓取适宜性得分进行降序排序，生成第一抓取候选列表；

34、从所述第一抓取候选列表踢除移除风险评分超过安全阈值的货物，获得第二抓取候选列表；

35、根据所述第二抓取候选列表，选择抓取适宜性得分最高的货物作为当前最优抓取目标。

36、第二方面，本技术还提供一种铁路装卸车的拆垛系统，包括：

37、模型生成模块，用于获取目标铁路装卸车的中待拆垛的垛面的双目深度图以及全局三维点云图；并将所述双目深度图与所述全局三维点云图进行时空对齐与融合，生成高精度的三维垛面模型；

38、实例分割模块，用于对所述三维垛面模型进行实例分割，识别出每个货物点云簇，并计算每个货物的六自由度位姿信息；

39、计算模块，用于基于所述三维垛面模型和每个货物的六自由度位姿信息，计算每个货物的抓取适宜性得分和移除风险评分；

40、目标确定模块，用于根据所述抓取适宜性得分和移除风险评分，动态确定当前最优的抓取目标；

41、抓取模块，用于根据所述当前最优抓取目标的位姿信息，规划路径并执行拆垛抓取动作；

42、重复执行模块，用于重复上述步骤，直至完成拆垛任务。

43、第三方面，本技术还提供一种装卸车机器人，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述中任一项所述的铁路装卸车的拆垛方法的步骤。

44、第四方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任一项所述的铁路装卸车的拆垛方法的步骤。

45、本技术提供的一种铁路装卸车的拆垛方法、系统及机器人，其有益效果在于：

46、本技术通过双目深度图与激光雷达全局点云时空对齐、基于置信度的体素自适应加权融合构建高精度三维垛面模型，精准解算各货物六自由度位姿并配套柔性形变检测与抓取参数补偿，再结合可见率、可达性、自身稳定性加权得到抓取适宜性得分，同时虚拟移除货物仿真测算重心偏移、力平衡残差与倾覆力矩获取移除风险评分，经适宜性排序、高风险货物剔除后选出最优抓取目标完成抓取并循环作业。本技术相较于现有单一视觉拆垛方案，本发明依托双传感器融合大幅提升棚车强光、粉尘复杂工况下三维感知精度与稳定性，针对袋装货物形变自适应调整抓取策略提升变形货包抓取成功率，依靠双层智能决策机制在提升拆垛效率的同时降低塌垛风险，整套流程全自动闭环运行，可实现铁路货场7×24小时无人化拆垛作业，硬件与算法参数可调，适配各类袋装货物铁路装卸场景。