CN110530388B - 多agv的路径规划方法及系统 - Google Patents

多agv的路径规划方法及系统 Download PDF

Info

Publication number
CN110530388B
CN110530388B CN201910837581.7A CN201910837581A CN110530388B CN 110530388 B CN110530388 B CN 110530388B CN 201910837581 A CN201910837581 A CN 201910837581A CN 110530388 B CN110530388 B CN 110530388B
Authority
CN
China
Prior art keywords
path
road
agv
grid
density
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
Application number
CN201910837581.7A
Other languages
English (en)
Other versions
CN110530388A (zh
Inventor
董效成
林培烈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Biying Technology Co ltd
Original Assignee
Suning Cloud Computing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suning Cloud Computing Co Ltd filed Critical Suning Cloud Computing Co Ltd
Priority to CN201910837581.7A priority Critical patent/CN110530388B/zh
Publication of CN110530388A publication Critical patent/CN110530388A/zh
Priority to CA3153599A priority patent/CA3153599A1/en
Priority to PCT/CN2020/097862 priority patent/WO2021042827A1/zh
Application granted granted Critical
Publication of CN110530388B publication Critical patent/CN110530388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
    • G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
    • 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
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/60—Electric or hybrid propulsion means for production processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开多AGV的路径规划方法及系统，其中多AGV的路径规划方法包括步骤：初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；根据所述选定路径Li实时更新所述道路的密度因子α，有效提高了AGV的作业效率。多AGV的路径规划系统采用了上述多AGV的路径规划方法，可根据道路上的车辆密度选取AGV的路径，有效的分散车辆，避免道路拥堵，使得场地能得到充分利用。

Description

多AGV的路径规划方法及系统
技术领域
本发明涉及AGV路径规划技术领域，尤其涉及多AGV的路径规划方法及系统。
背景技术
随着电商的迅猛发展，仓储物流也迎来了新的挑战。传统的基于人工的仓储物流限制较多，难以适应新的需求，基于AGV的自动化仓库技术正在兴起。路径规划是实现AGV正常工作的重要保障之一，路径规划是指AGV按照一定的规则，寻找一条从起点到终点的路径，这条路径距离尽可能的短且不能存在障碍物。AGV的路径规划主要包含两个方面：一是建立环境模型，环境模型AGV导航定位的基础；二是进行路径搜索，即寻找从起点到终点的符合条件约束的路径。
现有AGV路径规划的常用方法有：Dijkstra算法、A*搜索算法、模拟退火算法、蚁群算法、遗传算法、粒子群算法、Floyd算法、Fallback算法等，但是这些算法只考虑单个车辆，没有考虑车辆之间的影响，并且都是静态规划，不能够根据实时情况进行路径修改，此外，现有的路径规划方法只适应于AGV可以在各个方向自由行走的情况，不适用于规则的、具有各种方向约束情况的道路模型。
当多AGV协同工作时，若采用现有的最短路径规划方法，虽然能规划出一条较优路径，但该路径并没有考虑多车辆协同工作时其它车辆所产生的影响，当多辆车规划出的最优路径都经过同一条道路时，就容易造成主干道路车辆密度较高、而非主干道道路车辆密度较低的情况出现，使得主干道道路上的AGV较为拥堵，停顿时间较长。此外，多辆车采用现有的路径规划方法在选取最短路径行走时，还会因为多个串行车辆的加减速等场景造成道路拥堵的问题，无法能够根据实时道路状态进行修正路径，分散车辆，降低道路上的车辆密度。
发明内容
本发明的目的之一在于克服现有技术中对AGV进行路径规划方法仅考虑单个车辆的路径规划，所引发的多车辆协同工作时道路拥堵的问题，从而提供多AGV的路径规划方法，该方法可根据道路上的车辆密度选取AGV的路径，有效的分散车辆，避免道路拥堵，使得场地能得到充分利用，为了实现上述目的，本发明提供如下技术方案：
一种多AGV的路径规划方法，包括步骤：
初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；
基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；
根据所述选定路径Li实时更新所述道路的密度因子α；
其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0。
优选地，所述初始化地图模型的方法包括：
采用栅格地图法环境建模，并在栅格化地图上建立平面直角坐标系xOy，同时设定各栅格的初始密度因子β0；
通过筛选无障碍物的栅格得到全部可通行道路，所述道路由沿x轴方向或y轴方向延伸的至少两个栅格组成，选取道路中栅格的初始密度因子β0的最大值作为道路的初始密度因子α0。
具体地，所述栅格的尺寸与AGV小车自身尺寸等同设置。
优选地，第i辆AGV的行驶总时长Ti包括运行时长Ti1和拥堵等待时长Ti2，其中，
第i辆AGV的运行时长Ti1根据第i辆AGV的运行速度和路径的长度估算得到；
第i辆AGV的拥堵等待时长Ti2根据路径中道路的密度因子α估算得到。
进一步地，以所有道路当前的密度因子α作为代价或权重参数，采用Dijkstra算法、A*搜索算法、模拟退火算法、蚁群算法、遗传算法、粒子群算法、Floyd算法或Fallback算法，对第i辆AGV进行路径规划，规划过程中分别估算运行时长Ti1和拥堵等待时长Ti2，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li。
较佳地，根据第i辆AGV的选定路径Li实时更新道路的密度因子α的方法具体包括：
根据第i辆AGV的选定路径Li，累计地图上每条道路的路径数量，获取在x轴方向上经过路径数量最多的道路及其路径数量Cxmax，以及在y轴方向上经过路径数量最多的道路及其路径数量Cymax；
选中地图中的一个栅格，对被选中栅格在x轴方向上的路径数量Dx和y轴方向上的路径数量Dy分别进行累计，并选取Dx和Dy中的较大值作为被选中栅格的最大路径数量Dmax；
建立计算栅格密度因子的数学模型，根据Cxmax、Cymax、Dmax和被选中栅格的当前密度因子β，按照所述数学模型更新被选中栅格密度因子β；
按序循环选中所有栅格，循环更新所有栅格的当前密度因子β，进而更新道路的密度因子α。
具体地，所述计算栅格密度因子的数学模型为：
当选取Dx作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure BDA0002192680530000031
当选取Dy作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure BDA0002192680530000032
优选地，所述多AGV的路径规划方法还包括：
设定栅格的车辆密度阈值；
在AGV行驶过程中，根据道路的密度因子α实时计算路径中前方道路的车辆密度ρ，当所述车辆密度ρ超过所述车辆密度阈值，则重新进行路径规划，选择行驶总时长最短的路径。
进一步地，AGV计算路径中前方道路的车辆密度
Figure BDA0002192680530000041
其中，α为道路的密度因子，R为道路中单元格的数量，Mp为第p个单元格中AGV的数量，Mp的取值为0或1，1≤p≤R。
本发明的目的之二在于克服现有技术中对AGV进行路径规划系统仅考虑单个车辆的路径规划，所引发的多车辆协同工作时道路拥堵的问题，从而提供多AGV的路径规划系统，该系统可根据道路上的车辆密度选取AGV的路径，有效的分散车辆，避免道路拥堵，使得场地能得到充分利用，为了实现上述目的，本发明提供如下技术方案：
一种多AGV的路径规划系统，包括地图建模单元、路径选择单元以及地图更新单元，其中，
所述地图建模单元用于初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；
所述路径选择单元基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；
所述地图更新单元用于根据所述选定路径Li实时更新所述道路的密度因子α；
其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0。
与现有技术相比，本发明提供的多AGV的路径规划方法及系统具有以下有益效果：
本发明提供的多AGV的路径规划方法，首先初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0，为AGV的路径规划提供环境地图基础；基于所有道路当前的密度因子α对第i辆AGV进行路径规划，其中第一辆AGV进行路径规划时参考每条道路的基础初始密度因子α0计算行驶总时长T1，选择最小Ti对应的路径作为第i辆AGV的选定路径Li；在采用路径规划算法搜索路径过程中，将所有道路当前的密度因子α作为最短路径规划算法的代价或权重参数，估算第i辆车在选择不同路径时的行驶总时长Ti，去选取行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li，避免了传统AGV路径规划中依据路径距离选取最短路径时易造成道路拥堵的问题，使得场地能得到充分利用同时提高AGV的工作效率；此外，根据选定路径Li实时更新道路的密度因子α，保证了地图参数的实时性，为AGV的路径规划的实时性提供基础保障。
本发明提供的多AGV的路径规划系统，采用上述多AGV的路径规划方法，可根据道路上的车辆密度选取AGV的路径，有效的分散车辆，避免道路拥堵，使得场地能得到充分利用同时提高AGV的工作效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中多AGV的路径规划方法的总体示意图；
图2为本发明实施例中多AGV的路径规划方法的具体流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1或图2，本实施例提供的一种多AGV的路径规划方法，包括步骤：
初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；
基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；
根据所述选定路径Li实时更新所述道路的密度因子α；
其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0。
本发明实施例提供的多AGV的路径规划方法中，首先初始化地图模型，为AGV的路径规划提供环境地图基础；进而基于所有道路当前的密度因子α对第i辆AGV进行路径规划；在采用路径规划算法搜索路径过程中，将所有道路当前的密度因子α作为最短路径规划算法的代价或权重参数，估算第i辆车在选择不同路径时的行驶总时长Ti，去选取行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li，避免了传统AGV路径规划中依据路径距离选取最短路径时易造成道路拥堵的问题，使得场地能得到充分利用同时提高AGV的工作效率；此外，根据选定路径Li实时更新道路的密度因子α，保证了地图参数的实时性，为AGV的路径规划的实时性提供基础保障。
本发明实施例提供的多AGV的路径规划方法中，初始化地图模型的方法为：首先采用栅格地图法环境建模，并在栅格化地图上建立平面直角坐标系xOy，同时设定各栅格的初始密度因子β0；进而通过筛选无障碍物的栅格得到全部可通行道路，道路由沿x轴方向或y轴方向延伸的至少两个栅格组成，选取道路中栅格的初始密度因子β0的最大值作为道路的初始密度因子α0。
具体地，根据仓库实际场景划分规则的栅格，栅格的尺寸优选为与AGV小车自身尺寸等同设置。在地图中栅格的划分大小至关重要，栅格过小，环境分辨率较大，决策速度慢；栅格过大，环境分辨率较小，决策速度快，但路径规划细节不明确。栅格的尺寸与AGV小车自身尺寸等同设置，可以方便于统计、计算和更新道路的车辆密度ρ，也有利于判断AGV移动的下一个栅格，还能保证一条仅有一排栅格的道路被AGV顺利可以经过，有利于通过栅格直接获取可通行道路。
此外，具体实施过程中，根据有无障碍物对所述地图中的每个栅格进行赋值，例如，将所有存在障碍物的栅格设置为1，所有无障碍物的栅格设置为0，可以很方便的通过栅格有无障碍物进而得到所有的无障碍物的道路。
本发明实施例提供的多AGV的路径规划方法中，第i辆AGV的行驶总时长Ti包括运行时长Ti1和拥堵等待时长Ti2，其中，第i辆AGV的运行时长Ti1根据第i辆AGV的运行速度和路径的长度估算得到；第i辆AGV的拥堵等待时长Ti2根据路径中道路的密度因子α估算得到。例如，在规划路径的过程中利用规划路径的长度和AGV的运行速度实时估算道路无拥堵时第i辆AGV的运行时长Ti1；预先设置密度因子α与拥堵等待时长Ti2的对应关系表格并存储，该表格可以将密度因子α划分为多个密度因子区间，分别为每个密度因子区间设置对应的拥堵等待时长Ti2；进而可以很方便地利用规划路径过程中每一步所包含道路的密度因子α，查表获取拥堵等待时长Ti2。
进而，以所有道路当前的密度因子α作为代价或权重参数，采用Dijkstra算法、A*搜索算法、模拟退火算法、蚁群算法、遗传算法、粒子群算法、Floyd算法或Fallback算法等任一可以针对单一AGV进行路径规划的方法，对第i辆AGV进行路径规划，规划过程中分别估算运行时长Ti1和拥堵等待时长Ti2，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li。避免了传统AGV路径规划中依据路径距离选取最短路径时易造成道路拥堵的问题，使得场地能得到充分利用同时提高AGV的工作效率。
本发明实施例提供的多AGV的路径规划方法中，选取第i辆AGV的选定路径Li时，将行驶总时长Ti作为最短路径规划算法的代价或权重参数去选取第i辆AGV的选定路径Li，避免了依据路径距离选取最短路径时易造成道路拥堵的问题，有效的分散车辆，避免道路拥堵，同时提高了AGV的工作效率。
本发明实施例提供的多AGV的路径规划方法中，根据第i辆AGV的选定路径Li实时更新道路的密度因子α的方法具体包括：
根据第i辆AGV的选定路径Li，累计地图上每条道路的路径数量，获取在x轴方向上经过路径数量最多的道路及其路径数量Cxmax，以及在y轴方向上经过路径数量最多的道路及其路径数量Cymax；
选中地图中的一个栅格，对被选中栅格在x轴方向上的路径数量Dx和y轴方向上的路径数量Dy分别进行累计，并选取Dx和Dy中的较大值作为被选中栅格的最大路径数量Dmax；
建立计算栅格密度因子的数学模型，根据Cxmax、Cymax、Dmax和被选中栅格的当前密度因子β，按照数学模型更新被选中栅格密度因子β；其中，当选取Dx作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure BDA0002192680530000081
当选取Dy作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure BDA0002192680530000082
按序循环选中所有栅格，循环更新所有栅格的当前密度因子β，进而更新道路的密度因子α为道路中栅格的密度因子β的最大值。
根据选定路径Li实时更新道路的密度因子α，保证了地图参数的实时性，为AGV的路径规划的实时性提供基础保障，进而有效的分散车辆，避免道路拥堵，同时提高了AGV的工作效率。
请继续参阅图2，本发明实施例提供的多AGV的路径规划方法还包括步骤：
设定栅格的车辆密度阈值；
在AGV行驶过程中，根据道路的密度因子α实时计算路径中前方道路的车辆密度ρ，当车辆密度ρ超过车辆密度阈值，则以当前位置作为新的出发点重新进行路径规划，选择行驶总时长最短的路径；
其中，AGV计算路径中前方道路的车辆密度
Figure BDA0002192680530000083
其中，α为道路的密度因子，R为道路中单元格的数量，Mp为第p个单元格中AGV的数量，Mp的取值为0或1，1≤p≤R。
需要注意的是，如果当前道路的车辆密度ρ超过车辆密度阈值，但重新进行路径规划计算得到其它路径的行驶总时长Ti更大时，AGV的选定路径Li仍然为当前道路。
本发明实施例提供的多AGV的路径规划方法主要在考虑了多AGV协同工作的情况，通过根据其它AGV的实时路径增加道路的密度因子α，使AGV较为分散，还能够根据前方道路实时车辆密度ρ进行对选定路径Li进行更改修正，减少了道路的拥堵值，在一定程度上避免了拥堵，使车辆拥堵等待时长Ti2减短，有效提高了AGV的作业效率。
实施例二
本发明实施例提供一种多AGV的路径规划系统，包括地图建模单元、路径选择单元以及地图更新单元，其中，地图建模单元用于初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；路径选择单元基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；地图更新单元用于根据选定路径Li实时更新道路的密度因子α；其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0。
本发明提供的多AGV的路径规划系统，采用上一实施例提供的多AGV的路径规划方法，可根据道路上的车辆密度选取AGV的路径，有效的分散车辆，避免道路拥堵，使得场地能得到充分利用，同时提高AGV的工作效率。
在上述实施方式的描述中，具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种多AGV的路径规划方法，其特征在于，包括步骤：
初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；
基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；
根据所述选定路径Li实时更新所述道路的密度因子α；
设定栅格的车辆密度阈值；在AGV行驶过程中，根据道路的密度因子α实时计算路径中前方道路的车辆密度ρ，当所述车辆密度ρ超过所述车辆密度阈值，则重新进行路径规划，选择行驶总时长最短的路径；
其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0，
Figure FDA0002980366340000011
R为道路中单元格的数量，Mp为第p个单元格中AGV的数量，Mp的取值为0或1，1≤p≤R。
2.根据权利要求1所述的多AGV的路径规划方法，其特征在于，所述初始化地图模型的方法包括：
采用栅格地图法环境建模，并在栅格化地图上建立平面直角坐标系xOy，同时设定各栅格的初始密度因子β0；
通过筛选无障碍物的栅格得到全部可通行道路，所述道路由沿x轴方向或y轴方向延伸的至少两个栅格组成，选取道路中栅格的初始密度因子β0的最大值作为道路的初始密度因子α0。
3.根据权利要求2所述的多AGV的路径规划方法，其特征在于，所述栅格的尺寸与AGV小车自身尺寸等同设置。
4.根据权利要求2所述的多AGV的路径规划方法，其特征在于，第i辆AGV的行驶总时长Ti包括运行时长Ti1和拥堵等待时长Ti2，其中，
第i辆AGV的运行时长Ti1根据第i辆AGV的运行速度和路径的长度估算得到；
第i辆AGV的拥堵等待时长Ti2根据路径中道路的密度因子α估算得到。
5.根据权利要求4所述的多AGV的路径规划方法，其特征在于，以所有道路当前的密度因子α作为代价或权重参数，采用Dijkstra算法、A*搜索算法、模拟退火算法、蚁群算法、遗传算法、粒子群算法、Floyd算法或Fallback算法，对第i辆AGV进行路径规划，规划过程中分别估算运行时长Ti1和拥堵等待时长Ti2，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li。
6.根据权利要求2所述的多AGV的路径规划方法，其特征在于，根据第i辆AGV的选定路径Li实时更新道路的密度因子α的方法具体包括：
根据第i辆AGV的选定路径Li，累计地图上每条道路的路径数量，获取在x轴方向上经过路径数量最多的道路及其路径数量Cxmax，以及在y轴方向上经过路径数量最多的道路及其路径数量Cymax；
选中地图中的一个栅格，对被选中栅格在x轴方向上的路径数量Dx和y轴方向上的路径数量Dy分别进行累计，并选取Dx和Dy中的较大值作为被选中栅格的最大路径数量Dmax；
建立计算栅格密度因子的数学模型，根据Cxmax、Cymax、Dmax和被选中栅格的当前密度因子β，按照所述计算栅格密度因子的数学模型更新被选中栅格密度因子β；
按序循环选中所有栅格，循环更新所有栅格的当前密度因子β，进而更新道路的密度因子α。
7.根据权利要求6所述的多AGV的路径规划方法，其特征在于，所述计算栅格密度因子的数学模型为：
当选取Dx作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure FDA0002980366340000021
当选取Dy作为被选中栅格的最大路径数量Dmax时，被选中栅格的密度因子
Figure FDA0002980366340000022
8.一种多AGV的路径规划系统，其特征在于，包括地图建模单元、路径选择单元以及地图更新单元，其中，
所述地图建模单元用于初始化地图模型，确定所有无障碍物的道路同时设定每条道路的初始密度因子α0；
所述路径选择单元基于所有道路当前的密度因子α对第i辆AGV进行路径规划，选择行驶总时长Ti最小的路径作为第i辆AGV的选定路径Li；还用于：设定栅格的车辆密度阈值，在AGV行驶过程中，根据道路的密度因子α实时计算路径中前方道路的车辆密度ρ，当所述车辆密度ρ超过所述车辆密度阈值，则重新进行路径规划，选择行驶总时长最短的路径；
所述地图更新单元用于根据所述选定路径Li实时更新所述道路的密度因子α；
其中，i≥1，第1辆AGV进行路径规划基于的道路密度因子α＝α0，
Figure FDA0002980366340000031
R为道路中单元格的数量，Mp为第p个单元格中AGV的数量，Mp的取值为0或1，1≤p≤R。
CN201910837581.7A 2019-09-05 2019-09-05 多agv的路径规划方法及系统 Active CN110530388B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910837581.7A CN110530388B (zh) 2019-09-05 2019-09-05 多agv的路径规划方法及系统
CA3153599A CA3153599A1 (en) 2019-09-05 2020-06-24 Multi-agv routing method and system thereof
PCT/CN2020/097862 WO2021042827A1 (zh) 2019-09-05 2020-06-24 多agv的路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910837581.7A CN110530388B (zh) 2019-09-05 2019-09-05 多agv的路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN110530388A CN110530388A (zh) 2019-12-03
CN110530388B true CN110530388B (zh) 2021-08-27

Family

ID=68667022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910837581.7A Active CN110530388B (zh) 2019-09-05 2019-09-05 多agv的路径规划方法及系统

Country Status (3)

Country Link
CN (1) CN110530388B (zh)
CA (1) CA3153599A1 (zh)
WO (1) WO2021042827A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530388B (zh) * 2019-09-05 2021-08-27 苏宁云计算有限公司 多agv的路径规划方法及系统
CN111191847B (zh) * 2019-12-31 2022-10-14 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN111459108B (zh) * 2020-04-08 2021-07-06 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
CN113673919A (zh) * 2020-05-15 2021-11-19 北京京东乾石科技有限公司 多车协同路径确定方法及装置、电子设备和存储介质
CN113762575B (zh) * 2020-12-02 2024-05-21 北京京东乾石科技有限公司 输送线路径优化方法和装置
CN112223301B (zh) * 2020-12-17 2021-04-13 江西赛特智能科技有限公司 一种机器人路径规划及调度方法
CN112797999B (zh) * 2020-12-24 2022-06-03 上海大学 一种多无人艇协同遍历路径规划方法及系统
CN112833905B (zh) * 2021-01-08 2022-09-27 北京大学 基于改进a*算法的分布式多agv无碰撞路径规划方法
CN113093722A (zh) * 2021-02-20 2021-07-09 意欧斯物流科技(上海)有限公司 一种agv智能路径规划及模糊控制方法
CN113377102A (zh) * 2021-04-29 2021-09-10 中联重科土方机械有限公司 用于挖掘机的控制方法、处理器、装置及挖掘机
CN114967711B (zh) * 2022-07-04 2023-05-12 江苏集萃清联智控科技有限公司 一种基于动态加权地图的多agv协同路径规划方法及系统
CN115293711B (zh) * 2022-10-08 2022-12-20 南通海隼信息科技有限公司 一种用于智能仓储的优化方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251016B (zh) * 2016-08-01 2019-05-07 江苏海事职业技术学院 一种基于动态时间窗的泊车系统路径规划方法
KR101933949B1 (ko) * 2016-12-27 2019-01-02 부산대학교 산학협력단 컨테이너 터미널의 차선 주행 방향 결정 시스템 및 방법
CN106652522B (zh) * 2016-12-30 2020-09-22 北京邮电大学 一种基于车速的路径规划方法
MX2020000996A (es) * 2017-07-28 2020-07-20 Crown Equip Corp Administracion del trafico para vehiculos de manipulacion de materiales en un entorno de almacen.
CN108764579B (zh) * 2018-06-01 2021-09-07 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
CN109144051A (zh) * 2018-07-03 2019-01-04 上海交通大学 仓储物流环境下的完整性多agv调度方法及系统
CN109032149B (zh) * 2018-10-12 2020-12-11 盐城工学院 一种基于栅格地图的多移动机器人平衡防死锁路径规划方法
CN109839935B (zh) * 2019-02-28 2020-08-25 华东师范大学 多agv的路径规划方法及设备
CN110081894B (zh) * 2019-04-25 2023-05-12 同济大学 一种基于道路结构权值融合的无人车轨迹实时规划方法
CN110530388B (zh) * 2019-09-05 2021-08-27 苏宁云计算有限公司 多agv的路径规划方法及系统

Also Published As

Publication number Publication date
CA3153599A1 (en) 2021-03-11
CN110530388A (zh) 2019-12-03
WO2021042827A1 (zh) 2021-03-11

Similar Documents

Publication Publication Date Title
CN110530388B (zh) 多agv的路径规划方法及系统
CN106371445A (zh) 一种基于拓扑地图的无人车规划控制方法
CN111026127A (zh) 基于部分可观测迁移强化学习的自动驾驶决策方法及系统
JP7330142B2 (ja) 車両のｕターン経路を決定する方法、装置、デバイスおよび媒体
CN109579861B (zh) 一种基于强化学习的路径导航方法及系统
CN103472828A (zh) 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN110501020B (zh) 一种多目标三维路径规划方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN108280463B (zh) 车辆搭载无人机双层路径的优化方法及装置
CN112327856A (zh) 一种基于改进A-star算法的机器人路径规划方法
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN112612267B (zh) 自动驾驶的路径规划方法和装置
WO2022182477A1 (en) Learning in lane-level route planner
CN114550482A (zh) 一种基于低碳目标的导航方法及停车场导航方法
CN117242315A (zh) 用于探索新道路以改进地图的路线规划器和决策
CN116301014A (zh) 一种无人直升机贴地飞行轨迹优化方法
CN116954239A (zh) 一种基于改进粒子群算法的无人机航迹规划方法及系统
CN116772880A (zh) 一种基于无人机视觉的无人车路径规划方法
CN115218916A (zh) 一种安全性路径规划方法、装置
EP4298400A1 (en) Lane-level route planner for autonomous vehicles
CN102967318B (zh) 一种导航方法及定位导航设备
CN112327888B (zh) 路径规划方法、装置、电子设备和存储介质
CN116797002B (zh) 电动汽车充电站规划方法、装置及存储介质
CN113703488A (zh) 基于改进蚁群算法的多架次作业植保无人机路径规划方法
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee after: Jiangsu Suning cloud computing Co.,Ltd.

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Suning Cloud Computing Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20240207

Address after: Room 3104, Building A5, No. 3 Gutan Avenue, Economic Development Zone, Gaochun District, Nanjing City, Jiangsu Province, 210000

Patentee after: Jiangsu Biying Technology Co.,Ltd.

Country or region after: China

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Jiangsu Suning cloud computing Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right