CN108897330A - 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法 - Google Patents

一种基于交通拥堵控制的物流中心搬运机器人路径规划方法 Download PDF

Info

Publication number
CN108897330A
CN108897330A CN201811195841.7A CN201811195841A CN108897330A CN 108897330 A CN108897330 A CN 108897330A CN 201811195841 A CN201811195841 A CN 201811195841A CN 108897330 A CN108897330 A CN 108897330A
Authority
CN
China
Prior art keywords
node
grid
robot
value
congestion
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.)
Pending
Application number
CN201811195841.7A
Other languages
English (en)
Inventor
董朝瑞
郭欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201811195841.7A priority Critical patent/CN108897330A/zh
Publication of CN108897330A publication Critical patent/CN108897330A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • 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
    • G05D1/0291—Fleet control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为一种基于交通拥堵控制的物流中心搬运机器人路径规划方法。该方法提出了基于交通拥堵控制的机器人路径规划算法，通过减少交通拥堵的问题，提高物流中心多机器人管理系统的运作效率；在路径规划时将环境的拥堵程度加入到考量中，使机器人运行时尽可能避开拥堵程度高的区域，通过减小系统拥堵程度来缩短系统运行时间。同时，由于物流中心的机器人行驶道路往往是单向的，机器人只在十字路口处才能更改路径方向，因此使用十字路口栅格的拥堵程度代表某一路段的拥堵程度，以解决计算环境中每个栅格的拥堵程度带来的计算量过大的问题。

Description

一种基于交通拥堵控制的物流中心搬运机器人路径规划方法
技术领域
本发明属于工业控制技术领域,具体是涉及一种基于交通拥堵控制的物流中心搬运机器人路径规划方法。
背景技术
随着生产物流自动化程度的提高,搬运机器人系统越来越多的应用于物流中心、制造业原料仓库、烟草、汽车等行业。在多机器人环境中，工作区域通常包含多个同时运行的机器人，交通拥堵的情况会大幅度降低机器人搬运货物的效率。当前应用的物流中心多机器人路径规划方法大多是基于时间窗的多机器人路径规划方法，在进行路径规划时需要对所有机器人统一规划，计算得到每一个机器人的运行轨迹和到达某一位置的时间。然而，在物流中心实际作业中，由于任务、调度系统、环境的不确定性等对机器人执行造成的影响，想要确定当前时刻以后的每个时刻每个机器人的位置是不现实的。
发明内容
针对当前基于时间窗的机器人路径规划算法在实际应用中存在的计算复杂度过高，无法应对突发的环境变化的缺点，本发明提出了基于交通拥堵控制的机器人路径规划算法，通过减少交通拥堵的问题，提高物流中心多机器人管理系统的运作效率。其核心思想为：在路径规划时将环境的拥堵程度加入到考量中，使机器人运行时尽可能避开拥堵程度高的区域，通过减小系统拥堵程度来缩短系统运行时间。同时，由于物流中心的机器人行驶道路往往是单向的，机器人只在十字路口处才能更改路径方向，因此使用十字路口栅格的拥堵程度代表某一路段的拥堵程度，以解决计算环境中每个栅格的拥堵程度带来的计算量过大的问题。
实现本发明目的的技术方案为：
一种基于交通拥堵控制的物流中心搬运机器人路径规划方法，包括以下步骤：
步骤一：建立机器人工作环境的栅格地图，通过栅格法对地图进行建模:将物流中心分割成正方形的网络，二维码被放置在规则的正方形网格的节点上，每个正方形的边长等于2米，网络中的每个节点代表一个栅格，栅格的数量：30～35×20～25；
步骤二：机器人通过摄像头读取二维码以获取机器人当前的位置信息，同时各个机器人可通过无线网络将自身的位置信息传输给中央控制计算机；中央控制计算机每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，间隔时间为机器人通过一个栅格所用的时间，计算方法为栅格的间距除以机器人的运行速度；
十字路口处的预测拥堵概率由以下公式求得：
式中，Px是由十字路口栅格X轴方向道路范围内机器人数量引起的拥堵概率，Py是由十字路口栅格y轴方向道路范围内机器人数量引起的拥堵概率，Pt为求得的该栅格处的拥堵概率。kr是参数。Nx表示即将由x轴方向道路进入此区域的机器人个数，Ny表示即将由y轴方向道路进入此区域的机器人个数；
步骤三：中央控制计算机根据拥堵概率建立拥堵情况地图并储存；中央控制计算机根据各个搬运机器人传输的位置信息确定路口栅格处各道路方向即将进入路口的机器人数量，每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，求得一定时间内该栅格拥堵概率的平均值作为该栅格的预测拥堵概率
式中为栅格的预测拥堵概率，Pt为求得的该栅格各个时刻处的拥堵概率，k为该栅格拥堵概率的总数；
步骤四：各个机器人通过无线网络读取中央控制计算机中存储的拥堵情况地图，各自采用改进A*算法，综合考虑所规划路径的距离代价和交通拥堵状况，计算当前任务起始点与当前任务终止点之间综合代价最小的路径：
(1).创建两个链表分别储存待检测节点和已检测节点：分别创建两个空链表：OPEN链表和CLOSED链表,把起点放入OPEN表；
(2).若OPEN表中无节点,则表示路径规划失败,算法结束；若有节点,转步骤(3)；
(3).选取OPEN表中评价函数F值最小的节点N,放入CLOSED表；
(4).判断节点N是否为目标节点：如果当前节点N到目标节点的曼哈顿距离为0,则到达目标点；如果达到目标节点,路径规划成功，转步骤(10)，否则,还未到目标节点,转步骤(5)；
(5).扩展节点N：选择不在CLOSED表中的，将节点N当前所在道路前方的相邻十字路口栅格作为连通子节点，计算其F值；
F值的计算公式为：
F(n)＝G'(n)+H'(n) (3)
其中，F(n)是节点n的评价函数，G'(n)为节点N的实际代价函数，表示从起始节点到当前节点的移动开销，H'(n)为节点N的启发函数，表示当前节点到目标节点的估计移动开销。
G'(n)和H'(n)的计算公式为:
式中g(n)为机器人从起始节点到当前节点N的实际距离代价，h(n)为当前节点N到目标节点的曼哈顿距离。通过当前点预测拥塞概率确定向实际代价的转换关系，kg为比例参数。通过当前点到终点区域内的预测拥堵概率的平均值确定预测拥堵概率向估计代价的转换关系，kh为估计代价参数，ie，je分别表示目标栅格的横纵坐标,i，j分别表示节点N栅格的横纵坐标；
(6).确定扩展的连通子节点：判断扩展的连通子节点是否在OPEN表中,若子节点在OPEN表中,转步骤(8)否则转步骤(7)；
(7).将扩展的连通子节点加入OPEN表：将扩展的连通子节点加入OPEN表作为节点的子节点,将该节点的父节点指针指向节点N,接着转步骤(2)；
(8).确定扩展节点的F值：计算该节点经过节点N的F值，其F值的计算方法与步骤(5)中的F值计算方法相同；若大于自身的F值,转步骤(9)；否则,转步骤(2)；
(9).更新扩展节点的值用该节点自身的值,更新表中该节点的值,转步骤(2)；
(10).最终从目标点开始每个节点向其父节点方向扩展所得到的路径即为本方法规划出的路径。
本发明的有益效果为：
本发明一方面通过集中控制的方法获得物流中心中机器人工作环境的全局信息，为机器人提供交通信息，另一方面每个机器人可以根据中央控制系统提供的信息自行进行路径规划，既减少了中央控制系统负担同时在路径规划时将环境的拥塞程度加入到考量中，使机器人运行时尽可能避开拥塞程度高的区域，缩短系统运行时间。此外，机器人只在十字路口处才能更改路径方向，使用十字路口栅格的拥堵程度代表某一路段的拥堵程度，解决了计算环境中每个栅格的拥堵程度带来的计算量过大的问题。
附图说明
图1物流中心建模平面图。
图2硬件关系图。
图3改进A*算法流程图。
图4十字路口示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细论述。
实施例1
一种基于交通拥堵控制的物流中心搬运机器人路径规划方法，包括以下步骤：
步骤一：建立机器人工作环境的栅格地图，如图1；通过栅格法对地图进行建模:将物流中心分割成正方形的网络，二维码被放置在规则的正方形网格的节点上，每个正方形的边长等于2米，网络中的每个节点代表一个栅格，栅格的数量：30～35×20～25；
其中，物流中心搬运机器人工作环境，包括：多个移动机器人同时在此物流中心运动，为了避免碰撞冲突，提高系统运行安全鲁棒性，货架之间的通道为单排车道，黑色栅格表示货架；物流中心中包括机器人停靠点，机器人充电点，接货区，暂存区，分拣区，装配区等区域；流配送中心仓储货架的布局是整齐对称的，同时货架间的道路也是垂直交叉的，机器人在任意一条通道只能单向行驶；机器人在正常行驶过程中速度保持不变，但机器人转弯过程会消耗更多的时间；地图中的每个栅格均可容纳搬运机器人车身，每一栅格同一时刻只允许通过一台机器人；
步骤二：机器人通过摄像头读取二维码以获取机器人当前的位置信息，同时各个机器人可通过无线网络将自身的位置信息传输给中央控制计算机，如图2；中央控制计算机每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，间隔时间为机器人通过一个栅格所用的时间，计算方法为栅格的间距除以机器人的运行速度；
十字路口处的预测拥堵概率由以下公式求得：
式中Px是由十字路口栅格X轴方向道路范围内机器人数量引起的拥堵概率，Py是由十字路口栅格y轴方向道路范围内机器人数量引起的拥堵概率，Pt为求得的该栅格处的拥堵概率。kr是参数。Nx表示即将由x轴方向道路进入此区域的机器人个数，Ny表示即将由y轴方向道路进入此区域的机器人个数；
步骤三：中央控制计算机根据拥堵概率建立拥堵情况地图并储存；中央控制计算机根据各个搬运机器人传输的位置信息确定路口栅格处各道路方向即将进入路口的机器人数量，每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，求得一定时间内该栅格拥堵概率的平均值作为该栅格的预测拥堵概率
式中为栅格的预测拥堵概率，Pt为求得的该栅格各个时刻处的拥堵概率，k为该栅格拥堵概率的总数。
步骤四：各个机器人通过无线网络读取中央控制计算机中存储的拥堵情况地图，各自采用改进A*算法，综合考虑所规划路径的距离代价和交通拥堵状况，计算当前任务起始点与当前任务终止点之间综合代价最小的路径；
所采用的改进A*算法，(该算法为公知技术，如“智能仓库中的多机器人协同路径规划方法”_张丹露，或“仓储物流机器人集群的智能调度和路径规划”_沈博闻)如图3所示，综合考虑所规划路径的距离代价和交通拥堵状况，计算当前任务起始点与当前任务终止点之间综合代价最小的路径，包括：
(1).创建两个链表分别储存待检测节点和已检测节点：分别创建两个空链表：OPEN链表和CLOSED链表,把起点放入OPEN表；
(2).若OPEN表中无节点,则表示路径规划失败,算法结束；若有节点,转步骤(3)；
(3).选取OPEN表中评价函数F值最小的节点N,放入CLOSED表；
(4).判断节点N是否为目标节点：如果当前节点N到目标节点的曼哈顿距离为0,则到达目标点；如果达到目标节点,路径规划成功,转步骤(10)，否则,还未到目标节点,转步骤(5)；
(5).扩展节点N：选择不在CLOSED表中的，将节点N当前所在道路前方的相邻十字路口栅格作为连通子节点，计算其F值。如图4所示，由于必须遵守交通规则，机器人只在栅格N1、N2和N3处才能改变行驶方向。因此，为了简化机器人路径规划的步骤，提高多机器人系统路径规划效率，将A*算法以栅格为扩展节点修改为以十字路口栅格为扩展节点。
F值的计算公式为：
F(n)＝G'(n)+H'(n) (3)
其中，F(n)是节点n的评价函数，G'(n)为节点N的实际代价函数，表示从起始节点到当前节点的移动开销，H'(n)为节点N的启发函数，表示当前节点到目标节点的估计移动开销。
G'(n)和H'(n)的计算公式为:
式中g(n)为机器人从起始节点到当前节点N的实际距离代价，h(n)为当前节点N到目标节点的曼哈顿距离。通过当前点预测拥塞概率确定向实际代价的转换关系，kg为比例参数。通过当前点到终点区域内的预测拥堵概率的平均值确定预测拥堵概率向估计代价的转换关系，kh为估计代价参数，ie，je分别表示目标栅格的横纵坐标,i，j分别表示节点N栅格的横纵坐标。
(6).确定扩展的连通子节点：判断扩展的连通子节点是否在OPEN表中,若子节点在OPEN表中,转步骤(8)否则转步骤(7)；
(7).将扩展的连通子节点加入OPEN表：将扩展的连通子节点加入OPEN表作为节点的子节点,将该节点的父节点指针指向节点N,接着转步骤(2)；
(8).确定扩展节点的F值：计算该节点经过节点N的F值，其F值的计算方法与步骤(5)中的F值计算方法相同；若大于自身的F值,转步骤(9)；否则,转步骤(2)；
(9).更新扩展节点的值用该节点自身的值,更新表中该节点的值,转步骤(2)；
(10).最终从目标点开始每个节点向父节点方向扩展所得到的路径即为本方法规划出的路径。
本发明未尽事宜为公知技术。

Claims (1)

1.一种基于交通拥堵控制的物流中心搬运机器人路径规划方法，其特征为该方法包括以下步骤：
步骤一：建立机器人工作环境的栅格地图，通过栅格法对地图进行建模:将物流中心分割成正方形的网络，二维码被放置在规则的正方形网格的节点上，每个正方形的边长等于2米，网络中的每个节点代表一个栅格，栅格的数量：30～35×20～25；
步骤二：机器人通过摄像头读取二维码以获取机器人当前的位置信息，同时各个机器人可通过无线网络将自身的位置信息传输给中央控制计算机；中央控制计算机每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，间隔时间为机器人通过一个栅格所用的时间，计算方法为栅格的间距除以机器人的运行速度；
十字路口处的预测拥堵概率由以下公式求得：
式中，Px是由十字路口栅格X轴方向道路范围内机器人数量引起的拥堵概率，Py是由十字路口栅格y轴方向道路范围内机器人数量引起的拥堵概率，Pt为求得的该栅格处的拥堵概率；kr是参数；Nx表示即将由x轴方向道路进入此区域的机器人个数，Ny表示即将由y轴方向道路进入此区域的机器人个数；
步骤三：中央控制计算机根据拥堵概率建立拥堵情况地图并储存；中央控制计算机根据各个搬运机器人传输的位置信息确定路口栅格处各道路方向即将进入路口的机器人数量，每隔固定时间计算并保存物流中心道路上十字路口栅格拥堵概率，求得一定时间内该栅格拥堵概率的平均值作为该栅格的预测拥堵概率
式中为栅格的预测拥堵概率，Pt为求得的该栅格各个时刻处的拥堵概率，k为该栅格拥堵概率的总数；
步骤四：各个机器人通过无线网络读取中央控制计算机中存储的拥堵情况地图，各自采用改进A*算法，综合考虑所规划路径的距离代价和交通拥堵状况，计算当前任务起始点与当前任务终止点之间综合代价最小的路径：
(1).创建两个链表分别储存待检测节点和已检测节点：分别创建两个空链表：OPEN链表和CLOSED链表,把起点放入OPEN表；
(2).若OPEN表中无节点,则表示路径规划失败,算法结束；若有节点,转步骤(3)；
(3).选取OPEN表中评价函数F值最小的节点N,放入CLOSED表；
(4).判断节点N是否为目标节点：如果当前节点N到目标节点的曼哈顿距离为0,则到达目标点；如果达到目标节点,路径规划成功,转步骤(10)，否则,还未到目标节点,转步骤(5)；
(5).扩展节点N：选择不在CLOSED表中的，将节点N当前所在道路前方的相邻十字路口栅格作为连通子节点，计算其F值；
F值的计算公式为：
F(n)＝G'(n)+H'(n) (3)
其中，F(n)是节点n的评价函数，G'(n)为节点N的实际代价函数，表示从起始节点到当前节点的移动开销，H'(n)为节点N的启发函数，表示当前节点到目标节点的估计移动开销。
G'(n)和H'(n)的计算公式为:
式中g(n)为机器人从起始节点到当前节点N的实际距离代价，h(n)为当前节点N到目标节点的曼哈顿距离；通过当前点预测拥塞概率确定向实际代价的转换关系，kg为比例参数；通过当前点到终点区域内的预测拥堵概率的平均值确定预测拥堵概率向估计代价的转换关系，kh为估计代价参数；ie，je分别表示目标栅格的横纵坐标,i，j分别表示节点N栅格的横纵坐标；
(6).确定扩展的连通子节点：判断扩展的连通子节点是否在OPEN表中,若子节点在OPEN表中,转步骤(8)；否则转步骤(7)；
(7).将扩展的连通子节点加入OPEN表：将扩展的连通子节点加入OPEN表作为节点的子节点,将该节点的父节点指针指向节点N,接着转步骤(2)；
(8).确定扩展节点的F值：计算该节点经过节点N的F值，其F值的计算方法与步骤(5)中的F值计算方法相同；若大于自身的F值,转步骤(9)；否则,转步骤(2)；
(9).更新扩展节点的值用该节点自身的值,更新表中该节点的值,转步骤(2)；
(10).最终从目标点开始每个节点向父节点方向扩展所得到的路径即为本方法规划出的路径。
CN201811195841.7A 2018-10-15 2018-10-15 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法 Pending CN108897330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811195841.7A CN108897330A (zh) 2018-10-15 2018-10-15 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811195841.7A CN108897330A (zh) 2018-10-15 2018-10-15 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN108897330A true CN108897330A (zh) 2018-11-27

Family

ID=64360375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811195841.7A Pending CN108897330A (zh) 2018-10-15 2018-10-15 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN108897330A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398964A (zh) * 2019-07-16 2019-11-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN111487957A (zh) * 2019-01-28 2020-08-04 杭州海康机器人技术有限公司 一种agv路径规划方法、装置、电子设备及存储介质
CN111695845A (zh) * 2019-03-15 2020-09-22 北京京东尚科信息技术有限公司 确定拥堵区域的方法、装置、电子设备及可读介质
CN111708364A (zh) * 2020-06-19 2020-09-25 南京理工大学 一种基于a*算法改进的agv路径规划方法
CN112817316A (zh) * 2021-01-04 2021-05-18 浙江大学 一种多机器人路径规划方法及装置
CN113110509A (zh) * 2021-05-17 2021-07-13 哈尔滨工业大学（深圳） 一种基于深度强化学习的仓储系统多机器人路径规划方法
CN113467455A (zh) * 2021-07-06 2021-10-01 河北工业大学 多工况未知复杂环境下智能小车路径规划方法及设备
CN113485378A (zh) * 2021-08-18 2021-10-08 昆山市工研院智能制造技术有限公司 基于交通规则的移动机器人路径规划方法、系统及存储介质
CN113506615A (zh) * 2021-07-13 2021-10-15 浙江万里学院 一种货物状态实时监控的医用物资云物流管理方法
CN113534785A (zh) * 2020-04-17 2021-10-22 炬星科技（深圳）有限公司 解决机器人拥塞的方法、设备及存储介质
CN114326713A (zh) * 2021-12-06 2022-04-12 重庆邮电大学 基于二维码导航的多agv移动机器人路径优化方法
CN114485670A (zh) * 2022-01-21 2022-05-13 清华大学 一种移动单元的路径规划方法、装置、电子设备及介质
CN115582836A (zh) * 2022-10-14 2023-01-10 中南大学 一种物流机器人系统搬运能力的计算方法
WO2023174096A1 (zh) * 2022-03-15 2023-09-21 灵动科技（北京）有限公司 自主移动机器人的调度方法、系统、电子设备和存储介质

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487957B (zh) * 2019-01-28 2023-05-02 杭州海康机器人股份有限公司 一种agv路径规划方法、装置、电子设备及存储介质
CN111487957A (zh) * 2019-01-28 2020-08-04 杭州海康机器人技术有限公司 一种agv路径规划方法、装置、电子设备及存储介质
CN111695845A (zh) * 2019-03-15 2020-09-22 北京京东尚科信息技术有限公司 确定拥堵区域的方法、装置、电子设备及可读介质
CN110398964B (zh) * 2019-07-16 2022-02-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN110398964A (zh) * 2019-07-16 2019-11-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN113534785A (zh) * 2020-04-17 2021-10-22 炬星科技（深圳）有限公司 解决机器人拥塞的方法、设备及存储介质
CN111708364B (zh) * 2020-06-19 2024-05-21 南京理工大学 一种基于a*算法改进的agv路径规划方法
CN111708364A (zh) * 2020-06-19 2020-09-25 南京理工大学 一种基于a*算法改进的agv路径规划方法
CN112817316A (zh) * 2021-01-04 2021-05-18 浙江大学 一种多机器人路径规划方法及装置
CN113110509B (zh) * 2021-05-17 2023-02-28 哈尔滨工业大学（深圳） 一种基于深度强化学习的仓储系统多机器人路径规划方法
CN113110509A (zh) * 2021-05-17 2021-07-13 哈尔滨工业大学（深圳） 一种基于深度强化学习的仓储系统多机器人路径规划方法
CN113467455A (zh) * 2021-07-06 2021-10-01 河北工业大学 多工况未知复杂环境下智能小车路径规划方法及设备
CN113506615B (zh) * 2021-07-13 2023-08-18 浙江万里学院 一种货物状态实时监控的医用物资云物流管理方法
CN113506615A (zh) * 2021-07-13 2021-10-15 浙江万里学院 一种货物状态实时监控的医用物资云物流管理方法
CN113485378B (zh) * 2021-08-18 2024-01-16 昆山市工研院智能制造技术有限公司 基于交通规则的移动机器人路径规划方法、系统及存储介质
CN113485378A (zh) * 2021-08-18 2021-10-08 昆山市工研院智能制造技术有限公司 基于交通规则的移动机器人路径规划方法、系统及存储介质
CN114326713A (zh) * 2021-12-06 2022-04-12 重庆邮电大学 基于二维码导航的多agv移动机器人路径优化方法
CN114485670A (zh) * 2022-01-21 2022-05-13 清华大学 一种移动单元的路径规划方法、装置、电子设备及介质
CN114485670B (zh) * 2022-01-21 2024-05-31 清华大学 一种移动单元的路径规划方法、装置、电子设备及介质
WO2023174096A1 (zh) * 2022-03-15 2023-09-21 灵动科技（北京）有限公司 自主移动机器人的调度方法、系统、电子设备和存储介质
CN115582836A (zh) * 2022-10-14 2023-01-10 中南大学 一种物流机器人系统搬运能力的计算方法

Similar Documents

Publication Publication Date Title
CN108897330A (zh) 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法
CN112833905B (zh) 基于改进a*算法的分布式多agv无碰撞路径规划方法
CN106527448B (zh) 适用于仓库环境的改进a*机器人最优路径规划方法
Zhang et al. A multiple mobile robots path planning algorithm based on A-star and Dijkstra algorithm
CN112284393B (zh) 一种智能移动机器人全局路径规划方法和系统
CN108827311B (zh) 一种制造车间无人搬运系统路径规划方法
Gaskins et al. Virtual flow paths for free-ranging automated guided vehicle systems
CN109557928A (zh) 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法
CN111007862B (zh) 一种多agv协同工作的路径规划方法
Guney et al. Dynamic prioritized motion coordination of multi-AGV systems
CN108225326A (zh) 一种基于a*算法的agv路径规划方法
KR101868695B1 (ko) 이동 로봇 제어 방법
KR101010718B1 (ko) 복수개의 자원을 점유하는 무인 반송차의 동적 주행방법
Kala et al. Planning of multiple autonomous vehicles using rrt
CN115237135A (zh) 一种基于冲突的移动机器人路径规划方法及系统
CN102749084A (zh) 一种面向海量交通信息的路径选择方法
CN114637303B (zh) 基于远程遥操作的搬运机器人路径规划方法、系统及介质
Duinkerken et al. Comparison of routing strategies for AGV systems using simulation
CN111024088A (zh) 一种激光叉车路径规划方法
Guney et al. Scheduling‐Based Optimization for Motion Coordination of Autonomous Vehicles at Multilane Intersections
Zhang et al. Path planning based quadtree representation for mobile robot using hybrid-simulated annealing and ant colony optimization algorithm
JP7047576B2 (ja) 地図作成装置
CN104021664A (zh) 汽车协同编队行驶的动态路径规划方法
CN114489062A (zh) 面向车间物流的多自动导引车分布式动态路径规划方法
Secchi et al. A dynamic routing strategy for the traffic control of AGVs in automatic warehouses

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181127

WD01 Invention patent application deemed withdrawn after publication