手术室医疗物资配送多机器人协同路径规划方法及其应用

1.本发明属于路径规划领域，更具体地，涉及一种手术室医疗物资配送多机器人协同路径规划方法及其应用。


背景技术：

2.医院进行手术前，有经验的工作人员会预估手术需求，并据此提前配备手术所需材料包，减少资源浪费的同时为医疗工作后勤提供保障。然而，这种预估不总是准确的，手术中的意外状况常常导致材料需求量增多，配备量不足。因此，手术时也常出现临时要求物资补给的情况。手术高峰期时，后勤人员不一定能够及时配送，且人力配送时，不同类器具的无菌情况也难以保障。基于此，在医院引入智能机械系统是一种有效缓解慌乱与错误的方法。能够减少重复性的人力劳动，提高工作效率。
3.目前，市面上一些智能机械系统已经可以接受需求的输入，完成物资配送机器人的路径规划。然而，不包含视觉避障功能的多台机器人同时工作时，常出现相互碰撞的问题，这种碰撞不仅会影响当下的物资配送效率，更有可能损坏机身，造成长期的停修。另一方面，在手术过程的进行中，各手术室的物资补给需求量不尽相同，整体规划呈现动态特征，需要实时快速的路径规划算法，进行动态的多台机器人路径规划。


技术实现要素：

4.针对现有技术的缺陷和改进需求，本发明提供了一种手术室医疗物资配送多机器人协同路径规划方法及其应用，其目的在于解决现有规划方法存在机器人碰撞的问题。
5.为实现上述目的，按照本发明的一个方面，提供了一种手术室医疗物资配送多机器人协同路径规划方法，包括：
6.根据楼层平面图构建拓扑图像，该拓扑图像以路口、手术室、物资供应室为节点，以不经路口直接到达的两个节点间的连线为边；
7.接收当前时刻各手术室节点物资接收需求，生成各物资供应室节点物资配送需求以及各个节点特征向量，各节点的特征向量表征：各机器人是否在该节点、各机器人所在节点是否为该节点的邻居节点、在该节点的各机器人所携带物资与各手术室的供需关系；是否为有物资接收需求的手术室，以及是否为有物资配送需求的物资供应室；
8.将各个节点特征向量以及所述拓扑图像输入每个机器人的基于图神经网络的路径规划模型，得到该机器人待移步至下一路口节点的节点信息，实现多机器人路径规划。
9.进一步，每个节点特征向量的维度包括：
10.各机器人是否在该节点，用向量x1表示，向量长度为机器人总个数，对于每个机器人，其在该节点用“1”表示，不在该节点用“0”表示；
11.在该节点的各机器人的所携带物资信息，用向量x2表示，每个在该节点的机器人对应一个长度为手术室总个数的子向量，该子向量中每个元素表示每个手术室所需的物资是否在该机器人所携带的物资中存在，若是，用“1”表示，若否，用“0”表示；
12.是否属于各机器人所在节点的邻居节点，用向量x3表示，向量长度为机器人总个数，对于每个机器人，其所在节点为该节点的邻居节点，则用“1”表示，不为该节点的邻居节点，则用“0”表示；
13.是否为有物资接收需求的手术室，用向量x4表示，向量长度为1，为有物资需求的手术室用“1”表示，不为有物资需求的手术室用“0”表示；
14.是否为存在物资配送需求的物资供应室，用向量x5表示，向量长度为1，若为存在物资配送需求的物资供应室，用“1”表示，若不为存在物资配送需求的物资供应室，用“0”表示；
15.向量x1、x2、x3、x4、x5通过串接构成该节点特征向量。
16.进一步，向量x4中，对有物资需求的手术室，用大于1的数值表示，数值由其物资接收需求的紧急程度确定；
17.向量x5中，对存在物资配送需求的物资供应室，用大于1的数值表示，数值由其物资配送需求的紧急程度确定。
18.进一步，采用所述路径规划模型在进行路径规划时，将每条边的长度作为该边的权重，所采用的邻接矩阵中各元素的取值由各边的权重确定。
19.进一步，每个机器人的路径规划模型的训练方法为：
20.在所述楼层平面图对应的楼层平面内医疗物资配送场景中，搜集数据样本，构建训练样品集，其中，每个训练样本包括作为模型输入的某一时刻下各路口节点特征向量以及作为模型输出标签的该机器人待移步至下一路口节点的节点信息；
21.将所述训练样本集输入图神经网络，通过损失函数迭代更新所述图神经网络的参数，得到该机器人的路径规划模型。
22.本发明还提供一种医疗物资配送机器人路径规划系统，包括：
23.数据处理单元，用于接收当前时刻特定楼层内各手术室节点物资接收需求；并根据该特定楼层内的物资存放信息和拓扑图像，生成各物资供应室节点物资配送需求，同时生成该拓扑图像中各个节点特征向量，各节点的特征向量表征：各机器人是否在该节点、各机器人所在节点是否为该节点的邻居节点、在该节点的各机器人所携带物资与各手术室的供需关系；是否为有物资接收需求的手术室，以及是否为有物资配送需求的物资供应室；
24.处理器，用于将各个节点特征向量以及所述拓扑图像输入每个机器人的基于图神经网络的路径规划模型，得到该机器人待移步至下一路口节点的节点信息，实现多机器人路径规划。
25.进一步，每个节点特征向量的维度包括：
26.各机器人是否在该节点，用向量x1表示，向量长度为机器人总个数，对于每个机器人，其在该节点用“1”表示，不在该节点用“0”表示；
27.在该节点的各机器人的所携带物资信息，用向量x2表示，每个在该节点的机器人对应一个长度为手术室总个数的子向量，该子向量中每个元素表示每个手术室所需的物资是否在该机器人所携带的物资中存在，若是，用“1”表示，若否，用“0”表示；
28.是否属于各机器人所在节点的邻居节点，用向量x3表示，向量长度为机器人总个数，对于每个机器人，其所在节点为该节点的邻居节点，则用“1”表示，不为该节点的邻居节点，则用“0”表示；
29.是否为有物资接收需求的手术室，用向量x4表示，向量长度为1，为有物资需求的手术室用“1”表示，不为有物资需求的手术室用“0”表示；
30.是否为存在物资配送需求的物资供应室，用向量x5表示，向量长度为1，若为存在物资配送需求的物资供应室，用“1”表示，若不为存在物资配送需求的物资供应室，用“0”表示；
31.向量x1、x2、x3、x4、x5通过串接构成该节点特征向量。
32.进一步，向量x4中，对有物资需求的手术室，用大于1的数值表示，数值由其物资接收需求的紧急程度确定；
33.向量x5中，对存在物资配送需求的物资供应室，用大于1的数值表示，数值由其物资配送需求的紧急程度确定。
34.进一步，所述路径规划模型在进行路径规划时，将每条边的长度作为该边的权重，所采用的邻接矩阵中各元素的取值由各边的权重确定。
35.本发明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包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种手术室医疗物资配送多机器人协同路径规划方法。
36.总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
37.(1)考虑到目前图神经网络已被用于节点分类、节点预测等功能，且取得良好成效，本方法建立一种以图网络学习为基础的端到端的路径规划算法。可接受拓扑地图与配送需求的输入，输出各个机器人下一步路径规划位置，生成路径规划方案，为手术过程与及时维护提供一定的帮助。
38.(2)本发明针对医疗物资配送多机器人路径规划，采用图神经网络模型，能够同时考虑多台机器人路径规划方案，并且避免各机器人之间的碰撞。
39.(3)本发明建立了一种基于图网络学习的手术室医疗物资配送多机器人协同路径规划方法，实现了端到端的模型建立，输入为地图拓扑图像和配送需求，即可直接输出多机器人协同路径规划，能够应对实际作业中出现的动态配送需求，为手术过程中的及时维护提供一定的帮助。
附图说明
40.图1为本发明实施例提供的一种手术室医疗物资配送多机器人协同路径规划方法流程框图；
41.图2为本发明实施例提供的基于图网络学习的手术室医疗物资配送多机器人协同路径规划方法流程图；
42.图3为本发明实施例提供的基于图神经网络模型的整体流程框架；
43.图4为本发明实施例提供的由手术楼层平面图生成拓扑图的流程；
44.图5为本发明实施例提供的护士某次配送物资的路径图；
45.图6为本发明实施例提供的手术室医疗物资配送系统的运作流程图。
具体实施方式
46.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
47.实施例一
48.一种手术室医疗物资配送多机器人协同路径规划方法，如图1所示，包括：
49.根据楼层平面图构建拓扑图像，该拓扑图像以路口、手术室、物资供应室为节点，以不经路口直接到达的两个节点间的连线为边；
50.接收当前时刻各手术室节点物资接收需求，生成各物资供应室节点物资配送需求以及各个节点特征向量，各节点的特征向量表征：各机器人是否在该节点、各机器人所在节点是否为该节点的邻居节点、在该节点的各机器人所携带物资与各手术室的供需关系；是否为有物资接收需求的手术室，以及是否为有物资配送需求的物资供应室；
51.将各个节点特征向量以及拓扑图像输入每个机器人的基于图神经网络的路径规划模型，得到该机器人待移步至下一路口节点的节点信息，实现多机器人路径规划。
52.本实施例以实时配送需求和拓扑地图为输入，以路径决策为输出，所以能够实时快速的进行路径规划。另外，本实施例通过每次路径决策时的判定机制实现避障功能，防止配送时产生碰撞。
53.具体的，方法可包括以下流程(如图2和3所示)：
54.s1：根据楼层平面图构建拓扑图像，图像以路口/手术室/物资供应点为节点，以路径为边。其中，不经路口可以直接到达的两个节点通过边相连，路径长度为边的权重，在网络图中通过边的粗细表示，如图4示。
55.其中，以sr1为例，该节点不经过任一路口节点即可到达的节点包括cr1,or1,sr2,cr3,故sr1与以上四个节点相连，连接权重由其距离决定。
56.s2：构建数据集，在所述医疗物资配送场景中，搜集手术室各时刻配送需求和护士人工配送手术物资产生的路径数据，以人工选择的路径方式为标签，构建具有路径规划标签的数据集。
57.其中，每一组数据的输入为当前时刻的配送需求(反映在各节点特征向量中)，输出为人工选择的下一路口节点。
58.节点特征由n维特征向量表示，其包含信息包括：
59.(1)是否为配送者所在位置：其表示长度由配送者个数决定，若某配送者在该节点，则对应位置取为1，否则为0。以存在两位配送者的情况为例，若某节点为配送者a所在位置，不为配送者b所在位置，则该节点向量x1为(1,0)；
60.(2)若是配送者所在位置，则以x2表示配送者携带物资信息，其长度由手术室个数决定。以五个手术室的情况为例，若该节点上的配送者携带3号、5号手术室共同需要物资，则x2记为(0,0,1,0,1)；
61.(3)是否属于配送者所在节点的邻居节点，其表示方法同x1，取为向量x3；
62.(4)是否为存在物资配送需求，若是，则根据需求的紧急程度取值，若不是，则取为0，记为向量x4；
63.(5)是否为存在物资接收需求，若是，则根据需求的紧急程度取值，若不是，则取为0，记为向量x5。
64.最终，节点特征向量由x0表示，记为x0＝(x1||x2||x3||x4||x5)，式中||表示串联。
65.以图5中一位配送者、四个存放室、十二个手术室的情况为例，t0时刻，存放室1存在物资配送需求，手术室12存在物资接收需求，此时节点sr1的状态为(1,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0)，
66.其中，x1＝(1),表示其为配送者所在位置；
67.x2＝(0,0,0,0,0,0,0,0,0,0,0,1)，表示其携带物资为手术室12所需；
68.x3＝(0)，表示其不为配送者所在节点的邻居节点；
69.x4＝(1)，表示其存在物资配送需求；
70.x5＝(0)，表示其不存在物资接收需求；
71.按同样的方法可写出所有节点的状态，例如此时节点cr3的状态为(0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0)，cr5的状态为(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0)。
72.此时的输出为路口节点cr3(作为标签)，即配送者选择行走至节点cr3，拓扑图像、各节点的特征向量以及标签组成一个训练样本；此外，若手术室需求物资的紧急程度为5，则节点sr1的状态为(1,0,0,0,0,0,0,0,0,0,0,0,1,0,5,0)。
73.s3:将具有路径规划方案标签的拓扑图像分为训练集、测试集、验证集，进而训练生成图神经网络的信息更新模型和外层感知机mlp，优化更新网络参数，形成基于图神经网络的多机器人协同路径规划模型，从而实现输入手术室地图和配送需求，对应输出预测的路径规划。
74.其中，图神经网络中，根据banach不动点定理，引入局部转移函数，使邻接节点向目标节点传递信息。其中，局部转移函数为xn＝fw(ln,lco[n],xne[n],lne[n])，其中，ln,lco[n],xne[n],lne[n]分别代表节点n、节点n的边、节点n的状态及节点n的相邻节点,fw为含有未知参数/权重w的函数，其整体结构基础标准化的拉普拉斯矩阵的变形，如下所示：
[0075]h(l 1)
＝σ(d-1/2
ad-1/2h(l)w(l)
)
[0076]
其中，a为网络图拉普拉斯矩阵与单位矩阵之和，拉普拉斯矩阵为网络图的度矩阵与邻接矩阵之差，考虑到该网络图存在权重，故度矩阵和邻接矩阵中的元素均以权重为基础，而非传统的0/1数值；d为a中每个顶点的度矩阵；h为每一层的状态，对于输入层，h即为输入特征，σ为非线性激活函数，可取relu和softmax；w
(l)
为可学习的参数。
[0077]
经t次迭代后达到各节点不动点解x
t
，将各节点x
t
分别输入多层感知机mlp，输出每个待选节点的得分，该得分经过sigmoid函数获得概率输出，选择概率值最大且不会引起机器人碰撞的节点，输出为各个机器人的下一步路径规划。
[0078]
以人工路径规划方案为标签，通过损失函数评估路径规划的效果。根据损失函数计算梯度，采用梯度下降法优化模型参数。
[0079]
考虑到输出结果为机器人下一步的路径决策，即选取某一路口节点作为下一目的地，属于分类问题。因此选用交叉熵损失函数，损失lw的计算方法为
[0080][0081]
其中，n为实验次数，m为类别数量，y
ic
在样本i的真实类别等于c时取0，否则取1；p
ic
为观测样本i属于类别c的预测概率
[0082]
其梯度计算方法为
[0083][0084]
最后，根据梯度下降得到参数w的值，完成模型的学习以及构建。
[0085]
训练完成后，采用验证集的路劲规划数据进行验证，将拓扑地图图像和配送需求输入到训练好的模型中，输出预测的路径规划方案，验算该方法的可靠性。若模型可靠，则投入医疗物资配送机器人路径规划系统。
[0086]
按6:2:2的比例划分训练集、验证集和测试集，训练完成后，采用验证集的路劲规划数据进行验证，将拓扑地图图像和配送需求输入到训练好的模型中，输出预测的路径规划方案，验算该方法的可靠性。若模型可靠，则投入医疗物资配送机器人路径规划系统。
[0087]
实施例二
[0088]
一种医疗物资配送机器人路径规划系统，包括：
[0089]
数据处理单元，用于接收当前时刻特定楼层内各手术室节点物资接收需求；并根据该特定楼层内的物资存放信息和拓扑图像，生成各物资供应室节点物资配送需求，同时生成该拓扑图像中各个节点特征向量，各节点的特征向量表征：各机器人是否在该节点、各机器人所在节点是否为该节点的邻居节点、在该节点的各机器人所携带物资与各手术室的供需关系；是否为有物资接收需求的手术室，以及是否为有物资配送需求的物资供应室；
[0090]
处理器，用于将各个节点特征向量以及所述拓扑图像输入每个机器人的基于图神经网络的路径规划模型，得到该机器人待移步至下一路口节点的节点信息，实现多机器人路径规划。
[0091]
具体的，如图6所示，路径规划系统具体流程可包括：手术室产生物资需求，在系统上输入需求(物资类别 数量)；系统接收信息，各节点状态发生变化，输入所述模型，为机器人生成路径规划方案。机器人将医疗物资送至指定手术室，并反映在系统上，提醒手术室提取物资；物资提取完成后，工作人员向系统确认接收信息，系统开始新一轮路径规划方案。
[0092]
优选的，每个节点特征向量的维度包括：
[0093]
各机器人是否在该节点，用向量x1表示，向量长度为机器人总个数，对于每个机器人，其在该节点用“1”表示，不在该节点用“0”表示；
[0094]
在该节点的各机器人的所携带物资信息，用向量x2表示，每个在该节点的机器人对应一个长度为手术室总个数的子向量，该子向量中每个元素表示每个手术室所需的物资是否在该机器人所携带的物资中存在，若是，用“1”表示，若否，用“0”表示；
[0095]
是否属于各机器人所在节点的邻居节点，用向量x3表示，向量长度为机器人总个数，对于每个机器人，其所在节点为该节点的邻居节点，则用“1”表示，不为该节点的邻居节点，则用“0”表示；
[0096]
是否为有物资接收需求的手术室，用向量x4表示，向量长度为1，为有物资需求的手术室用“1”表示，不为有物资需求的手术室用“0”表示；
[0097]
是否为存在物资配送需求的物资供应室，用向量x5表示，向量长度为1，若为存在物资配送需求的物资供应室，用“1”表示，若不为存在物资配送需求的物资供应室，用“0”表示；
[0098]
向量x1、x2、x3、x4、x5通过串接构成该节点特征向量。
[0099]
相关技术方案同实施例一，在此不再赘述。
[0100]
本发明解决了运输需求不断变化时多机器人协同路径规划问题，采用图神经网络，一方面，图神经网络学习是一种端到端的学习方式，只要积累足够多的样本提供给模型进行训练，即可学习出机器人的路径规划决策。另一方面，带有节点特征向量的图网络既可以包含地图信息，也可以包含不断变化的需求信息，在不同时刻针对不同需求提供相应的路径规划方案。最后，将多台机器人的状态录入模型，可以通过简单的状态判别来避免多台机器人相撞的问题。
[0101]
对于同类的带有时变需求的路径规划问题均可解决，因为网络中节点的特征向量总可以把需求信息包含在内，且能够针对每次需求变化生成对应的结果。更深一步讲，即使地图是变化的，只要能够输入地图信息，即可生成对应的拓扑图，继而作为网络结构输入模型，输出相应的路径决策。但在这种情况下，模型需要更大量和更多变的样本集进行训练，否则规划结果会不理想。
[0102]
实施例三
[0103]
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种手术室医疗物资配送多机器人协同路径规划方法。
[0104]
相关技术方案同实施例一，在此不再赘述。
[0105]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。