本發明涉及自動化控制與物流倉儲，具體涉及一種用于疫苗盒、條狀包裝盒等規則長方體物品的自動化裝箱路徑規劃系統及方法，尤其適用于醫藥冷鏈倉儲出庫等對空間利用率和成本控制要求嚴格的場景。
背景技術：
1、在醫藥冷鏈物流的自動化出庫作業中，需要將多種不同規格的疫苗盒或條狀包裝盒從儲苗筐取出，并集中放入統一的周轉箱中進行運輸。目前，主流的自動化解決方案及其存在的問題如下：①不碼垛隨機放方案，這是最常見的現有技術。機械臂根據指令抓取物品后，以固定姿態放入儲苗筐內的任意空位或進行簡單堆疊。由于缺乏空間規劃，不同尺寸物品間會產生大量不規則間隙，導致空間利用率極低，實測僅為40%-45%。這造成一筐裝不滿，需用多筐的局面，顯著增加了儲苗筐的采購、周轉成本以及后續冷鏈運輸的能耗和成本。②3d相機引導碼垛方案，為提升利用率，該方案引入3d視覺傳感器實時掃描筐內空間，通過點云處理識別空閑區域并規劃放置位置。該方案雖然能提高利用率，但存在硬件成本高昂，所采用的工業級3d相機價格達數萬至十數萬元，環境適應性差，在冷庫低溫、結霜、光線變化環境中易導致識別失敗，處理節拍慢以及系統維護復雜等固有缺陷，難以在成本敏感和環境復雜的醫藥流通領域大規模應用。
技術實現思路
1、本發明旨在解決現有技術中，自動化裝箱要么空間利用率低下造成資源浪費，要么依賴高成本、低可靠性的3d視覺感知系統的問題。提供一種純軟件算法驅動的解決方案，僅利用已知的物品與容器尺寸數據，通過虛擬空間建模與智能規劃，引導機械臂實現高密度、多層級的緊密層疊擺放，從而在不增加硬件成本的前提下，大幅提升容器空間利用率，降低綜合運營成本。
2、為實現上述目的，本發明提供如下技術方案：
3、第一方面，本發明提供一種基于尺寸感知的條狀盒層疊裝箱路徑規劃系統。
4、該系統部署于自動化裝箱工作站，并與倉庫管理系統通信連接，其包括：
5、數據獲取模塊：用于獲取待裝箱容器的內部三維尺寸數據及待放置條狀盒的包裝尺寸數據，即從倉庫管理系統的數據庫中，查詢并獲取待裝箱容器的內部三維尺寸數據，以及當前待放置條狀盒的外包裝尺寸數據；所述尺寸數據均為預存已知數據，系統運行時無需任何實時測量傳感器。
6、虛擬空間建模模塊：用于根據所述容器內部尺寸構建三維網格空間模型，并創建和維護一個反映網格占用狀態的三維數組。即根據所述容器的內部尺寸，將其內部空間離散化為由均勻三維網格單元構成的虛擬空間模型；創建并維護一個三維數組space[x][y][z]，其中每個元素對應一個網格單元，其值用于表示該單元的占用狀態；初始化時，所有網格單元標記為空閑狀態。
7、層疊布局規劃模塊：作為該系統的核心算法引擎，用于為當前待放置的條狀盒計算最優放置位姿；所述層疊布局規劃模塊進一步包括：
8、（1）候選位置生成單元：用于遍歷所述三維網格空間模型，生成所有可行的候選放置點。優選的，遍歷所述虛擬空間模型，模擬將當前條狀盒，考慮其可選的旋轉姿態，通常為0°或90°，以所述條狀盒的底面左下角與網格對齊的方式，嘗試放置于各個可能的位置；對每個模擬位置，進行邊界檢查，如是否超出容器范圍，和碰撞檢測，如是否與已被占用的網格沖突，篩選出所有可行的候選放置點；每個候選點信息包括三維坐標[x，y，z]和旋轉狀態rotation。
9、（2）評價函數計算單元：用于為每個所述候選放置點計算一個綜合評價得分；所述評價函數計算單元采用的綜合評價函數綜合權衡多個優化目標的函數，其至少包括：
10、①高度優先因子[f_height]：優先選擇將物品放置在盡可能低的高度，以降低整體重心，增強穩定性，并為后續上層擺放預留空間。其值通常與放置高度z負相關，一種優選計算方式為：f_height[p]=1-[z_current/z_max]，其中z_current為候選點的z坐標，z_max為容器總網格層數。
11、②緊湊度因子[f_compactness]：優先選擇與已擺放物品接觸面積大的位置，包括底部支撐面積和側面鄰接面積，以增加放置穩定性并減少無用空隙。其計算方式為：f_compactness[p]=[a_supported+a_adjacent]/a_total_possible，其中a_supported為底部有效支撐面積，a_adjacent為四個側面的鄰接面積，a_total_possible為當前條狀盒的最大可能接觸面積。
12、③空間連通性因子[f_connectivity]：優先選擇放置后不產生難以被后續物品利用的孤立小空隙，盡量保持剩余空閑空間的規整性和連通性，為后續擺放創造有利條件。其可進一步分解為連通性增益因子和連通性維持因子的加權和。
13、最優位姿確定單元：用于根據所述綜合評價得分選定最優放置位姿；即根據所述評價函數計算單元輸出的得分，從所有候選點中選擇綜合得分最高的點，作為當前條狀盒的最終目標放置位姿。
14、路徑生成與執行模塊：用于根據所述最優放置位姿控制機械臂執行操作；即用于接收所述最優放置位姿，并將其轉換為機械臂控制器可識別的指令格式，例如：placex=125y=85z=32rot=1，從而生成從抓取點到目標放置點的無碰撞運動軌跡，下發給機械臂執行精確的抓取和放置操作。
15、空間模型更新模塊：用于在放置完成后更新所述三維數組的占用狀態；在確認機械臂成功完成放置操作后，根據該條狀盒的實際尺寸和最終放置位姿，計算其占用的網格范圍，并將space數組中對應區域的狀態更新為占用，以真實反映容器內的最新空間占用情況，供下一個物品規劃使用。
16、優選地，所述虛擬空間建模模塊將容器內部空間離散化為邊長為δ的均勻立方體網格單元；所述三維數組的維度為x_max×y_max×z_max，其中x_max=floor[l_bin/δ]，y_max=floor[w_bin/δ]，z_max=floor[h_bin/δ]，l_bin、w_bin、h_bin分別為容器的長、寬、高。
17、優選地，所述虛擬空間建模模塊中，網格單元邊長δ的選擇需平衡精度與計算復雜度，推薦取值范圍為2mm至20mm，優選5mm。網格數量由容器尺寸除以δ并向下取整確定。
18、優選地，所述評價函數的一種優選表達形式為：score[p]=w1·f_height[p]+w2·f_compactness[p]+w3·f_connectivity[p]，其中w1，w2，w3為可配置的權重系數，且w1+w2+w3=1，可根據場景特點（如大盒子為主、小盒子為主、穩定性優先等）進行調整。
19、優選地，所述高度優先因子f_height[p]=1-[z_current/z_max]，其中z_current為候選點的高度坐標，z_max為總層數；所述緊湊度因子f_compactness[p]為候選放置點處條狀盒與已占用網格的接觸面積與最大可能接觸面積之比；所述空間連通性因子f_connectivity[p]用于評估放置后剩余空間的規整性。
20、優選地，所述候選位置生成單元在篩選候選放置點時，執行支撐檢查規則：對于候選放置點p[x0，y0，z0]，要求其對應的底面區域中每一個網格單元[i，j，z0]，其正下方的網格單元[i，j，z0-1]的狀態必須為已占用或為容器底面[z0=0]。
21、優選地，所述評價函數計算單元可采用一種簡化的評價策略，即“最低-最左-最深優先”策略：按照z坐標從小到大、其次y坐標從小到大、最后x坐標從小到大的順序掃描網格空間，將第一個遇到的可行位置作為最優放置位姿。該策略計算效率極高，適用于實時性要求極高的場景。
22、第二方面，本發明提供一種基于尺寸感知的條狀盒層疊裝箱路徑規劃方法，應用于如上所述的系統。
23、所述方法包括以下步驟：
24、s1：獲取容器內部尺寸及當前待放置條狀盒的尺寸數據；
25、s2：構建并維護一個表示容器內部空間占用狀態的三維網格模型；
26、s3：為當前條狀盒規劃最優放置位姿，包括生成候選點、計算評價得分并選定最優位姿，具體包括如下步驟：
27、s3-1：遍歷三維網格模型，生成所有滿足邊界約束且不與已占空間沖突的候選放置點；
28、s3-2：為每個候選點計算綜合評價得分，所述評價綜合考量放置高度、與周圍物體的緊湊程度以及對剩余空間連通性的影響；
29、s3-3：選擇綜合評價得分最高的候選點作為最優放置位姿；
30、s4：根據所述最優放置位姿，生成機械臂運動路徑并控制機械臂執行抓取和放置操作；
31、s5：在放置完成后，更新所述三維網格模型中的空間占用狀態；
32、s6：重復步驟s1至s5，直至所有條狀盒放置完畢。
33、優選地，步驟s2中，根據預設的網格精度δ，將條狀盒的物理尺寸[l，w，h]轉換為網格占用數[l_grid，w_grid，h_grid]，其中l_grid=ceil[l/δ]，w_grid=ceil[w/δ]，h_grid=ceil[h/δ]；在步驟s3的候選點生成中，需確保對于候選點[x0，y0，z0]，滿足邊界條件：x0+l_grid≤x_max，y0+w_grid≤y_max，z0+h_grid≤z_max，且碰撞檢測條件：對于所有i∈[x0，x0+l_grid-1]，j∈[y0，y0+w_grid-1]，k∈[z0，z0+h_grid-1]，space[i][j][k]均為空閑。
34、優選地，步驟s3中，所述計算評價得分采用綜合評價函數，其權重系數[w1，w2，w3]根據裝箱場景動態配置，配置策略包括：通用混合尺寸場景配置為[0.35，0.40，0.25]，大盒子為主場景配置為[0.45，0.40，0.15]，小盒子為主場景配置為[0.25，0.35，0.40]。
35、優選地，步驟s3中，采用“最低-最左-最深優先”策略直接選定最優放置位姿，即按z、y、x坐標遞增順序進行線性掃描，選取第一個滿足放置條件的位姿。
36、與現有技術相比，本發明獲得的有益效果是：
37、（1）硬件成本極低，改造方便：完全摒棄了昂貴的3d視覺傳感器，僅通過軟件算法升級即可實現高密度裝箱，特別利于對現有自動化產線進行低成本、快速改造。
38、（2）空間利用率大幅提升：通過虛擬空間精確建模和智能布局算法，實現了物品的緊密排列與多層堆疊。實測數據表明，能將容器的容積利用率從傳統隨機堆放的約42.9%提升至70.6%以上，相對提升超過64%。完成相同任務所需容器數量可減少約40%。
39、（3）環境魯棒性強，運行穩定：算法完全依賴于可靠的數據庫尺寸信息，不受現場光照、溫度、霧氣等環境因素干擾，特別適合在低溫冷庫等復雜工業環境中穩定運行。
40、（4）作業節拍快，效率高：算法為純計算過程，平均單次規劃耗時僅約141毫秒，遠低于機械臂單次抓放周期（5-6秒），避免了視覺方案中的采集等待時間，保證了生產線的連續高效運行。
41、（5）經濟效益顯著：空間利用率的提升直接轉化為容器采購成本和冷鏈運輸成本的下降。