CN109974711A - 一种面向智慧工厂的agv多目标点自主导航方法 - Google Patents

Abstract

本发明涉及一种面向智慧工厂的AGV多目标点自主导航方法，属于机器人技术领域。该方法首先采用A*算法离线规划得到两两任务点之间的最短路径，以此距离作为任务点之间的距离矩阵，并通过蚁群算法计算多目标点的最短遍历顺序，结合各目标点之间的最短路径情况来规划自主导航的路径，最终将物料按照订单要求送达至多个任务点，高效执行AGV自主导航多任务。

Description

一种面向智慧工厂的AGV多目标点自主导航方法

技术领域

本发明属于机器人技术领域，涉及一种面向智慧工厂的AGV多目标点自主导航方法。

背景技术

AGV(Automated GuidedVehicle，自动导引运输车)作为现代智慧物流的核心元素之一，在制造、烟草、快递、医药、电商等行业的物料搬运及装配场合扮演着举足轻重的角色。目前，多数AGV导航系统仍沿用循线方式，且大多针对单一任务，已无法胜任现代智能物流高柔性化的需求。要使AGV处在一个连续的任务环中，必须解决其多任务自主导航问题。一些AGV虽然也具备多任务导航功能，但只是简单地按照所呼叫工位的顺序进行依次送料，对执行多任务的最佳路径缺乏考虑，从而效率低下且耗能大，在大型作业环境中成本会迅速增加。

发明内容

有鉴于此，本发明的目的在于提供一种面向智慧工厂的AGV多目标点自主导航方法，该方法具有模块化、智能化、低成本、高安全性和适用范围广的特点。

为达到上述目的，本发明提供如下技术方案：

一种面向智慧工厂的AGV多目标点自主导航方法，该方法包括以下步骤：

S1：用A*算法计算两两目标点间执行路径规划；

S2：根据步骤S1的路径规划计算两两目标点的实际距离，生成距离矩阵D；

S3：蚁群算法迭代次数加1；

S4：初始化蚂蚁编号K＝1，初始化起始目标点位置；

S5：蚂蚁编号增加1；

S6：由蚁群算法的概率转移公式计算蚂蚁转移到下个目标点的概率；

S7：修改蚂蚁的禁忌表；

S8：若蚂蚁的编号大于种群数目，则更新信息素，执行S9；

否则返回S4步骤执行；

S9：若达到最大迭代次数则进入S10，否则返回S3；

S10：输出多目标点的最优遍历顺序；

S11：再次使用A*算法计算步骤S10中相邻两任务的路径规划；

S12：结束。

进一步，所述A*算法的原理和步骤为：

A*算法是基于栅格地图的一种静态路网中求解最短路径的启发式搜索算法，适用于移动机器人单任务导航；计算并评价空间中的各个位置，并每次以当前最好的位置进行下一次搜索，至最后获得目标；其中选择的评价函数就扮演着相对重要的角色，A*算法采用了图搜索算法中的深度优先算法(Deep-First-Search,DFS)，其评价函数如下：

f(n)＝g(n)+h(n)

式中，n＝(x_n,y_n)——当前被搜索的节点；

f(n)——节点n的最小代价评价函数；

g(n)——从起始节点移动至n节点实际花费的代价；

h(n)——从n节点行至目标节点的最小预估代价；

h(n)为启发式的最小预估代价，采用曼哈顿距离公式距离表示如下：

h(n)＝d×(abs(n.x-G.x)+abs(n.y-G.y))

A*算法中维护着两个列表：Open列表和Closed列表；未考察的节点存放到Open列表，考察过的节点存放到Closed列表；具体分为如下四个步骤：

S101：生成Open列表和Closed列表，把起始栅格节点S归入Open列表；

S102：操作Open列表：

S1021：首先确认该列表非空，查找并删除Open表代价最小的节点，即f值最小的节点，改放入Closed列表中；

S1022：前节点A若为目标节点，则添加到Closed列表中；

S103：处理当前节点A的8个相邻子节点：

S1031：设置子节点的优先级，本搜索策略的顺序为：首选水平方向，再考虑垂直方向，最后选择对角线方向；

S1032：被检测的子节点B有三种可能的情况：

①B被障碍物占据或者已在Closed列表中，则进入下一个节点的检测；

②若B可以通行，但未纳入Open列表中，则将其添加进去并记录其f、g和h值；

③若B之前已经存在于Open列表中，则需要根据g值评估路径一：A节点的父节点→A节点→B节点，路径二：A节点的父节点→B节点，若判别结果为路径一最优则不做任何处理，若路径二更优则需要把A节点从Open列表中删除，此时认为A节点的父节点即是B节点的父节点，并重新计算该子节点的f和g值；

S1033：处理完毕8个相邻子节点后，则返回S1032执行循环；

S104：保存路径。

进一步，所述步骤S3～S10的原理及步骤为：

TSP(Traveling Salesman Problem，旅行商问题)的数学模型描述如下：有一个商人要访问n座城市，在任意两城市间距离可计算的前提下，他希望以最短的路径，完成每座城市仅访问一次的任务，并最终回到初始城市，即为搜索集合X＝{1,2,···,n}的一个排列π(X)＝{V₁,V₂,···,V_n}，其中1～n是城市的编号；使得式(1)获得最小值，式中d(V_i,V_i+1)表示两城市V_i、V_i+1距离值；其难点在于，可能的路径的条数会随着访问城市数量的增长呈指数增长；

蚁群算法(Ant Colony Algorithm,ACA)为一种模仿蚂蚁利用信息素确定觅食路径的方法；蚂蚁群体在觅食任务中优先选取信息素浓度较高的路径，同时也释放一定的信息素，该路径上积累的信息素越来越多，形成正反馈；通过遍历所有路径，选取信息素最为丰富的路径作为最优路径，最终指引蚁群以最短路径到达食物源；

设需要遍历的目标点的数量为n，蚂蚁的数量以m标记，d_ij(i,j＝1,2,···,n)代表目标点i和j间距离，该距离值取自前文的距离矩阵D，即di_j(i,j＝1,2,···,n)是构成D的元素，而i和j两点间的信息素浓度由τ_ij(t)标识，各目标点间的信息素浓度最初是相同的，有τ_ij(0)＝τ₀；

在t时刻，蚂蚁k(k＝1,2,···,m)根据τ_ij(t)决定下一站访问的目标，它从目标点i行走至j的概率为P^k _ij(t)，公式如下：

式中，η_ij(t)＝1/d_ij——启发函数，表征蚂蚁从目标点i行走至j的期望程度

allow_k(k＝1,2,···,m)——存放未到访的目标点

α——信息素重要程度因子，设置了τ_ij(t)在路径选择时的重要性

β——启发函数重要程度因子，设置了η_ij(t)在路径选择时的重要性

而τ_ij(t)存在一定的损耗，待所有蚂蚁执行完一次循环后，需要按照下式重新修正：

式中，ρ∈(0,1)——信息素挥发系数

Δτ^k _ij——第k只蚂蚁在目标点i、j之间释放的信息素浓度

Δτ_ij——目标点i、j之间来自所有蚂蚁的信息素浓度之和

选取Ant-Cycle模型对信息素进行更新，如下式：

式中，Q——蚂蚁完成一次循环所释放的信息素总量

Lk——第k只蚂蚁在当前搜索中行走距离之和

步骤如下：

S201初始化；

S202构建解空间；

每只蚂蚁k(k＝1,2,···,m)随机放置于不同目标点，并依据概率选择公式计算下一个待访问任务点，至所有目标点被所有蚂蚁遍历；

S203更新信息素；记录每只蚂蚁经过的路径长度L_k(k＝1,2,···,m)以及当前迭代中的最短路径，并由信息素更新公式，更新目标点之间的信息素浓度；

S204判断是否终止；若达到iter_max，则输出最优解；反之，iter增加1，并清空蚂蚁路径的记录表，返回S202继续执行。

本发明的有益效果在于：一种基于A*算法和蚁群算法解决TSP的、面向智慧工厂的AGV多任务自主导航方法，该方法使得AGV可在真实的工厂环境中灵活地完成多工位的物料运输，提升了物流效率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明提供的AGV多目标点自主导航方法流程图；

图2为A*算法流程图；

图3为蚁群算法解决TSP步骤。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1，本发明提供了一种AGV多目标点自主导航方法，包括以下步骤：

S1，用A*算法计算两两目标点间执行路径规划

S2，根据S1计算两两目标点的实际距离，生成距离矩阵D；

S3，蚁群算法迭代次数加1

S4，初始化蚂蚁编号K＝1，初始化起始目标点位置

S5，蚂蚁编号增加1

S6，由蚁群算法的概率转移公式计算蚂蚁转移到下个目标点的概率

S7，修改蚂蚁的禁忌表

S8,若蚂蚁的编号大于种群数目，则更新信息素，执行S9；

否则返回S4步骤执行；

S9，若达到最大迭代次数则进入S10，否则返回S3；

S10，输出多目标点的最优遍历顺序；

S11，再次使用A*算法计算S10中相邻两任务的路径规划

S12，结束。

所述A*算法的原理和步骤为：

A*算法是基于栅格地图的一种静态路网中求解最短路径的启发式搜索算法，适用于移动机器人单任务导航；计算并评价空间中的各个位置，并每次以当前最好的位置进行下一次搜索，至最后获得目标。其中选择的评价函数就扮演着相对重要的角色，A*算法采用了图搜索算法中的深度优先算法(Deep-First-Search,DFS)，其评价函数如下：

f(n)＝g(n)+h(n)

式中，n＝(x_n,y_n)——当前被搜索的节点；

f(n)——节点n的最小代价评价函数；

g(n)——从起始节点移动至n节点实际花费的代价；

h(n)——从n节点行至目标节点的最小预估代价；

h(n)为启发式的最小预估代价，采用曼哈顿距离公式距离表示如下：

h(n)＝d×(abs(n.x-G.x)+abs(n.y-G.y))

如图2所示，A*算法中维护着两个列表：Open列表和Closed列表；未考察的节点存放到Open列表，考察过的节点存放到Closed列表；具体分为如下四个步骤：

S101：生成Open列表和Closed列表，把起始栅格节点S归入Open列表；

S102：操作Open列表：

S1021：首先确认该列表非空，查找并删除Open表代价最小的节点，即f值最小的节点，改放入Closed列表中；

S1022：前节点A若为目标节点，则添加到Closed列表中；

S103：处理当前节点A的8个相邻子节点：

S1031：设置子节点的优先级，本搜索策略的顺序为：首选水平方向，再考虑垂直方向，最后选择对角线方向；

S1032：被检测的子节点B有三种可能的情况：

①B被障碍物占据或者已在Closed列表中，则进入下一个节点的检测；

②若B可以通行，但未纳入Open列表中，则将其添加进去并记录其f、g和h值；

③若B之前已经存在于Open列表中，则需要根据g值评估路径一：A节点的父节点→A节点→B节点，路径二：A节点的父节点→B节点，若判别结果为路径一最优则不做任何处理，若路径二更优则需要把A节点从Open列表中删除，此时认为A节点的父节点即是B节点的父节点，并重新计算该子节点的f和g值。

S1033：处理完毕8个相邻子节点后，则返回S1032执行循环；

S104：保存路径。

所述步骤S3～S10的原理及步骤为：

TSP(Traveling Salesman Problem，旅行商问题)的数学模型描述如下：有一个商人要访问n座城市，在任意两城市间距离可计算的前提下，他希望以最短的路径，完成每座城市仅访问一次的任务，并最终回到初始城市，即为搜索集合X＝{1,2,···,n}的一个排列π(X)＝{V₁,V₂,···,V_n}，其中1～n是城市的编号；使得式(1)获得最小值，式中d(V_i,V_i+1)表示两城市V_i、V_i+1距离值；其难点在于，可能的路径的条数会随着访问城市数量的增长呈指数增长；

蚁群算法(Ant Colony Algorithm,ACA)为一种模仿蚂蚁利用信息素确定觅食路径的方法。仿生学家发现，自然界的蚂蚁外出觅食时不仅自身会释放信息素，而且能识别路径上来自于同伴的信息素。距离目的地越短的路径则蚁群的信息素浓度越大。蚂蚁群体在觅食任务中会信任前辈的选择，故优先选取信息素浓度较高的路径，同时也释放一定的信息素，该路径上积累的信息素越来越多，形成正反馈。通过遍历所有路径，选取信息素最为丰富的路径作为最优路径，最终指引蚁群以最短路径到达食物源。

设需要遍历的目标点的数量为n，蚂蚁的数量以m标记，d_ij(i,j＝1,2,···,n)代表目标点i和j间距离，该距离值取自前文的距离矩阵D，即di_j(i,j＝1,2,···,n)是构成D的元素，而i和j两点间的信息素浓度由τ_ij(t)标识，各目标点间的信息素浓度最初是相同的，有τ_ij(0)＝τ₀；

在t时刻，蚂蚁k(k＝1,2,···,m)根据τ_ij(t)决定下一站访问的目标，它从目标点i行走至j的概率为P^k _ij(t)，公式如下：

式中，ηi_j(t)＝1/di_j——启发函数，表征蚂蚁从目标点i行走至j的期望程度allow_k(k＝1,2,···,m)——存放未到访的目标点

α——信息素重要程度因子，设置了τ_ij(t)在路径选择时的重要性

β——启发函数重要程度因子，设置了η_ij(t)在路径选择时的重要性

而τ_ij(t)存在一定的损耗，待所有蚂蚁执行完一次循环后，需要按照下式重新修正：

式中，ρ∈(0,1)——信息素挥发系数

Δτ^k _ij——第k只蚂蚁在目标点i、j之间释放的信息素浓度

Δτ_ij——目标点i、j之间来自所有蚂蚁的信息素浓度之和

选取Ant-Cycle模型对信息素进行更新，如下式：

式中，Q——蚂蚁完成一次循环所释放的信息素总量

Lk——第k只蚂蚁在当前搜索中行走距离之和

如图3所示，步骤如下：

S201初始化

对于参数如m、β、α、Q、ρ等，以及迭代次数初值iter＝1、最大迭代次数等都需要在计算之初完成初始化。

S202构建解空间

每只蚂蚁k(k＝1,2,···,m)随机放置于不同目标点，并依据前文所述概率选择公式计算下一个待访问任务点，至所有目标点被所有蚂蚁遍历。

S203更新信息素

记录每只蚂蚁经过的路径长度L_k(k＝1,2,···,m)以及当前迭代中的最短路径，并由前文所述信息素更新公式，更新目标点之间的信息素浓度。

S204判断是否终止

若达到iter_max，则输出最优解。反之，iter增加1,并清空蚂蚁路径的记录表，返回S202继续执行。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种面向智慧工厂的AGV多目标点自主导航方法，其特征在于：该方法包括以下步骤：

S1：用A*算法计算两两目标点间执行路径规划；

S2：根据步骤S1的路径规划计算两两目标点的实际距离，生成距离矩阵D；

S3：蚁群算法迭代次数加1；

S4：初始化蚂蚁编号K＝1，初始化起始目标点位置；

S5：蚂蚁编号增加1；

S6：由蚁群算法的概率转移公式计算蚂蚁转移到下个目标点的概率；

S7：修改蚂蚁的禁忌表；

S8：若蚂蚁的编号大于种群数目，则更新信息素，执行S9；

否则返回S4步骤执行；

S9：若达到最大迭代次数则进入S10，否则返回S3；

S10：输出多目标点的最优遍历顺序；

S11：再次使用A*算法计算步骤S10中相邻两任务的路径规划；

S12：结束。

2.根据权利要求1所述的一种面向智慧工厂的AGV多目标点自主导航方法，其特征在于：所述A*算法的原理和步骤为：

A*算法是基于栅格地图的一种静态路网中求解最短路径的启发式搜索算法，适用于移动机器人单任务导航；计算并评价空间中的各个位置，并每次以当前最好的位置进行下一次搜索，至最后获得目标；其中选择的评价函数就扮演着相对重要的角色，A*算法采用了图搜索算法中的深度优先算法(Deep-First-Search,DFS)，其评价函数如下：

f(n)＝g(n)+h(n)

式中，n＝(x_n,y_n)——当前被搜索的节点；

f(n)——节点n的最小代价评价函数；

g(n)——从起始节点移动至n节点实际花费的代价；

h(n)——从n节点行至目标节点的最小预估代价；

h(n)为启发式的最小预估代价，采用曼哈顿距离公式距离表示如下：

h(n)＝d×(abs(n.x-G.x)+abs(n.y-G.y))

A*算法中维护着两个列表：Open列表和Closed列表；未考察的节点存放到Open列表，考察过的节点存放到Closed列表；具体分为如下四个步骤：

S101：生成Open列表和Closed列表，把起始栅格节点S归入Open列表；

S102：操作Open列表：

S1021：首先确认该列表非空，查找并删除Open表代价最小的节点，即f值最小的节点，改放入Closed列表中；

S1022：前节点A若为目标节点，则添加到Closed列表中；

S103：处理当前节点A的8个相邻子节点：

S1031：设置子节点的优先级，本搜索策略的顺序为：首选水平方向，再考虑垂直方向，最后选择对角线方向；

S1032：被检测的子节点B有三种可能的情况：

①B被障碍物占据或者已在Closed列表中，则进入下一个节点的检测；

②若B可以通行，但未纳入Open列表中，则将其添加进去并记录其f、g和h值；

③若B之前已经存在于Open列表中，则需要根据g值评估路径一：A节点的父节点→A节点→B节点，路径二：A节点的父节点→B节点，若判别结果为路径一最优则不做任何处理，若路径二更优则需要把A节点从Open列表中删除，此时认为A节点的父节点即是B节点的父节点，并重新计算该子节点的f和g值；

S1033：处理完毕8个相邻子节点后，则返回S1032执行循环；

S104：保存路径。

3.根据权利要求1所述的一种面向智慧工厂的AGV多目标点自主导航方法，其特征在于：所述步骤S3～S10的原理及步骤为：

TSP(Traveling Salesman Problem，旅行商问题)的数学模型描述如下：有一个商人要访问n座城市，在任意两城市间距离可计算的前提下，他希望以最短的路径，完成每座城市仅访问一次的任务，并最终回到初始城市，即为搜索集合X＝{1,2,···,n}的一个排列π(X)＝{V₁,V₂,···,V_n}，其中1～n是城市的编号；使得式(1)获得最小值，式中d(V_i,V_i+1)表示两城市V_i、V_i+1距离值；其难点在于，可能的路径的条数会随着访问城市数量的增长呈指数增长；

蚁群算法(Ant Colony Algorithm,ACA)为一种模仿蚂蚁利用信息素确定觅食路径的方法；蚂蚁群体在觅食任务中优先选取信息素浓度较高的路径，同时也释放一定的信息素，该路径上积累的信息素越来越多，形成正反馈；通过遍历所有路径，选取信息素最为丰富的路径作为最优路径，最终指引蚁群以最短路径到达食物源；

设需要遍历的目标点的数量为n，蚂蚁的数量以m标记，d_ij(i,j＝1,2,···,n)代表目标点i和j间距离，该距离值取自前文的距离矩阵D，即d_ij(i,j＝1,2,···,n)是构成D的元素，而i和j两点间的信息素浓度由τ_ij(t)标识，各目标点间的信息素浓度最初是相同的，有τ_ij(0)＝τ₀；

在t时刻，蚂蚁k(k＝1,2,···,m)根据τ_ij(t)决定下一站访问的目标，它从目标点i行走至j的概率为P^k _ij(t)，公式如下：

式中，η_ij(t)＝1/d_ij——启发函数，表征蚂蚁从目标点i行走至j的期望程度

allow_k(k＝1,2,···,m)——存放未到访的目标点

α——信息素重要程度因子，设置了τ_ij(t)在路径选择时的重要性

β——启发函数重要程度因子，设置了η_ij(t)在路径选择时的重要性

而τ_ij(t)存在一定的损耗，待所有蚂蚁执行完一次循环后，需要按照下式重新修正：

式中，ρ∈(0,1)——信息素挥发系数

Δτ^k _ij——第k只蚂蚁在目标点i、j之间释放的信息素浓度

Δτ_ij——目标点i、j之间来自所有蚂蚁的信息素浓度之和

选取Ant-Cycle模型对信息素进行更新，如下式：

式中，Q——蚂蚁完成一次循环所释放的信息素总量

Lk——第k只蚂蚁在当前搜索中行走距离之和

步骤如下：

S201初始化；

S202构建解空间；

每只蚂蚁k(k＝1,2,···,m)随机放置于不同目标点，并依据概率选择公式计算下一个待访问任务点，至所有目标点被所有蚂蚁遍历；

S203更新信息素；记录每只蚂蚁经过的路径长度L_k(k＝1,2,···,m)以及当前迭代中的最短路径，并由信息素更新公式，更新目标点之间的信息素浓度；

S204判断是否终止；若达到iter_max，则输出最优解；反之，iter增加1，并清空蚂蚁路径的记录表，返回S202继续执行。