一种基于知识和数据双驱动的仓库设备定位方法及系统与流程

1.本发明涉及电子信息技术领域，具体涉及一种基于知识和数据双驱动的仓库设备定位方法及系统。


背景技术：

2.传统的仓库设备管理通常采用施工人员经验判断，现场监测等方式，或者利用基于gps定位技术实现设备定位跟踪。目前最广泛使用的gps定位技术，可以实现全球范围内精度在几十米范围内的定位，而这项技术的弊端在于如果是在隧道或者室内卫星信号被遮挡的情况下，很难实现精准定位。
3.在高强度的设备使用过程中，对于室内环境复杂的建筑物而言，众多因素的影响使得对室内定位技术的要求将高于普通的室外定位。室内物体的遮挡可能会造成信号强度的衰减；信号在不同物体之间的反射、折射也会对定位精度造成很大影响；信号在遇到建筑物时其内部材料对信号路径的损耗也是需要考虑的。
4.因此，急需一种能够在仓库内对设备进行精准定位的方法。


技术实现要素：

5.针对现有技术存在的不足，本发明提出一种基于知识和数据双驱动的仓库设备定位方法及系统，以解决现有技术中存在的室内复杂环境导致的仓库内设备定位不准的技术问题。
6.一种基于知识和数据双驱动的仓库设备定位方法，其特征在于，包括：获取样本集，所述样本集包括设备基本信息、仓库领域地图、入库规则，其中，设备基本信息包括设备位置、设备区域；采用欧式距离计算任意设备位置与设备所在仓库领域位置之间的距离，得到欧式距离分布；根据欧式距离分布、仓库领域及设备位置，构建推理识别网络的约束条件和规则；基于所述约束条件和规则，构建所有设备区域的推理网络结构；根据所述推理网络结构计算每个设备所在位置的置信度，输出置信度最高的设备的位置信息；将所述位置信息作为设备的目标定位信息进行输出。
7.在一个实施例中，获取样本集步骤之前，还包括：建立仓库内设备的定位坐标合集，确定设备区域；采集设备的射频信号，根据预设的lora组网系统计算所述射频信号的rssi值；采用预设的室内测距模型对rssi值进行数据转换处理，得到设备的初始位置；采用三角质心对所述初始位置进行误差处理，得到修正位置作为设备位置。
8.在一个实施例中，获取样本集步骤之前，还包括：将所述设备区域和所述设备区域组合得到设备基本信息；获取仓库领域地图和入库规则，并与所述设备基本信息组合得到样本集。
9.在一个实施例中，所述建立仓库内设备的定位坐标合集，确定设备区域步骤，包括：实时检测设备的作业状态，所述作业状态包括入库作业、在库作业、出库作业；当设备处于在库状态时，根据预设周期分别获取设备的rtk定位坐标和uwb定位坐标，并获取每个rtk
定位坐标对应的rtk定位差分值；判断每个周期对应的rtk定位差分值与预设值的大小，若某一周期对应的rtk定位差分值大于或等于预设值，则选取该rtk定位差分值对应的rtk定位坐标，否则，选取该rtk定位差分值对应周期的uwb定位坐标，根据选取的rtk定位坐标和uwb定位坐标生成设备的定位坐标集合；根据所述定位坐标集合计算设备的定位坐标，根据所述设备的定位坐标确定设备区域。
10.在一个实施例中，所述预设的室内测距模型为无线信号传播损耗模型。
11.在一个实施例中，采用三角质心对所述初始位置进行误差处理，得到修正位置作为设备位置步骤，包括：采用设备携带的lora模块中的rssi定位技术测出所述初始位置的三个参考点；基于所述参考点，根据三角质心进行误差处理得到设备的修改位置，并将所述修正位置作为设备位置。
12.在一个实施例中，基于所述约束条件和规则，构建所有设备区域的推理网络结构步骤，包括：基于所述约束条件和规则，采用马尔可夫链对设备状态的转移进行逐一预测，完成设备位置的空间预测；基于所述空间预测，构建设备区域的推理网络结构。
13.一种基于知识和数据双驱动的仓库设备定位系统，包括数据采集获取模块、数据处理模块、数据输出模块，其中：所述数据采集获取模块，包括主控电路、rtk电路、rfid电路、rssi电路、uwb电路和lora射频电路，各电路之间采用电连接；所述数据采集获取模块用于，获取样本集；所述数据处理模块用于，采用欧式距离计算任意设备位置与设备所在仓库领域位置之间的距离，得到欧式距离分布；根据欧式距离分布、仓库领域及设备位置，构建推理识别网络的约束条件和规则；基于所述约束条件和规则，构建所有设备区域的推理网络结构；根据所述推理网络结构计算每个设备所在位置的置信度，输出置信度最高的设备的位置信息；所述数据输出模块用于，将所述位置信息作为设备的目标定位信息进行输出。
14.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的一种基于知识和数据双驱动的仓库设备定位方法的步骤。
15.一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的一种基于知识和数据双驱动的仓库设备定位方法的步骤。
16.由上述技术方案可知，本发明的有益技术效果如下：
17.本发明通过结合设备基本信息、仓库领域地图、入库规则，采用知识和数据双驱动的方式，基于欧式距离计算构件设备区域的推理网络的约束条件和规则，进一步构件推理网络结构，并根据置信度输出位置信息，最终得到设备的目标定位，通过有限数据的充分利用得到推理设备位置的参数修正，进而在内部进行精细化推理，识别出设备位置，从而实现对仓库内设备的高精度实时定位，提高对于室内环境复杂的建筑物中的设备定位精度。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
19.图1为一个实施例中一种基于知识和数据双驱动的仓库设备定位方法的流程示意图；
20.图2为一个实施例中获取设备位置和设备区域的流程示意图；
21.图3为另一个实施例中一种基于知识和数据双驱动的仓库设备定位方法的流程示意图；
22.图4为图3所示方法中数据预处理的流程图；
23.图5为一个实施例中一种基于知识和数据双驱动的仓库设备定位系统的结构框图；
24.图6为图5所示系统中数据采集获取模块的结构框图；
25.图7为一种计算机设备的结构框图。
具体实施方式
26.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
27.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
28.下面对文中提到的英文简称进行解释：uwb(ultra wide band，超宽带)技术是一种无线载波通信技术，它不采用正弦载波，而是利用纳秒级的非正弦波窄脉冲传输数据，冲激脉冲具有很高的定位精度。lora(long range radio，远距离无线电)在同样的功耗条件下比其他无线方式传播的距离更远，实现了低功耗和远距离的统一，它在同样的功耗下比传统的无线射频通信距离扩大3-5倍。rfid(radio frequency identification,射频识别)是自动识别技术的一种，通过无线射频方式进行非接触双向数据通信，利用无线射频方式对记录媒体(电子标签或射频卡)进行读写，从而达到识别目标和数据交换的目的。rtk(real-time kinematic，实时动态)载波相位差分技术，是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。rssi(received signal strength indication)定位是目前常用的无线定位技术的方式，根据rssi接收的信号强度指示，离信号源越近信号强度越大，离信号源越远信号强度越弱，可以得到信号强度与距离之间的数学关系。
29.在一个实施例中，如图1所示，提供了一种基于知识和数据双驱动的仓库设备定位方法，包括如下步骤：
30.s1获取样本集，样本集包括设备基本信息、仓库领域地图、入库规则，其中，设备基本信息包括设备位置、设备区域。
31.具体地，设备基本信息为数据驱动，仓库领域地图、入库规则为知识驱动。
32.在其中一个实施例中，步骤s1之前还包括：s01建立仓库内设备的定位坐标合集，确定设备区域；s02采集设备的射频信号，根据预设的lora组网系统计算射频信号的rssi值；s03采用预设的室内测距模型对rssi值进行数据转换处理，得到设备的初始位置；s04采用三角质心对初始位置进行误差处理，得到修正位置作为设备位置。具体地，步骤s02中的预设的lora组网系统为现有技术，而获取射频信号是计算位置信息的一种方法，得到一个可以计算rssi值得组网系统，从而计算出rssi值(即信号强弱值)。在s03中，目前无线信号传播损耗模型中信号强度与距离之间的数学关系为：
[0033][0034]
这里p(d)是距离信号源相距为d的rssi值，n为路径损耗指数，表明路径损耗随距离增加的速率，这项参数由环境因素决定，ε为误差项。为了简化模型，忽略掉误差项，同时p(d0)取d0＝1时候的值，可以得到简化的模型公式：
[0035]
p(d)＝c-10nlg(d)
[0036]
这时公式里只有一个未知参数n，为了使该模型优化，利用算数平均法，将多次测得的c即的值取平均，得：
[0037][0038]
然后解出
[0039][0040]
多次取d值，算出n的平均值
[0041][0042]
通过室内测距模型将rssi值转换为位置值。
[0043]
在第s04步中，步骤s03计算的位置值存在误差的可能，因此利用lora模块的rssi测出的到三个参考点的距离不能相交于一点，且可测得的参考点到被测点的距离。这时以测得的三个距离值为半径画圆，可以得到三个交点。它们构成的三角形的质心位置可以近似为被测点的真实位置，即为修正位置。
[0044]
在其中一个实施例中，步骤s01包括：实时检测设备的作业状态，作业状态包括入库作业、在库作业、出库作业；当设备处于在库状态时，根据预设周期分别获取设备的rtk定位坐标和uwb定位坐标，并获取每个rtk定位坐标对应的rtk定位差分值；判断每个周期对应的rtk定位差分值与预设值的大小，若某一周期对应的rtk定位差分值大于或等于预设值，则选取该rtk定位差分值对应的rtk定位坐标，否则，选取该rtk定位差分值对应周期的uwb定位坐标，根据选取的rtk定位坐标和uwb定位坐标生成设备的定位坐标集合；根据定位坐标集合计算设备的定位坐标，根据设备的定位坐标确定设备区域。具体地，预设周期是检测设备状态的预设周期，可以根据检测需要设定合适的时间间隔作为检测的周期。
[0045]
在其中一个实施例中，步骤s03中的预设的室内测距模型为无线信号传播损耗模型。
[0046]
在其中一个实施例中，步骤s04包括：采用设备携带的lora模块中的rssi定位技术测出初始位置的三个参考点；基于参考点，根据三角质心进行误差处理得到设备的修改位置，并将修正位置作为设备位置。
[0047]
在其中一个实施例中，步骤s1之前还包括：将设备区域和设备区域组合得到设备基本信息；获取仓库领域地图和入库规则，并与设备基本信息组合得到样本集。
[0048]
s2采用欧式距离计算任意设备位置与设备所在仓库领域位置之间的距离，得到欧式距离分布。
[0049]
具体地，使用欧式距离计算任意设备位置与仓库领域所属位置之间的距离；即检测的设备位置与该设备在仓库中的归属地之间的距离。
[0050]
s3根据欧式距离分布、仓库领域及设备位置，构建推理识别网络的约束条件和规则。
[0051]
具体地，约束条件和规则具体要以设备的性能和仓库的特点来建立，以易燃物品为例，需要放置在仓库的阴凉干燥处，与高温和易爆物品分开放置，所有设备的属性和规则应该在步骤s1中输入，自动生成所有设备的规则库。
[0052]
s4基于约束条件和规则，构建所有设备区域的推理网络结构。
[0053]
具体地，为采用马尔科夫链的位置空间预测。
[0054]
在其中一个实施例中，步骤s4包括：基于约束条件和规则，采用马尔可夫链对设备状态的转移进行逐一预测，完成设备位置的空间预测；基于空间预测，构建设备区域的推理网络结构。
[0055]
具体地，马尔科夫链，是离散的时间随机过程。如果当前状态已经知道了，未来的状态只与当前状态有关，与之前的状态是无关的，即过去的信息对于未来所做的决策是不产生影响的。在马尔科夫链里，会发生从一个状态到另一个状态的转移，并且每次从前一个状态转移到后一个状态会存在一个概率，这个概率就是转移概率。
[0056]
用{xn,n∈t}表示马尔科夫过程，t是离散时间的集合，表达式t＝{0,1,2,
…
}，t所对应的xn的可能取值是全体的状态空间。
[0057]
i＝{i1,i2,
…
}
[0058]
设有随机过程{xn,n∈t},若对于任意的整数n∈t和任意的i1,i2,
…in 1
∈i,条件概率满足
[0059]
p{x
n 1
＝i
n 1
|xn＝in}＝p{x
n 1
＝i
n 1
|x1＝i1,x2＝i2,
…
xn＝in}
[0060]
则称{xn,n∈t}为马尔科夫链，上述等式是马尔科夫链的马氏性(或无后效性)的数学表达式。一阶马尔可夫链的统计特性完全由条件概率p{x
n 1
＝i
n 1
|xn＝in}所决定。
[0061]
一阶马尔可夫链意味着只有当前状态影响下一状态的选择。二阶马尔科夫链将意味着当前状态和此前最后一个状态影响下一个事件的选择。k阶马尔可夫链将指示该序列中的当前状态和此前最后(k-1)个状态影响下一状态的选择。
[0062][0063]
空间转移k阶马尔可夫链将个体的移动行为建模为离散随机过程，其中移动到新区域(roi)概率取决于k个之前访问的状态和状态之间的转移概率分布。其组成如下：(1)组状态x＝{x1,
…
,xk}，其中每个状态对应于roi。这些状态通常具有内在的语义含义。(2)一组转移，例如p
i,j
，表示从状态xi移动到状态xj的概率。
[0064]
马尔科夫链的状态转移可以表示为有向图。代表roi的矩形节点对应于不同的状态，并且当且仅当这两个节点之间的转移概率不为零时，在两个节点之间存在有向加权箭
头。从相同节点离开的箭头的所有权重的和等于1，例如，p
aa
p
ab
p
ac
＝1。
[0065]
使用roi来表征马尔科夫链的状态，基于历史统计数据为每个roi创建马尔科夫链转移概率，每个roi以一定概率转移到其他roi。如果设备从未在两个roi之间转移，则将转移概率设置为零。马尔可夫链模型主要是分析一个人在某一阶段内由一个roi转移到另一个roi的可能性，即roi之间转移的概率。它的基本思想是：通过发现设备过去在roi之间转移的规律，以推测设备在未来空间转移的情况。基于大量历史数据，分析设备在不同区域之间转移的次数，假设历史上设备发生了1000次从区域a到其他roi的转移，其中有200次是转移到b，则认为p
ab
＝200/1000＝0.2。基于对历史数据统计经验的总结，进而构建完整的基于马尔科夫链的设备区域推理网络结构。
[0066]
s5根据推理网络结构计算每个设备所在位置的置信度，输出置信度最高的设备的位置信息。
[0067]
具体地，根据步骤s4中得到的设备位置推理网络可以计算出每个设备所处位置的置信度，当置信度最高时输出设备的位置信息。
[0068]
s6将位置信息作为设备的目标定位信息进行输出。
[0069]
具体地，输出的目标定位信息即为仓库内设备的精准实时定位信息。还可以对区域设备情况统计分析，通过更完善、更精确的融合补偿定位的技术手段，避免出现丢失现象，同时在寻找设备时，及时进行设备信息传输，提高设备利用率。
[0070]
上述实施例中，综合数据和知识的优势使设计框架具备空间要素聚合，时间动态推理的能力，达到渐次提升集群识别精度目的。对专家知识、领域知识、入库规则等多元充分分析，即知识收集，用于抽取推理识别网络构建时用的约束条件和规则，在此基础上设计分层精细化推理的集群类型识别来提高集编队识别的精度。首先依据典型场景利用基于相邻点距离和数据点非对称度量的有效局部密度计算方法进行初步的集群空间划分；然后从功能性的角度出发，在多元知识里提取了关键约束条件因素之间的相关性，综合多方面因素，设计了集群类型推理网络结构；最后基于所设计的一种基于经验及少量时间序列样本参数学习方法，通过有限数据的充分利用得到推理设备位置的参数修正，进而在内部进行精细化推理，识别出设备位置。
[0071]
在一个实施例中，如图3所示，设备的位置获取之后，在进行后续的构建推理网络之前，还建立了设备数据库，其中，将原始仓库设备位置数据进行小波分析预处理后，通过设置位置差值阈值、小波分析数据重构，最终得到去噪后的设备位置数据，这是数据驱动的体现。
[0072]
具体地，人工神经网络模型是由大量的节点之间相互联接而构成，按不同的连接方式组成不同的模型，利用模型对数据进行学习，此为归纳总结，因此连接ai又被称为数据驱动方法。人工神经网络是目前大数据分析中最成功的方法之一，“大数据 神经网络”能够推动各行业的发展。在室内定位领域，“大数据 神经网络”所带来的思维方式变革分别从整体性、模糊性、多样性和相关性方面推动了仓库设备管理现代化的发展。基于数据驱动的仓库设备管理系统包含上述方案中测量的设备状态信息，位置信息和时间信息。
[0073]
支持向量机是一种新的数据驱动技术，根据学习和训练误差最小化原理对问题的解进行拟合，学习性能十分出色。设所有仓库设备所属位置的训练集为{x1,x2…
xn}，支持向量机通过寻找一条最优分类超平面，将所有样本划分为2类，即正常位置状态和异常位置状
态，那么最优分类超平面可以表示为
[0074]
(w*x) b＝0
[0075]
式中，w表示法向量。支持向量机建模的目标使正常位置状态和异常位置状态2类样本的间隔尽可能最大，这样有
[0076][0077]
支持向量机的决策函数为
[0078][0079]
设备的位置状态具有非线性，因此需要引入核函数进行映射，使得，最后得到设备的位置状态识别决策函数为
[0080][0081]
数据驱动的设备的位置状态识别步骤如下：
[0082]
(1)对仓库中设备的位置状态的相关数据进行采集，去除前面和最后一段数据，取中间一部分数据作为识别对象。
[0083]
(2)采用小波分析对仓库中设备的位置状态数据进行预处理，并引入软阈值法使噪声对应的小波系数为0。
[0084]
数据采样结束后，系统立即对本次采样的数据进行分析和处理，并定时作一次全面的数据分析和预处理，以便确定各测次的数据是否应该保存，达到压缩或减少数据库的库存数据量的目的。对原始数据流的预处理原则是：
[0085]
①
尽可能多的保存对设备定位有用的原始数据；
[0086]
②
删除无用的或对设备定位意义不大的原始数据，最大限度地压缩或减少库存数据量；
[0087]
③
保存所有设备每次检测原始数据的统计特征数；
[0088]
④
发现异常数据，分析异常类型并对异常数据进行修复。当用户要求实时了解各测点的监测情况时，可以通过定位系统，直接了解各测点的位置信息。
[0089]
此处提出的预处理办法流程如图4所示：以位置数据的预处理为例，假设有n个监测设备，每个设备相互独立，检测获得样本数据。然后通过小波阈值除噪，将去除噪声的数据存入数据库。数据经过预处理，使得噪声予以去除，有效数据予以保留，含异常数据予以报警，再将数据存储到仓库设备管理数据库中，以便工作人员进行维护。
[0090]
①
小波阈值除噪基本思想小波阈值除噪的基本思想是预先设置一个临界值λ，该值即为阈值。对小波变换后得到的小波分解系数w
j,k
与该阈值进行比较，若小波系数小于该临界值，则认为该系数主要由噪声引起的，需要去除这部分系数；若小波系数大于λ，则可以认为该处系数是由真实数据引起的，需要保留，最后对处理后的小波系数进行小波重构计算，得到去噪后的信号。具体步骤如下：
[0091]
[1]对带噪信号x(t)进行小波变换，得到一组小波分解系数w
j,k
；
[0092]
[2]阈值处理小波分解系数，得到小波估计系数使得尽可能的小；
[0093]
[3]利用估计的小波系数w
j,k
进行小波重构，得到估计信号该信号即为去噪后的信号。
[0094]
②
阈值函数的确定
[0095]
常用的阈值函数主要包括硬阈值函数、软阈值函数以及一种半软阈值函数：
[0096]
【1】硬阈值函数
[0097]
硬阈值函数表达式为：
[0098]
【2】软阈值函数
[0099]
软阈值函数为表达式：
[0100]
【3】半软阈值函数
[0101]
由于硬阈值函数处理过的小波系数在
±
λ处会出现不连续的现象，因此在信号重构的过程中容易产生pseudo-gibbs现象；软阈值处理的小波系数相对要平滑一些，但估计系数w
j,k
与原始系数之间总是存在着恒定的偏差，这直接影响了信号的重构，导致造成边缘模糊等失真现象，实际研究中发现，如果将该偏差强制设置为0或某一参数也未必是最好的。因此这种半软阈值函数的提出正是兼顾了软阈值和硬阈值的优点，其表达式为：
[0102][0103]
上式中，表示小波估计系数，w
j,k
为小波系数，sgn()表示符号函数，λ表示阈值。
[0104]
③
阈值的估计
[0105]
donoho在1994年提出的统一阈值去噪方法，是针对多维独立正态变量联合分布，在维数趋向无穷时得到的结论，在最小最大估计的限制下得出的最优阈值。
[0106]
阈值的选择满足：
[0107]
其中，λj表示尺度j下的阈值。σ为噪声标准方差，n为信号长度。
[0108]
(3)采用小波分析对处理后的小波系数进行重构，得到无噪的仓库中设备的位置状态数据。
[0109]
(4)采用支持向量机对仓库中设备的位置状态数据进行学习，建立仓库中设备的位置异常状态识别的分类器。
[0110]
(5)对于未知的仓库中设备的位置状态，采用建立的分类器进行识别，并输出识别结果。异常的位置状态则是需要去除的。
[0111]
在一个实施例中，如图5和图6所示，提供一种基于知识和数据双驱动的仓库设备
定位系统，包括数据采集获取模块210、数据处理模块220、数据输出模块230，其中：
[0112]
数据采集获取模块210，包括主控电路、rtk电路、rfid电路、rssi电路、uwb电路和lora射频电路，各电路之间采用电连接；数据采集获取模块用于，获取样本集。
[0113]
数据处理模块220用于，采用欧式距离计算任意设备位置与设备所在仓库领域位置之间的距离，得到欧式距离分布；根据欧式距离分布、仓库领域及设备位置，构建推理识别网络的约束条件和规则；基于约束条件和规则，构建所有设备区域的推理网络结构；根据推理网络结构计算每个设备所在位置的置信度，输出置信度最高的设备的位置信息。
[0114]
数据输出模块230用于，将位置信息作为设备的目标定位信息进行输出。
[0115]
具体地，数据采集获取模块是设置在设备上的，其中，主控电路中采用的是cc2530芯片，rtk电路和uwb电路则用于实时获取设备的rtk定位坐标和uwb定位坐标，rfid电路用于获取设备的射频信号，lora射频电路和rssi电路则对应步骤s02和步骤s04中的lora模块和rssi定位技术。数据处理模块220即为整个系统的控制器和处理器部分，数据输出模块230则为系统的数据传输部分，与服务器相连。
[0116]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配置模板，还可用于存储目标网页数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于知识和数据双驱动的仓库设备定位方法。
[0117]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0118]
在一个实施例中，还提供一种存储介质，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被计算机执行时使计算机执行如前述实施例的方法，计算机可以为上述提到的一种基于知识和数据双驱动的仓库设备定位系统的一部分。
[0119]
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(rom/ram、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
[0120]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。