需求名称：面向混流生产车间的异构AGV路径规划与任务调度系统开发 悬赏金额：15万元 发榜企业：珠海市格努科技有限公司  产业集群：智能机器人产业集群 需求领域：自动化与智能控制技术  技术关键词：异构AGV路径规划、任务调动系统、智能物流

本发明公开了一种支持异质智能无线传感器在线开放规划的方法及系统，包括通过互联网在线注册 智能无线传感器元数据到 SOS 服务、构建并在线安装智能无线传感器规划插件、在线注册智能无线传 感器元数据到 SPS 服务、在线获取智能无线传感器任务规划参数描述、设置智能无线传感器任务规划参 数并在线验证智能无线传感器任务规划参数有效性、在线提交智能无线传感器任务规划请求、基于时空 位置在线获取智能无线传感器观测数据七步骤；本发明实现了异质智能无线传感器在

本发明公开了一种砂带磨削加工的进退刀轨迹规划方法，包括：确定初始进刀路径和退刀路径；确定优化的进刀路径和退刀路径，即将初始进刀路径中沿其最后一个刀触点依次到初始切削位置，然后再所形成的路径作为优化的进刀路径，将初始退刀路径中从其中的第一个刀触点开始依次沿后续刀触点至切削结束位置，然后再反向形成的路径作为优化的退刀路径；确定优化的进刀路径和退刀路径上各刀触点处对应的刀具浮动高度；根据上述优化的进刀路径和退刀路径及各自对应的浮动高度，即可确定优化的砂带磨削加工中的进刀轨迹和退刀轨迹。本发明的方法可以有效

本发明公开了一种不确定环境下考虑安全校验的电网鲁棒规划方法。首先，输入电网信息，建立不确定环境下考虑安全校验的电网鲁棒规划模型；其次，采用Benders分解法，将电网鲁棒规划模型分解为规划主问题和运行子问题的求解；然后，求解规划主问题，得到电网鲁棒规划方案；求解正常状态下的运行子问和紧急状态下的运行子问题；最后，校验运行子问题的可行性，得到最终的电网鲁棒规划方案。本发明弥补了现有技术存在的各种缺陷，同时考虑了“N?K”安全校验情况和负荷需求与可再生能源发电的不确定性，可以适应在正常状态和紧急情况下由不确定度定义的不确定变量的所有可能的实现。

研究团队基于cGAMP设计制备了一种肺部仿生纳米颗粒（PS-GAMP）来模拟流感病毒肺部感染，发现其能够在不破坏肺部表面活性剂（PS）和肺泡上皮屏障（AEC）的情况下，激活AMs和AECs，促进疫苗产生高效的体液和CD8+ T细胞保护性免疫反应，以抵抗多种异型流感病毒的攻击。研究结果提示AECs在产生广泛的交叉保护以抵御各种流感病毒方面具有十分重要的作用，表明PS-GAMP可能是一种“通用”流感疫苗的潜在粘膜佐剂。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。