CN108958257A - 多台agv组合导航的协同路径规划方法 - Google Patents
多台agv组合导航的协同路径规划方法 Download PDFInfo
- Publication number
- CN108958257A CN108958257A CN201810825355.2A CN201810825355A CN108958257A CN 108958257 A CN108958257 A CN 108958257A CN 201810825355 A CN201810825355 A CN 201810825355A CN 108958257 A CN108958257 A CN 108958257A
- Authority
- CN
- China
- Prior art keywords
- agv
- path
- section
- time
- node
- 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
Links
- 238000013439 planning Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 18
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 201000001880 Sexual dysfunction Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 231100000872 sexual dysfunction Toxicity 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多台AGV组合导航的协同路径规划方法，所述方法包括：根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库；基于微遗传算法在线生成运行最短路径；基于时间窗实时进行在线路径规划。本发明提供一种多台AGV组合导航的协同路径规划方法，综合运行路线最短、消耗能量最少、所用时间最少等影响因素，可以实现降低调度系统的求解负担。
Description
技术领域
本发明涉及自动运输车技术领域，尤其涉及一种多台AGV组合导航的协同路径规划方法。
背景技术
AGV是(Automated Guided Vehicle)的缩写，即“自动导引运输车”，是指装备有电磁或光学等自动导引装置，它能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。AGV组合导航技术一般通过两步定位，第一步为粗定位，采用柔性高、精度低的导引方式初步定位，确定AGV的当前位置；第二步为精定位，通过技术成熟、可靠性髙、成本低的导引方式进行误差矫正，提高AGV的定位精度。组合导航作为导航技术发展的重要方向之一，目前在汽车、航海、航空、航天等领域得到广泛运用。
而如何实现多AGV组合导航的协同工作一直是现阶段研究的热点也是难点。基于性能指标，如运行路线最短、消耗能量最少、所用时间最少等，实时高效地规划出一条最优路径或次优路径用于车辆导航，并能处理随化性障碍、车辆之间的冲突等临时事件，造成调度系统的求解负担。因此，解决调度系统的调节负担是本领域技术人员需要首先解决的问题。
发明内容
本发明的目的在于提供一种多台AGV组合导航的协同路径规划方法，综合运行路线最短、消耗能量最少、所用时间最少等影响因素，可以实现降低调度系统的求解负担。
本发明公开的多台AGV组合导航的协同路径规划方法所采用的技术方案是:
一种多台AGV组合导航的协同路径规划方法，所述方法包括：
根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库；
基于微遗传算法在线生成运行最短路径；
基于时间窗实时进行在线路径规划。
作为优选方案，所述根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库步骤中，生成包含车间路径信息的邻接矩阵，在此基础上调用Dijkstra算法生成任意两个节点间的最短路径，然后依次去掉最短路径中一条边再反复调用Dijkstra算法生成m条最短路径，最终生成最短路径库，其中：
当m≤k时，路径第一条为最短路径，其余按搜索先后顺序进行排列；
当m＞k时，路径第一条仍为最短路径，保存最先搜索到的前k条路径，然后将新搜到的路径与己保存的路径长度作对比，剔除路径长度最长的路径。
作为优选方案，所述最终生成最短路径库的具体步骤如下：
(1)根据车间地图中节点坐标信息，节点关系信息，先生成包含车间路段实际信息邻接矩阵；
(2)采用经典的Dijkstra算法求出起始站点i到目标站点j的最短路径，并将相应节点信息储存在包含路径库信息矩阵中，记录的信息包括路段中节点数目、路段数目、路段长度，其中存储形式为path(i，j，1)，表示为起始站点i到目标站点j的搜索到第一条路径；
(3)统计当前备选路径数目，判断当前备选路径数目是否大于设定的备选路径数目最大值，是则转向(4)，否则转向(5)；
(4)对当前路径集L按长度进行排序，剔除路径长度最长的路径，保证备选路径数为预先设定的数目，提高在线调度时的搜索效率；
(5)根据最短路径上的路段信息，判断是否可继续生成新的路段，是转向(6)，否则转(7)；
(6)依次删除站点i到站点j当中最短路径的一条边，即依次最短路径中的一条边长度为∞在新的邻接矩阵下调用Dijkstra算法求出当前最短路径L，转向(3)；
(7)判断起始站点i和目标站点j的值，i≤N时，j＜N，i不变，j＝j+1；i＜N,j＝N时,i＝i+1,j＝1,转向(2)；
(8)离线路径库生成成功，并且生成的路径中第一条均为最短路径，其余路径中包含次短路经。
作为优选方案，所述基于微遗传算法在线生成运行最短路径步骤中，包括：
基因编码：采用自然数编码；
种群初始化：采用了定期重新初始化的策略保持种群多样性；
设计适应度函数：由目标函数变换得到适应度函数；
设计遗传算子。
作为优选方案，所述种群初始化步骤中，其中初始种群设置个体数至少为6个。
作为优选方案，所述设计遗传算子步骤，还包括：
交叉算子：通过使配对的染色体交换部分基因形成新个体。交叉时根据调度的AGV车辆编号，随机选取要进行交叉的AGV车辆，判断同一AGV车辆两条路径是否有相同的节点，有则随机选取一个相同的节点(且不为首尾的两个节点)进行交叉，无则随机选取新的交叉AGV车辆标号再次进行；
变异算子：将个体中某个基因根据备选路径库中的路径进行改变，通过计算改动后个体的适应度值并与原来的适应度值进行比较，将适应度较差解替换成适应度较好的解。
作为优选方案，所述基于时间窗实时进行在线路径规划步骤中，还包括：
路径运行时间：根据AGV车辆任务信息和调度方案生成理想情况下描述AGV车辆运行状态的时间窗，即无节点和路段阻碍的情况下AGV车辆经过调度方案中各节点、路段的时间窗，包括占用节点、路段的AGV车辆编号、起始时间、结束时间、时间窗长度信息；
转弯次数：根据表示路段间关系的邻接矩阵表和节点编号规律，在生成理想时间窗过程中标记车间路段位置是平行或是垂直，根据前后路段之间的位置查询统计调度方案中AGV车辆转弯的次数；
停止次数：停车等待时间的停车次数均与保证安全距离延长等待时间的停车次数相同；
适应度计算：其计算公式为：
其中，trunningtime为运行时间，agvlength为AGV车辆车长，agvspeed为AGV车辆车速，turningtimes为AGV车辆转弯次数，stoppingtimes为AGV车辆停车次数。
作为优选方案，所述路径运行时间步骤中，还包括：
(1)针对节点冲突：生成节点时间窗，在节点时间线上标注每个AGV车辆在该节点上占用的时间窗，包括AGV车辆编号、起始时间、结束时间，时间窗长度，并对节点上各AGV车辆的时间窗按时间线进行排序；
(2)针对路段冲突：生成路段时间窗，路段冲突需要获取AGV车辆运行所处路段的方向，运行路段产生重叠的段数；
(3)对当前所有重叠的节点时间窗和路段时间窗进行排序，其中路段时间窗只查找线路共线且方向相反的路段，查找出最先重叠的AGV车辆所在位置(节点或路段)，计算时间窗重叠的间，将时间顺序上后到的AGV车辆所在节点或路段起始节点及以后的节点、路段的时间窗均延后时间t，更新时间窗；
(4)重复以上(1)、(2)、(3)的操作，直至AGV车辆在所有的节点时间窗、路段时间窗上均无重叠，结束查找更新操作；
(5)统计各AGV车辆到达目标节点的时间，取其中运行时间最长的时间作为为调度方案整体运行时间。
作为优选方案，所述针对路段冲突步骤中，还包括：调度每个AGV车辆所行路段生成其经过所有节点组成的所有路段上AGV车辆占用的时间窗，包括AGV车辆编号、起始时间、结束时间、路段方向。依次搜索所有的AGV车辆，生成路段表，并对路段上各AGV车辆的时间窗按时间线和运行方向进行排序。
作为优选方案，所述方法还包括带时间窗的AGV车间故障实时路径规划，包括：
路段存在AGV故障时AGV路径规划与调度；
节点存在AGV故障时AGV路径规划与调度。
本发明公开的多台AGV组合导航的协同路径规划方法的有益效果是：通过微遗传算法与多时间窗的概念相结合，并综合考虑运行时间、停车次数、转弯次数等因素优化路径，从而降低了调度系统和AGV车身结构的负担。
附图说明
图1是本发明多台AGV组合导航的协同路径规划方法的流程图。
图2是本发明多AGV静态车间调度路径规划思路框图。
图3是本发明多台AGV组合导航的协同路径规划方法离线生成最短路径的流程图。
图4是本发明多AGV生产车间环境地图。
图5是本发明多台AGV组合导航的协同路径规划方法微遗传算法在线生成运行最短路径的流程结构图。
图6是本发明多AGV车辆微遗传算法求解调度问题的思路图。
图7是本发明多台AGV组合导航的协同路径规划方法基于时间窗实时进行在线路径规划的流程图图。
图8是本发明多AGV车辆避碰调度方案的适应度计算流程图。
图9是本发明多AGV车辆调度问题的求解流程图。
具体实施方式
下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
请参考图1和图2，一种多台AGV组合导航的协同路径规划方法，所述方法包括：
步骤S101：根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库。
根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库步骤中，生成包含车间路径信息的邻接矩阵，在此基础上调用Dijkstra算法生成任意两个节点间的最短路径，然后依次去掉最短路径中一条边再反复调用Dijkstra算法生成m条最短路径，最终生成最短路径库，其中：
当m≤k时，路径第一条为最短路径，其余按搜索先后顺序进行排列；
当m＞k时，路径第一条仍为最短路径，保存最先搜索到的前k条路径，然后将新搜到的路径与己保存的路径长度作对比，剔除路径长度最长的路径。
请参考图3，最终生成最短路径库的具体步骤如下：
步骤S201：根据车间地图中节点坐标信息，节点关系信息，先生成包含车间路段实际信息邻接矩阵；
步骤S202：采用经典的Dijkstra算法求出起始站点i到目标站点j的最短路径，并将相应节点信息储存在包含路径库信息矩阵中，记录的信息包括路段中节点数目、路段数目、路段长度，其中存储形式为path(i，j，1)，表示为起始站点i到目标站点j的搜索到第一条路径；
步骤S203：统计当前备选路径数目，判断当前备选路径数目是否大于设定的备选路径数目最大值，是则转向步骤S204，否则转向步骤S205；
步骤S204：对当前路径集L按长度进行排序，剔除路径长度最长的路径，保证备选路径数为预先设定的数目，提高在线调度时的搜索效率；
步骤S205：根据最短路径上的路段信息，判断是否可继续生成新的路段，是转向步骤S206，否则转步骤S207；
步骤S206：依次删除站点i到站点j当中最短路径的一条边，即依次最短路径中的一条边长度为∞在新的邻接矩阵下调用Dijkstra算法求出当前最短路径L，转向步骤S203；
步骤S207：判断起始站点i和目标站点j的值，i≤N时，j＜N，i不变，j＝j+1；i＜N,j＝N时,i＝i+1,j＝1,转向步骤S202；
步骤S208：离线路径库生成成功，并且生成的路径中第一条均为最短路径，其余路径中包含次短路经。
具体的，以组合导航AGV为对象，研究AGV导航控制及调度方法相关的关键技术。具体规划现场如图4所示。，包括左侧6、13、23、30等4个物料站点和右侧10、15、18、20、27、32、34等7个工作站点，并针对AGV运行做出以下规定：
(1)每个节点的安全距离范围内，在同一时段，仅允许一辆AGV通过，但同一路段上可同向行使多台AGV；
(2)AGV行使路段为单道双向模式，即路段方向为双向，但同一时刻路段只能单向通行；
(3)在同一路段上AGV必须保持安全距离，其安全距离由AGV车身长度和运行速度进行确定；
(4)AGV的直线行使、转弯行驶均为匀速，同时AGV速度相同且已知；
(5)AGV任务负载容量为1，即接到任务指令后，当且仅当此任务完成后才能接收和执行下一个任务。
着重考虑AGV资源分配问题，包括对空间资源及时间合理安排，协调车库中AGV车辆，使系统中的AGV在评价指标最优的情况下，到达目标终点。
步骤S102：基于微遗传算法在线生成运行最短路径；
具体的，微遗传算法于1989年由krishnakumar在GA基础上提出的，其特点在于种群规模小，一般有4-9个，并集成了GA鲁棒性强，隐含的并行性和自适应性等优点。车间调度备选路径方案有限，求解速度要求高，符合微遗传算法小样本、快速收敛的特性。但微遗传算法的种群数目小促使收敛速度较快，同时导致种群多样性差，容易陷入局部最优。因此，本节在微遗传算法的基础上加以调整，提髙其捜索能力，增加种群多样性，并搭建车间调度中在线路径规划问题求解框架，充分发挥其算法收敛速度快的优势。本文搭建的车间调度中的在线路径规划问题求解框架如图所示，请参考图5和图6。
步骤S301：基因编码，微遗传算法在设计编码时，需考虑基因的完各性、健全性和非冗余性。多AGV车辆系统调度中基因均为节点编号信息，因此，本实施例采用自然数编码，使解码操作和基因操作更为方便。编码长度由调度任务和地图中节点数目共同决定，执行调度任务的AGV车辆数目少时染色体长度较短，反之染色体长度较长。染色体生成中每条染色体长度为N*M，初始化时置0，其中N为执行任务的AGV车辆数目，为地图中节点总数。1-M为AGV1的路径,(M+1)-2M为AGV2的路径，以此类推，(K＊M+1)-(k+1)*M为第k辆AGV的路径。
步骤S302：种群初始化，种群规模过小，则种群中不能包含足够的信息，使算法产生局部收敛；种群规模过大，则计算量过大，浪费时间，降低算法效率。因此，本实施例采用了定期重新初始化的策略保持种群多样性，其中初始种群设置为6个个体。
种群中每个染色体，即每个AGV车辆的路径选取并不是随机的，必须根据起始节点和目标节点从离线阶段生成的包含k次最短路径的矩阵表中选取，送样既可以保证选取的路径都是可行解，又保证了较高的解的质量。
种群中第一条染色体均限定选path(i,j,1)，即均选路径最短的方案，只考虑路径最短而不考虑调度整体运行时间，冲突通过等待避让的调度方案是目前较多车间仍然在使用的方案，以此为对照可以反映本文方法的优越性。
到六条染色体生成方案：分别根据任务(i,j)判断各AGV备选路径数值，根据数值随机选取备选路径中一条，依次生成初始种群中的其它个体。
步骤S303：设计适应度函数，适应度是用来衡量种群中个体优劣的尺度，个体适应度越大，其被选择的概率越大，通常适应度函数是由目标函数变换得到，其计算应尽可能简单以减少计算量。本实施例将最短路径转化为最短运行时间，以最短运行时间为主，同时通过加以惩罚函数兼顾转弯次数、停车次数对系统性能的影响，达到预期的目的，其中转弯惩罚因子为3*车长/速度，停车惩罚因子为5*车长/速度。
步骤S304：设计遗传算子：
(1)交叉算子，交叉运算是遗传算法产生新个体的主要方法，并对算法的全局搜索能力有很大影响，通过使配对的染色体交换部分基因形成新个体。交叉时根据调度的车辆编号，随机选取要进行交叉的车辆，判断同一AGV车辆两条路径是否有相同的节点，有则随机选取一个相同的节点(且不为首尾的两个节点)进行交叉，无则随机选取新的交叉车辆标号再次进行。以AGV车辆的两条路径为例，交叉前AGV车辆路径1为5-6-4-3-1-7，路径2为5-8-3-2-7；交叉后AGV车辆路径1；5-6-4-3-2-7，路径2：5-8-3-1-7。
(2)变异算子，变异算子是将个体中某个基因根据备选路径库中的路径进行改变，通过计算改动后个体的适应度值并与原来的适应度值进行比较，将适应度较差解替换成适应度较好的解，从而均衡算法的局部搜索能力，并且可有效保持种群中个体的多样性，避免早熟现象的发生。
步骤S103：基于时间窗实时进行在线路径规划，请参考图7。
具体的，多AGV车辆系统出现碰撞现象的原因有两种，节点冲突和路段冲突，其冲突表现形式也有两种，分别为相向冲突和追及冲突。本实施例中AGV车辆速度设定为一恒定数值，因此系统仅存在相向冲突。同时，为保证AGV车辆正常运行，本实施例通过设定时间窗保证AGV车辆间留有一定的安全距离，通过预测AGV车辆行驶的位置和交通规则避免发生节点冲突和路段冲突。
本实施例的适应度函数计算包括3个目标，计算流程如图8所示，其中以最短运行时间为主，同时通过加以惩罚函数兼顾转弯次数(转弯惩罚因子为3*车长/速度)、停车次数(停车惩罚因子为5*车长/速度)对系统性能的影响，下面分别对其进行介绍。
步骤S401：路径运行时间，根据AGV车辆任务信息和调度方案生成理想情况下描述AGV车辆运行状态的时间窗，即无节点和路段阻碍的情况下AGV车辆经过调度方案中各节点、路段的时间窗，包括占用节点、路段的AGV车辆编号、起始时间、结束时间、时间窗长度信息。
步骤S402：转弯次数，根据表示路段间关系的邻接矩阵表和节点编号规律，在生成理想时间窗过程中标记车间路段位置是平行或是垂直，根据前后路段之间的位置查询统计调度方案中AGV车辆转弯的次数。
步骤S403:停止次数，根据查找重叠时间窗后对时间窗进行更新的次数的统计，从而计算出调度方案中AGV停车等待的次数，本实施例中并未对停车等待时间进行统计，因为算例测试中发现停车等待的时间均为保证安全距离延长等待的时间，统计效果与停车次数统计效果相同。
步骤S404：适应度计算，本实施例中调度方案采用的适应度值计算公式为：
其中，trunningtime为运行时间，agvlength为AGV车长(0.5m)，agvspeed为AGV车速(0.2m/s)，turningtimes为AGV转弯次数，stoppingtimes为AGV停车次数。
在步骤S401路径运行时间中，还包括：
(1)针对节点冲突，本实施例中通过生成节点时间窗，防止AGV车辆在节点时间窗产生重叠的方式避免节点冲突发生，包括相向冲突和十字交叉节点冲突。在节点时间线上标注每个AGV车辆在该节点上占用的时间窗，包括AGV车辆编号、起始时间、结束时间，时间窗长度，并对节点上各AGV车辆的时间窗按时间线进行排序。
(2)针对路段冲突，本实施例中设定AGV车辆为匀速以此来避免发生追及冲突，通过生成路段时间窗，防止AGV车辆在路段时间窗产生重叠的方式避免路段相向冲突发生。路段冲突需要考虑AGV车辆运行所处路段的方向，运行路段产生重叠的段数。
本实施例中，在生成路段时间窗时，针对调度方案中每个AGV车辆所行路段生成其经过所有节点组成的所有路段上AGV车辆占用的时间窗，包括AGV车辆编号、起始时间、结束时间、路段方向。依次搜索所有的AGV车辆，生成路段表，并对路段上各AGV车辆的时间窗按时间线和运行方向进行排序。
(3)对当前所有重叠的节点时间窗和路段时间窗进行排序，其中路段时间窗只查找线路共线且方向相反的路段。查找出最先重叠的AGV车辆所在位置(节点或路段)，计算时间窗重叠的间，按交通规则将时间顺序上后到的AGV车辆所在节点或路段起始节点及以后的节点、路段的时间窗均延后时间t，更新时间窗。
(4)重复以上(1)、(2)、(3)的操作，直至AGV车辆在所有的节点时间窗、路段时间窗上均无重叠，结束查找更新操作。
(5)统计各AGV车辆到达目标节点的时间，取其中运行时间最长的时间作为为调度方案整体运行时间。
当车间无故障时AGV车辆路径规划与调度，本实施例中解决动态的调度规划问题。其中多AGV车辆调度问题的求解流程如图9所示，具体的方案步骤如下：
(1)生产车间正常运转情况下，假设t时刻系统接收到新任务，通过测试可得到正常情况下调度系统从接收任务到计算完成下发命令到AGV车辆所需要的时间t’，通过上一节可查询正在运行的AGV车辆在t+t’时刻的所处的时间窗。
(2)正在执行调度任务的AGV车辆所处的时间窗有且仅有两种，节点时间窗和路段时间窗，下面分别对其进行分析：
①针对节点时间窗，假设AGV车辆当前所处节点为i，原调度任务目标节点为j，则t+t’时刻任务更新为i-j，任务起始时间t＝0。
②针对路段时间窗，假设AGV车辆当前所处路段为i-j，原调度任务目标节点为k，则t+t’时刻任务更新为j-k，任务起始时间t为AGV车辆从当前位置行驶到该路段终点j所需的时间。
(3)生产车间调度系统中途接收的新任务后，根据系统环境的实时监控信息以及AGV车辆的实时反馈判断当前系统中是否有空车，AGV车辆数量是否足够，是否可次调度完成当前的任务，并可根据任务的优先级决定任务执行的先后顺序。
(4)调度系统确定立刻执行的新任务所需的AGV车辆数量、AGV车辆所在的位置后，生成t+t’时刻的新增调度任务：i-j，其中i为AGV车辆起始节点，j为AGV车辆目标节点，任务起始时间t为0。
(5)查询生产车间环境信息以及AGV车辆的运行状态，根据(2)、(3)、(4)确定时刻系统的调度任务，并生成具体的任务计划表。
(6)调用上一节提出的静态车间二阶段AGV车辆调度求解结构框架进行计算，其中有部分内容需要改动。
①微遗传算法的种群初始化过程中，为与传统情况下所采用的实时调度方案进行对比，染色体生成方案有所改变：第一条染色体生成方式限定，对于调度系统中正在运转的AGV车辆均保持新任务派发前所选择的路径，对于新增加需要执行调度任务的AGV车辆均选path(i,j,1)，即均选最短路径库中的最短路径；第二条染色体以后选择方式与静态车间调度选择方式相同，主要以保证种群多样性和解的质量为目标。
②生产车间没有故障出现时，离线生成的最短路径库可以直接使用，通过判断确定不需要重新生成最短路径库，从而加速新的调度方案的计算过程，这有利于及时响应系统命令，提高系统效率。
(7)优化结束后，调度系统生成最佳调度方案，并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数以及各AGV车辆在其规划路径上经过节点、路段的具体时间窗信息。
路段存在AGV车辆故障时AGV车辆路径规划与调度求解策略，假设生产车间中AGV车辆正在执行调度系统派发的任务，AGV车辆运转正常，t时刻系统监测到存在AGV车辆在某个路段上发生故障。调度系统如何处理生产车间路段堵塞后AGV车辆控制，如何协调规划其余AGV车辆正在执行的路径与故障路段之间的矛盾，如何确定路段诸塞发生后重新规划的AGV车辆调度方案，这些都是生产车间中路段出现AGV车辆故障后实时调度亟需解决的关键问题。
本实施例提出了在生产车间路段中AGV车辆出现故障时调度系统实现实时改变调度方案的求解策略，并利用具体算例进行了验证，求解方案步骤如下：
(1)生产车间正常运转情况下，假设t时刻系统监测到存在AGV车辆在某个路段上发生故障，通过测试可得到正常情况下调度系统从监测到故障到计算完成下发命令到AGV车辆所需要的时间t’通过上一节提供的实时调度方案可查询产生故障的AGV车辆在t+t’时刻所处的时间窗。
(2)生产车间路段中出现AGV车辆故障后，其余正在执行调度任务的AGV车辆在t+t’时刻所处的时间窗有且仅有三种，即故障路段时间窗、正常节点时间窗和正常路段时间窗，下面分别对其进行分析：
①针对故障路段时间窗，假设AGV车辆当前所处路段与故障路段为同一路段，并且该AGV车辆在故障路段的时间窗晚于发生故障的AGV车辆，暂时终止该AGV车辆运行。
②针对正常节点时间窗，假设AGV车辆当前所处节点为i，原调度任务目标节点为j，则t+t’时刻任务更新为i-j，任务起始时间t＝0。
③针对正常路段时间窗，假设AGV车辆当前所处路段为i-j原调度任务目标节点为k，则t+t’时刻任务更新为j-k，任务起始时间t为AGV车辆从当前位置行驶到该路段终点j所需的时间。
(3)生产车间调度系统监测到存在AGV车辆在某个路段上发生故障后，根据系统环境的实时监控信息以及AGV车辆的实时反馈判断故障AGV车辆任务是否完成，完成则不需要新派车辆，否则查询是否等待故障处理完成，等待则暂不操作该任务，否则查询是否有空车，无则不派，有则发新车，此时等同于上一节实时调度的状况。
(4)查询生产车间环境信息及AGV车辆的运行状态，根据(2)、(3)确定t+t’时刻系统的调度任务，并生成具体的任务计划表。
(5)生产车间路段出现故障时，原离线生成的最短路径库失效，需要根据故障信息重新更新生产车间地图中的节点关系、邻接矩阵，将故障产生的路段距离设为无穷，并对最短路径库的生成算法做出调整，以产生新的符合车间状况的离线路径库，及时响应系统变化。
(6)调用上一节提出的静态车间二阶段AGV车辆调度求解结构框架进行计算，其中在微遗传算法的种群初始化过程中，为与传统情况下所采用的实时调度方案进行对比，染色体生成方案有所改变：第一条染色体生成方式限定，对于调度系统中正在运转的AGV车辆，若初始调度方案中故障发生后不再经过故障路段的路径，均保持故障前所选择的路径，若初始调度方案中故障发生后会经过故障路段的路径，均选path(i,j,1)，即均选新产生的最短路径库中的最短路径；第二条染色体以后选择方式与静态车间调度选择方式相同，仅仅在于选择的离线最短路径库有所不同，仍主要以保证种群多样性和解的质量为目标。
(7)优化结束后，调度系统生成最佳调度方案，并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数及各AGV车辆在其规划路径上经过节点、路段的具体时间窗信息。
节点存在AGV车辆故障时AGV车辆路径规划与调度求解策略，假设生产车间中AGV车辆正在执行调度系统派发的任务，AGV车辆运转正常，t时刻系统监测到存在AGV车辆在某个节点处发生故障。本实施例做出相应的改变对生产车间节点处AGV车辆出现故障时调度方案的进行求解，并利用具体算例进行了验证，其中路段故障与节点故障区别在于对于故障位置的处理方式、最短路径库、生成方案有所不同，求解方案步骤如下：
(1)生产车间正常运转情况下，假设t时刻系统监测到存在AGV车辆在某个节点处发生故障，通过测试可得到正常情况下调度系统从监测到故障到计算完成下发命令到AGV车辆所需要的时间t’，通过本章第一节提供的实时调度方案可查询产生故障的AGV车辆在t+t’时刻的所处的时间窗。
(2)生产车间节点处出现AGV车辆故障后，其余正在执行调度任务的AGV车辆在t+t’时刻所处的时间窗有且仅有三种，故障节点相连路段时间窗、正常节点时间窗和正常路段时间窗，下面分别对其进行分析：
①针对故障节点相连路段时间窗，假设AGV车辆当前所处路段与故障节点相连，并且该AGV车辆以故障节点为下一节点，暂时终止该AGV车辆运行。
②针对正常节点时间窗，假设AGV车辆当前所处节点为i，原调度任务目标节点为j，则t+t’时刻任务更新为i-j，任务起始时间t＝0。
③针对正常路段时间窗，假设AGV车辆当前所处路段为i-j原调度任务目标节点为k，则t+t时刻任务更新为j-k，任务起始时间t为AGV车辆从当前位置行驶到该路段终点j所需的时间。
(3)生产车间调度系统监测到存在AGV车辆在某个路段上发生故障后，根据系统环境的实时监控信息以及AGV车辆的实时反馈判断故障AGV车辆任务是否完成，完成则不需要新派车辆，否则查询是否等待故障处理完成，等待则暂不操作该任务，否则查询是否有空车，无则不派，有则发新车，此时等同于本章第一节实时调度的状况。
(4)查询生产车间环境信息以及AGV车辆的运行状态，根据(2)、(3)确定t+t’时刻系统的调度任务，并生成具体的任务计划表。
(5)生产车间节点出现故障时，原离线生成的最短路径库失效，需要根据故障信息重新更新生产车间地图中的节点关系、邻接矩阵，将节点相连的路段距离设为无穷，并对最短路径库的生成算法做出调整，产生新的符合车间状况的离线路径库，及时响应系统变化。
(6)调用第三章提出的静态车间二阶段AGV车辆调度求解结构框架进行计算，其中微遗传算法的种群初始化过程中，为与传统情况下所采用的实时调度方案进行对比，染色体生成方案有所改变：第一条染色体生成方式限定，对于调度系统中正在运转的AGV车辆，若初始调度方案中故障发生后不再经过故障节点和堵塞路段的路径，均保持故障前所选择的路径，若初始调度方案在故障发生时间节点以后经过故障节点和堵塞路段的路径，均根据更新后的离线最短路径库选择path(i,j,1)，即均选新产生的最短路径库中的最短路径；第二条染色体、以后选择方式与静态车间调度选择方式相同，仅为选择的离线最短路径库有所不同，仍主要以保证种群多样性和解的质量为目标。
(7)优化结束后，调度系统生成最佳调度方案，并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数以及各AGV车辆在其规划路径上经过节点、路段的具体时间窗信息。
本发明提供一种多AGV车辆组合导航的协同路径规划方法，通过微遗传算法与多时间窗的概念相结合，并综合考虑运行时间、停车次数、转弯次数等因素优化路径，从而降低了调度系统和AGV车辆车身结构的负担。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种多台AGV组合导航的协同路径规划方法，其特征在于，所述方法包括：
根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库；
基于微遗传算法在线生成运行最短路径；
基于时间窗实时进行在线路径规划。
2.如权利要求1所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述根据车间布局提取生产车间中节点坐标，节点关系以离线生成最短路径库步骤中，生成包含车间路径信息的邻接矩阵，在此基础上调用Dijkstra算法生成任意两个节点间的最短路径，然后依次去掉最短路径中一条边再反复调用Dijkstra算法生成m条最短路径，最终生成最短路径库，其中：
当m≤k时，路径第一条为最短路径，其余按搜索先后顺序进行排列；
当m＞k时，路径第一条仍为最短路径，保存最先搜索到的前k条路径，然后将新搜到的路径与己保存的路径长度作对比，剔除路径长度最长的路径。
3.如权利要求2所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述最终生成最短路径库的具体步骤如下：
(1)根据车间地图中节点坐标信息，节点关系信息，先生成包含车间路段实际信息邻接矩阵；
(2)采用经典的Dijkstra算法求出起始站点i到目标站点j的最短路径，并将相应节点信息储存在包含路径库信息矩阵中，记录的信息包括路段中节点数目、路段数目、路段长度，其中存储形式为path(i，j，1)，表示为起始站点i到目标站点j的搜索到第一条路径；
(3)统计当前备选路径数目，判断当前备选路径数目是否大于设定的备选路径数目最大值，是则转向(4)，否则转向(5)；
(4)对当前路径集L按长度进行排序，剔除路径长度最长的路径，保证备选路径数为预先设定的数目，提高在线调度时的搜索效率；
(5)根据最短路径上的路段信息，判断是否可继续生成新的路段，是转向(6)，否则转(7)；
(6)依次删除站点i到站点j当中最短路径的一条边，即依次最短路径中的一条边长度为∞在新的邻接矩阵下调用Dijkstra算法求出当前最短路径L，转向(3)；
(7)判断起始站点i和目标站点j的值，i≤N时，j＜N，i不变，j＝j+1；i＜N,j＝N时,i＝i+1,j＝1,转向(2)；
(8)离线路径库生成成功，并且生成的路径中第一条均为最短路径，其余路径中包含次短路经。
4.如权利要求1所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述基于微遗传算法在线生成运行最短路径步骤中，包括：
基因编码：采用自然数编码；
种群初始化：采用了定期重新初始化的策略保持种群多样性；
设计适应度函数：由目标函数变换得到适应度函数；
设计遗传算子。
5.如权利要求4所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述种群初始化步骤中，其中初始种群设置个体数至少为6个。
6.如权利要求4所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述设计遗传算子步骤，还包括：
交叉算子：通过使配对的染色体交换部分基因形成新个体。交叉时根据调度的AGV车辆编号，随机选取要进行交叉的AGV车辆，判断同一AGV车辆两条路径是否有相同的节点，有则随机选取一个相同的节点(且不为首尾的两个节点)进行交叉，无则随机选取新的交叉AGV车辆标号再次进行；
变异算子：将个体中某个基因根据备选路径库中的路径进行改变，通过计算改动后个体的适应度值并与原来的适应度值进行比较，将适应度较差解替换成适应度较好的解。
7.如权利要求1所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述基于时间窗实时进行在线路径规划步骤中，还包括：
路径运行时间：根据AGV车辆任务信息和调度方案生成理想情况下描述AGV车辆运行状态的时间窗，即无节点和路段阻碍的情况下AGV车辆经过调度方案中各节点、路段的时间窗，包括占用节点、路段的AGV车辆编号、起始时间、结束时间、时间窗长度信息；
转弯次数：根据表示路段间关系的邻接矩阵表和节点编号规律，在生成理想时间窗过程中标记车间路段位置是平行或是垂直，根据前后路段之间的位置查询统计调度方案中AGV车辆转弯的次数；
停止次数：停车等待时间的停车次数均与保证安全距离延长等待时间的停车次数相同；
适应度计算：其计算公式为：
其中，trunningtime为运行时间，agvlength为AGV车辆车长，agvspeed为AGV车辆车速，turningtimes为AGV车辆转弯次数，stoppingtimes为AGV车辆停车次数。
8.如权利要求7所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述路径运行时间步骤中，还包括：
(1)针对节点冲突：生成节点时间窗，在节点时间线上标注每个AGV车辆在该节点上占用的时间窗，包括AGV车辆编号、起始时间、结束时间，时间窗长度，并对节点上各AGV车辆的时间窗按时间线进行排序；
(2)针对路段冲突：生成路段时间窗，路段冲突需要获取AGV车辆运行所处路段的方向，运行路段产生重叠的段数；
(3)对当前所有重叠的节点时间窗和路段时间窗进行排序，其中路段时间窗只查找线路共线且方向相反的路段，查找出最先重叠的AGV车辆所在位置(节点或路段)，计算时间窗重叠的间，将时间顺序上后到的AGV车辆所在节点或路段起始节点及以后的节点、路段的时间窗均延后时间t，更新时间窗；
(4)重复以上(1)、(2)、(3)的操作，直至AGV车辆在所有的节点时间窗、路段时间窗上均无重叠，结束查找更新操作；
(5)统计各AGV车辆到达目标节点的时间，取其中运行时间最长的时间作为为调度方案整体运行时间。
9.如权利要求8所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述针对路段冲突步骤中，还包括：调度每个AGV车辆所行路段生成其经过所有节点组成的所有路段上AGV车辆占用的时间窗，包括AGV车辆编号、起始时间、结束时间、路段方向。依次搜索所有的AGV车辆，生成路段表，并对路段上各AGV车辆的时间窗按时间线和运行方向进行排序。
10.如权利要求1所述的多台AGV组合导航的协同路径规划方法，其特征在于，所述方法还包括带时间窗的AGV车间故障实时路径规划，包括：
路段存在AGV故障时AGV路径规划与调度；
节点存在AGV故障时AGV路径规划与调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810825355.2A CN108958257A (zh) | 2018-07-25 | 2018-07-25 | 多台agv组合导航的协同路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810825355.2A CN108958257A (zh) | 2018-07-25 | 2018-07-25 | 多台agv组合导航的协同路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108958257A true CN108958257A (zh) | 2018-12-07 |
Family
ID=64463711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810825355.2A Pending CN108958257A (zh) | 2018-07-25 | 2018-07-25 | 多台agv组合导航的协同路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108958257A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711723A (zh) * | 2018-12-26 | 2019-05-03 | 广东嘉腾机器人自动化有限公司 | 一种agv任务分配方法、存储装置及调度系统 |
| CN109754601A (zh) * | 2018-12-28 | 2019-05-14 | 银江股份有限公司 | 一种基于空间矢量计算对同时多任务进行冲突检测的方法 |
| CN109782757A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于分段调度的多agv系统的路径调度方法 |
| CN110262408A (zh) * | 2019-05-08 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种用于多agv的智能仓储路线识别装置和方法 |
| CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
| CN110412990A (zh) * | 2019-08-27 | 2019-11-05 | 大连理工大学 | 一种用于工厂环境下的agv避碰方法 |
| CN110572282A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于k_Dijkstra算法的云制造服务组合优化方法 |
| CN110597261A (zh) * | 2019-09-24 | 2019-12-20 | 浙江大华技术股份有限公司 | 一种预防碰撞冲突的方法及装置 |
| CN110737984A (zh) * | 2019-10-15 | 2020-01-31 | 山东科技大学 | 云制造环境下的机械产品服务优选方法 |
| CN110763953A (zh) * | 2019-10-30 | 2020-02-07 | 国网四川省电力公司电力科学研究院 | 一种配电自动化条件下故障排查巡线路径规划方法 |
| CN111380554A (zh) * | 2018-12-28 | 2020-07-07 | 哲内提 | 在定义的拓扑内通过有意义的链路进行有效的搜索 |
| CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv系统的任务分配及无冲突路径规划方法 |
| CN111694333A (zh) * | 2020-06-10 | 2020-09-22 | 中国联合网络通信集团有限公司 | 一种agv协同管理方法及装置 |
| CN112000113A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于中药房的多agv仓储管理系统及方法 |
| CN112099484A (zh) * | 2019-05-28 | 2020-12-18 | 村田机械株式会社 | 搬送控制装置 |
| CN112099502A (zh) * | 2020-09-15 | 2020-12-18 | 广东弓叶科技有限公司 | 一种智能垃圾车自主导航路径方向冲突调控方法及装置 |
| CN112651565A (zh) * | 2020-12-29 | 2021-04-13 | 深圳市华运国际物流有限公司 | 一种国际物流多式联运路径计算方法及装置 |
| CN112783167A (zh) * | 2020-12-30 | 2021-05-11 | 南京熊猫电子股份有限公司 | 一种基于多区域的实时路径规划方法及系统 |
| CN113532443A (zh) * | 2021-09-15 | 2021-10-22 | 浙江凯乐士科技集团股份有限公司 | 路径规划方法、装置、电子设备及介质 |
| CN113804197A (zh) * | 2021-07-30 | 2021-12-17 | 深圳市新盒科技有限公司 | 基于复杂轨道地图的多台机器小车路径规划方法 |
| CN113963563A (zh) * | 2021-09-23 | 2022-01-21 | 合肥哈工库讯智能科技有限公司 | 一种基于5g和边缘计算的amf调度控制系统 |
| CN114137960A (zh) * | 2021-11-01 | 2022-03-04 | 天行智控科技(无锡)有限公司 | 一种封闭区域智能运输系统的无人驾驶车辆协作方法 |
| CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
| CN114325229A (zh) * | 2021-12-27 | 2022-04-12 | 深圳供电局有限公司 | 一种基于北斗的输电线路故障点定位方法与系统 |
| CN114839932A (zh) * | 2022-03-22 | 2022-08-02 | 重庆大学 | 基于路径冲突时间窗的单向环道多agv优化调度方法 |
| CN116451888A (zh) * | 2022-10-21 | 2023-07-18 | 中国科学院沈阳自动化研究所 | 基于多avg的柔性生产车间协同调度的方法 |
| CN117172398A (zh) * | 2023-10-31 | 2023-12-05 | 民航机场成都电子工程设计有限责任公司 | 一种基于数字孪生仿真平台的地图节点计算方法 |
| CN118618778A (zh) * | 2024-08-12 | 2024-09-10 | 广东威科智能装备有限公司 | 一种面向高层货架的四向车路径规划方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1741052A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 车辆配载及路径优化系统 |
| CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
| CN103279857A (zh) * | 2013-06-13 | 2013-09-04 | 南京航空航天大学 | 数控车间自动配送车辆调度方法 |
| CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
| KR101585374B1 (ko) * | 2015-04-29 | 2016-01-15 | 중앙대학교 산학협력단 | 유전자 알고리즘을 이용한 로봇 경로 탐색 장치 및 방법 |
| CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
| CN106651043A (zh) * | 2016-12-28 | 2017-05-10 | 中山大学 | 一种求解多目标多车场带时间窗车辆路径问题的智能算法 |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
| CN106875064A (zh) * | 2017-02-24 | 2017-06-20 | 西安电子科技大学 | 一种基于遗传算法的求指定点约束下的路由方法 |
-
2018
- 2018-07-25 CN CN201810825355.2A patent/CN108958257A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1741052A (zh) * | 2005-09-22 | 2006-03-01 | 上海交通大学 | 车辆配载及路径优化系统 |
| CN101944205A (zh) * | 2010-09-16 | 2011-01-12 | 华中科技大学 | 一种工厂物料配送车辆调度系统 |
| CN103279857A (zh) * | 2013-06-13 | 2013-09-04 | 南京航空航天大学 | 数控车间自动配送车辆调度方法 |
| KR101585374B1 (ko) * | 2015-04-29 | 2016-01-15 | 중앙대학교 산학협력단 | 유전자 알고리즘을 이용한 로봇 경로 탐색 장치 및 방법 |
| CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
| CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
| CN106651043A (zh) * | 2016-12-28 | 2017-05-10 | 中山大学 | 一种求解多目标多车场带时间窗车辆路径问题的智能算法 |
| CN106875064A (zh) * | 2017-02-24 | 2017-06-20 | 西安电子科技大学 | 一种基于遗传算法的求指定点约束下的路由方法 |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汪先超: "多AGV系统的组合导航控制与调度方法研究", 《万方数据HTTP://D.WANFANGDATA.COM.CN/THESIS/Y3057540》 * |
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711723A (zh) * | 2018-12-26 | 2019-05-03 | 广东嘉腾机器人自动化有限公司 | 一种agv任务分配方法、存储装置及调度系统 |
| CN111380554A (zh) * | 2018-12-28 | 2020-07-07 | 哲内提 | 在定义的拓扑内通过有意义的链路进行有效的搜索 |
| CN109754601A (zh) * | 2018-12-28 | 2019-05-14 | 银江股份有限公司 | 一种基于空间矢量计算对同时多任务进行冲突检测的方法 |
| CN111380554B (zh) * | 2018-12-28 | 2024-03-15 | 哲内提 | 在定义的拓扑内通过有意义的链路进行有效的搜索 |
| CN109782757A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于分段调度的多agv系统的路径调度方法 |
| CN110262408A (zh) * | 2019-05-08 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种用于多agv的智能仓储路线识别装置和方法 |
| CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
| CN112099484B (zh) * | 2019-05-28 | 2024-02-23 | 村田机械株式会社 | 搬送控制装置 |
| CN112099484A (zh) * | 2019-05-28 | 2020-12-18 | 村田机械株式会社 | 搬送控制装置 |
| CN110572282B (zh) * | 2019-08-27 | 2021-06-08 | 中山大学 | 一种基于k_Dijkstra算法的云制造服务组合优化方法 |
| CN110412990B (zh) * | 2019-08-27 | 2021-06-18 | 大连理工大学 | 一种用于工厂环境下的agv避碰方法 |
| CN110412990A (zh) * | 2019-08-27 | 2019-11-05 | 大连理工大学 | 一种用于工厂环境下的agv避碰方法 |
| CN110572282A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于k_Dijkstra算法的云制造服务组合优化方法 |
| CN110597261A (zh) * | 2019-09-24 | 2019-12-20 | 浙江大华技术股份有限公司 | 一种预防碰撞冲突的方法及装置 |
| CN110737984B (zh) * | 2019-10-15 | 2024-01-30 | 山东科技大学 | 云制造环境下的机械产品服务优选方法 |
| CN110737984A (zh) * | 2019-10-15 | 2020-01-31 | 山东科技大学 | 云制造环境下的机械产品服务优选方法 |
| CN110763953B (zh) * | 2019-10-30 | 2022-04-22 | 国网四川省电力公司电力科学研究院 | 一种配电自动化条件下故障排查巡线路径规划方法 |
| CN110763953A (zh) * | 2019-10-30 | 2020-02-07 | 国网四川省电力公司电力科学研究院 | 一种配电自动化条件下故障排查巡线路径规划方法 |
| CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv系统的任务分配及无冲突路径规划方法 |
| CN111694333A (zh) * | 2020-06-10 | 2020-09-22 | 中国联合网络通信集团有限公司 | 一种agv协同管理方法及装置 |
| CN112000113A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于中药房的多agv仓储管理系统及方法 |
| CN112099502A (zh) * | 2020-09-15 | 2020-12-18 | 广东弓叶科技有限公司 | 一种智能垃圾车自主导航路径方向冲突调控方法及装置 |
| CN112099502B (zh) * | 2020-09-15 | 2024-04-16 | 广东弓叶科技有限公司 | 一种智能垃圾车自主导航路径方向冲突调控方法及装置 |
| CN112651565A (zh) * | 2020-12-29 | 2021-04-13 | 深圳市华运国际物流有限公司 | 一种国际物流多式联运路径计算方法及装置 |
| CN112783167A (zh) * | 2020-12-30 | 2021-05-11 | 南京熊猫电子股份有限公司 | 一种基于多区域的实时路径规划方法及系统 |
| CN113804197A (zh) * | 2021-07-30 | 2021-12-17 | 深圳市新盒科技有限公司 | 基于复杂轨道地图的多台机器小车路径规划方法 |
| CN113804197B (zh) * | 2021-07-30 | 2024-07-12 | 深圳市新盒科技有限公司 | 基于复杂轨道地图的多台机器小车路径规划方法 |
| CN113532443A (zh) * | 2021-09-15 | 2021-10-22 | 浙江凯乐士科技集团股份有限公司 | 路径规划方法、装置、电子设备及介质 |
| CN113532443B (zh) * | 2021-09-15 | 2021-12-21 | 浙江凯乐士科技集团股份有限公司 | 路径规划方法、装置、电子设备及介质 |
| CN113963563A (zh) * | 2021-09-23 | 2022-01-21 | 合肥哈工库讯智能科技有限公司 | 一种基于5g和边缘计算的amf调度控制系统 |
| CN114137960A (zh) * | 2021-11-01 | 2022-03-04 | 天行智控科技(无锡)有限公司 | 一种封闭区域智能运输系统的无人驾驶车辆协作方法 |
| CN114325229A (zh) * | 2021-12-27 | 2022-04-12 | 深圳供电局有限公司 | 一种基于北斗的输电线路故障点定位方法与系统 |
| CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
| CN114839932A (zh) * | 2022-03-22 | 2022-08-02 | 重庆大学 | 基于路径冲突时间窗的单向环道多agv优化调度方法 |
| CN114839932B (zh) * | 2022-03-22 | 2024-09-06 | 重庆大学 | 基于路径冲突时间窗的单向环道多agv优化调度方法 |
| CN116451888A (zh) * | 2022-10-21 | 2023-07-18 | 中国科学院沈阳自动化研究所 | 基于多avg的柔性生产车间协同调度的方法 |
| CN116451888B (zh) * | 2022-10-21 | 2024-01-09 | 中国科学院沈阳自动化研究所 | 基于多agv的柔性生产车间协同调度的方法 |
| CN117172398A (zh) * | 2023-10-31 | 2023-12-05 | 民航机场成都电子工程设计有限责任公司 | 一种基于数字孪生仿真平台的地图节点计算方法 |
| CN117172398B (zh) * | 2023-10-31 | 2024-01-26 | 民航机场成都电子工程设计有限责任公司 | 一种基于数字孪生仿真平台的地图节点计算方法 |
| CN118618778A (zh) * | 2024-08-12 | 2024-09-10 | 广东威科智能装备有限公司 | 一种面向高层货架的四向车路径规划方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108958257A (zh) | 多台agv组合导航的协同路径规划方法 | |
| CN101484857B (zh) | 使用拥挤预测度量自动选择穿过拥挤区域的替换路线的装置和方法 | |
| CN110162931B (zh) | 城市轨道交通大规模路网快速仿真系统 | |
| CN103903453B (zh) | 一种智能交通控制系统、装置和方法 | |
| CN112693505B (zh) | 一种单方向阻塞条件下的地铁列车运行调整方法及系统 | |
| CN105070044A (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
| CN109493591B (zh) | 一种车辆调度方法、装置、服务器及存储介质 | |
| CN107170271B (zh) | 一种车联网区域化管理调度方法和系统 | |
| Chrpa et al. | Automated planning for urban traffic control: Strategic vehicle routing to respect air quality limitations | |
| CN114858178A (zh) | 一种基于道路资源预测的智能导航方法和系统 | |
| CN104766134A (zh) | 在运营中断下进行城市轨道交通乘客出行诱导系统及其应用 | |
| Tasseron et al. | The potential impact of vehicle-to-vehicle and sensor-to-vehicle communication in urban parking | |
| Zhang et al. | CAVSim: A microscopic traffic simulator for evaluation of connected and automated vehicles | |
| Hou et al. | Towards efficient vacant taxis cruising guidance | |
| Xu et al. | V2X empowered non-signalized intersection management in the AI era: Opportunities and solutions | |
| CN102426779B (zh) | 一种出租车空车控制的方法 | |
| Cao et al. | ETCS: An efficient traffic congestion scheduling scheme combined with edge computing | |
| Toulni et al. | Preventing urban traffic congestion using VANET technology in urban area | |
| CN116312053A (zh) | 一种道岔和路口混合区域列车通过控制方法及系统 | |
| CN112590869B (zh) | 列车折返进路自动控制方法 | |
| Zouari et al. | A multi-agent system for road traffic decision making based on hierarchical interval type-2 fuzzy knowledge representation system | |
| CN104574943B (zh) | 突发事件发生时能精准完成多车队指挥调度的方法及系统 | |
| CN115238997A (zh) | 一种基于客流数据的城市轨道交通开行方案优化方法 | |
| Kang et al. | Dash: A universal intersection traffic management system for autonomous vehicles | |
| CN104575019B (zh) | 一种能够为快速公交提供精准优先信号的方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |
|
| WD01 | Invention patent application deemed withdrawn after publication |