CN110243373A - 一种动态仓储自动引导车的路径规划方法、装置和系统 - Google Patents
一种动态仓储自动引导车的路径规划方法、装置和系统 Download PDFInfo
- Publication number
- CN110243373A CN110243373A CN201910556869.7A CN201910556869A CN110243373A CN 110243373 A CN110243373 A CN 110243373A CN 201910556869 A CN201910556869 A CN 201910556869A CN 110243373 A CN110243373 A CN 110243373A
- Authority
- CN
- China
- Prior art keywords
- path
- automatic guide
- guide vehicle
- individual
- grid
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种动态仓储自动引导车的路径规划方法、装置和系统，方法包括根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；在所述路网模型中，获取自动引导车的实时位置坐标和实时方向信息；根据实时位置坐标和实时方向信息规划出多个路径个体；根据实时位置坐标、实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。本发明计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
Description
技术领域
本发明涉及工业控制和地图导航技术领域，尤其涉及一种动态仓储自动引导车的路径规划方法、装置和系统。
背景技术
目前世界各工业强国普遍把改造物流结构、降低物流成本作为企业在竞争中取胜的重要措施，为适应现代生产的需要，物流正在向着现代化的方向发展，智能仓储应运而生。而智能仓储环境中，通常采用的智能技术包括自动引导车的自动控制技术、智能信息管理技术、移动计算技术和数据挖掘技术等等，其中一个重要的环节就是对自动引导车进行路径规划。
自动引导车的路径规划的难点就在于多机器人协同工作时路网的拥塞、死锁问题，这将大大降低智能仓储系统的运行效率。目前，为解决上述问题，使用较多的方案是，先建立一个关于仓储环境的栅格地图，然后结合交通规则和定时更新用于存储栅格当前状态的预约表，再根据当前预约表状态去为小车规划路径，但这种方法有明显的滞后性，特定环境下不能及时地对拥塞状况做出反应，计算复杂。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种动态仓储自动引导车的路径规划方法、装置和系统，能在规划任务路径时避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，计算难度低。
本发明解决上述技术问题的技术方案如下：
一种动态仓储自动引导车的路径规划方法，包括以下步骤：
步骤1：根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
步骤2：在所述路网模型中，获取自动引导车的实时位置坐标和实时方向信息；
步骤3：根据所述实时位置坐标和所述实时方向信息规划出多个路径个体；
步骤4：根据所述实时位置坐标、所述实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
本发明的有益效果是：通过栅格地图构建的路网模型，可以直观地将仓储环境体现出来，并方便后续根据路网模型获取到自动引导车的实时位置坐标和实时方向信息，即自动引导车行驶到任一个栅格上(或路径个体中的任一个路径点)的位置坐标和方向信息，从而方便进行路径规划和路径寻优；根据自动引导车的实时位置坐标和实时方向信息，可以规划出多条能到达目标位置的路径个体，为了避免拥塞区域，缩短路径任务时间，需要寻找该多条路径个体中的最优路径，因此，通过获取路径评价函数，并将该多条路径个体作为初始化种群，基于遗传方法，根据得到的路径评价函数对初始化种群进行全局寻优，该改进的遗传方法既能保证遗传操作过程中每条路径个体的合法性，还能明显提高收敛速度，得到的最优路径能有效及时地避免拥塞、死锁问题；
本发明一方面通过集中控制的方法统筹仓储环境的全局信息，构建路网模型，为自动引导车提供路网的全局状态信息，另一方面基于路径评价函数所形成的改进的遗传方法，能保证对规划出的每个路径个体进行全局寻优过程中的合法性，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：在所述步骤1中，绘制所述栅格地图的具体步骤包括：
步骤101：定义相邻两个栅格的中心点之间的距离，并在所述仓储环境的仓库地面上设定所述栅格地图的起始栅格；
步骤102：以所述起始栅格的中心点作为平面坐标系的原点，并设定所述平面坐标系的x轴和y轴；
步骤103：根据所述起始栅格和相邻两个所述栅格的中心点之间的距离，并按照所述平面坐标系的x轴方向和y轴方向，将所述仓库地面依次进行栅格划分并编号；其中，所述起始栅格为0号栅格；
步骤104：根据每个所述栅格的编号与所述平面坐标系的映射关系，得到每个所述栅格的中心点在所述平面坐标系下的坐标值；
编号为Ni的所述栅格与所述平面坐标系的映射关系为：
其中，xi为编号为Ni的所述栅格在所述平面坐标系下的x坐标值，yi为编号为Ni的所述栅格在所述平面坐标系下的y坐标值，mx为所述x轴方向的第一栅格数量，mod(·)为求余运算函数，int(·)为取整运算函数；
步骤105：根据所有所述栅格的中心点的所述坐标值，得到所述栅格地图。
上述进一步方案的有益效果是：在建立栅格地图时，首先需要设定起始栅格和相邻栅格的中心点的距离(即单个栅格的大小)，再确定划分栅格的方向，便于将整个仓储环境所处平面按照该单个栅格的尺寸、划分栅格的方向和起始栅格进行栅格划分；而为了便于后续构建路网模型，确定栅格地图中每个栅格对应的坐标值，需要确定每个栅格与平面坐标系的映射关系，因此在栅格划分时，将划分栅格的方向按照平面坐标系的x轴方向和y轴方向进行划分，同时按照该划分栅格的方向依次对每个栅格进行编号；通过上述栅格划分和编号的方法，易于获取每个栅格与平面坐标系的映射关系，从而便于获取每个栅格的中心点的坐标值，根据所有栅格的中心点的坐标值，得到栅格地图，便于后续得到能集中统筹仓储环境的全局信息的路网模型。
进一步：在所述步骤1中，构建所述路网模型的具体步骤包括：
步骤111：以每个所述栅格的中心点作为所述路网模型的路径点，将每相邻两个所述路径点之间的连线作为所述路网模型的路径，并将每相邻两个所述路径点之间的距离作为所述路网模型的路网代价；
步骤112：根据所有所述路径点、所有所述路径和所有所述路网代价构建所述路网模型。
上述进一步方案的有益效果是：上述方法构建的路网模型能直观体现仓储环境，并为自动引导车提供路网的全局状态信息，便于后续获取自动引导车在每个路径点的位置坐标和方向信息，从而便于路径规划和路径寻优；其中，路网代价能描述相邻两个路径点之间的连通情况，便于后续的路径规划。
进一步：在所述步骤3中，具体采用Dijkstra方法规划出多个所述路径个体，并在路径规划过程中，将每个所述路径个体的中间路径点作为下一个所述路径个体的障碍点。
上述进一步方案的有益效果是：Dijkstra方法与传统路径规划方法相比，能较好地保证规划出的多个路径个体的路径较短，不会出现路径距离太长的路径个体，便于后续根据该多个路径个体进行路径寻优；在路径规划过程中，将每个路径个体的中间路径点作为下一个路径个体的障碍点，可以有效保证规划出的每条路径个体是不同的；其中，Dijkstra方法的具体操作步骤为现有技术，此处不再赘述。
进一步：在所述步骤4中，获取所述路径评价函数的具体步骤包括：
步骤401：根据所述实时位置坐标，获取所述自动引导车在每个所述路径个体中的直线行驶时间；
所述自动引导车在任一个所述路径个体中的所述直线行驶时间为：
其中，Tz为所述自动引导车在任一个所述路径个体中的所述直线行驶时间，n为对应的所述路径个体中的第二栅格数量，(xj,yj)为对应的所述路径个体中，所述自动引导车在第j个所述路径点的位置坐标，(xj-1,yj-1)为对应的所述路径个体中，所述自动引导车在第j-1个所述路径点的位置坐标，||为或运算；
步骤402：根据所述实时位置坐标和所述实时方向信息，获取所述自动引导车在每个所述路径个体中的转弯行驶时间；
所述自动引导车在任一个所述路径个体中的所述转弯行驶时间为：
其中，Tt为所述自动引导车在任一个所述路径个体中的所述转弯行驶时间，λ为权值；
步骤403：根据所述路网状态得到所述自动引导车在每个所述路径个体中的阻塞惩罚函数值；其中，所述路网状态包括位于每个所述路径个体中的自动引导车总数和用于评价所有所述路径个体的当前迭代次数；
所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值为：
WTG＝S×ΦG；
其中，WTG为所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值，S为位于对应的所述路径个体中的所述自动引导车总数，G为所述当前迭代次数，Φ为阻塞常数；
步骤404：根据所述直线行驶时间、所述转弯行驶时间和所述阻塞惩罚函数值得到评价所有所述路径个体的所述路径评价函数；
所述路径评价函数为：
O＝Tz+Tt+WTG；
其中，O为所述路径评价函数。
上述进一步方案的有益效果是：由于传统的自动引导车的路径规划方法是结合交通规则和定时更新栅格的预约表，该预约表具有滞后性，且不能及时避免拥塞问题，因此本发明不仅将自动引导车在每个路径个体下的直线行驶时间作为路径评价函数的决定因素，还将自动引导车在每个路径个体下的转弯行驶时间作为路径评价函数的决定因素，同时还将反映路网状态的拥塞问题的阻塞惩罚函数值作为路径评价函数的决定因素，根据上述三个决定因素得到的路径评价函数能将每条路径个体下的实时的路网状态全部考虑进去，克服了传统的滞后性以及不能及时对拥塞问题做出反应等问题，能及时避开拥塞区域，从而能更好地评价每条路径个体，进而便于后续根据遗传方法进行路径的全局寻优，得到最优路径；
其中，自动引导车的实时位置坐标具体为在一个路径个体中，自动引导车行驶到每个路径点的位置坐标，可根据栅格地图实时获取，同理，自动引导车的实时方向信息具体为在一个路径个体中，自动引导车行驶到每个路径点的方向信息；
其中，以自动引导车直线通过单个栅格的时间为单位，则一个路径个体中的直线行驶时间即可通过该路径个体中的直线路径所包含的栅格数求得，而自动引导车转弯通过单个栅格的时间为直线通过单个栅格的λ(权值)倍，因此，一个路径个体中的转弯行驶时间可通过该路径个体中的转弯路径所包含的栅格数以及权值求得；其中，路网状态包括位于每个路径个体中的自动引导车总数，这是因为在实际路径规划中，将位于每个路径个体中的其他所有正在工作的自动引导车所在栅格均作为障碍点来处理，因此，在阻塞惩罚函数值求解时，需要将自动引导车总数考虑在内。
进一步：在所述步骤4中，得到所述最优路径的具体步骤包括：
步骤411：根据所述初始化种群创建父代种群矩阵，其中，所述父代种群矩阵的每一行均为所述初始化种群中一个所述路径个体；
步骤412：遍历所述父代种群矩阵，根据所述路径评价函数计算所述父代种群矩阵中每个所述路径个体的适应度；
步骤413：采用随机数函数选取所述父代种群矩阵的第一子代种群矩阵，并将所述父代种群矩阵中适应度的最大值对应的一个所述路径个体，替换所述第一子代种群矩阵中适应度的最小值对应的一个所述路径个体；
步骤414：对所述第一子代种群矩阵分别进行交叉运算和变异运算，得到第二子代种群矩阵；
步骤415：将第二子代种群矩阵作为所述父代种群矩阵，按照所述步骤412至步骤414的方法进行多次迭代，直至满足预设的终止条件，结束迭代，得到优化子代种群矩阵，并进入步骤416；
步骤416：将所述优化子代种群矩阵中适应度的最大值对应的一个所述路径个体作为所述最优路径。
上述进一步方案的有益效果是：所有路径个体作为初始化种群，基于初始化种群构建的父代种群矩阵，并基于路径评价函数计算得到的适应度，可以有效保证得到的第一子代种群矩阵能遗传父代种群矩阵中最优的路径个体；再通过交叉运算和变异运算，可以有效保证遗传操作过程的合法性，从而保证得到的第二子代种群矩阵继承父代种群矩阵中最优的路径个体的合法性，通过上述步骤进行多次迭代，并根据预设的终止条件，可以保证得到最优路径，收敛速度明显得到提高，且最优路径的准确率更高，以便智能仓储根据最优路径进行运作的工作效率得到明显提高。
进一步：在所述步骤415中，预设的所述终止条件为：
连续五次迭代分别得到的所述第二子代种群矩阵中的适应度的最大值对应的一个所述路径个体均相同。
上述进一步方案的有益效果是：连续五次迭代分别得到的第二子代种群矩阵中的适应度的最大值对应的一个路径个体均相同，说明该五次迭代得到的最优结果相差不大，其对应的最优结果即为要输出的最优路径，通过该预设的终止条件，可以避免过度收敛的问题，一方面可以保证遗传方法的准确性，另一方面可以缩短计算时间。
依据本发明的另一方面，提供了一种动态仓储自动引导车的路径规划装置，应用于本发明中的动态仓储自动引导车的路径规划方法中，包括绘图与建模模块、位置获取模块、方向获取模块、路径规划模块和路径寻优模块；
所述绘图与建模模块，用于根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
所述位置获取模块，用于在所述路网模型中，获取自动引导车的位置坐标；
所述方向获取模块，用于在所述路网模型中，获取所述自动引导车的方向信息；
所述路径规划模块，用于根据所述实时位置坐标和所述实时方向信息规划出多个路径个体；
所述路径寻优模块，用于根据所述实时位置坐标、所述实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
本发明的有益效果是：通过上述各模块构成的动态仓储自动引导车的路径规划装置，一方面通过集中控制的方法统筹仓储环境的全局信息，构建路网模型，为自动引导车提供路网的全局状态信息，另一方面基于路径评价函数所形成的改进的遗传方法，能保证对规划出的每个路径个体进行全局寻优过程中的合法性，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
依据本发明的另一方面，提供了一种动态仓储自动引导车的路径规划装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中的动态仓储自动引导车的路径规划方法。
本发明的有益效果是：本发明的动态仓储自动引导车的路径规划装置，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
依据本发明的另一方面，提供了一种动态仓储自动引导车的路径规划系统，包括本发明中的动态仓储自动引导车的路径规划装置和至少一个自动引导车，每个所述自动引导车均分别与所述动态仓储自动引导车的路径规划装置通信连接，且每个所述自动引导车均分别按照所述动态仓储自动引导车的路径规划装置输出的对应的最优路径进行工作。
本发明的有益效果是：本发明的动态仓储自动引导车的路径规划系统，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得每个自动引导车都能根据所述动态仓储自动引导车的路径规划装置输出的最优路径进行高效工作，从而使得智能仓储的运作更加高效。
附图说明
图1为本发明实施例一中动态仓储自动引导车的路径规划方法的流程示意图；
图2为本发明实施例一中仓储环境的模拟示意图；
图3为本发明实施例一中绘制栅格地图的流程示意图；
图4为本发明实施例一中栅格划分的示意图；
图5为本发明实施例一中每个栅格的编号与平面坐标系之间的映射关系的示意图；
图6为本发明实施例一中构建路网模型的流程示意图；
图7为本发明实施例一中得到路径评价函数的流程示意图；
图8为本发明实施例一中得到最优路径的流程示意图；
图9为本发明实施例一中遗传方法的迭代过程的流程框图；
图10为本发明实施例一中父代种群矩阵的示意图；
图11为本发明实施例一中交叉运算的操作示意图；
图12为本发明实施例一中迭代过程的收敛情况的示意图；
图13为本发明实施例一中优化子代种群矩阵的示意图；
图14为本发明实施例一中最优路径的结果示意图；
图15为本发明实施例二中动态仓储自动引导车的路径规划装置的结构示意图；
图16为本发明实施例四中动态仓储自动引导车的路径规划系统的结构示意图；
图17为本发明实施例四中自动引导车的结构示意图。
附图中，各标号所代表的部件列表如下：
1、万向轮，2、定向轮，3、扫描单元，4、六轴陀螺仪，5、通信单元，6、驱动电机。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种动态仓储自动引导车的路径规划方法，包括以下步骤：
S1：根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
S2：在所述路网模型中，获取自动引导车的位置坐标和方向信息；
S3：根据所述实时位置坐标和所述实时方向信息规划出多个路径个体；
S4：根据所述实时位置坐标、所述实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
本实施例一方面通过集中控制的方法统筹仓储环境的全局信息，构建路网模型，为自动引导车提供路网的全局状态信息，另一方面基于路径评价函数所形成的改进的遗传方法，能保证对规划出的每个路径个体进行全局寻优过程中的合法性，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
具体地，本实施例中的仓储环境的模拟示意图如图2所示，主要被分成三个部分：拣选区、停靠区和货架区，其中白色部分为通路，被道路包围的黑色区域为货架，即路径规划时的障碍点。
优选地，如图3所示，在S1中，绘制所述栅格地图的具体步骤包括：
S101：定义相邻两个栅格的中心点之间的距离，并在所述仓储环境的仓库地面上设定所述栅格地图的起始栅格；
S102：以所述起始栅格的中心点作为平面坐标系的原点，并设定所述平面坐标系的x轴和y轴；
S103：根据所述起始栅格和相邻两个所述栅格的中心点之间的距离，并按照所述平面坐标系的x轴方向和y轴方向，将所述仓库地面依次进行栅格划分并编号；其中，所述起始栅格为0号栅格；
S104：根据每个所述栅格的编号与所述平面坐标系的映射关系，得到每个所述栅格的中心点在所述平面坐标系下的坐标值；
编号为Ni的所述栅格与所述平面坐标系的映射关系为：
其中，xi为编号为Ni的所述栅格在所述平面坐标系下的x坐标值，yi为编号为Ni的所述栅格在所述平面坐标系下的y坐标值，mx为所述x轴方向的第一栅格数量，mod(·)为求余运算函数，int(·)为取整运算函数；
S105：根据所有所述栅格的中心点的所述坐标值，得到所述栅格地图。
通过上述栅格划分和编号的方法，易于获取每个栅格与平面坐标系的映射关系，从而便于获取每个栅格的中心点的坐标值，根据所有栅格的中心点的坐标值，得到栅格地图，便于后续得到能集中统筹仓储环境的全局信息的路网模型。
具体地，将图2所示的整个仓储环境使用离散的栅格地图来表示，如图4所示，其中，相邻栅格的中心点的距离为4米，对每个栅格进行编号，每个栅格的编号与平面坐标系的坐标依公式一一映射，如图5所示，根据映射关系得到每个栅格的坐标值，且每个坐标值使用二维码表示的数字来标记，如图5所示。
具体地，本实施例将每个栅格对应的二维码放置在每个栅格的正中央，则可通过二维码获取每个栅格点对应的坐标值，从而可以获取后续自动引导车的实时位置坐标。
优选地，如图6所示，在S1中，构建所述路网模型的具体步骤包括：
S111：以每个所述栅格的中心点作为所述路网模型的路径点，将每相邻两个所述路径点之间的连线作为所述路网模型的路径，并将每相邻两个所述路径点之间的距离作为所述路网模型的路网代价；
S112：根据所有所述路径点、所有所述路径和所有所述路网代价构建所述路网模型。
上述方法构建的路网模型能直观体现仓储环境，并为自动引导车提供路网的全局状态信息，便于后续获取自动引导车在每个路径点的位置坐标和方向信息，从而便于路径规划和路径寻优；其中，路网代价能描述相邻两个路径点之间的连通情况，便于后续的路径规划。
具体地，本实施例根据相邻两个路径点之间的连线得到多个邻接矩阵，并将每个邻接矩阵的值作为路网代价。
优选地，在S3中，具体采用Dijkstra方法规划出多个所述路径个体，并在路径规划过程中，将每个所述路径个体的中间路径点作为下一个所述路径个体的障碍点。
Dijkstra方法与传统路径规划方法相比，能较好地保证规划出的多个路径个体的路径较短，不会出现路径距离太长的路径个体，便于后续根据该多个路径个体进行路径寻优；在路径规划过程中，将每个路径个体的中间路径点作为下一个路径个体的障碍点，可以有效保证规划出的每条路径个体是不同的。
需要说明的是，Dijkstra方法的具体操作步骤为比较成熟的现有技术，具体不再赘述。
具体地，本实施例在S2中，根据路网模块，采用二维码扫码单元获取自动引导车的位置坐标，采用六轴陀螺仪获取自动引导车的方向信息，根据该方法获取的位置坐标和方向信息进行路径规划。
优选地，如图7所示，在S4中，获取所述路径评价函数的具体步骤包括：
S401：根据所述实时位置坐标，获取所述自动引导车在每个所述路径个体中的直线行驶时间；
所述自动引导车在任一个所述路径个体中的所述直线行驶时间为：
其中，Tz为所述自动引导车在任一个所述路径个体中的所述直线行驶时间，n为对应的所述路径个体中的第二栅格数量，(xj,yj)为对应的所述路径个体中，所述自动引导车在第j个所述路径点的位置坐标，(xj-1,yj-1)为对应的所述路径个体中，所述自动引导车在第j-1个所述路径点的位置坐标，||为或运算；
S402：根据所述实时位置坐标和所述实时方向信息，获取所述自动引导车在每个所述路径个体中的转弯行驶时间；
所述自动引导车在任一个所述路径个体中的所述转弯行驶时间为：
其中，Tt为所述自动引导车在任一个所述路径个体中的所述转弯行驶时间，λ为权值；
S403：根据所述路网状态得到所述自动引导车在每个所述路径个体中的阻塞惩罚函数值；其中，所述路网状态包括位于每个所述路径个体中的自动引导车总数和用于评价所有所述路径个体的当前迭代次数；
所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值为：
WTG＝S×ΦG；
其中，WTG为所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值，S为位于对应的所述路径个体中的所述自动引导车总数，G为所述当前迭代次数，Φ为阻塞常数；
S404：根据所述直线行驶时间、所述转弯行驶时间和所述阻塞惩罚函数值得到评价所有所述路径个体的所述路径评价函数；
所述路径评价函数为：
O＝Tz+Tt+WTG；
其中，O为所述路径评价函数。
将自动引导车在每个路径个体下的直线行驶时间、转弯行驶时间和反映路网状态的拥塞问题的阻塞惩罚函数值共同作为路径评价函数的决定因素，能将每条路径个体下的实时的路网状态全部考虑进去，克服了传统的滞后性以及不能及时对拥塞问题做出反应等问题，能及时避开拥塞区域，从而能更好地评价每条路径个体，进而便于后续根据遗传方法进行路径的全局寻优，得到最优路径。
具体地，本实施例中，以自动引导车直线通过单个栅格的时间为单位，则一个路径个体中的直线行驶时间即可通过该路径个体中的直线路径所包含的栅格数求得，而自动引导车转弯通过单个栅格的时间为直线通过单个栅格的λ(权值)倍，因此，一个路径个体中的转弯行驶时间可通过该路径个体中的转弯路径所包含的栅格数以及权值求得。
优选地，如图8所示，在S4中，得到所述最优路径的具体步骤包括：
S411：根据所述初始化种群创建父代种群矩阵，其中，所述父代种群矩阵的每一行均为所述初始化种群中一个所述路径个体；
S412：遍历所述父代种群矩阵，根据所述路径评价函数计算所述父代种群矩阵中每个所述路径个体的适应度；
S413：采用随机数函数选取所述父代种群矩阵的第一子代种群矩阵，并将所述父代种群矩阵中适应度的最大值对应的一个所述路径个体，替换所述第一子代种群矩阵中适应度的最小值对应的一个所述路径个体；
S414：对所述第一子代种群矩阵分别进行交叉运算和变异运算，得到第二子代种群矩阵；
S415：将第二子代种群矩阵作为所述父代种群矩阵，按照S412至S414的方法进行多次迭代，直至满足预设的终止条件，结束迭代，得到优化子代种群矩阵，并进入S416；
S416：将所述优化子代种群矩阵中适应度的最大值对应的一个所述路径个体作为所述最优路径。
通过上述步骤进行多次迭代，并根据预设的终止条件，可以保证得到最优路径，收敛速度明显得到提高，且最优路径的准确率更高，以便智能仓储根据最优路径进行运作的工作效率得到明显提高。
具体地，在S415中，预设的所述终止条件为：
连续五次迭代分别得到的所述第二子代种群矩阵中的适应度的最大值对应的一个所述路径个体均相同。
具体地，本实施例中遗传方法的迭代过程的具体流程框图如图9所示。
具体地，在迭代开始前，创建两个矩阵库，分别存储每一次迭代过程中的父代种群矩阵和第二子代种群矩阵，且每一个矩阵均用灰度图来表示，每一个矩阵的每一行均表示一个路径个体，其中，根据初始化种群创建的第一次迭代过程中的父代种群矩阵如图10所示，并对每个路径个体进行字符串编码，以便作为后续遗传操作的载体，例如，一个路径个体中的路径点对应的栅格编号分别为[1，2，3，4，5，6，18，29]，进行二进制编码，得到的编码为：[00000001，00000010，00000011，00000100，00000101，00000110，00010010，00011101]。
具体地，本实施例中交叉运算的操作示意图如图11所示。首先采用随机函数(即rand函数)生成随机数，将随机数与交换概率进行比较，若随机数小于交换概率，则依次调换第一子代种群矩阵中的两个相邻路径个体，达到随机交叉的目的；同时，将该交叉的两个相邻路径个体分别作为父本和母本，判断该父本和母本中是否存在重复的路径点，若存在，则交换第一个重重复的路径点到最后一个路径点之间的基因片段(或路径片段)，若不存在，再采用随机函数生成随机数的方法进行再次交叉操作；例如图11所示的，父本的路径点所对应的栅格编号为[1，2，3，4，5，6]，母本的路径点所对应的栅格编号为[1，13，14，15，4，7，6]，存在重复的路径点(栅格编号为4)，则交换该重复的路径点到最后一个路径点之间的基因片段，得到的父本子代所对应的栅格编号为为[1，2，3，4，7，6]，母本子代所对应的栅格编号为为[1，13，14，15，4，5，6]。
需要说明的是，为方便描述，上述是直接采用栅格编号来判断是否存在重复的路径点，而未采用编码来判断，但是在实际操作过程中，是通过编码来判断的。
具体地，若上述交叉操作中，交叉点处存在中断路径，采用Dijkstra方法补全该段中断路径。Dijkstra方法补全中断路径为现有技术，具体不再赘述。
具体地，本实施例按照图8至图10以及上述S411至S416所述的方法进行多次迭代，得到的迭代过程的收敛情况如图12所示。并最终得到的优化子代种群矩阵的灰度图如图13所示，依此得到的最优路径的结果如图14所示。
实施例二、如图15所示，一种动态仓储自动引导车的路径规划装置，应用于实施例一中图1所示的动态仓储自动引导车的路径规划方法的S1至S5的步骤，包括绘图与建模模块、位置获取模块、方向获取模块、路径规划模块和路径寻优模块；
所述绘图与建模模块，用于根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
所述位置获取模块，用于在所述路网模型中，获取自动引导车的位置坐标；
所述方向获取模块，用于在所述路网模型中，获取所述自动引导车的方向信息；
所述路径规划模块，用于根据所述实时位置坐标和所述实时方向信息规划出多个路径个体；
所述路径寻优模块，用于根据所述实时位置坐标、所述实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
通过上述各模块构成的动态仓储自动引导车的路径规划装置，一方面通过集中控制的方法统筹仓储环境的全局信息，构建路网模型，为自动引导车提供路网的全局状态信息，另一方面基于路径评价函数所形成的改进的遗传方法，能保证对规划出的每个路径个体进行全局寻优过程中的合法性，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
具体地，本实施例中的位置获取模块为二维码扫描单元，方向获取模块为六轴陀螺仪。
实施例三、一种动态仓储自动引导车的路径规划装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现实施例一中图1所示的动态仓储自动引导车的路径规划方法的S1至S5的步骤。
本实施例的动态仓储自动引导车的路径规划装置，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得智能仓储的运作更加高效。
实施例四、一种动态仓储自动引导车的路径规划系统，包括本实施例三中的动态仓储自动引导车的路径规划装置和至少一个自动引导车，每个所述自动引导车均分别与所述动态仓储自动引导车的路径规划装置通信连接，且每个所述自动引导车均分别按照所述动态仓储自动引导车的路径规划装置输出的对应的最优路径进行工作。
本实施例的动态仓储自动引导车的路径规划系统，计算难度低，收敛速度快，得到的最优路径能避开拥塞区域，及时对拥塞情况做出反应，缩短任务执行时间，使得每个自动引导车都能根据所述动态仓储自动引导车的路径规划装置输出的最优路径进行高效工作，从而使得智能仓储的运作更加高效。
具体地，如图16所示，本实施例中动态仓储自动引导车的路径规划系统包括四个自动引导车，分别为AVG01、AVG02、AVG03和AVG04(不局限于四个自动引导车)，动态仓储自动引导车的路径规划装置包括数据库和上位机；如图17所示，每个自动引导车均包括多个万向轮1、多个定向轮2、扫描单元3、六轴陀螺仪4、通信单元5和驱动电机6。
具体地，本实施例中动态仓储自动引导车的路径规划系统的工作原理如图17所示，上位机通过每个自动引导车的通信单元接收该自动引导车对应的扫描单元获取的位置坐标和六轴陀螺仪获取的方向信息，并上传至数据库，上位机根据位置坐标和方向信息进行路径规划和路径寻优，并通过通信单元下发最优路径的命令至对应的自动引导车，该自动引导车通过其内部的驱动电机按照最优路径的命令驱动万向轮和定向轮进行工作(包括扫码、避障等)。
实施例二至实施例四中关于动态仓储自动引导车的路径规划方法的未尽细节，详见实施例一及图1至图14的具体描述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种动态仓储自动引导车的路径规划方法，其特征在于，包括以下步骤：
步骤1：根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
步骤2：在所述路网模型中，获取自动引导车的实时位置坐标和实时方向信息；
步骤3：根据所述实时位置坐标和所述实时方向信息规划出多个路径个体；
步骤4：根据所述实时位置坐标、所述实时方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
2.根据权利要求1所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤1中，绘制所述栅格地图的具体步骤包括：
步骤101：定义相邻两个栅格的中心点之间的距离，并在所述仓储环境的仓库地面上设定所述栅格地图的起始栅格；
步骤102：以所述起始栅格的中心点作为平面坐标系的原点，并设定所述平面坐标系的x轴和y轴；
步骤103：根据所述起始栅格和相邻两个所述栅格的中心点之间的距离，并按照所述平面坐标系的x轴方向和y轴方向，将所述仓库地面依次进行栅格划分并编号；其中，所述起始栅格为0号栅格；
步骤104：根据每个所述栅格的编号与所述平面坐标系的映射关系，得到每个所述栅格的中心点在所述平面坐标系下的坐标值；
编号为Ni的所述栅格与所述平面坐标系的映射关系为：
其中，xi为编号为Ni的所述栅格在所述平面坐标系下的x坐标值，yi为编号为Ni的所述栅格在所述平面坐标系下的y坐标值，mx为所述x轴方向的第一栅格数量，mod(·)为求余运算函数，int(·)为取整运算函数；
步骤105：根据所有所述栅格的中心点的所述坐标值，得到所述栅格地图。
3.根据权利要求2所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤1中，构建所述路网模型的具体步骤包括：
步骤111：以每个所述栅格的中心点作为所述路网模型的路径点，将每相邻两个所述路径点之间的连线作为所述路网模型的路径，并将每相邻两个所述路径点之间的距离作为所述路网模型的路网代价；
步骤112：根据所有所述路径点、所有所述路径和所有所述路网代价构建所述路网模型。
4.根据权利要求3所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤3中，具体采用Dijkstra方法规划出多个所述路径个体，并在路径规划过程中，将每个所述路径个体的中间路径点作为下一个所述路径个体的障碍点。
5.根据权利要求3所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤4中，获取所述路径评价函数的具体步骤包括：
步骤401：根据所述实时位置坐标，获取所述自动引导车在每个所述路径个体中的直线行驶时间；
所述自动引导车在任一个所述路径个体中的所述直线行驶时间为：
其中，Tz为所述自动引导车在任一个所述路径个体中的所述直线行驶时间，n为对应的所述路径个体中的第二栅格数量，(xj,yj)为对应的所述路径个体中，所述自动引导车在第j个所述路径点的位置坐标，(xj-1,yj-1)为对应的所述路径个体中，所述自动引导车在第j-1个所述路径点的位置坐标，||为或运算；
步骤402：根据所述实时位置坐标和所述实时方向信息，获取所述自动引导车在每个所述路径个体中的转弯行驶时间；
所述自动引导车在任一个所述路径个体中的所述转弯行驶时间为：
其中，Tt为所述自动引导车在任一个所述路径个体中的所述转弯行驶时间，λ为权值；
步骤403：根据所述路网状态得到所述自动引导车在每个所述路径个体中的阻塞惩罚函数值；其中，所述路网状态包括位于每个所述路径个体中的自动引导车总数和用于评价所有所述路径个体的当前迭代次数；
所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值为：
WTG＝S×ΦG；
其中，WTG为所述自动引导车在任一个所述路径个体中的所述阻塞惩罚函数值，S为位于对应的所述路径个体中的所述自动引导车总数，G为所述当前迭代次数，Φ为阻塞常数；
步骤404：根据所述直线行驶时间、所述转弯行驶时间和所述阻塞惩罚函数值得到评价所有所述路径个体的所述路径评价函数；
所述路径评价函数为：
O＝Tz+Tt+WTG；
其中，O为所述路径评价函数。
6.根据权利要求4所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤4中，得到所述最优路径的具体步骤包括：
步骤411：根据所述初始化种群创建父代种群矩阵，其中，所述父代种群矩阵的每一行均为所述初始化种群中一个所述路径个体；
步骤412：遍历所述父代种群矩阵，根据所述路径评价函数计算所述父代种群矩阵中每个所述路径个体的适应度；
步骤413：采用随机数函数选取所述父代种群矩阵的第一子代种群矩阵，并将所述父代种群矩阵中适应度的最大值对应的一个所述路径个体，替换所述第一子代种群矩阵中适应度的最小值对应的一个所述路径个体；
步骤414：对所述第一子代种群矩阵分别进行交叉运算和变异运算，得到第二子代种群矩阵；
步骤415：将第二子代种群矩阵作为所述父代种群矩阵，按照所述步骤412至步骤414的方法进行多次迭代，直至满足预设的终止条件，结束迭代，得到优化子代种群矩阵，并进入步骤416；
步骤416：将所述优化子代种群矩阵中适应度的最大值对应的一个所述路径个体作为所述最优路径。
7.根据权利要求6所述的动态仓储自动引导车的路径规划方法，其特征在于，在所述步骤415中，预设的所述终止条件为：
连续五次迭代分别得到的所述第二子代种群矩阵中的适应度的最大值对应的一个所述路径个体均相同。
8.一种动态仓储自动引导车的路径规划装置，其特征在于，应用于如权利要求1至7任一项所述的动态仓储自动引导车的路径规划方法中，包括绘图与建模模块、位置获取模块、方向获取模块、路径规划模块和路径寻优模块；
所述绘图与建模模块，用于根据仓储环境绘制栅格地图，并根据所述栅格地图构建路网模型；
所述位置获取模块，用于在所述路网模型中，获取自动引导车的位置坐标；
所述方向获取模块，用于在所述路网模型中，获取所述自动引导车的方向信息；
所述路径规划模块，用于根据位置坐标和方向信息规划出多个路径个体；
所述路径寻优模块，用于根据位置坐标、方向信息和路网状态获取评价所有所述路径个体的路径评价函数；基于遗传方法，将所有所述路径个体作为初始化种群，并根据所述路径评价函数对所述初始化种群进行全局寻优，得到所述自动引导车的最优路径并输出。
9.一种动态仓储自动引导车的路径规划装置，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至7任一项权利要求所述的方法步骤。
10.一种动态仓储自动引导车的路径规划系统，其特征在于，包括如权利要求9所述的动态仓储自动引导车的路径规划装置和至少一个自动引导车，每个所述自动引导车均分别与所述动态仓储自动引导车的路径规划装置通信连接，且每个所述自动引导车均分别按照所述动态仓储自动引导车的路径规划装置输出的对应的最优路径进行工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910556869.7A CN110243373B (zh) | 2019-06-25 | 2019-06-25 | 一种动态仓储自动引导车的路径规划方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910556869.7A CN110243373B (zh) | 2019-06-25 | 2019-06-25 | 一种动态仓储自动引导车的路径规划方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110243373A true CN110243373A (zh) | 2019-09-17 |
| CN110243373B CN110243373B (zh) | 2022-09-20 |
Family
ID=67889355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910556869.7A Active CN110243373B (zh) | 2019-06-25 | 2019-06-25 | 一种动态仓储自动引导车的路径规划方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110243373B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110908371A (zh) * | 2019-10-31 | 2020-03-24 | 山东大学 | 一种自动巡航电动病床的自主避障与路径规划方法和系统 |
| CN111426323A (zh) * | 2020-04-16 | 2020-07-17 | 南方电网科学研究院有限责任公司 | 一种巡检机器人路线规划方法及装置 |
| CN111457929A (zh) * | 2019-12-31 | 2020-07-28 | 南京工大数控科技有限公司 | 一种基于地理信息系统的物流车辆自主路径规划与导航方法 |
| CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
| CN113075927A (zh) * | 2021-03-22 | 2021-07-06 | 哈尔滨理工大学 | 基于预约表的仓储潜伏式多agv路径规划方法 |
| CN116483079A (zh) * | 2023-04-12 | 2023-07-25 | 上海交通大学 | 海上浮式生产储油船联合路径优化规划方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050075784A1 (en) * | 2003-10-07 | 2005-04-07 | Gray Sarah Ann | Modular path planner |
| WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
-
2019
- 2019-06-25 CN CN201910556869.7A patent/CN110243373B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050075784A1 (en) * | 2003-10-07 | 2005-04-07 | Gray Sarah Ann | Modular path planner |
| WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
Non-Patent Citations (7)
| Title |
|---|
| QIUYUE YU 等: "Research_on_Multiple_Unmanned_Aerial_Vehicles_Area_Coverage_for_Gas_Distribution_Mapping", 《10TH INTERNATIONAL CONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC)》 * |
| 孟冲等: "基于多种群遗传算法的多AGV调度", 《电子科技》 * |
| 施剑烽 等: "基于改进的Dijkstra算法AGV路径规划研究", 《科技视界》 * |
| 李圣男等: "基于Petri网的物流仓库多AGV调度方法的研究", 《高技术通讯》 * |
| 江明 等: "基于改进蚁群算法的移动机器人路径规划研究", 《仪器仪表学报》 * |
| 王江华 等: "基于改进遗传算法的AGVS单双向混合路径规划", 《机械设计与制造工程》 * |
| 陈至坤等: "移动机器人目标路径规划的仿真研究", 《计算机仿真》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110908371A (zh) * | 2019-10-31 | 2020-03-24 | 山东大学 | 一种自动巡航电动病床的自主避障与路径规划方法和系统 |
| CN111457929A (zh) * | 2019-12-31 | 2020-07-28 | 南京工大数控科技有限公司 | 一种基于地理信息系统的物流车辆自主路径规划与导航方法 |
| CN111457929B (zh) * | 2019-12-31 | 2022-01-25 | 南京工大数控科技有限公司 | 一种基于地理信息系统的物流车辆自主路径规划与导航方法 |
| CN111426323A (zh) * | 2020-04-16 | 2020-07-17 | 南方电网科学研究院有限责任公司 | 一种巡检机器人路线规划方法及装置 |
| CN111708369A (zh) * | 2020-07-17 | 2020-09-25 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
| CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
| CN113075927A (zh) * | 2021-03-22 | 2021-07-06 | 哈尔滨理工大学 | 基于预约表的仓储潜伏式多agv路径规划方法 |
| CN116483079A (zh) * | 2023-04-12 | 2023-07-25 | 上海交通大学 | 海上浮式生产储油船联合路径优化规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110243373B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110243373A (zh) | 一种动态仓储自动引导车的路径规划方法、装置和系统 | |
| CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
| CN109459026B (zh) | 一种多运动体协同全覆盖路径规划方法 | |
| CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
| CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
| CN102446236B (zh) | 基于改进型遗传算法的管道自动优化布置方法 | |
| CN111664852B (zh) | 一种无人机路径规划方法及装置 | |
| CN113110520B (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
| CN109814557A (zh) | 一种全局规划器主导的机器人路径规划方法 | |
| CN108665117A (zh) | 一种室内空间最短路径的计算方法、装置、终端设备以及存储介质 | |
| CN111309837B (zh) | 智能仓储地图平台搭建及agv路径优化方法 | |
| AU2022204569B2 (en) | Method for multi-agent dynamic path planning | |
| CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
| KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
| CN111080786A (zh) | 基于bim的室内地图模型构建方法及装置 | |
| CN110909961A (zh) | 基于bim的室内路径查询方法及装置 | |
| CN116594425A (zh) | 一种基于概率地图和改进遗传算法的多无人机路径规划方法 | |
| CN112221144A (zh) | 三维场景寻路方法及装置、三维场景地图处理方法及装置 | |
| Chen et al. | An effective path planning of intelligent mobile robot using improved genetic algorithm | |
| CN112621754A (zh) | 一种多机器人协同的装配线安全布局的设计方法 | |
| CN112308353A (zh) | 一种药品仓库作业调度优化方法 | |
| CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
| CN115719051A (zh) | 基于深度强化学习的轨道分配方法 | |
| CN116795089A (zh) | 一种路径规划方法和装置以及一种云平台 | |
| CN114625137A (zh) | 一种基于agv的智能停车路径规划方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |