想象一座繁华的城市，街道纵横交错，上百辆出租车穿梭其中。没有GPS的年代，司机靠背地图；有了调度台，出租车不再“扫街”,而是被系统派单；现在，无人驾驶出租车自己认路、自己避让，电量低了还会自己去充电。这一切的调度大脑，藏在一个你看不见的房间里。 仓储AGV的世界，就是一座“机器人出租车之城”。Quicktron（快仓）和Geek+（极智嘉）是这座城市里最大的两家“出租车公司”。它们提供不同“车型”——有的专门驮起整个货架，有的专门取送料箱，有的快速分拣包裹，有的在托盘区干重活。导航技术决定了车辆如何认路，调度系统则像城市交通指挥中心，让几十上百台AGV在仓库里高效穿梭而不撞车。 这篇文章会带你从零认识这套系统：产品家族、导航技术、调度系统、仓储适配场景、选型考量和部署实施。读完你会明白，为什么AGV不是简单的“无人叉车”,而是软硬件一体的智能物流系统。

岗位关联

理解主流AGV方案的技术路线与选型方法，是从事仓储自动化、机器人产品经理或解决方案工程师的基本功——它帮你把业务需求翻译成靠谱的技术方案，从而在真实项目中做出正确决策。

目录
  1. 可视化演示
  2. 产品家族
  3. 导航技术
  4. 调度系统
  5. 仓储适配
  6. 选型考量
  7. 部署实施
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

AGV导航技术路线对比 主流方案推荐： Quicktron vs Geek+ 产品线对比 RCS调度系统三层架构

产品家族

一家出租车公司不会只买一种车型——机场需要商务车，通勤需要轿车，搬家需要货车。Quicktron（快仓）和Geek+（极智嘉）这两家仓储AGV巨头的车库，也按“运什么”分为四大家族。所谓AGV（自动导引车）,就是能在仓库里自动行驶、按指令搬运货物的无人车辆，你可以把它想象成一座封闭城市里的无人驾驶出租车。

第一类是货架搬运机器人，它像潜入式拖车，钻到货架底部把整个货架顶起来，驮到拣选工位——这就是“货到人”模式：人站在工位不用动，货架自己跑过来。第二类是料箱取送机器人，专门对付装小件商品的料箱，像自动售货机的取货臂，精准地把料箱从货架深处取出来送到人面前。第三类是包裹分拣机器人，它们组成一个平面传送网，把快递按目的地快速分流到不同格口。第四类是托盘叉车AGV,干的是重活，整托整托地搬运大件货物。

以Geek+为例，P系列做货架到人拣选，S系列做高速分拣，M系列做搬运，C系列做叉车;Quicktron的产品线也覆盖同样的四大品类，只是命名方式不同。选哪种“车型”,完全取决于仓库里流通的货物形态和订单结构。

货到人模式到底快多少？ 可以用一个简单的比值来衡量：

所以，当你听到“快仓”或“极智嘉”时，不要只想到“无人叉车”——他们提供的是一整支按需配置的“出租车车队”,从轻到重、从快到准，各有分工。

效率倍数=T人找货T货找人=60 s10 s=6\text{效率倍数} = \frac{T_{\text{人找货}}}{T_{\text{货找人}}} = \frac{60\text{ s}}{10\text{ s}} = 6
这个公式说明：同样是完成一次拣选，货到人模式（机器人跑腿）比人找货模式（人跑腿）快6倍。省下的不是走路的时间，而是让人从“找货的工具”变回“做判断的人”。
  1. T人找货（人找货模式的循环时间）人工推着拣货车走到目标货位、弯腰找货、再返回工位的总耗时。在大型仓库里，这一趟平均要60秒。
    T人找货≈60 sT_{\text{人找货}} \approx 60\text{ s}
  2. T货找人（货到人模式的循环时间）AGV把整个货架搬运到拣选工位，人站在原地等待并拣选，平均只需要10秒。
    T货找人≈10 sT_{\text{货找人}} \approx 10\text{ s}
  3. 效率倍数（两者的比值）用60秒除以10秒得到6倍，这就是“货到人”被广泛采用的核心动力——把人的行走交给机器，人的时间专注在拣选动作上。
    60 s10 s=6\frac{60\text{ s}}{10\text{ s}} = 6

导航技术

出租车司机怎么认路？老司机靠记忆，新手看路牌，最稳的司机会把导航地图和路牌结合着用。AGV的导航技术也分门派，本质都是回答同一个问题：“我现在在哪，我要往哪走。”

二维码导航是仓储AGV最经典的方式。仓库地面上每隔几十厘米贴一张二维码，像路面上画的虚线车道。AGV底盘上的相机扫到码，就能立刻知道自己的精确位置，误差在正负10毫米以内。它的优点是部署快、成本低、精度高；缺点是地面贴码容易磨损、路径相对固定，想改路线就得重贴码。SLAM激光导航则完全不同——AGV车顶的激光雷达像眼睛一样扫描四周环境，一边走一边画地图、一边定自己的位，这就是“同步定位与建图”(SLAM)的含义。它不需要地面改造，适合环境动态变化的场景，但精度略低于二维码。视觉导航用摄像头识别货架、墙角和柱子上的特征作为“路标”,成本低，但对光照和纹理敏感。融合定位就是“全都要”:二维码打底、激光雷达兜底、视觉做辅助识别，多传感器互为冗余，把单种技术的短板补上。

无论哪种导航，机器人都绕不开一个最基本的运动学模型——它预测自己下一步会在哪。用数学来表达就是：

选导航路线，本质上是在选“城市的路况”:地面规则平整、路线固定，二维码就是最划算的选择；环境多变、不宜贴码，那就请SLAM这位“老司机”出马。Quicktron和Geek+的多数产品都能在同一车体上切换不同导航方案，这也是它们能适配各种仓库的原因。

xt+1=xt+ut+εt\mathbf{x}_{t+1} = \mathbf{x}_t + \mathbf{u}_t + \boldsymbol{\varepsilon}_t
这个公式描述的是AGV“盲走”时的位置推算：下一时刻的位置 = 当前的位置 + 轮子转动的位移 + 打滑误差。导航算法做的事，就是不断用传感器数据来纠正括号里的误差，让机器人不迷路。
  1. x_t（当前位姿）机器人现在的位置和朝向，通常包含x坐标、y坐标和转角，相当于“我在哪”。
    xt=[xtytθt]\mathbf{x}_t = \begin{bmatrix} x_t \\ y_t \\ \theta_t \end{bmatrix}
  2. u_t（控制输入）机器人对轮子发出的移动指令——前进多少米、原地转多少度。相当于出租车司机踩油门和打方向盘的意图。
    ut=[ΔstΔθt]\mathbf{u}_t = \begin{bmatrix} \Delta s_t \\ \Delta \theta_t \end{bmatrix}
  3. ε_t（运动噪声）轮子打滑、地面不平、载重变化造成的随机误差，就像雨天开车的打滑。算法工程师会为它建一个高斯分布模型来估计不确定性。
    εt∼N(0,Σ)\boldsymbol{\varepsilon}_t \sim \mathcal{N}(0, \Sigma)
  4. x_{t+1}（预测位姿）在传感器修正之前，机器人按“走多少算多少”的规矩推算出的位置；二维码或激光一到位，误差就被“拉回”真实轨迹。
    xt+1=xt+ut+εt\mathbf{x}_{t+1} = \mathbf{x}_t + \mathbf{u}_t + \boldsymbol{\varepsilon}_t

调度系统

一座城市里跑着上百辆出租车，如果没人管，司机都往热门商圈挤，偏僻小区永远打不到车。调度中心的价值，就是实时掌握每辆车的状态，把每个订单派给最合适的司机。仓储AGV的调度系统，就是这个“出租车调度台”。

调度系统要管四件事。任务分配是“派单”:系统里不断涌来拣选订单，调度算法要把订单分配给路程近、电量足、不堵车的AGV,而不是随机抓一辆。路径规划是“导航”:给定起点和终点，算出最优路线——距离最短、弯道最少、还要避开其他AGV。交通管制是“红绿灯”:仓库里几十台车同时跑，十字路口必须防碰撞，高优先级任务可以先行，低优先级就地等待。充电调度则像“换班制度”:当AGV电量低于阈值，调度系统把它从任务队列摘出来，派到充电桩自动充电，充满再重新上岗。

这里最核心的是任务分配环节。用一个代价函数来衡量“把任务j交给AGV i划不划算”,代价越小优先级越高：

Quicktron和Geek+的调度系统本质上都是“实时多智能体任务分配问题”,在数学上对应经典的匈牙利算法或拍卖算法。它们能在毫秒级完成一轮全局调度，这就是为什么上百台AGV在仓库里穿行却不会乱成一锅粥。调度系统，才是AGV方案的真正灵魂。

Cost(i,j)=ω1dij+ω2wij+ω3(1−bi)\text{Cost}(i,j) = \omega_1 d_{ij} + \omega_2 w_{ij} + \omega_3 (1 - b_i)
这个公式像调度员的算盘：派单时看三笔账——路程远不远、要等多久、电量够不够。三笔账按权重加起来，哪辆车总代价最低，单就派给谁。
  1. Cost(i,j)（派单代价）把任务j分配给AGV i的总体代价。调度算法会计算所有空闲AGV的代价，挑最小的那台。
    Cost(i,j)=ω1dij+ω2wij+ω3(1−bi)\text{Cost}(i,j) = \omega_1 d_{ij} + \omega_2 w_{ij} + \omega_3 (1 - b_i)
  2. d_ij（行驶距离）AGV当前位置到任务起点的路程，距离越远代价越高，像出租车接一单远客的空驶成本。
    dij=∣xi−xj∣+∣yi−yj∣d_{ij} = \left| x_i - x_j \right| + \left| y_i - y_j \right|
  3. w_ij（等待时间）AGV如果正在执行上一条任务的收尾，新任务需要等多久；等待越长代价越大。
    wij=max⁡(0, t空闲−t现在)w_{ij} = \max(0,\ t_{\text{空闲}} - t_{\text{现在}})
  4. b_i（剩余电量）AGV目前的电量百分比。b_i越小，(1-b_i)越大，代价越高——系统会“心疼”低电量的车，少给它派远单，让它早点去充电。
    1−bi∈[0,1]1 - b_i \in [0, 1]
  5. ω1、ω2、ω3（权重系数）三个权重表示调度策略的偏好——如果仓库最看重吞吐，就把ω1调大；如果最怕死机断单，就把ω3调大，优先保证电量充裕。
    ω1+ω2+ω3=1\omega_1 + \omega_2 + \omega_3 = 1

仓储适配

不同城市的交通状态千差万别：老城区路窄车多，新城区路宽人少，港口则是重卡天下。仓库也是如此，没有一种AGV能通吃所有场景，所以“适配”是方案设计的核心词。

料箱存储场景，典型的是电商小件仓：商品尺寸小、SKU海量、订单散碎。此时料箱取送机器人是主角，货架被改造成密集的“料箱墙”,机器人像图书管理员一样按指令把对应料箱抽出来送到拣选位，存储密度比传统货架提升2-3倍。整箱搬运场景则是大件重货的天下，比如饮料、纸张、家电。整箱货物体积大、重量大、规格统一，搬运机器人和叉车AGV配合，把整托货物从收货区运到存储区再运到发货月台。订单分拣场景解决的是“碎片化订单”:一个订单包含5件货，分散在仓库5个区域，分拣机器人把每个区域的货按订单号汇聚到同一个集货口，像快递分拣中心里自动把包裹按城市分流。混合协同则是高阶玩法：同一个仓库里，料箱机器人管小件存储区，搬运机器人管整箱区，分拣机器人管出库集货，由调度系统统一指挥，各司其职。

选择适配方案时，需要核算系统吞吐量。一个最基础的问题是：到底需要多少台AGV?

在这个公式里，Quicktron和Geek+的差异主要体现在T单循环和η上：车体速度、加速度、顶升时间、调度算法的效率，最终都会折算成这两个数。所以做方案对比时，不要只比“谁家车跑得快”,要比“同样订单量下谁家需要的车更少”。

NAGV=Q日单量×T单循环H工作时长×η利用率N_{\text{AGV}} = \frac{Q_{\text{日单量}} \times T_{\text{单循环}}}{H_{\text{工作时长}} \times \eta_{\text{利用率}}}
这是AGV数量测算的“万能公式”:总工作量除以单台车的有效产出。日单量越大、单循环越慢，需要的车越多；工作时间越长、利用率越高，需要的车越少。
  1. Q日单量（每日任务总量）仓库每天需要完成的订单/搬运任务数量，单位是“单/天”。双11大促时这个数会暴涨。
    Q日单量=8000 单/天Q_{\text{日单量}} = 8000\ \text{单/天}
  2. T单循环（单循环时间）一台AGV完成一个任务的平均耗时，包括取货、运输、放货、返回的时间，单位是“秒/单”。
    T单循环=90 秒/单T_{\text{单循环}} = 90\ \text{秒/单}
  3. H工作时长（有效运行时间）仓库每天运行的小时数换算成秒。10小时 = 36000秒。
    H工作时长=10 小时=36000 秒H_{\text{工作时长}} = 10\ \text{小时} = 36000\ \text{秒}
  4. η利用率（系统利用率）AGV实际干活的时长占比。充电、避让、等待调度都会消耗时间，经验值取0.8-0.9。
    η利用率=0.85\eta_{\text{利用率}} = 0.85
  5. N(AGV数量)把分子除以分母，得到理论上需要的最少台数，最终向上取整并留出10%-20%冗余。
    N=8000×9036000×0.85≈23.5→24 台N = \frac{8000 \times 90}{36000 \times 0.85} \approx 23.5 \rightarrow 24\ \text{台}

选型考量

买出租车队前，出租车公司老板要盘算很多事：每天多少客人、路况怎么样、油电成本多少、以后要不要扩车队。AGV选型也是同样的逻辑，口诀是“四笔账算清楚”。

第一笔账：吞吐需求。 先明确仓库日均处理多少订单、峰值是多少、未来3年业务增速预期。吞吐需求直接决定“需要多少台车”,上一节的公式就是测算工具。第二笔账：场地条件。 仓库地面平整度如何？通道宽度够不够AGV转弯？库内货架是否要改造？楼层承重能否支持重载叉车？这些物理约束直接框定车型选择：地面不平用SLAM导航，通道窄用小型料箱机器人，楼层承重差就别上托盘叉车。第三笔账：成本回报。 这是企业最关心的“账本”,核心指标是投资回报周期：买AGV花的钱，靠节省的人力成本多久能赚回来。第四笔账：扩展能力。 业务涨了，能否平滑扩容？是加几台车就能扩产，还是要重做整个系统？接口是否开放、调度系统是否支持在线扩容，决定了方案的生命周期。

ROI的计算公式很朴素：

把四笔账放在一起，就能回答选型中最经典的问题：Quicktron还是Geek+?答案是看数据——谁的T更短、η更高、I0更低、扩展更灵活，谁就是当前场景的最优解。这两家在价格和技术上互有攻守，但选型的裁判永远是ROI。

回本周期=I0S−O\text{回本周期} = \frac{I_0}{S - O}
简单说就是“投入除以净节省”。这笔账算完之后，AGV方案值不值得上、上多少，就有了客观依据，而不是靠感觉拍板。
  1. I0（初始投资）购买AGV硬件、部署调度软件、改造场地、人员培训的总成本，单位是万元。它是“分母”。
    I0=C硬件+C软件+C改造I_0 = C_{\text{硬件}} + C_{\text{软件}} + C_{\text{改造}}
  2. S（年节省成本）每年减少的人工工资、人工差错造成的货损、人员流动的培训成本。AGV 7×24小时工作，相当于省下2-3班的人。
    S=∑年(节省人力+减少损耗)S = \sum_{\text{年}} \left( \text{节省人力} + \text{减少损耗} \right)
  3. O（年运维成本）每年电费、零部件更换、软件license、维修保养等支出。AGV不是“买完就完”,它像汽车一样需要养。
    O=C电费+C备件+C维保O = C_{\text{电费}} + C_{\text{备件}} + C_{\text{维保}}
  4. 回本周期（投资回收期）净节省(S-O)累计覆盖初始投资I0需要的年数。健康水平是2-3年——超过5年就要重新审视方案的必要性。
    回本周期=I0S−O≤3 年\text{回本周期} = \frac{I_0}{S - O} \le 3\ \text{年}

部署实施

出租车队上线不是一天把所有车都撒出去，而是先放几辆试跑，摸清路况和乘客需求，再逐步增加车辆。AGV方案落地也遵循同样的“小步快跑”逻辑，分为四个阶段。

第一步：实地勘察。 工程师带着激光测距仪进场，把仓库的立柱位置、货架布局、通道宽度、地面平整度、网络覆盖全部测绘成数字地图。勘察数据是后续一切部署的基础，相当于为城市画一张精确的交通图。第二步：仿真验证。 在部署之前，先用软件仿真把整个仓库和AGV车队“跑一遍”:模拟订单流，设定AGV数量，观察系统吞吐、拥堵点、充电瓶颈。仿真能提前暴露80%的问题，避免上线后返工。第三步：分批上线。 大规模部署风险极高，所以先选一个独立区域、放10台车试运行，验证导航精度和调度稳定性；跑通后再扩大到50台，最后全量上线。每批上线都要采集数据、对比指标、修正参数。第四步：运维优化。 AGV方案上线不是终点，而是持续调优的起点。通过数据看板监控单机效率、任务等待时间、充电频次，持续调整调度权重和路径策略。

在验收阶段，评价系统真实吞吐的指标是“系统综合效率”——它不仅看单台车多快，还看调度带来的损耗和可用率。它的计算公式如下：

部署实施这条路上，Quicktron和Geek+都有自己的“套路”:快仓强调硬件稳定性和性价比，极智嘉更强调算法和软件生态。但无论选谁，遵循“勘察→仿真→分批→优化”的节奏，都能把上线风险降到最低。正如出租车公司不会一天投放一万辆车，聪明的仓库也会让机器人员工“先试岗，再转正”。

E系统=E单机×η调度×η可用E_{\text{系统}} = E_{\text{单机}} \times \eta_{\text{调度}} \times \eta_{\text{可用}}
这台“三重奏”公式提醒我们：系统真实效率是单机峰值效率、调度协同效率、时间可用率三者的乘积。任何一个环节掉链子，整体就跟着掉。
  1. E单机（单机峰值效率）单台AGV在理想条件下每小时完成的搬运任务数，比如20次/小时。这是厂商宣传册上的数字。
    E单机=20 次/小时E_{\text{单机}} = 20\ \text{次/小时}
  2. η调度（调度效率系数）多台AGV同时运行时，因路径冲突、任务排队、交通管制导致的效率折损，经验值0.85-0.95。车辆越多，这个系数越低——这就是“AGV不是越多越好”的数学根源。
    η调度=0.90\eta_{\text{调度}} = 0.90
  3. η可用（时间可用率）AGV扣除充电、故障、维护占用的时间后，真正能干活的比例。电池技术和充电策略直接影响这个数。
    η可用=0.92\eta_{\text{可用}} = 0.92
  4. E系统（系统真实吞吐）三者的乘积，是部署验收时真正对标的数字，也是运维优化要持续提升的终极指标。
    E系统=20×0.90×0.92≈16.6 次/小时E_{\text{系统}} = 20 \times 0.90 \times 0.92 \approx 16.6\ \text{次/小时}

AI 应用场景

电商大促仓：货到人拣选系统

阶段：仓储调度与机器人任务分配

解决的问题：大促期间订单量是平峰的5-10倍，传统人工拣货需要大量临时工，培训和运营成本极高，而且人走近万步的“人找货”模式效率低下。AI调度系统根据订单实时把货架搬运任务分配给最合适的AGV,实现“货找人”,让人工只做最后的拣选确认。

具体案例：某头部电商的华北仓部署了上百台Geek+ P系列拣选机器人。在双11期间，系统吞吐提升了3倍，临时工占比从70%降到30%,且拣选准确率保持99.9%以上。系统通过调度算法将货架按订单热度和商品关联度动态排序，热门货架被优先搬运到工位，大幅缩短了每个订单的完成时间。

医药冷链仓：料箱机器人与温区管理

阶段：料箱机器人与库存精准管理

解决的问题：医药仓对批号和效期有严格管理要求，且冷库零下20℃的环境不适合人工长时间作业。人工在冷库内找药、核对批号的出错率高、效率低，而且人员频繁进出冷库还影响温控稳定。料箱机器人按系统指令自动存取指定批号的药品料箱，全程不需人进入冷库。

具体案例：某医药流通企业在阴凉库和冷库区引入Quicktron料箱机器人，出库准确率从99.2%提升至99.95%,人员进出冷库时间减少70%,药品效期管理实现了全流程数字化追踪，完全符合GSP规范要求。

跨境电商退货仓：分拣机器人

阶段：分拣机器人与路径优化

解决的问题：跨境电商的退货包裹SKU极多、形状不规则，必须按国家、渠道、质检结果快速分流。人工分拣量大时极易出错，一旦分错渠道，退运成本极高。分拣机器人通过视觉识别面单信息，将包裹自动送往对应格口，比人工快且稳定。

具体案例：某跨境电商退货中心部署Geek+ S系列分拣机器人，系统每小时可分拣3000+件包裹，错分率低于万分之一。调度系统实时统计各渠道流量，动态调整格口分配，使分拣线利用率保持在90%以上。

Python 演示

python90 行
import random  class AGV:    """一台AGV小车:知道自己的位置,能接受任务并朝目标移动"""     def __init__(self, agv_id, x, y):        self.id = agv_id        self.x = x        self.y = y        self.busy = False        self.task = None        self.finish_count = 0     def assign(self, task):        self.task = task        self.busy = True     def move(self):        if not self.busy:            return        if self.x < self.task['x']:            self.x += 1        elif self.x > self.task['x']:            self.x -= 1        if self.y < self.task['y']:            self.y += 1        elif self.y > self.task['y']:            self.y -= 1        if (self.x, self.y) == (self.task['x'], self.task['y']):            self.busy = False            self.task = None            self.finish_count += 1  class Dispatcher:    """调度系统:维护任务队列,并按就近原则派单"""     def __init__(self, agv_list):        self.agv_list = agv_list        self.task_queue = []     def add_task(self, task):        self.task_queue.append(task)     def dispatch(self):        for task in list(self.task_queue):            best_agv = None            best_dist = float('inf')            for agv in self.agv_list:                if agv.busy:                    continue                dist = abs(agv.x - task['x']) + abs(agv.y - task['y'])                if dist < best_dist:                    best_dist = dist                    best_agv = agv            if best_agv is not None:                best_agv.assign(task)                self.task_queue.remove(task)     def run(self, steps=20):        for step in range(steps):            self.dispatch()            for agv in self.agv_list:                agv.move()            status = ','.join(                'AGV%d(%d,%d)%s' % (                    agv.id, agv.x, agv.y,                    'busy' if agv.busy else 'idle'                ) for agv in self.agv_list            )            print('step %2d: %s' % (step, status))            if random.random() < 0.4:                self.add_task({                    'x': random.randint(0, 5),                    'y': random.randint(0, 5)                })  if __name__ == '__main__':    agv_list = [AGV(0, 0, 0), AGV(1, 5, 5), AGV(2, 2, 3)]    dispatcher = Dispatcher(agv_list)    for _ in range(3):        dispatcher.add_task({            'x': random.randint(0, 5),            'y': random.randint(0, 5)        })    dispatcher.run(20)    total = sum(agv.finish_count for agv in agv_list)    print('总完成任务数:', total)
目的：用最简单的“就近派单”策略模拟一个AGV调度系统——3台AGV在6×6网格仓库里不断执行随机任务，演示调度系统如何动态派单、AGV如何移动和完成任务。
  1. class AGV:定义一个AGV类，每台车拥有位置坐标、忙碌状态、任务和完成任务计数，相当于一台“出租车”的基本属性。
  2. if (self.x, self.y) == (self.task['x'], self.task['y']):判断AGV是否到达任务目标点；到达后清空任务并计数，对应真实AGV的“放下货，任务完成”。
  3. best_dist = abs(agv.x - task['x']) + abs(agv.y - task['y'])使用曼哈顿距离衡量AGV到任务点的路程，模拟调度系统里的距离代价d_ij,距离越近越优先。
  4. if best_agv is not None:找到最近的空闲车辆后，就给它assign任务并把任务从队列移除，对应“任务分配”模块的核心逻辑。
  5. if random.random() < 0.4:每个时间步有40%概率产生新任务，模拟仓库里不断涌入订单的真实场景，让调度系统持续处于动态状态。
  6. status = ','.join(...)打印每个step所有AGV的位置和忙闲状态，便于观察“派单→移动→完成→再接单”的完整闭环。

常见误区

误区

正解

误区

正解

误区

正解

误区

正解

误区

正解

面试题

Q1. “货到人”拣选模式中，哪种机器人负责把整个货架搬运到拣选工位？

单选题 · easy

  • A.料箱存取机器人
  • B.货架搬运机器人← 正确答案
  • C.包裹分拣机器人
  • D.托盘叉车AGV

答案：B。货到人模式的核心是“货架不动人不动”,由货架搬运机器人潜入货架底部、顶升驮起整个货架，送到拣选工位。料箱机器人取的是货架里的单个料箱，分拣机器人分流的是包裹，叉车AGV搬运的是托盘，三者都不是“搬整架”。

Q2. 二维码导航中，AGV是如何确定自身位置的？

单选题 · easy

  • A.通过卫星GPS全球定位
  • B.扫描地面二维码获得绝对坐标← 正确答案
  • C.依靠惯性传感器纯推算
  • D.通过WiFi信号三角测量

答案：B。二维码导航的原理是：地面每隔固定距离贴一张二维码，AGV底盘相机扫到二维码后，解码获得唯一编号，再换算成精确的世界坐标，定位误差可到±10mm。GPS在室内失效，惯性推算会累积漂移，WiFi定位精度远达不到毫米级。

Q3. 调度系统中，任务分配的代价函数通常不包括下列哪一项？

单选题 · mid

  • A.行驶路程距离
  • B.到达等待时间
  • C.机器人剩余电量
  • D.货架的油漆颜色← 正确答案

答案：D。代价函数衡量“把任务派给某台AGV划不划算”,核心考量是路程、等待时间和电量——路程远、等待久、电量低都会让代价升高。货架的油漆颜色跟派单效率毫无关系，属于干扰项。真实调度系统的代价函数可能还包括任务优先级、AGV负载能力等参数。

Q4. 以下哪些属于仓储AGV的导航技术路线？

多选题 · mid

  • A.二维码固定导航← 正确答案
  • B.激光SLAM导航← 正确答案
  • C.视觉识别导航← 正确答案
  • D.声呐回波导航

答案：ABC。主流的AGV导航路线包括二维码导航、激光SLAM导航和视觉导航，以及它们的融合方案。声呐主要用于水下或避障辅助，在仓储AGV中并不是独立的导航路线。工程实践中，Quicktron和Geek+的多款产品都支持二维码与SLAM的灵活切换或融合定位。

Q5. 计算AGV需求数量时，以下哪个参数对结果影响最大？

单选题 · mid

  • A.机器人的外观颜色
  • B.单次循环时间← 正确答案
  • C.仓库的楼层高度
  • D.货架的材质重量

答案：B。AGV数量公式为N=Q×T/(H×η),单次循环时间T直接与N成正比——T从90秒降到45秒，所需AGV数量直接减半。楼层高度会影响货架层数，但最终会折算进吞吐量Q里；外观颜色和货架材质与数量测算没有直接关系。

Q6. 一个完整的AGV调度系统需要解决哪些核心问题？

多选题 · hard

  • A.任务分配与派单← 正确答案
  • B.路径规划与避让← 正确答案
  • C.交通管制与防碰撞← 正确答案
  • D.商品定价与促销策略

答案：ABC。调度系统的四大核心模块是任务分配（把单派给谁）、路径规划（走哪条路）、交通管制（如何避让防撞）和充电调度。商品定价与促销属于电商业务范畴，与AGV调度无关。调度系统本质上是一个实时多智能体协调问题，Quicktron和Geek+的核心技术壁垒也在这里。

Q7. Geek+（极智嘉）产品线中，主打高速包裹分拣的是哪个系列？

单选题 · easy

  • A.P系列拣选机器人
  • B.S系列分拣机器人← 正确答案
  • C.M系列搬运机器人
  • D.C系列平衡叉车

答案：B。Geek+的P系列主打货到人拣选，S系列主打分拣，M系列主打搬运，C系列是叉车。其中S系列常用于快递分拣中心，通过多台分拣机器人组成平面分拣网，每小时可分拣数千件包裹。Quicktron也有对应的分拣产品线，只是命名不同。

Q8. 仓库每天需处理6000个订单，每台AGV单循环时间90秒，每天工作10小时，利用率85%,至少需要多少台AGV?

单选题 · hard

  • A.10 台
  • B.18 台← 正确答案
  • C.25 台
  • D.30 台

答案：B。代入公式N=Q×T/(H×η)=6000×90/(36000×0.85)=540000/30600≈17.65,向上取整为18台。注意每天10小时要换算成36000秒。这类计算题在AGV方案设计面试中非常常见，核心是把业务需求量化成设备数量。

Q9. 仓储AGV部署实施的关键步骤包括哪些？

多选题 · mid

  • A.实地勘察场地← 正确答案
  • B.仿真验证运行← 正确答案
  • C.分批逐步上线← 正确答案
  • D.一次性全量替换

答案：ABC。标准化部署路径是“勘察→仿真→分批上线→运维优化”:先测绘场地生成数字地图，再用仿真提前暴露问题，最后小批量试运行再扩容。一次性全量替换风险极高，一旦调度参数出错整个仓库都会停摆，是正确的反面典型。

Q10. 调度系统将4个任务分配给4台AGV,求解最优匹配的匈牙利算法时间复杂度是多少？

单选题 · extreme

  • A.O(n)
  • B.O(n²)
  • C.O(n³)← 正确答案
  • D.O(n!)

答案：C。匈牙利算法求解指派问题的最优复杂度为O(n³),其中n是任务/AGV数量。O(n)和O(n²)低于实际复杂度，而O(n!)是暴力枚举所有排列的复杂度，虽然也能找到最优解，但在AGV数量超过10台时计算量就爆炸了。这也是调度系统能在毫秒级完成派单的数学基础。