CN110244712A - 一种多agv系统路径规划方法 - Google Patents
一种多agv系统路径规划方法 Download PDFInfo
- Publication number
- CN110244712A CN110244712A CN201910427260.XA CN201910427260A CN110244712A CN 110244712 A CN110244712 A CN 110244712A CN 201910427260 A CN201910427260 A CN 201910427260A CN 110244712 A CN110244712 A CN 110244712A
- Authority
- CN
- China
- Prior art keywords
- agv
- path
- module
- function
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 12
- 238000007792 addition Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 41
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect 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
- G05D1/0214—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
- G05D1/0212—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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多AGV系统路径规划系统及方法，该系统包括设备层、中间层和应用层，其中：所述设备层包括无线路由、RFID标签、AGV小车和WiFi通信模块，RFID标签用于完成定位功能，WiFi模块和无线路由用于连接设备层和中间层，实现信息的上传和下达；所述中间层包括数据库、数据分析系统和服务器，用于完成数据存储转发、分析处理和远程访问控制功能；所述应用层用于提供远程客户端软件界面，提供AGV状态信息在线更新、电子地图、多AGV系统调度和报表生成的功能。本发明综合考虑AGV运行过程中的多个环境因素，对AGV的运行状态进行实时监控和调整，从而提高系统的调度效率，实现AGV资源的最大化利用。
Description
技术领域
本发明属于室内多AGV系统或室内机器人技术领域，具体涉及一种多AGV系统路径调度系统及方法。
背景技术
随着社会经济的不断发展，工业自动化水平也在有了进一步提高，传统的物料输送方式已不能满足现在的生产需求，以AGV为代表的移动机器人运输方式逐渐深入到社会生产的各个方面。
为了提高AGV的运输效率，减少运输过程中安全事故的发生，其路径规划和调度问题已经成为目前急需解决的问题之一。目前常用的路径规划算法有以下几类：第一类是基于图论的遍历算法，如Dijkstra及其改进算法；第二类是启发式搜索算法，如A*及其改进算法；第三类是基于智能仿生的优化算法，如蚁群算法、粒子群算法和遗传算法等。AGV系统的调度问题即是以某种优化指标为依据，研究使用什么策略能够实现运输任务和AGV车辆的最佳匹配问题，目的是为了尽可能提高系统的输送和调度效率，实现已有资源的最大化利用。目前主要有静态调度、动态调度、单一指标调度和复合指标调度。
由于传统的遍历算法和启发式搜索算法存在搜索速度慢、效率低和计算量大等问题，已难以满足较为复杂的工业现场，而智能仿生算法可以很好地弥补前两种算法的缺点。蚁群算法具有并行性和鲁棒性等特点，但是算法进行路径规划耗时长，容易出现搜索停滞和早熟收敛现象。粒子群算法用于解决路径规划问题时，具有简单易行和算法搜索速度快等优点，但全局搜索能力较弱，且易陷于局部最优。与以上两种智能仿生算法相比，遗传算法引入了选择、复制、交叉和变异等操作，以及适者生存的概念，算法简单易行，拥有较强的全局搜索能力和较好的鲁棒性，但仍然存在早熟收敛现象，所以需要进行一些改进操作。
发明内容
本发明的目的是为了解决现有AGV路径规划方法中的不足，提出了一种多AGV系统调度系统及方法，在多AGV系统调度中，综合考虑AGV运行过程中的多个环境因素，对AGV的运行状态进行实时监控和调整，从而提高系统的调度效率，实现AGV资源的最大化利用。
为实现上述目的，本发明采用的技术方案为：
一种多AGV系统调度系统，包括设备层、中间层和应用层，其中：
所述设备层包括无线路由、RFID标签、AGV小车和WiFi通信模块，RFID标签用于完成定位功能，WiFi模块和无线路由用于连接设备层和中间层，实现信息的上传和下达；
所述中间层包括数据库、数据分析系统和服务器，用于完成数据存储转发、分析处理和远程访问控制功能；
所述应用层用于提供远程客户端软件界面，提供AGV状态信息在线更新、电子地图、多AGV系统调度和报表生成的功能。
所述设备层的RFID标签安装在轨道路径上，并与AGV小车的控制器间通过串口进行通信；AGV小车通过RFID标签、WiFi网络、服务器和因特网实现与客户端软件的信息交互。
所述AGV小车由AGV小车控制芯片，以及分别与AGV小车控制芯片连接的电源模块、测速模块、WiFi模块、红外模块、超声波模块、寻迹模块、电机驱动模块、舵机模块、RFID读卡器模块和报警模块组成，所述电机驱动模块连接有电机马达。
所述中间层基于Socket的网络后台服务器。
所述应用层包括路径规划模块，在线调度模块，数据库功能模块，通讯功能模块，任务功能管理模块，图形化显示模块，电子地图模块，用户功能管理模块；其中：
所述路径规划模块用于基于AGV小车的性能参数指标，在具体环境中，从起始点到目标点搜索一条可行的最优或次优路径；
所述在线调度模块用于基于某种优化指标为依据，得到能够实现任务和AGV小车的最佳匹配的策略；
所述数据库功能模块具有数据库访问、数据库操作、记录及查询历史操作的功能；
所述通讯功能模块具有通讯参数设置、数据接收发送、通讯连接的功能；
所述任务功能管理模块具有任务查询、优先级修改、任务增删的功能；
所述图形化显示模块具有电子地图显示、运行路径、状态显示的功能；
所述电子地图模块具有电子地图设计、节点增删、路径修改的功能；
所述用户功能管理模块具有用户增删、用户权限管理、用户登录的功能。
一种多AGV系统调度调度方法，包括以下步骤：
步骤a，初始化路径时间窗合集；
步骤b，规划出需求解的最优路径；
步骤c，查看最优路径中的第一段路径，若存在空闲时间窗，则执行步骤d，若不存在空闲时间窗，则执行步骤e，
步骤d，更新该段路径的时间窗集合，并确定是否为最后一段路径，如果是，则结束调度，如果否，则考察最优路径的下一段路径，并继续返回步骤c；
步骤e，若通过等待策略能够解决问题，则将时间窗后移，并返回步骤d，若通过等待策略不能够解决问题，则返回步骤b，重新规划需求解的最优路径，然后再执行步骤c。
所述步骤b的具体步骤为：
步骤b1，对于遗传算法，采用变长度的符号编码方式，即遗传算法的染色体中的每个基因对应地图模型中的节点号；
步骤b2，引入AGV负重度和路径曲折度作为规划指标，对AGV的运行速度进行如下制约：
其中，Vt为AGV小车在无规划指标下的运行速度，μ为AGV的负重系数，α为路径曲折度；
采用AGV从起始点到目标点的运行时间作为路径规划的评价依据，在路径长度、转弯时间、车辆负重度和路径曲折度等规划指标下，得到适应度函数为：
式中，Dis(Xij)为个体Mt中节点i和节点j之间的路径长度，μij为AGV在该段路径中的负重系数，αij为该段路径的曲折度，tij为节点i到节点j中转弯所耗费的时间；
步骤b3，种群初始化：从起始点出发，随机选取与起始点直接相连的一个点作为下一个节点，如此反复直到找到终点为止；
步骤b4，选择操作：采用Metrolpis接收准则来确定当前解m到新解n转移的概率Pk，其公式如下：
式中，f(m)为种群中一个体交叉变异前的适应度值，f(n)为该个体交叉变异后的适应度值，T为当前温度，随着进化的进行T要按降温速率衰减。当前温度T的计算公式为：
T＝T0×qt
式中T0为初始温度，q为降温速率，t为进化次数；
步骤b5，交叉操作：采用单点交叉法，即随机选出两个父代个体的一个共同点，然后将这两个父个体关于该交叉点执行交叉操作；
步骤b6，变异操作：随机选取待变异父个体中的两个节点n1和n2，按类似初始种群生成法生成一条从n1到n2的路径，然后用新生成的N1到N2间的路径代替待变异个体中的原路径；
步骤b7，交叉和变异算子自适应调整：交叉变异算子自调整表达式如以下两式：
式中，0<k1，k2，k3，k4<1，Kc∈(0,1)，Km∈(0,1)，fmin是种群中最小的适应度值，favg是每代群体的平均适应度值，f’是要交叉的两个个体中较小的适应度值，f是要变异个体的适应度值。
所述步骤b3中，在路径的产生过程中为了避免出现环路，规定在一条路径中当一个节点被选中以后，给该节点一个标记，只有没有标记过的节点才能被选作新的路径节点，每条路径选择完后标记全部刷新。
所述步骤7中，令K1＝K2＝Kc，K3＝K4＝Km，得到改变前后的交叉、变异概率自调整曲线。
有益效果：本发明对多AGV进行路径规划时需同时考虑空间和时间因素，通过时间窗观察所规划路径是否存在冲突，并且在路径规划时通过时间窗合理地对AGV所行驶的路径进行分配，每段被分配的路径都是在时间窗中未被占用的路径。在堵塞节点处，按AGV执行任务的优先级实行交通法调度策略。
为避免繁忙段路径大面积堵塞情况的出现，对AGV的运行路线进行动态调整，为避免低优先级任务锁死的情况，对长时间锁死任务进行优先级动态调整。
对于单个AGV的路径规划，采用拓扑地图法对工业现场中AGV的运行环境进行合理的地图建模，运用改进后的遗传算法规划出单个AGV从起始点到目标点的运行路径，在路径的选择方面加入路径长度、路径曲折度、AGV负重度和AGV转弯次数等多指标评价。针对基本遗传算法存在收敛速度慢、易陷入局部最优等缺点，提出一种改进遗传算法。在遗传算法的选择操作中引入模拟退火思想，提高了种群个体的差异性，易于跳出局部最优解；同时，改进了交叉、变异算子自调整策略，提高了算法的收敛速度。
本发明在每个AGV的上加入一个WiFi模块，通过无线路由将AGV与上位机连入同一网段，上位机和AGV间通过TCP/IP协议进行通信，AGV向上位机发送请求命令，上位机向AGV发送调度命令。
本发明通过在每个工位节点和转弯节点前放置RFID标签以来标记各个特殊位置，AGV上装有RFID读卡器，当读卡器扫描到这些标签时，将标签信息上传到上位机中，上位机根据标签信息判断节点处的繁忙程度，从而对AGV的下一步运行发送调度命令。
本发明在规划出一条AGV路径后，上位机需将规划出的路径信息通过无线路由传送到AGV控制器中，AGV按照接收到的路径信息行驶，当AGV检测到工位节点前的RFID标签时，需将标签信息传递给上位机，供上位机分析记录。
调度系统的应用层中具有电子地图设计、AGV状态监控、任务功能管理和数据库存储等功能，方便用户根据实际情况对AGV的相关信息进行合理调整。
在多AGV系统调度过程中，需综合考虑了AGV防碰撞处理、AGV安全行驶速度、AGV利用率和AGV动态调整策略等。
除了上位机需要和AGV进行通信外，工位节点也需要与上位机通过WiFi模块通信，以下达请求信号和工件加工状况等，故需制订一套简单、明了、易执行的通信协议。
综上，本发明通过改进遗传算法来实现AGV系统的路径规划，结合时间窗、交通法、动态调整和多指标规划等调度规则，实现了多AGV系统的最大工作效率，提高了调度系统的智能化程度。
附图说明
图1为本发明的多AGV系统调度示意图；
图2为本发明的多AGV系统调度框架结构框图；
图3为本发明的AGV小车组成框图；
图4为本发明的路径规划算法流程图；
图5为本发明的路径规划算法中交叉、变异算子自适应调整曲线图；
图6为本发明的多AGV系统调度算法流程图；
图7为本发明的调度软件系统组成框图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
路径规划是指基于某些指定的性能参数(如路径长度、规划时间、路径曲折度等)指标，在具体环境中，从起始点到目标点搜索一条可行的最优或次优路径。
AGV系统的调度即是以某种优化指标为依据，研究使用什么策略能够实现任务和AGV小车的最佳匹配问题，其目的是为了尽可能提高系统调度效率，实现已有资源的最大化利用。
图1为简化的多AGV系统调度示意图，模拟具有4个生产工位的工作车间，5个移动机器人实现工位间自动搬运原料进行加工的场景。
如图1所示，各工位节点和AGV小车都装有WIFI模块，车间中装有无线路由，工位节点间铺设有寻迹轨道，轨道上数据称为路径权值，表示当前轨道的相关信息，采用(Dis,α)的形式表示，其中Dis为两节点间的实际距离，α表示路径的曲折度(表示路径的弯曲程度，最大为1)，各工位前和交叉路口处放置RFID标签。工位节点和AGV小车可以通过WiFi模块与上位机进行信息交互，接收或传递相关调度信息。AGV小车通过寻迹各个工位间所铺设的轨道，根据上位机发送的路径信息完成工件的搬运工作。若在AGV搬运过程中出现堵塞或锁死情况，AGV小车可以向上位机请求动态调整，上位机根据当前路况信息重新进行路径规划，提高整体的加工效率。此外，AGV小车具有自动避障功能，但如果障碍物体积过大(如图中工位3和工位4间的障碍物)，小车会发出报警信息，请求将障碍物搬离，若一定时间后障碍物没有清理，小车会向上位机请求重新路径规划。
如图2所示，本发明的调度系统框架为三层结构，分别为设备层、中间层和应用层。
设备层完成系统硬件平台的搭建，包括无线路由、RFID标签、AGV和WiFi通信模块。其中RFID标签完成定位功能，WiFi模块和无线路由用于连接设备层和中间层，实现信息的上传和下达，AGV小车的组成结构如图3所示，由AGV小车控制芯片，以及分别与AGV小车控制芯片连接的电源模块、测速模块、WiFi模块、红外模块、超声波模块、寻迹模块、电机驱动模块、舵机模块、RFID读卡器模块和报警模块组成，电机驱动模块连接有电机马达。设备层标签安装在轨道路径上，并与AGV小车的控制器间通过串口进行通信。AGV小车通过RFID标签、WiFi网络、服务器和因特网实现与客户端软件的信息交互。
中间层包括数据库、数据分析软件和服务器，主要完成数据存储转发、分析处理和远程访问控制功能。使用SQL Server软件，完成数据库的建立、存取和维护；使用C#开发数据分析软件，并利用.NET平台提供的接口，实现与数据库数据的交互，完成对各种数据的分析处理；为实现远程访问系统数据的目的，中间层将设计基于Socket的网络后台服务器。
应用层用于提供友好的远程客户端软件界面，利用Visual studio平台开发C#软件，进行AGV状态信息在线更新、电子地图设计、多AGV系统调度和其他相关报表的生成。
下面结合一个实施例具体阐述上述一种基于改进遗传算法的多AGV系统路径规划方法：
本发明采用改进后的遗传算法作为单一AGV进行路径规划，其规划流程如图4所示。具体实施步骤如下：
编码方式：在AGV路径规划中，遗传算法的染色体为一条自起始点到目标点的可行路径。本发明采用变长度的符号编码方式，即染色体中的每个基因对应地图模型中的节点号。
适应度函数：为提高AGV在运行过程中的安全性，减少AGV间或AGV与障碍物间碰撞的发生，本发明引入AGV负重度和路径曲折度等规划指标，对AGV的运行速度进行如下制约：
其中，Vt为小车在无规划指标下的运行速度，μ为AGV的负重系数，α为路径曲折度。
本发明采用AGV从起始点到目标点的运行时间作为路径规划的评价依据，在路径长度、转弯时间、车辆负重度和路径曲折度等规划指标下，结合公式(1)，可得适应度函数为：
式中，Dis(Xij)为个体Mt中节点i和节点j之间的路径长度，μij为AGV在该段路径中的负重系数，αij为该段路径的曲折度，tij为节点i到节点j中转弯所耗费的时间。从适应度函数中可以看出：最优路径将具有最小的适应度函数值。
种群初始化：从起始点出发，随机选取与起始点直接相连的一个点作为下一个节点，如此反复直到找到终点为止。在路径的产生过程中为了避免出现环路，规定在一条路径中当一个节点被选中以后，给该节点一个标记，只有没有标记过的节点才能被选作新的路径节点，每条路径选择完后标记全部刷新。
选择操作：本发明引用模拟退火算法的选择思想进行种群选择，主要是采用Metrolpis接收准则来确定当前解m到新解n转移的概率Pk，其公式如下：
式中，f(m)为种群中一个体交叉变异前的适应度值，f(n)为该个体交叉变异后的适应度值，T为当前温度，随着进化的进行T要按降温速率衰减。当前温度T的计算公式为：
T＝T0×qt (4)
式中T0为初始温度，q为降温速率，t为进化次数。
交叉操作：本文采用单点交叉法，即随机选出两个父代个体的一个共同点(起始点和终止点除外)，然后将这两个父个体关于该交叉点执行交叉操作。
变异操作：随机选取待变异父个体中的两个节点(起始点和目标点除外)n1和n2，按类似初始种群生成法生成一条从n1到n2的路径，然后用新生成的N1到N2间的路径代替待变异个体中的原路径。
交叉和变异算子自适应调整：传统的交叉变异算子自调整表达式如公式(5)和公式(6)所示：
本发明对以上两式进行改进，得到公式(7)和公式(8)：
式中，0<k1，k2，k3，k4<1，Kc∈(0,1)，Km∈(0,1)fmin是种群中最小的适应度值，favg是每代群体的平均适应度值，f’是要交叉的两个个体中较小的适应度值，f是要变异个体的适应度值。
令K1＝K2＝Kc，K3＝K4＝Km，可得改变前后的交叉、变异概率自调整曲线图5。从图5中可以看出，改进前的自适应调整有以下缺点：当适应度值越接近最小适应度值时，交叉和变异的概率越小，当等于最小适应度时，交叉率和变异率的值为零。这种调整方法在进化初期时，种群中较优个体不易发生变化，易使进化结果陷入局部最优。而修改后的自适应策略使种群中最小适应度的个体的交叉变异率不为0，分别提高到了Kc/e和Km/e，这样就相应地提高了种群中表现优良个体的交叉、变异概率，使得进化不会停滞不前。
多AGV系统调度算法如图6所示，本发明采用一种改进时间窗动态调度算法实现多AGV的调度策略，在AGV调度过程中，结合时间窗、交通法、动态调整和多指标规划等规则，使得多台AGV小车可以实现最大效率的相互协作，提高了调度系统的智能化程度。具体步骤为：
步骤a，初始化路径时间窗合集；
步骤b，规划出需求解的最优路径；
步骤c，查看最优路径中的第一段路径，若存在空闲时间窗，则执行步骤d，若不存在空闲时间窗，则执行步骤e，
步骤d，更新该段路径的时间窗集合，并确定是否为最后一段路径，如果是，则结束调度，如果否，则考察最优路径的下一段路径，并继续返回步骤c；
步骤e，若通过等待策略能够解决问题，则将时间窗后移，并返回步骤d，若通过等待策略不能够解决问题，则返回步骤b，重新规划需求解的最优路径，然后再执行步骤c。
为了可以方便的对AGV系统的设计、修改及应用，本发明拟利用Visual Studio的平台下采用C#语言，开发AGV系统调度软件，应用层组成如图7所示，包括路径规划模块，在线调度模块，数据库功能模块，通讯功能模块，任务功能管理模块，图形化显示模块，电子地图模块，用户功能管理模块；其中：
路径规划模块用于基于AGV小车的性能参数指标，在具体环境中，从起始点到目标点搜索一条可行的最优或次优路径；
在线调度模块用于基于某种优化指标为依据，得到能够实现任务和AGV小车的最佳匹配的策略；
数据库功能模块具有数据库访问、数据库操作、记录及查询历史操作的功能；
通讯功能模块具有通讯参数设置、数据接收发送、通讯连接的功能；
任务功能管理模块具有任务查询、优先级修改、任务增删的功能；
图形化显示模块具有电子地图显示、运行路径、状态显示的功能；
电子地图模块具有电子地图设计、节点增删、路径修改的功能；
用户功能管理模块具有用户增删、用户权限管理、用户登录的功能。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种多AGV系统调度系统，其特征在于：包括设备层、中间层和应用层，其中：
所述设备层包括无线路由、RFID标签、AGV小车和WiFi通信模块，RFID标签用于完成定位功能，WiFi模块和无线路由用于连接设备层和中间层，实现信息的上传和下达；
所述中间层包括数据库、数据分析系统和服务器，用于完成数据存储转发、分析处理和远程访问控制功能；
所述应用层用于提供远程客户端软件界面，提供AGV状态信息在线更新、电子地图、多AGV系统调度和报表生成的功能。
2.根据权利要求1所述的多AGV系统调度系统，其特征在于：所述设备层的RFID标签安装在轨道路径上，并与AGV小车的控制器间通过串口进行通信；AGV小车通过RFID标签、WiFi网络、服务器和因特网实现与客户端软件的信息交互。
3.根据权利要求1所述的多AGV系统调度系统，其特征在于：所述AGV小车由AGV小车控制芯片，以及分别与AGV小车控制芯片连接的电源模块、测速模块、WiFi模块、红外模块、超声波模块、寻迹模块、电机驱动模块、舵机模块、RFID读卡器模块和报警模块组成，所述电机驱动模块连接有电机马达。
4.根据权利要求1所述的多AGV系统调度系统，其特征在于：所述中间层基于Socket的网络后台服务器。
5.根据权利要求1所述的多AGV系统调度系统，其特征在于：所述应用层包括路径规划模块，在线调度模块，数据库功能模块，通讯功能模块，任务功能管理模块，图形化显示模块，电子地图模块，用户功能管理模块；其中：
所述路径规划模块用于基于AGV小车的性能参数指标，在具体环境中，从起始点到目标点搜索一条可行的最优或次优路径；
所述在线调度模块用于基于某种优化指标为依据，得到能够实现任务和AGV小车的最佳匹配的策略；
所述数据库功能模块具有数据库访问、数据库操作、记录及查询历史操作的功能；
所述通讯功能模块具有通讯参数设置、数据接收发送、通讯连接的功能；
所述任务功能管理模块具有任务查询、优先级修改、任务增删的功能；
所述图形化显示模块具有电子地图显示、运行路径、状态显示的功能；
所述电子地图模块具有电子地图设计、节点增删、路径修改的功能；
所述用户功能管理模块具有用户增删、用户权限管理、用户登录的功能。
6.一种基于权利要求1所述系统的多AGV系统调度调度方法，其特征在于：包括以下步骤：
步骤a，初始化路径时间窗合集；
步骤b，规划出需求解的最优路径；
步骤c，查看最优路径中的第一段路径，若存在空闲时间窗，则执行步骤d，若不存在空闲时间窗，则执行步骤e，
步骤d，更新该段路径的时间窗集合，并确定是否为最后一段路径，如果是，则结束调度，如果否，则考察最优路径的下一段路径，并继续返回步骤c；
步骤e，若通过等待策略能够解决问题，则将时间窗后移，并返回步骤d，若通过等待策略不能够解决问题，则返回步骤b，重新规划需求解的最优路径，然后再执行步骤c。
7.根据权利要求6所述的多AGV系统调度调度方法，其特征在于：所述步骤b的具体步骤为：
步骤b1，对于遗传算法，采用变长度的符号编码方式，即遗传算法的染色体中的每个基因对应地图模型中的节点号；
步骤b2，引入AGV负重度和路径曲折度作为规划指标，对AGV的运行速度进行如下制约：
其中，Vt为AGV小车在无规划指标下的运行速度，μ为AGV的负重系数，α为路径曲折度；
采用AGV从起始点到目标点的运行时间作为路径规划的评价依据，在路径长度、转弯时间、车辆负重度和路径曲折度等规划指标下，得到适应度函数为：
式中，Dis(Xij)为个体Mt中节点i和节点j之间的路径长度，μij为AGV在该段路径中的负重系数，αij为该段路径的曲折度，tij为节点i到节点j中转弯所耗费的时间；
步骤b3，种群初始化：从起始点出发，随机选取与起始点直接相连的一个点作为下一个节点，如此反复直到找到终点为止；
步骤b4，选择操作：采用Metrolpis接收准则来确定当前解m到新解n转移的概率Pk，其公式如下：
式中，f(m)为种群中一个体交叉变异前的适应度值，f(n)为该个体交叉变异后的适应度值，T为当前温度，随着进化的进行T要按降温速率衰减。当前温度T的计算公式为：
T＝T0×qt
式中T0为初始温度，q为降温速率，t为进化次数；
步骤b5，交叉操作：采用单点交叉法，即随机选出两个父代个体的一个共同点，然后将这两个父个体关于该交叉点执行交叉操作；
步骤b6，变异操作：随机选取待变异父个体中的两个节点n1和n2，按类似初始种群生成法生成一条从n1到n2的路径，然后用新生成的N1到N2间的路径代替待变异个体中的原路径；
步骤b7，交叉和变异算子自适应调整：交叉变异算子自调整表达式如以下两式：
式中，0<k1，k2，k3，k4<1，Kc∈(0,1)，Km∈(0,1)，fmin是种群中最小的适应度值，favg是每代群体的平均适应度值，f’是要交叉的两个个体中较小的适应度值，f是要变异个体的适应度值。
8.根据权利要求7所述的多AGV系统调度调度方法，其特征在于：所述步骤b3中，在路径的产生过程中为了避免出现环路，规定在一条路径中当一个节点被选中以后，给该节点一个标记，只有没有标记过的节点才能被选作新的路径节点，每条路径选择完后标记全部刷新。
9.根据权利要求7所述的多AGV系统调度调度方法，其特征在于：所述步骤7中，令K1＝K2＝Kc，K3＝K4＝Km，得到改变前后的交叉、变异概率自调整曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910427260.XA CN110244712A (zh) | 2019-05-22 | 2019-05-22 | 一种多agv系统路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910427260.XA CN110244712A (zh) | 2019-05-22 | 2019-05-22 | 一种多agv系统路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110244712A true CN110244712A (zh) | 2019-09-17 |
Family
ID=67884761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910427260.XA Pending CN110244712A (zh) | 2019-05-22 | 2019-05-22 | 一种多agv系统路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110244712A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111486848A (zh) * | 2020-05-25 | 2020-08-04 | 上海杰销自动化科技有限公司 | Agv视觉导航方法、系统、计算机设备以及存储介质 |
| CN112162557A (zh) * | 2020-09-27 | 2021-01-01 | 劢微机器人科技(深圳)有限公司 | 无人搬运车的远程控制系统及方法 |
| CN112817319A (zh) * | 2021-01-08 | 2021-05-18 | 刘连英 | Agv车的调度方法、系统及计算机可读存储介质 |
| CN112987721A (zh) * | 2021-02-01 | 2021-06-18 | 哈尔滨工业大学 | 一种多agv调度装及其全局规划与局部规划融合方法 |
| CN113093765A (zh) * | 2021-04-16 | 2021-07-09 | 西南交通大学 | 一种通用的agv集群控制系统设计框架及方法 |
| CN113253686A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | Agv车辆路径规划方法及装置、电子设备、存储介质 |
| CN114995389A (zh) * | 2022-05-10 | 2022-09-02 | 中国第一汽车股份有限公司 | 一种自适应的agv调度系统及其调度方法 |
| CN115860431A (zh) * | 2023-02-07 | 2023-03-28 | 广东技术师范大学 | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 |
| CN116934059A (zh) * | 2023-09-18 | 2023-10-24 | 华芯(嘉兴)智能装备有限公司 | 一种天车调度方法、装置、设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105682047A (zh) * | 2016-03-16 | 2016-06-15 | 南通大学 | 一种基于uwb的室内移动机器人定位与导航系统 |
| CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
| CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
| 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 |
| CN107490959A (zh) * | 2017-08-11 | 2017-12-19 | 潘金文 | 一种有效的机器人路径规划系统 |
| 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 |
-
2019
- 2019-05-22 CN CN201910427260.XA patent/CN110244712A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105682047A (zh) * | 2016-03-16 | 2016-06-15 | 南通大学 | 一种基于uwb的室内移动机器人定位与导航系统 |
| CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
| CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
| 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 |
| CN107490959A (zh) * | 2017-08-11 | 2017-12-19 | 潘金文 | 一种有效的机器人路径规划系统 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 李丽: "基于遗传算法的舰船航行路径规划技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 汪先超: "多AGV系统的组合导航控制与调度方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111486848A (zh) * | 2020-05-25 | 2020-08-04 | 上海杰销自动化科技有限公司 | Agv视觉导航方法、系统、计算机设备以及存储介质 |
| CN112162557A (zh) * | 2020-09-27 | 2021-01-01 | 劢微机器人科技(深圳)有限公司 | 无人搬运车的远程控制系统及方法 |
| CN112817319A (zh) * | 2021-01-08 | 2021-05-18 | 刘连英 | Agv车的调度方法、系统及计算机可读存储介质 |
| CN112987721B (zh) * | 2021-02-01 | 2022-12-13 | 哈尔滨工业大学 | 一种多agv调度装置及其全局规划与局部规划融合方法 |
| CN112987721A (zh) * | 2021-02-01 | 2021-06-18 | 哈尔滨工业大学 | 一种多agv调度装及其全局规划与局部规划融合方法 |
| CN113093765A (zh) * | 2021-04-16 | 2021-07-09 | 西南交通大学 | 一种通用的agv集群控制系统设计框架及方法 |
| CN113253686A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | Agv车辆路径规划方法及装置、电子设备、存储介质 |
| CN114995389A (zh) * | 2022-05-10 | 2022-09-02 | 中国第一汽车股份有限公司 | 一种自适应的agv调度系统及其调度方法 |
| CN115860431A (zh) * | 2023-02-07 | 2023-03-28 | 广东技术师范大学 | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 |
| CN116934059A (zh) * | 2023-09-18 | 2023-10-24 | 华芯(嘉兴)智能装备有限公司 | 一种天车调度方法、装置、设备及可读存储介质 |
| CN116934059B (zh) * | 2023-09-18 | 2023-12-19 | 华芯(嘉兴)智能装备有限公司 | 一种天车调度方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110244712A (zh) | 一种多agv系统路径规划方法 | |
| Lin et al. | Cost-efficient deployment of fog computing systems at logistics centers in industry 4.0 | |
| Feng et al. | Operations management of smart logistics: A literature review and future research | |
| Alonso-Mora et al. | Distributed multi-robot formation control among obstacles: A geometric and optimization approach with consensus | |
| CN105679068B (zh) | 一种与智能停车场协同的智能车辆自动驾驶系统和方法 | |
| Yan et al. | Task allocation and route planning of multiple UAVs in a marine environment based on an improved particle swarm optimization algorithm | |
| CN110097777A (zh) | 基于云服务器的智能立体车库远程管理系统及监控方法 | |
| Xu et al. | Leveraging multiagent learning for automated vehicles scheduling at nonsignalized intersections | |
| CN106219333A (zh) | 电梯控制方法及装置 | |
| CN109186619A (zh) | 一种基于实时路况的智能导航算法 | |
| WO2005074199A1 (en) | Method of improving communication between mobile nodes | |
| CN110334838A (zh) | 基于蚁群算法和遗传算法的agv小车协同调度方法及系统 | |
| CN101459915A (zh) | 基于遗传算法的无线传感器网络节点覆盖优化方法 | |
| CN105043379A (zh) | 一种基于时空约束的景区浏览路径规划方法、装置 | |
| CN102867409A (zh) | 一种可用于城市中心区域的道路交通协同控制方法 | |
| CN107045349A (zh) | 一种室内视觉导引agv的任务规划方法 | |
| CN109919354B (zh) | 一种基于社交大数据的拼车优化方法、索引结构及系统 | |
| CN108897316A (zh) | 一种基于信息素导航的集群仓储机器人系统控制方法 | |
| CN115456538A (zh) | 一种多车型多区域的城市冷链低碳物流配送方法 | |
| Yanmaz | Joint or decoupled optimization: Multi-UAV path planning for search and rescue | |
| CN113885466A (zh) | 一种agv调度算法仿真系统 | |
| Kyprianou et al. | Towards the achievement of path planning with multi-robot systems in dynamic environments | |
| CN115017658A (zh) | 一种基于可达性和节点重要度的轨道交通网络优化方法 | |
| CN112415997A (zh) | 一种用于多机器人协作的路径规划方法及系统 | |
| CN110332935A (zh) | 一种基于改进遗传算法的agv系统路径规划方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |
|
| RJ01 | Rejection of invention patent application after publication |