1. 课程导入

在智能制造与智慧物流快速演进的今天，仓储环节正从“人找货”向“货到人”“机器协同”转变。AMR（Autonomous Mobile Robot，自主移动机器人）与 AGV（Automated Guided Vehicle，自动导引车）作为仓储物流自动化的核心执行装备，正在电商分拣、汽车零部件配送、3C 电子料仓、医药冷链、锂电与光伏产线等场景中大规模落地。然而，单台机器人只是“点”，真正决定仓库吞吐能力、订单履约时效与设备利用率的，是背后的调度系统——它负责把任务、车辆、路径、库位、充电桩和人员组织成一张可运行、可优化、可复盘的协同网络。

本课程围绕“AMR/AGV 仓储物流调度系统”展开，共 30 章，从概念、架构、算法、工程实现到排障与复盘逐层推进。作为开篇，本章不急于进入代码，而是先建立一张“全局地图”：明确学习目标，厘清核心概念，勾勒系统整体框架，并说明它在行业中的真实价值。

一、学习目标：从“会用车”到“会调系统”

很多初学者对 AMR/AGV 的理解停留在“小车会走、会举升、会避障”。但调度系统的学习目标要更高一层：能够把机器人集群当作一个可建模、可调度、可优化的资源池。完成本课程后，学习者应达到以下四类目标：

• 概念清晰：能区分 AMR 与 AGV、任务与作业、路径与轨迹、调度与控制的边界。
• 架构贯通：能画出从 WMS/WCS 到调度引擎、再到车载控制器的完整数据链路。
• 算法可用：理解任务分配、路径规划、交通管制、充电策略的基本模型与评价指标。
• 工程可落地：能读懂调度日志、定位死锁与拥堵、配置参数并完成简单仿真验证。

二、核心概念：任务、车辆、地图与调度

调度系统的核心对象可以概括为“四要素一目标”。四要素是任务、车辆、地图、资源；一目标是在满足约束的前提下最大化整体效率。任务通常来自 WMS 的出库、入库、移库、盘点指令，包含起点、终点、优先级、时效要求；车辆是执行任务的 AMR/AGV，具有位置、电量、载重、状态等属性；地图是仓库的拓扑抽象，由节点、边、区域、工位、充电桩组成；资源包括巷道、路口、提升机、输送线接口等有限通行能力。

需要特别区分两组概念：调度（Scheduling）决定“谁在什么时候做什么”，控制（Control）决定“怎么走、走多快、如何避障”。调度偏全局优化，控制偏局部执行。二者通过任务指令与状态上报形成闭环。

三、整体框架：五层协同的系统视图

一个典型的 AMR/AGV 仓储物流调度系统可分为五层：业务层、调度层、通信层、车载层与基础设施层。下图展示了各层之间的主要对象与数据流向，帮助建立端到端认知。

从图中可以看到，业务层产生任务，调度层完成分配与路径决策，通信层负责可靠传输，车载层执行运动与作业，基础设施层提供物理支撑；同时，车辆状态、任务进度、异常告警会沿虚线反向回流，形成闭环。理解这条链路，是后续学习算法与排障的基础。

四、行业价值：效率、成本与柔性

调度系统的价值并非“让车动起来”，而是让整个仓库的单位时间吞吐量和订单履约确定性提升。以某电商区域仓为例，引入 80 台 AMR 与调度系统后，拣选人效从每小时 120 件提升到 420 件，订单平均履约时间从 45 分钟缩短到 12 分钟，同时通过动态充电与任务均衡，车辆日均利用率从 58% 提升到 82%。这背后是调度算法在任务分配、拥堵规避和充电窗口上的持续优化。

五、常见误区与学习复盘

复盘本章，可以用一句话概括：AMR/AGV 调度系统是把“任务—车辆—地图—资源”四要素，通过分层架构与闭环反馈，转化为可量化效率的协同引擎。后续章节将依次深入任务分配算法、路径搜索、交通管制、充电调度、仿真验证与工程排障，逐步把这张全局地图填满。

# 调度系统核心指标示例（用于后续章节对照）
throughput        = 订单完成量 / 时间窗口
vehicle_util      = 车辆有效作业时间 / 总可用时间
task_on_time_rate = 准时完成任务数 / 总任务数
deadlock_count    = 单位时间内死锁发生次数
avg_cycle_time    = 任务从下发到完成的平均耗时

当你能够用这些指标去衡量一个调度策略的优劣时，就已经从“操作者”迈向了“系统设计者”。这正是本课程希望带你抵达的位置。