CN108897317B - 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 - Google Patents
一种自动导引小车agv的路径寻优方法、相关装置及存储介质 Download PDFInfo
- Publication number
- CN108897317B CN108897317B CN201810615080.XA CN201810615080A CN108897317B CN 108897317 B CN108897317 B CN 108897317B CN 201810615080 A CN201810615080 A CN 201810615080A CN 108897317 B CN108897317 B CN 108897317B
- Authority
- CN
- China
- Prior art keywords
- agv
- path
- intersection
- estimated
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例涉及交通运输技术领域,公开了一种自动导引小车AGV的路径寻优方法、相关装置及存储介质。其中,自动导引小车AGV的路径寻优方法,包括:获取运输任务中每辆AGV的出发点和目的地点的数据;获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,以及每辆AGV的运动状态参数;将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型;根据求解结果对每辆AGV的行驶路径进行优化。本发明中,每辆AGV在完成运输任务的过程中,能够根据实时变化的交通状态,对每辆AGV的行驶路径进行优化,从而提高运输效率,减少运输成本。
Description
技术领域
本发明实施例涉及交通运输技术领域,特别涉及一种自动导引小车AGV的路径寻优方法、相关装置及存储介质。
背景技术
由于全球经济的快速发展,集装箱运输在世界贸易中发挥着越来越重要的作用。大量的集装箱给港口业主和航运公司带来了运营上的挑战。因此,有效的港口管理已成为港口作业的一个重要问题。其中,自动导引小车(AGV)被广泛应用于包括自动化集装箱码头在内的各种类型的仓库。
发明人发现现有技术中至少存在如下问题:AGV小车路径规划中,往往在获取运输任务的出发点和目的地点后,就按照固定的规划方案进行运输,并没有考虑到运输过程中的突发事件,因此,造成运输效率低的情况发生。
发明内容
本发明实施方式的目的在于提供一种自动导引小车AGV的路径寻优方法、相关装置及存储介质,使得每辆AGV在完成运输任务的过程中,能够根据实时变化的交通状态,对每辆AGV的行驶路径进行优化,从而提高运输效率,减少运输成本。
为解决上述技术问题,本发明的实施方式提供了一种自动导引小车AGV的路径寻优方法,包括以下步骤:获取运输任务中每辆AGV的出发点和目的地点的数据;根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,其中,每辆AGV的行驶速度已知;根据每辆AGV的实际行驶路径和到达实际行驶路径上路口的时间,与每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,获取每辆AGV的运动状态参数,其中,运动状态参数用于表示实际行驶路径与预估行驶路径是否相同,以及到达实际行驶路径上路口的时间与到达预估行驶路径上路口的时间是否相同;将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型;根据求解结果对每辆AGV的行驶路径进行优化。
本发明的实施方式还提供了一种自动导引小车AGV的路径寻优装置,包括:第一获取模块,用于获取运输任务中每辆AGV的出发点和目的地点的数据;第二获取模块,用于根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,其中,每辆AGV的行驶速度已知;第三获取模块,用于根据每辆AGV的实际行驶路径和到达实际行驶路径上路口的时间,与每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,获取每辆AGV的运动状态参数,其中,运动状态参数用于表示实际行驶路径与预估行驶路径是否相同,以及到达实际行驶路径上路口的时间与到达预估行驶路径上路口的时间是否相同;模型求解模块,用于将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型;优化模块,用于根据求解结果对每辆AGV的行驶路径进行优化。
本发明的实施方式还提供了一种服务器,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行自动导引小车AGV的路径寻优方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现自动导引小车AGV的路径寻优方法。
本发明实施方式相对于现有技术而言,通过获取运输任务中每辆AGV的出发点和目的地点的数据,来获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,并将该预估行驶情况与对应的实际行驶情况进行对比,获得每辆AGV的运动状态参数,将每辆AGV的运动状态参数带入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,根据求解结果获得当前交通状态,并根据实时变化的交通状态,对每辆AGV的行驶路径进行优化,从而提高运输效率,减少运输成本。
另外,根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,包括:将出发点和目的地点的数据转化为整数形式,并根据整数形式的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间。出发点和目的地点可以位于AGV运动网格图中每条线段上的任何一点,因此出发点和目的地点数据存在为小数的情况,通过将出发点和目的地点的数据转化为整数形式,并根据整数形式的数据进行后续的计算,减少了后续计算处理过程的复杂度,并节省了计算处理的时间。
另外,根据整数形式的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,包括:根据整数形式的出发点和目的地点的数据,确定出发点和目的地点在AGV运动网格图中的位置,并根据出发点与目的地点在运动网格图中水平方向位置的差值、竖直方向位置的差值以及每辆AGV的行驶速度,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间。通过确定每辆AGV在运动网格图中的位置,并根据水平方向位置的差值与竖直方向位置的差值两个方面,来确定每辆AGV的预估行驶路径状况,使得确定的路径状况信息更加准确。
另外,根据每辆AGV的实际行驶路径和到达实际行驶路径上路口的时间,与每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,获取每辆AGV的运动状态参数,包括:判断每辆AGV的实际行驶路径与预估行驶路径是否相同、到达实际行驶路径上路口的时间与到达预估行驶路径上路口的时间是否相同,若都相同,则确定每辆AGV的运动状态参数等于1,否则,则确定每辆AGV的运动状态参数等于0。
另外,根据求解结果对每辆AGV的行驶路径进行优化,包括:根据求解获得的交通拥堵变量的数值,判断当前是否发生交通拥堵,若是,则将当前发生交通拥堵的路口作为新的出发点,并根据运输任务中新的出发点和目的地点的数据,重新规划每辆AGV的行驶路径;若否,则判断当前运输任务的路径是否执行完,若未执行完,则继续执行当前运输任务的路径,若执行完,则结束当前运输任务的路径。通过根据求解获得的交通拥堵变量的数值,获得实时变化交通的当前交通状态,并通过当前的交通状态来完成路径优化过程,使得路径优化结果更加符合实际交通情况。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本申请第一实施例中自动导引小车AGV的路径寻优方法的流程图;
图2是本申请第一实施方式中运动网格图的示意图;
图3是本申请第二实施例中自动导引小车AGV的路径寻优方法的流程图;
图4是本申请第三实施例自动导引小车AGV的路径寻优装置的方框示意图;
图5是本申请第四实施例中自动导引小车AGV的路径寻优装置的方框示意图;
图6是本申请第五实施例中服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种自动导引小车(Automated Guided Vehicle,AGV)的路径寻优方法。具体流程如图1所示,包括以下步骤:
步骤101,获取运输任务中每辆AGV的出发点和目的地点的数据。
具体的说,在本实施例中,为每辆AGV分配一个从出发点运行到达目的地点的任务,将每辆AGV的出发点和目的地点所对应的数据称为一组OD对,从而获取每辆AGV的OD对。
需要说明的是,每辆AGV是在运动网格图中进行运输的,并且每辆AGV所对应的出发点和目的地点可以是网格图中每条线段上的任意点,而不仅仅是路口,因此获取的OD对包括小数形式。
步骤102,根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间。
具体的说,由于获取的OD对存在小数的情况,因此为了减少后续计算过程的复杂度,同时节省计算处理的时间,将OD对首先转化为整数形式,然后根据整数形式的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间。其中,每辆AGV的行驶速度已知。
在一个具体实现中,以图2曼哈顿8×5运动网格图为例,对于OD对转化为整数形式的具体方法进行说明。为了更好的描述OD对的位置,将两个交叉点(路口)之间的线段分为五个部分,从而增加了四个新的点,并以一位小数点标记每个点。以图中顶点15为例,顶点15水平方向上右边的四个新增点分别为15.1,15.2,15.3和15.4。同样的在垂直方向上往下的四个新增点分别是15.6,15.7,15.8和15.9。下面以出发点O和目的地点D在水平方向和竖直方向不同的位置,分四种情况进行说明。
情况一:当出发点O和目的地点D都位于竖直方向上时,首先判断两个点是否在同一个水平区域内,即两个点的相邻水平线是否相同。如果确定两个点在一个水平区域内,则判断两个点的小数部分之和是否小于1.5,若小于1.5,则出发点O和目的地点D的整数形式应该是两个点的原始数据向下取整所得的数据,若大于1.5,则出发点O的整数形式应该是出发点O的原始数据向下取整后再加8所得的数据,目的地点D的整数形式是目的地点D的原始数据向下取整后再加8所得的数;如果确定两个点不在一个水平区域内,则无论哪个点在上面,他们都应该向距离彼此更近的方向移动。
例如,一组OD对为(11.6,20.7),出发点O的原始数据为11.6,目的地点D的原始数据为20.7,因为两个点都位于竖直方向,并且不在一个水平区域,则出发点O向距离目的地点D更近的方向移动到交叉点19,同时,目的地点D向距离出发点O更近的方向移动到交叉点20。所以出发点和目的地点的数据所对应的一组OD对(11.6,20.7),转化为整数形式为(19,20)。
情况二:当出发点O和目的地点D都位于水平方向上时,判断两个点是否在同一个竖直区域内,即两个点的相邻竖直线是否相同。如果确定两个点在一个竖直区域内,则判断两个点的小数部分之和是否小于0.5,若小于0.5,则出发点O和目的地点D的整数形式应该是两个点的原始数据向下取整所得的数据,若大于0.5,则出发点O的整数形式应该是出发点O的原始数据向下取整后再加1所得的数据,目的地点D的整数形式应该是目的地点D的原始数据向下取整后再加1所得的数据;如果确定两个点不在一个竖直区域内,则无论哪个点在上面,他们都应该向距离彼此更近的方向移动。
例如,一组OD对(11.2,19.1),出发点O的原始数据为11.2,目的地点D的原始数据为19.1,因为两个点都位于水平方向,并且在同一个竖直区域内,另外经判断得出两个点的小数部分之和小于0.5,则出发点O的整数形式是则出发点O的原始数据向下取整的数值11,目的地点D的整数形式则是目的地点D的原始数据向下取整的数值19,所以出发点和目的地点的数据所对应的一组OD对(11.2,19.1),转化为整数形式为(11,19)。
情况三:出发点O位于水平方向,目的地定点D位于竖直方向上时,他们都应该向距离彼此更近的方向移动。
例如,一组OD对为(28.1,29.7),出发点O的原始数据为28.1,目的地点D的原始数据为29.7,则出发点O向距离目的地点D更近的方向移动到交叉点29,同时,目的地点D向距离出发点O更近的方向移动到交叉点29。所以出发点和目的地点的数据所对应的一组OD对(28.1,29.7),转化为整数形式为(29,29)。
情况四:出发点O位于竖直方向,目的地定点D位于水平方向上时,他们都应该向距离彼此更近的方向移动。情况四与情况三的处理方式类似。
例如,一组OD对为(20.7,11.2),出发点O的原始数据为20.7,目的地点D的原始数据为11.2,则发点O向距离目的地点D更近的方向移动到交叉点20,同时,目的地点D向距离出发点O更近的方向移动到交叉点12。所以出发点和目的地点的数据所对应的一组OD对(20.7,11.2),转化为整数形式为(20,12)。
具体的说,根据整数形式的出发点和目的地点的数据,可以确定出发点和目的地点在AGV运动网格图中的位置,并根据出发点和目的地点在运动网格图中水平方向位置的差值、竖直方向位置的差值以及每辆AGV的行驶速度获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间。
在一个具体实现中,出发点和目的地点的数据所对应的一组OD对为(14.8,2.4),将OD对转化为整数形式为(14,3),通过图2可以看出,两个相邻交叉点在水平方向位置的差值为1,在竖直方向位置的差值为8,所以出发点14和目的地点3在运动网格图中水平位置的差值为3,竖直方向位置的差值为8。从出发点到目的地点所对应的所有可行路径对应的数值变化的数组序列为{1,1,1,8,1,1,8,1,1,8,1,1,8,1,1,1},因此对应的所有预估行驶路径为,以通过的交叉点顺序作为标记分别为:(14,13,12,11,3)、(14,13,12,4,3)、(14,13,5,4,3)和(14,6,5,4,3)。因为每辆AGV的速度是已知的,每个相邻交叉点之间的距离也是已知的,所以可以通过计算得出到达每条预估行驶路径上路口的时间。但在实际运行中,每辆AGV都有且仅有一条预估行驶路径来执行运输任务,预估行驶路径可以由用户进行选择确定。
步骤103,根据每辆AGV的实际行驶路径和到达实际行驶路径上路口的时间,与每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,获取每辆AGV的运动状态参数。
具体的说,当在实际运输过程中,每辆AGV的实际行驶路径和到达实际行驶路径上路口的时间可以通过对每辆AGV进行检测获得,判断每辆AGV的实际行驶路径与预估行驶路径是否相同,到达实际行驶路径上路口的时间与到达预估行驶路径上路口的时间是否相同,若都相同,则确定每辆AGV的运动状态参数等于1;否则,确定每辆AGV的运动状态参数等于0。
步骤104,将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型。
具体的说,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型为:
其中,交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,各符号的含义分别是:
元素与集合:
i 交叉点的元素
I 所有交叉点的集合
r OD对的元素
R 所有OD对的集合
k 第k条路径的元素
Kr 第r个OD对的所有可行路径的集合,Kr=0,1,2,...,|Kr|-1,k∈Kr
t 时间点的元素
T 所有时间点的集合
n 在时间点t时经过交叉点i的经过路线的条数
N 发生交通拥堵的所有路径的集合,N=0,1,2,...,|R|.
参数:
srkit 第r个AGV的运动状态参数
cn 在某一时间内有n个AGV小车拥堵在同一交叉点时的惩罚成本
决策变量:
xrk 0-1变量,当第r个OD对选择第k条路径行驶时为1;否则为0
yitn 交通拥堵变量,0-1变量,当在时间t时有n个AGV小车同时拥堵在交叉点i时为1;否则为0
目标函数(1)最小化了交通拥堵造成的总惩罚成本;约束条件(2)保证了每个OD对都有且仅有一条分配的可行路径来执行运输任务;约束条件(3)确保了在时间t有n辆AGV小车在交叉点i上发生拥堵;约束条件(4)约束了xrk与yitn之间的关系。约束条件(5)和(6)定义决策变量的取值范围。
需要说明的是,将每辆AGD的运动状态参数输入数学模型中并求解数学模型,可以得出交通拥堵变量yitn的数值。
步骤105,根据求解结果对每辆AGV的行驶路径进行优化。
需要说明的是,当确定交通拥堵变量yitn的数值后,可以根据交通拥堵变量的具体数值对每辆AGV的行驶路径重新进行优化。
与现有技术相比,通过获取运输任务中每辆AGV的出发点和目的地点的数据,来获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,并将该预估行驶情况与对应的实际行驶情况进行对比,获得每辆AGV的运动状态参数,将每辆AGV的运动状态参数带入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,根据求解结果获得当前交通状态,并根据实时变化的交通状态,对每辆AGV的行驶路径进行优化,从而提高运输效率,减少运输成本。
本发明的第二实施方式涉及一种AGV的路径寻优方法。本实施例在第一实施例的基础上做了进一步改进,具体改进之处为:对第一实施方式中的根据求解结果对每辆AGV的行驶路径进行优化做了具体描述。本实施例中的AGV的路径寻优方法方法的流程如图2所示。具体的说,在本实施例中,包括步骤201至步骤208,其中步骤201至步骤204与第一实施方式中的步骤101至步骤104大致相同,此处不再赘述,下面主要介绍不同之处,未在本实施方式中详尽描述的技术细节,可参见第一实施例所提供的物质检测方法,此处不再赘述。
在步骤204之后,执行步骤205。
在步骤205中,根据求解获得的交通拥堵变量的数值,判断是否发生交通拥堵。
具体地说,通过求解数学模型所得到的交通拥堵变量yitn的具体数值,就可以判断当前是否发生交通拥堵。因为yitn的含义是:在时间t时有n个AGV小车同时拥堵在交叉点(路口)i时为1,当某一时刻,n=0或1时,小车是可以顺利通过交叉点的;当n≥2时,表示同一时间点t时,有大于等于两辆车要同时通过交叉点(路口)i,当某一个确定的时刻一个交叉点(路口)应该仅能通过一辆车,所以此时就是发生拥堵了。当确定发生拥堵时,则执行步骤206,否则执行步骤207。
在步骤206中,将当前发生交通拥堵的路口作为新的出发点,并根据运输任务中新的出发点和目的地点的数据,重新规划每辆AGV的行驶路径。
具体的说,在重新规划每辆AGV的行驶路径后,执行步骤202,并且根据重新确定的新的出发点和原始目的地点的数据,重新对模型求解,判断是否再次发生拥堵。
在步骤207中,判断当前运输任务的路径是否执行完。
具体的说,判断每辆AGV是否都到达了运输任务中规定的目的地点,如果每辆AGV全部到达规定的目的地点,则确定结束运输任务;否则执行步骤208。
在步骤208中,继续执行当前运输任务的路径。
需要说明的是,当存在未达到运输任务中规定的目的地点的AGV时,说明当前运输任务还未完成。则未完成任务的AGV继续运行,同时根据当前运行中的AGV重新求解数学模型,对运行中的拥堵状态进行判断,直到所有AGV全部到达任务中规定的目的地点。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种AGV的路径寻优装置,具体结构如图4所示。
如图4所示,AGV的路径寻优装置包括:第一获取模块、第二获取模块、第三获取模块、模型求解模块和优化模块。
其中,第一获取模块401,用于获取运输任务中每辆AGV的出发点和目的地点的数据。
第二获取模块402,用于根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,其中,每辆AGV的行驶速度已知。
第三获取模块403,用于根据每辆AGV的出发点和目的地点的数据,获取每辆AGV的预估行驶路径和到达预估行驶路径上路口的时间,其中,每辆AGV的行驶速度已知。
模型求解模块404,用于将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型。
优化模块405,用于将每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解数学模型。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明第四实施方式涉及一种AGV的路径寻优装置。该实施方式与第三实施方式大致相同,具体结构如图5所示。其中,主要改进之处在于:第四实施方式对第三实施方式中的优化模块405的结构进行了具体描述。
其中,优化模块405具体包括
第一判断子模块4051,用于根据求解获得的交通拥堵变量的数值,判断是否发生交通拥堵。
重新规划模块4052,用于将当前发生交通拥堵的路口作为新的出发点,并根据运输任务中新的出发点和目的地点的数据,重新规划每辆AGV的行驶路径。
第二判断子模块4053,用于判断当前运输任务的路径是否执行完。
继续执行模块4054,用于继续执行当前运输任务的路径。
不难发现,本实施方式为与第二实施方式相对应的装置实施例,本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第五实施方式涉及一种服务器,如图6所示,包括至少一个处理器501;以及,与至少一个处理器501通信连接的存储器502;其中,存储器502存储有可被至少一个处理器501执行的指令,指令被至少一个处理器501执行,以使至少一个处理器501能够执行上述实施例中的AGV的路径寻优方法。
本实施例中,处理器501以中央处理器(Central Processing Unit,CPU)为例,存储器502以可读写存储器(Random Access Memory,RAM)为例。处理器501、存储器502可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中实现自动导引小车AGV的路径寻优方法的程序就存储于存储器502中。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述自动导引小车AGV的路径寻优方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个程序模块存储在存储器502中,当被一个或者多个处理器501执行时,执行上述任意方法实施例中的自动导引小车AGV的路径寻优方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请的第六实施方式涉及一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时能够实现本发明任意方法实施例中涉及的AGV的路径寻优方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (7)
1.一种自动导引小车AGV的路径寻优方法,其特征在于,包括:
获取运输任务中每辆AGV的出发点和目的地点的数据;
根据所述每辆AGV的出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,其中,所述每辆AGV的行驶速度已知;
根据所述每辆AGV的实际行驶路径和到达所述实际行驶路径上路口的时间,与所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,获取所述每辆AGV的运动状态参数,其中,所述运动状态参数用于表示所述实际行驶路径与所述预估行驶路径是否相同,以及所述到达所述实际行驶路径上路口的时间与所述到达所述预估行驶路径上路口的时间是否相同;
将所述每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解所述数学模型;
根据求解结果对所述每辆AGV的行驶路径进行优化;
所述根据所述每辆AGV的出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,包括:
将所述出发点和目的地点的数据转化为整数形式,并根据整数形式的所述出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间。
2.根据权利要求1所述的自动导引小车AGV的路径寻优方法,其特征在于,所述根据整数形式的所述出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,包括:
根据所述整数形式的出发点和目的地点的数据,确定所述出发点和所述目的地点在AGV运动网格图中的位置,并根据所述出发点与所述目的地点在所述运动网格图中水平方向位置的差值、竖直方向位置的差值以及所述每辆AGV的行驶速度,获取所述每辆AGV的所述预估行驶路径和到达所述预估行驶路径上路口的时间。
3.根据权利要求 2所述的自动导引小车AGV的路径寻优方法,其特征在于,所述根据所述每辆AGV的实际行驶路径和到达所述实际行驶路径上路口的时间,与所述每辆AGV的所述预估行驶路径和到达所述预估行驶路径上路口的时间,获取所述每辆AGV的运动状态参数,包括:
判断所述每辆AGV的所述实际行驶路径与所述预估行驶路径是否相同、所述到达所述实际行驶路径上路口的时间与所述到达所述预估行驶路径上路口的时间是否相同,若都相同,则确定所述每辆AGV的运动状态参数等于1,否则,则确定所述每辆AGV的运动状态参数等于0。
4.根据权利要求3所述的自动导引小车AGV的路径寻优方法,其特征在于,所述根据求解结果对所述每辆AGV的行驶路径进行优化,包括:
根据求解获得的所述交通拥堵变量的数值,判断当前是否发生交通拥堵,若是,则将当前发生交通拥堵的路口作为新的出发点,并根据运输任务中所述新的出发点和所述目的地点的数据,重新规划所述每辆AGV的行驶路径;
若否,则判断当前运输任务的路径是否执行完,若未执行完,则继续执行所述当前运输任务的路径,否则,结束执行所述当前运输任务的路径。
5.一种自动导引小车AGV的路径寻优装置,其特征在于,包括:
第一获取模块,用于获取运输任务中每辆AGV的出发点和目的地点的数据;
第二获取模块,用于根据所述每辆AGV的出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,其中,所述每辆AGV的行驶速度已知;
第三获取模块,用于根据所述每辆AGV的实际行驶路径和到达所述实际行驶路径上路口的时间,与所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间,获取所述每辆AGV的运动状态参数,其中,所述运动状态参数用于表示所述实际行驶路径与所述预估行驶路径是否相同,以及所述到达所述实际行驶路径上路口的时间与所述到达所述预估行驶路径上路口的时间是否相同;
模型求解模块,用于将所述每辆AGV的运动状态参数,输入交通拥堵造成的总惩罚成本与交通拥堵变量关系的数学模型中,以最小总惩罚成本为目标求解所述数学模型;
优化模块,用于根据求解结果对所述每辆AGV的行驶路径进行优化;
所述第二获取模块包括:整数转换模块和第二获取子模块,
所述整数转换模块,用于将所述出发点和目的地点的数据转化为整数形式;
所述第二获取子模块,用于根据整数形式的所述出发点和目的地点的数据,获取所述每辆AGV的预估行驶路径和到达所述预估行驶路径上路口的时间。
6.一种服务器,其特征在于,包括
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4任一项所述的自动导引小车AGV的路径寻优方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的自动导引小车AGV的路径寻优方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615080.XA CN108897317B (zh) | 2018-06-14 | 2018-06-14 | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615080.XA CN108897317B (zh) | 2018-06-14 | 2018-06-14 | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108897317A CN108897317A (zh) | 2018-11-27 |
CN108897317B true CN108897317B (zh) | 2021-03-26 |
Family
ID=64344793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810615080.XA Active CN108897317B (zh) | 2018-06-14 | 2018-06-14 | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897317B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353729B (zh) * | 2018-12-04 | 2024-07-19 | 北京京东乾石科技有限公司 | 一种确定待维修地码和道路的方法及装置 |
CN111434394B (zh) * | 2019-01-14 | 2024-02-09 | 北京京东振世信息技术有限公司 | 一种锁定自动小车行驶路径关键点的方法和装置 |
CN109767130B (zh) * | 2019-01-15 | 2022-06-28 | 阿波罗智能技术(北京)有限公司 | 用于控制车辆的方法和装置 |
CN111483497B (zh) * | 2019-01-29 | 2022-06-07 | 北京京东乾石科技有限公司 | 轨道切换控制方法、装置、存储介质及车辆 |
CN111766857B (zh) * | 2019-03-29 | 2024-08-16 | 上海快仓智能科技有限公司 | 车辆的运动方法、运动控制方法及装置 |
CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
CN113627703A (zh) * | 2020-05-08 | 2021-11-09 | 北京京东乾石科技有限公司 | 移动装置的调度方法和设备、计算机系统和存储介质 |
JP7436334B2 (ja) * | 2020-09-09 | 2024-02-21 | シャープ株式会社 | 自動走行システムおよび走行指示方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140089240A (ko) * | 2013-01-04 | 2014-07-14 | 한국전자통신연구원 | 군집지능로봇의 전파맵 기반 위치 제어 장치 및 방법 |
CN105869422A (zh) * | 2015-01-22 | 2016-08-17 | 谢文军 | 交通控制系统 |
CN106647734A (zh) * | 2016-10-12 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 自动导引车、路径规划方法与装置 |
CN106774305A (zh) * | 2016-11-30 | 2017-05-31 | 上海振华重工电气有限公司 | 自动化集装箱码头多自动引导车辆路径冲突消解方法 |
CN107092265A (zh) * | 2017-06-22 | 2017-08-25 | 义乌文烁光电科技有限公司 | 一种适用于矩阵式仓库的分拣小车路径规划方法 |
CN107402567A (zh) * | 2016-05-19 | 2017-11-28 | 科沃斯机器人股份有限公司 | 组合机器人及其巡航路径生成方法 |
CN108109416A (zh) * | 2016-11-25 | 2018-06-01 | 沈阳美行科技有限公司 | 一种规划路线的推荐方法及装置 |
CN108106621A (zh) * | 2016-11-25 | 2018-06-01 | 沈阳美行科技有限公司 | 一种规划路线的计算方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10012998B2 (en) * | 2016-09-22 | 2018-07-03 | Trimble Inc. | Transportation management system with route optimization tools using non-work stops to generate trip plans |
-
2018
- 2018-06-14 CN CN201810615080.XA patent/CN108897317B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140089240A (ko) * | 2013-01-04 | 2014-07-14 | 한국전자통신연구원 | 군집지능로봇의 전파맵 기반 위치 제어 장치 및 방법 |
CN105869422A (zh) * | 2015-01-22 | 2016-08-17 | 谢文军 | 交通控制系统 |
CN107402567A (zh) * | 2016-05-19 | 2017-11-28 | 科沃斯机器人股份有限公司 | 组合机器人及其巡航路径生成方法 |
CN106647734A (zh) * | 2016-10-12 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 自动导引车、路径规划方法与装置 |
CN108109416A (zh) * | 2016-11-25 | 2018-06-01 | 沈阳美行科技有限公司 | 一种规划路线的推荐方法及装置 |
CN108106621A (zh) * | 2016-11-25 | 2018-06-01 | 沈阳美行科技有限公司 | 一种规划路线的计算方法及装置 |
CN106774305A (zh) * | 2016-11-30 | 2017-05-31 | 上海振华重工电气有限公司 | 自动化集装箱码头多自动引导车辆路径冲突消解方法 |
CN107092265A (zh) * | 2017-06-22 | 2017-08-25 | 义乌文烁光电科技有限公司 | 一种适用于矩阵式仓库的分拣小车路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108897317A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897317B (zh) | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 | |
CN107167154B (zh) | 一种基于时间代价函数的时间窗路径规划冲突解决方法 | |
CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
CN108762268B (zh) | 多agv无碰撞路径规划算法 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN112833905B (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
CN107816996B (zh) | 时变环境下agv流时空干涉检测与规避方法 | |
CN106530688B (zh) | 基于Hadoop的海量交通数据处理方法 | |
US20240166196A1 (en) | Obstacle avoidance method, apparatus, electronic device and storage medium for vehicle | |
CN111532641B (zh) | 仓储分拣中自动引导车的并行路径规划方法 | |
CN111768629B (zh) | 车辆调度方法、装置和系统 | |
KR102424067B1 (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
KR101010718B1 (ko) | 복수개의 자원을 점유하는 무인 반송차의 동적 주행방법 | |
Guney et al. | Scheduling‐Based Optimization for Motion Coordination of Autonomous Vehicles at Multilane Intersections | |
AU2018278948B2 (en) | A system to optimize scats adaptive signal system using trajectory data | |
CN113682318A (zh) | 车辆行驶控制方法及装置 | |
CN111338343A (zh) | 自动引导车调度方法、装置、电子设备及存储介质 | |
Hu et al. | Multi-AGV dispatching and routing problem based on a three-stage decomposition method | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
CN114911238A (zh) | 一种无人驾驶矿车协同控制方法及系统 | |
CN102194312A (zh) | 一种道路合并方法及道路合并装置 | |
CN116974283A (zh) | 物料运输控制方法、装置、电子设备及存储介质 | |
US11673577B2 (en) | System and methods of adaptive relevancy prediction for autonomous driving | |
CN116048092A (zh) | 智能体调度方法、装置、计算机可读介质及电子设备 | |
CN112633585B (zh) | 无人设备调度方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 99, Baoshan District Road, Shanghai, Shanghai Applicant after: Shanghai University Address before: 2004 School of Management, Building 1, East District, Shanghai University, 99 Shangda Road, Baoshan District, Shanghai Applicant before: Shanghai University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |