CN120276428A 智能小车的多模式任务编排与智能执行方法及系统 （北京苏博立方科技有限责任公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120276428A(43)申请公布日2025.07.08

(21)申请号202510194748.8

(22)申请日2025.02.21

(71)申请人北京苏博立方科技有限责任公司地址100176北京市大兴区经济技术开发

区永昌北路9号1幢4层414-2号

(72)发明人俞晨崔家菘

(74)专利代理机构杭州研基专利代理事务所(普通合伙)33389

专利代理师于森

(51)Int.CI.

GO5D1/43(2024.01)

G05D1/644(2024.01)

G05D1/648(2024.01)

G05D109/10(2024.01)

权利要求书4页说明书16页附图1页

(54)发明名称

获取智能小车的历史任务数据，所述历史任务数据包括任务类型、任务路径、任务时长、环境参数以及任务完成状态；基于深度学习算法对所述历史任务

获取智能小车的历史任务数据，所述历史任务数据包括任务类型、任务路径、任务时长、环境参数以及任务完成状态；基于深度学习算法对所述历史任务数据进行聚类分析，将具有相似特征的任务归类为同一任务模式，构建包含多个预设任务模式的任务模型库；接收新的任务指令，所述任务指令包含任务目标位置、任务执行时间、任务优先级以及环境约束条件，将所述任务指令与所述任务模型库中的预设任务模式进行特征匹配，确定当前任务的执行模式

基于所述执行模式构建任务执行决策树，所述决策树的每个节点包含动作序列、资源消耗和时间约束；采用启发式算法对所述决策树进行剪枝优化，去除不满足环境约束条件的执行路径：根据任务优先级和时间约束，计算决策树各节点的任务切换代价，生成最优任务执行路径：将所述最优任务执行路径转换为智能小车的控制指令序列，所述控制指令序列包含运动轨迹、速度规划和执行时序

智能小车按照所述控制指令序列开始执行任务，在任务执行过程中实时采集环境数据，所述环境数据包括障碍物信息、光照强度、温度和路况状态；当检测到环境发生变化时，基于深度强化学习模型对所述控制指令序列进行在线优化，生成适应环境变化的新控制指令：将任务执行过程中产生的状态数据、环境数据和优化结果反馈至任务模型库，用于更新和完善预设任务模式，提高后续任务的执行效率

S103

(57)摘要

CN120276428A本发明提供智能小车的多模式任务编排与智能执行方法及系统，涉及任务编排技术领域，包括通过深度学习算法对历史任务数据进行聚类分析，构建任务模型库；基于新任务指令匹配执行模式，构建并优化决策树，生成最优执行路径；将执行路径转换为控制指令序列；执行任务时实时采集环境数据，基于深度强化学习模型进

CN120276428A

CN120276428A权利要求书1/4页

2

1.智能小车的多模式任务编排与智能执行方法，其特征在于，包括：

获取智能小车的历史任务数据，所述历史任务数据包括任务类型、任务路径、任务时长、环境参数以及任务完成状态；基于深度学习算法对所述历史任务数据进行聚类分析，将具有相似特征的任务归类为同一任务模式，构建包含多个预设任务模式的任务模型库；接收新的任务指令，所述任务指令包含任务目标位置、任务执行时间、任务优先级以及环境约束条件；将所述任务指令与所述任务模型库中的预设任务模式进行特征匹配，确定当前任务的执行模式；

基于所述执行模式构建任务执行决策树，所述决策树的每个节点包含动作序列、资源消耗和时间约束；采用启发式算法对所述决策树进行剪枝优化，去除不满足环境约束条件的执行路径；根据任务优先级和时间约束，计算决策树各节点的任务切换代价，生成最优任务执行路径；将所述最优任务执行路径转换为智能小车的控制指令序列，所述控制指令序列包含运动轨迹、速度规划和执行时序；

智能小车按照所述控制指令序列开始执行任务，在任务执行过程中实时采集环境数据，所述环境数据包括障碍物信息、光照强度、温度和路况状态；当检测到环境发生变化时，基于深度强化学习模型对所述控制指令序列进行在线优化，生成适应环境变化的新控制指令；将任务执行过程中产生的状态数据、环境数据和优化结果反馈至任务模型库，用于更新和完善预设任务模式，提高后续任务的执行效率。

2.根据权利要求1所述的方法，其特征在于，基于深度学习算法对所述历史任务数据进行聚类分析，将具有