CN110275535B - 一种基于改进a星算法的多状态车辆路径规划方法 - Google Patents
一种基于改进a星算法的多状态车辆路径规划方法 Download PDFInfo
- Publication number
- CN110275535B CN110275535B CN201910566130.4A CN201910566130A CN110275535B CN 110275535 B CN110275535 B CN 110275535B CN 201910566130 A CN201910566130 A CN 201910566130A CN 110275535 B CN110275535 B CN 110275535B
- Authority
- CN
- China
- Prior art keywords
- node
- vehicle
- list
- cost
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000003491 array Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G05D1/0221—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
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)
Abstract
本发明属于仓储物流路径规划领域,涉及一种基于改进A星算法的多状态车辆路径规划方法。所述方法步骤如下:将搜索区域划分为二维数组,数组每个元素对应一个搜索区域的节点,共有n个节点。构建开放列表与关闭列表;Open list中存放在路径规划中待检测的节点,closelist中存放已检测过的节点。构造单一状态下车的节点权重。将m种状态的车分别构造节点权重。根据启发式函数计算节点的代价以搜索车的最优路径;H为节点j到目标节点的代价,G为起始节点到节点j的代价。本发明针对多状态车辆路径规划时,考虑到了不同节点的繁忙程度。通过利用节点可通过车辆状态的种类,能加快多车路径规划的求解速度。
Description
技术领域
本发明属于仓储物流路径规划领域,涉及一种基于改进A星算法的多状态车辆路径规划方法。
背景技术
物流是生产流程中的一个关键环节,应对物流配送中缺乏效率和灵活性的问题,现代仓储可以依靠AGV及其集成系统完成物流作业的处理。由于效率和灵活性的提高,自动化仓库正成为越来越受欢迎的终端物流解决方案。为了满足日益增长的交付吞吐量要求,仓库中使用AGV的数量越来越多。所以多AGV路径规划和协调是受到更多关注的一个问题。现有的解决多车路径规划问题的方法有很多,比如分层协作A星算法(HCA星)、递增成本树搜索(ICT)、基于冲突的搜索(CBS)和推和旋转算法(PAS)等等,这些算法大多是先利用单车路径规划算法求出单车的最短路径,再利用各自的算法解决多车的交通冲突问题。但解决交通冲突必然会花费时间,而上述算法在实际执行的过程中确实也是将大部分时间花在了解决多车冲突上。多车冲突是浪费时间的,越少的冲突就意味着越好的效果,而现有的算法大多数是解决冲突,而没有考虑到在单车路径规划时就尽量规避多车冲突。
发明内容
本发明的发明目的是在单车路径规划阶段减少多车冲突,提出了一种基于改进A星算法的多状态车辆路径规划方法,本发明对A星的改进主要是对不同状态下车辆的启发式函数设计进行改进。
为了实现上述目的,本发明技术方案是:
一种基于改进A星算法的多状态车辆路径规划方法,包括以下步骤:
步骤S1:
简化搜索区域,将搜索区域划分为二维数组,数组每个元素对应一个搜索区域的节点,共有n个节点。
步骤S2:
构建开放列表open list与关闭列表close list。Open list中存放在路径规划中待检测的节点,closelist中存放已检测过的节点。起始节点放到close list中。开放列表和关闭列表中每个节点有个3个属性:父节点、G和H。
父节点表示路径中通过该节点所经过的上一节点,G为起始节点到该节点的代价,H为该节点到目标节点的代价。
步骤S3:
3.1构造单一状态下车的节点权重Wi。
车辆共有m种状态。当一个节点只有一种状态的车能通过,则该节点对于此状态的车的权重为1;当该节点还有其他x种状态的车能通过,则该节点对此种状态的车的权重为1+0.1*x。其中i=1,2,3……m;x=1,2,3……m-1;
3.2将m种状态的车分别构造节点权重Wi。
步骤S4:
根据启发式函数F(x)=G+H计算节点的代价以搜索车的最优路径。计算节点j的代价F(x)时,先计算节点j的H值和G值。
H为节点j到目标节点的代价,采用节点j到目标节点曼哈顿距离表示。
G为起始节点到节点j的代价,用起始节点到节点j父节点的代价Ga、节点j父节点到节点j的代价Gb,两者之和来表示。其中Ga为节点j父节点的G值,Gb为节点j父节点到节点j的曼哈顿距离与车在i状态下对于节点j的权重Wij的乘积。其中i=1,2,3……m,j=1,2,3……n。
将open list中F(x)值最小的节点加入到close list中,并对其相邻节点进行搜索。如果相邻节点在close list中,则忽略;若相邻节点在open list中,则比较它经由该节点的G值是否更小,如果是则将父节点更新为该节点,如果不是则不做改变;若相邻节点未被搜索过,则加入open list并设置其节点属性。直至目标节点添加到close list中。则找到该车从起始点到目标点的最优路径。
本发明的有益效果是:
1)本算法基于A星,所以保证了生成的路径仍是最短路径。2)针对多状态车辆路径规划,本发明是在单车路径生成时,就考虑到了不同节点的繁忙程度。通过利用节点可通过车辆状态的种类,设置节点的权重系数,使车辆尽量从繁忙程度小的节点通过,减少了多车路径规划中多车冲突产生的次数。能加快多车路径规划的求解速度。
附图说明
图1本发明的所基于的算法流程图。
图2简化后的仓库车辆控制系统图。
图3车辆两种状态情况下传统A星规划生成的路径。
图4车辆两种状态情况下改进A星规划生成的路径。
具体实施方式
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
本发明一种基于改进A星算法的多状态车辆路径规划方法,所基于的算法流程图如图1所示。为了能更清晰的介绍本发明的技术方案及其优点,结合图2-4具体实施案例的步骤如下:
步骤S1,整个仓库车辆控制系统图如图2所示。其中将仓库地图中的搜索区域划分二维数组,数组的每个元素代表一个节点,将仓库的整个地图简单的表示为图2中所示的节点图。其中1三角形节点是指仓库货架底下的节点,2圆形节点是指主路上的节点,3椭圆形状是指搬运货物的车辆,4是路径规划方法执行的计算控制中心,它通过无线网络传输控制车辆的行走。
步骤S2,构建open list存放在路径规划过程中需要检测的点,构建close list存放检测后筛选出的点。两个表中的节点都有三种属性:父节点,G,H。G为起始节点到该节点的代价,H为该节点到目标节点的代价,父节点表示路径中通过该节点所经过的上一节点。初始时,将起始节点放入close list中,将起始节点所连通的其他节点放入open list中。
步骤S3,本实例中共有两种状态的车,一种是带货架载货的AGV,一种是不带货架的AGV。分别构造这两种状态车的节点权重W1,W2。带货架的AGV只能通过圆形节点,不带货架的AGV可以通过圆形节点和三角形节点。对于带货架的AGV,圆形节点的权重是1+0.1*1=1.1,三角形的节点是无穷大;对于不带货架的AGV。圆形节点的权重是1+0.1*1=1.1,三角形节点的权重是1。
步骤S4,根据启发式函数F(x)=G+H计算节点代价搜索不同状态的车的最优路径。
步骤S4.1,根据节点的属性G和H,计算该节点的代价F值。并将open list中F值最小的节点放入close list中。
步骤S4.2,搜索close list最后一个节点的相邻节点。如果相邻接点已在closelist中,则忽略该点;如果其相邻节点在open list中,则比较它经由此点的F值与之前F值的大小,如果更大,则忽略,否则更新相邻接点的属性,将其父节点更新为此节点,将G值更新为更小的G值;如果其相邻接点不在open list中,则计算其G值,H值,将其加入open list中。
步骤S4.3,判断此时目标节点在close list中。如果此时目标节点在close list中,则找到了该状态的车的最优路径。如果不在close list中,则返回步骤S4.1。
在步骤S4.1中,如在载货状态下车的路径规划中,计算节点j代价F时,需先分别计算其G和H。G用起始节点到j父节点的代价Ga与j父节点到节点j的代价Gb之和来表示。Ga为j父节点的G值,Gb为j父节点到j的曼哈顿距离与载货状态车在节点j的权重W1j的乘积。H的计算为该节点到目标节点的曼哈顿距离。
图3是基于传统的A星算法进行的路径规划,图4是本发明基于改进A星算法进行的路径规划。可以明显的看出,对于带货架的AGV两种方法求出的路径基本一样。而对于不带货架的AGV由于传统A星对于三角形节点和圆形节点的无差别处理,生成的路径和带货架的AGV的路径有很大重合,这对单车路径没有影响,但在多车规划时,这里就有可能产生冲突;而本发明的方法,则让不带货架的AGV尽可能的从三角形节点通过,而减少圆形节点的繁忙程度,有效的减少了在多车路径规划时冲突的产生。能更有效的完成多车路径规划。
上述实例仅用于解释说明,帮助理解本发明的技术方案及优点。并不限制本发明的保护范围,在路径规划领域的普通研究人员的知识范围内,不脱离本发明本质的变化及修改都仍在本发明的保护范围内。
Claims (1)
1.一种基于改进A星算法的多状态车辆路径规划方法,其特征在于,包括以下步骤:
步骤S1:将搜索区域划分为二维数组,数组每个元素对应一个搜索区域的节点,共有n个节点;
步骤S2:构建开放列表open list与关闭列表close list;open list中存放在路径规划中待检测的节点,close list中存放已检测过的节点;起始节点放到close list中;开放列表和关闭列表中每个节点有3个属性:父节点、G和H;
父节点为路径中通过该节点所经过的上一节点,G为起始节点到该节点的代价,H为该节点到目标节点的代价;
步骤S3:3.1构造单一状态下车的节点权重Wi;
车辆共有m种状态;当一个节点只有一种状态的车能通过,则该节点对于此状态的车的权重为1;当该节点还有其他x种状态的车能通过,则该节点对此种状态的车的权重为1+0.1*x;其中i=1,2,3……m;x=1,2,3……m-1;
3.2将m种状态的车分别构造节点权重Wi;
步骤S4:根据启发式函数F(x)=G+H计算节点的代价以搜索车的最优路径;H为节点j到目标节点的代价,G为起始节点到节点j的代价;
H采用节点j到目标节点曼哈顿距离表示;G用起始节点到节点j父节点的代价Ga、节点j父节点到节点j的代价Gb,两者之和来表示;其中Ga为节点j父节点的G值,Gb为节点j父节点到节点j的曼哈顿距离与车在i状态下对于节点j的权重Wij的乘积,其中i=1,2,3……m,j=1,2,3……n;
将open list中F(x)值最小的节点加入到close list中,并对其相邻节点进行搜索;如果相邻节点在close list中,则忽略;若相邻节点在open list中,则比较它经由该节点的G值是否更小,如果是则将父节点更新为该节点,如果不是则不做改变;若相邻节点未被搜索过,则加入open list并设置其节点属性;直至目标节点添加到close list中;则找到该车从起始点到目标点的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566130.4A CN110275535B (zh) | 2019-06-27 | 2019-06-27 | 一种基于改进a星算法的多状态车辆路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566130.4A CN110275535B (zh) | 2019-06-27 | 2019-06-27 | 一种基于改进a星算法的多状态车辆路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275535A CN110275535A (zh) | 2019-09-24 |
CN110275535B true CN110275535B (zh) | 2022-02-15 |
Family
ID=67963493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566130.4A Active CN110275535B (zh) | 2019-06-27 | 2019-06-27 | 一种基于改进a星算法的多状态车辆路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275535B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456533A (zh) * | 2022-09-15 | 2022-12-09 | 国以贤智能科技(上海)股份有限公司 | 一种智能叉车多车调度系统 |
CN115507858B (zh) * | 2022-11-24 | 2023-03-03 | 青岛中德智能技术研究院 | 单机器人、多机器人行驶路径导航方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249632A (ja) * | 2006-03-16 | 2007-09-27 | Fujitsu Ltd | 障害物のある環境下で自律移動する移動ロボットおよび移動ロボットの制御方法。 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN108510095A (zh) * | 2017-02-23 | 2018-09-07 | 北京京东尚科信息技术有限公司 | 一种拣货路径的确定方法及装置 |
CN108764579A (zh) * | 2018-06-01 | 2018-11-06 | 成都交大光芒科技股份有限公司 | 一种基于拥塞控制的仓储多机器人任务调度方法 |
CN108829105A (zh) * | 2018-06-21 | 2018-11-16 | 浙江工业大学 | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830702B (zh) * | 2012-09-07 | 2014-10-22 | 无锡普智联科高新技术有限公司 | 一种用于密集存储区域的移动机器人路径规划方法 |
US9864377B2 (en) * | 2016-04-01 | 2018-01-09 | Locus Robotics Corporation | Navigation using planned robot travel paths |
CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
CN109839927B (zh) * | 2017-11-28 | 2022-08-12 | 北京京东乾石科技有限公司 | 用于机器人路径规划的方法及装置 |
CN111638717B (zh) * | 2020-06-06 | 2023-11-07 | 浙江科钛机器人股份有限公司 | 一种分布式自主机器人交通协调机制的设计方法 |
-
2019
- 2019-06-27 CN CN201910566130.4A patent/CN110275535B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249632A (ja) * | 2006-03-16 | 2007-09-27 | Fujitsu Ltd | 障害物のある環境下で自律移動する移動ロボットおよび移動ロボットの制御方法。 |
CN108510095A (zh) * | 2017-02-23 | 2018-09-07 | 北京京东尚科信息技术有限公司 | 一种拣货路径的确定方法及装置 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN108764579A (zh) * | 2018-06-01 | 2018-11-06 | 成都交大光芒科技股份有限公司 | 一种基于拥塞控制的仓储多机器人任务调度方法 |
CN108829105A (zh) * | 2018-06-21 | 2018-11-16 | 浙江工业大学 | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 |
Non-Patent Citations (1)
Title |
---|
基于权重的改进A* 算法航线规划研究;黄冬梅;《海洋信息》;20180630;第16-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110275535A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
CN111144568A (zh) | 一种多目标城市物流配送路径规划方法 | |
CN110275535B (zh) | 一种基于改进a星算法的多状态车辆路径规划方法 | |
CN112985408B (zh) | 一种路径规划优化方法及系统 | |
CN109947120B (zh) | 仓储系统中的路径规划方法 | |
CN106355291B (zh) | 基于门店点群平分线的物流路径规划方法 | |
CN113075927A (zh) | 基于预约表的仓储潜伏式多agv路径规划方法 | |
CN102880798A (zh) | 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法 | |
CN109934388A (zh) | 一种用于智能拣选优化系统 | |
CN115576343B (zh) | 一种结合无人机配送的多目标车辆路径优化方法 | |
CN114237222B (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
CN109978232A (zh) | 一种用于agv小车路径优化算法 | |
CN114489062B (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 | |
CN109118006B (zh) | 拼车路线的确定方法及装置、存储介质、计算设备 | |
CN113848970B (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN111880559A (zh) | 一种多无人机任务分配和路径规划联合问题的优化方法 | |
CN109211242B (zh) | 一种融合rrt与蚁群算法的三维空间多目标路径规划方法 | |
CN116203959A (zh) | 基于hac算法的机器人路径规划方法及系统 | |
CN113703452A (zh) | 一种用于大型仓储环境的agv路径规划方法 | |
CN104680264A (zh) | 一种基于多智能体强化学习的运输车路径优化方法 | |
CN108596385A (zh) | 车辆的排队方法及装置、可读介质、物流系统 | |
CN115577833A (zh) | 应用于求解协同配送的路径规划的粒子群优化方法和系统 | |
CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 | |
CN112633609A (zh) | 车辆路径规划方法、装置、设备和存储介质 | |
CN108921338B (zh) | 一种多车辆车间物流运输调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |