CN110672109A - 一种物流系统的路径规划方法和系统 - Google Patents
一种物流系统的路径规划方法和系统 Download PDFInfo
- Publication number
- CN110672109A CN110672109A CN201911021292.6A CN201911021292A CN110672109A CN 110672109 A CN110672109 A CN 110672109A CN 201911021292 A CN201911021292 A CN 201911021292A CN 110672109 A CN110672109 A CN 110672109A
- Authority
- CN
- China
- Prior art keywords
- information
- path
- robot
- robots
- priority
- 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
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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种物流系统的路径规划方法和系统,适用于多个机器人组成的物流系统,所述方法包括:根据系统特征构建系统预设模型;所述机器人进行初始化;所述机器人获取任务指令后执行转移程序直至完成所述任务指令。本发明提供的一种物流系统的路径规划方法和系统,可以更好地保证所建立的物流系统模型的可靠性和可信性,采用分布式的路径协同方法,大大降低了计算的复杂性,使路径规划方法具有更高的灵活性与兼容性;并且能较好地解决于物流系统中常见的碰撞问题和死锁问题,具有较强的实用性。
Description
技术领域
本发明涉及路径规划领域,尤其涉及一种物流系统的路径规划方法和系统。
背景技术
随着社会生产力和科学技术的发展,以及劳动力成本的不断提高,传统的人力和的仓储系统物流方式已经无法满足现代物流的需求,自动化、智能化的物流方式已经成为社会发展的趋势。其中,AGV(Automated Guided Vehicle,自动导引运输车)系统结合了计算机、自动控制等科学技术的综合应用,对于提高自动化生产和降低生产成本、促进社会发展具有重大的意义。
目前,在AGV系统控制领域中,设计者们一般采用集中式控制和路径规划方法,虽然可以完成自主避障、任务可达、避免碰撞,但是计算的复杂度非常高,而且灵活性差,一旦发生故障将面临交通阻塞、系统崩溃等问题,且难以实现对大规模物流系统的兼容性控制,路径规划方法的兼容性和可扩展性较低。且对于物流系统中的路径规划问题,目前主要采用启发式算法来寻找大概率可行路径,但由于系统存在不可控因素,例如出现障碍物、或某个机器人无法行走、或自动充电信号产生等;在这些情况下,单独采用启发式算法,将难以保证系统模型的可靠性和稳定性。
且物流系统中的事件通常为具有时间序列关系的事件,采用启发式算法则难以将这些事件用数学微分方程方式灵活地表达出来,从而降低了系统运行的稳定性和灵活性。此外,在多个AGV物流系统的运行过程中,难免会出现死锁的问题,目前,往往采用人工干预的方式解决,则解决问题的效率较低。
随着物流系统越来越复杂,系统中的不可控因素也越来越多,则对于系统的可靠性、稳定性和可分析性的要求则越来越高;因此,需要对现有物流系统的路径规划方法进一步提升和改进。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种物流系统的路径规划方法和系统,用于解决现有技术中存在的路径规划模型可靠性低,计算复杂、灵活性较差等问题,具有较好的兼容性可拓展性,且能使运行过程中出现的死锁问题得到更好地协调处理。
为实现上述目的及其他相关目的,本发明提供一种物流系统的路径规划方法,适用于多个机器人组成的物流系统,所述方法包括:根据系统特征构建系统预设模型;所述机器人进行初始化;所述机器人接收到任务指令后执行转移程序直至完成所述任务指令,所述转移程序包括以下步骤:
所述机器人获取当前状态下的第一工作状态信息;
所述机器人根据所述任务指令信息和所述第一工作状态信息,基于所述系统预设模型获取第一路径信息;
所述机器人根据所述第一路径信息运行至所述下一状态的空间位置,重复上述步骤。
于本发明的一实施例中,所述根据系统特征构建系统预设模型包括根据系统特征采用形式化方法构建所述系统预设模型,构建步骤包括:
对系统的工作区进行网格划分,用单个网格标识的所述工作内各单位的空间位置;
构建系统参数,以及确定系统的运行规则;
采用线性时序逻辑算法基于所述系统运行规则,获取路径生成规则;
根据所述系统参数和所述路径生成规则采用形式化方法确定所述系统预设模型。
于本发明的一实施例中,所述采用线性时间序列算法包括广义反应性算法。
于本发明的一实施例中,所述系统的运行规则包括根据所述系统物理特征确定的运行规则,以及用户设定的运行规则。
于本发明的一实施例中,所述方法还包括:
所述机器人在执行所述转移程序前,获取优先级信息;
所述机器人在执行所述转移程序时,同时执行分布式路径协同程序,包括:
所述机器人获得所述第一路径信息后,发送路径请求信息至其他机器人,同时接收其他机器人发送的路径请求信息;所述路径请求信息包含所述机器人的优先级信息;
所述机器人获取并存储所述路径请求中的优先级信息,将自身的优先级信息和接收到的其他机器人的优先级信息进行比较;
当所述其他机器人的优先级低于自身优先级时,发送所述机器人在当前状态的最新的第一路径信息至该优先级信息对应的所述其他机器人存储;
且所述机器人接收并存储比自身更高优先级的其他机器人所发送的第二路径信息;
当所述机器人检测到已经接收并存储所述系统内所有的更高优先级的其他机器人发送的所述第二路径信息,根据所述任务指令信息、所述第一工作状态信息和全部的所述第二路径信息生成当前状态下的最新的第一路径信息;所述机器人根据所述第一路径信息运行至所述下一状态的空间位置;
以及当所述机器人运行至所述下一状态,获取最新的所述第一工作状态信息时,同时执行所述路径协同程序,获取最新的全部所述第二路径信息,并且根据所述任务指令信息、新的所述第一工作状态信息和全部的所述第二路径信息,基于预设的系统模型更新所述第一路径信息并根据更新后的所述第一路径信息运行至下一状态
于本发明的一实施例中,所述机器人的优先级信息包括总优先级信息和自身优先级信息,所述总优先级信息为反映系统内全部机器人优先级顺序的信息,所述自身优先级信息为反映当前机器人在所述全部机器人中优先级顺序的信息。
于本发明的一实施例中,所述方法还包括:所述机器人在执行所述分布式路径协同程序过程中,根据所述任务指令信息、所述第一工作状态信息和全部的所述第二路径信息,基于所述系统预设模型无法生成当前状态下的最新的第一路径信息,则检测所述机器人是否处于死锁状态,如是则执行死锁协同程序。
于本发明的一实施例中,所述机器人完成任务指令后,自动进行初始化,等待接收新的任务指令。
本发明还提供一种物流系统的路径规划系统,包括:模型构建模块、初始化模块和转移模块;
所述模型构建模块,用于根据所述系统特征构建系统预设模型;
所述初始化模块,用于将所述机器人进行初始化;
所述转移模块,用于根据所述任务指令信息,执行转移程序,所述转移模块包括:
数据采集子模块,用于获取机器人的第一工作状态信息;
路径规划子模块,用于根据所述任务指令信息和第一工作状态信息,基于所述系统预设模型获得所述机器人最新的第一路径信息;所述第一路径信息包括下一状态的空间位置信息;
执行子模块,用于操控所述机器人根据所述第一路径信息运行至所述下一状态的空间位置。
于本发明的一实施例中,所述模型构建模块通过输入系统参数信息、系统的运行规则和路径规划算法,采用形式化方法获得系统的预设模型。
于本发明的一实施例中,所述转移模块还包括优先级模块和所述分布式路径协同模块;
所述优先级模块用于获取机器人的优先级信息和所述系统中全部机器人的总优先级信息;
所述包括分布式路径协同模块,用于执行以下程序:
当所述路径规划子模块获得最新的第一路径信息后,控制所述机器人发送路径请求信息至其他机器人,同时接收其他机器人发送的路径请求信息;所述路径请求信息包含所述机器人的优先级信息;
控制所述机器人获取并存储所述路径请求中的优先级信息,将自身的优先级信息和接收到的其他机器人的优先级信息进行比较;
当检测到所述其他机器人的优先级低于自身优先级时,控制所述机器人发送当前状态下最新的第一路径信息至该优先级信息对应的所述其他机器人存储;
且控制所述机器接收并存储比自身更高优先级的其他机器人所发送的第二路径信息;
同时,检测所述机器人已经存储的所述其他机器人的优先级信息和所述第二路径信息,当检测到所述机器人已经存储了系统内所有的更高优先级的其他机器人发送的所述优先级信息和所述第二路径信息,则控制所述路径规划子模块根据所述第一工作状态信息、所述任务指令信息和全部的所述第二路径信息生成当前状态下的最新的第一路径信息。
如上所述,本发明所述的一种物流系统的路径规划方法和系统,具有以下有益效果:
对于路径规划所基于的系统模型采用形式化方法构建,可以更好地保证系统的可靠性。形式化方法拥有严格数学定义,建立在形式语言、语义和推理证明上,可以对整个控制系统进行严格的规约、建模和验证。本发明采用形式化开发设计机器人路径,在构造和证明形式规约之间的等价转换、抽象模型建立,使开发出来的系统构造即正确。综合出的系统模型具有较强的分析性和可验证性,因此可以保证系统的可信性、严格的,无歧义性的、模型抽象、证明、模型验证等。符号化字母表与递归的语法规则,针对反应式系统,采用线性时序逻辑比较方便,能灵活描述用户定义的规约。
在路径协同过程中,采用分布式计算方法降低系统复杂性。多机器人系统的关键之处在于多机器人之间的路径系体协调规划,需要同时满足一定的任务时序逻辑关系。这是普通微分方程运动学难以完成的技术实现。采用分布式计算方式,使各机器人在功能上相互彼此独立,从而使路径规划灵活性高,兼容性好。并且对于系统内的机器人设计优先级信息,在运行过程中优先级低的机器人需考虑更高优先级的路径信息,可以灵活的避免多机器人之间的碰撞冲突;以及对于存在死锁冲突的区域,采用优先级反置的方法,可以较好地实现死锁冲突的化解。
附图说明
图1显示为本发明一种物流系统的路径规划方法于实施例1中的流程示意图
图2显示为本发明一种物流系统的路径规划方法中构建所述系统预设模型的流程示意图
图3显示为本发明一种物流系统的路径规划方法中所述转移程序在实施例1中的流程示意图
图4显示为本发明一种物流系统的路径规划方法中所述转移程序在实施例2中的流程示意图
图5显示为本发明一种物流系统的路径规划方法中所述路径协同程序的流程示意图
图6显示为本发明一种物流系统的路径规划方法中所述转移程序在实施例3中的流程示意图
图7显示为本发明一种物流系统的路径规划方法中死锁状态的示意图
元件标号说明
S1~S3 步骤
S11~S15 步骤
S31~S33 步骤
S31~S34 步骤
S321~S323 步骤
i、j、k、o 机器人
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。需说明的是,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。
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,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例1
请参见图1,本发明提供的一种物流系统的路径规划方法,在本实施例中,所述方法包括以下步骤:
S1:根据物流系统的系统特征确定路径规划的系统预设模型;为采用形式化方法构建所述系统预设模型,请参阅图2,所述构建方法包括:
S11:对物流系统的工作区进行网格划分,用单个网格标识所述工作区内的空间位置;
在具体实现时,将物流系统的工作区以规则网格的形式划分,每个格网标识一个空间状态,所述工作区间用网格表示为:
W={r1,r2,r3,......,rn}
S12:构建系统参数;所述系统参数包括所述空间位置信息、运动状态信息、执行策略信息、和环境信息;
其中,运动状态信息为由机器人的运动模型确定的物理参数,包括所述机器人的位移、速度和加速度等信息。在本实施例中,所述机器人的运动模式为匀速运动,所述运动状态信息表示为:
Γ={F,B,L,R}
其中,F表示前进,B表示后退,L表示左转,R表示右转。
所述空间位置信息,为所述机器人在工作区间内的不同位置状态。在本实施例中,所述机器人的空间位置信息用所述机器人位于某一单个网格表示,表示为:
Qp={Q.r1,Q.r2,Q.r3,......,Q.rn}
所述环境信息包括工作区间的各障碍物的分布信息,表示为:
O={O1,O2,O3,......,Om}
所述机器人的执行策略信息,为所述机器人在不同环境下所执行的不同策略或执行不同动作,表示为:
Qa={Q.a1,Q.a2,Q.a3,......,Q.ak}
S13:确定物流系统的运行规则;
所述运行规则包括根据物理模型自动生成的规则,如互斥性规则等,以及用户设定的规则。
进一步的,所述用户设定的规则包括用户设定的所述机器人在不同工作状态和不同环境状态下运行规则的,比如在初始状态环境中的运行规则、在执行所述转移程序状态环境中的运行规则等。
S14:采用线性时序逻辑算法获取系统的路径生成规则;
采用线性时序逻辑算法将所述运行规则进行数学化符号化表达及模型验证,获取所述系统的路径生成规则;
所述线性时序逻辑算法作为形式化方法的一种,具有以下优点:(1)可以不需要求解复杂的微分或差分方程,即可更加高效、简单地获得系统模型的设计;(2)可以解决大系统、复杂逻辑问题,更适用于上层任务设计;(3)当物流机器人工作环境方式改变,如工作空间扩张或其他类型改造之后,工程师们只需要修改线性时序逻辑规则,而不需要重新建模,即可快速投入使用,大大缩短了场景调试和测试周期。
进一步的,采用线性时序逻辑算法中的GR(1)算法(Generalized Reactivity广义反应性算法)进行数学化符号化表达及模型验证;即采用GR(1)算法检验所述系统运行规则的结果是否存在冲突,如存在冲突则对存在冲突的所述运行规则进行改进。
所述GR(1)算法是一种降阶求解线性时序逻辑的高效算法;当已经路径规划的起始点和终点,基于所述运行规则利用所述GR(1)算法可以获取两点间的计算复杂性最低的路径。
S15:根据所述系统参数和所述路径生成规则采用形式化方法确定所述系统预设模型。
进一步的,根据所述系统参数和所述路径生成规则采用形式化方法确定所述系统预设模型的控制器设计,并采用与所述建模算法相关的求解器将所述系统预设模型转变为对应的系统控制信号传输至所述机器人。
S2:所述机器人初始化,包括对各所述机器人的状态信息进行初始化,所述状态信息包括所述机器人在当前状态下的空间位置信息、运动状态信息、执行策略信息、和环境信息等。
进一步的,所述机器人初始化还包括将初始化后的所述机器人当前的空间位置设定为初始位置。
S3:所述机器人根据所述任务指令信息执行转移程序,直至完成所述任务指令。请参阅图3,所述转移程序包括以下步骤:
S31:所述机器人获取第一工作状态信息;所述第一工作状态信息为当前状态下的工作状态信息,包括当前的空间位置信息和环境信息等;
所述机器人与外部传感器设备通过协议连接,通过传感器设备获取所述第一工作状态信息,所述传感器设备包括光学传感器或激光传感器装置。
所述环境信息包括所述机器人周边一定范围内的其他机器人的空间位置信息和障碍物的空间位置信息。
进一步的,所述机器人将获得的第一工作状态信息进行数据处理,转化为所述系统预设模型中对应的各所述系统参数的数据格式。
S32:所述机器人根据接收到所述任务指令信息和获取的第一工作状态信息,基于系统预设模型获取第一路径信息;
所述任务指令至少包含所述机器人需要到达的目标终点的空间位置信息;
进一步的,所述机器人通过与服务端通讯接收服务端发送的任务指令信息,将所述任务指令信息进行存储;
所述机器人将获取的所述第一工作状态信息中的空间位置信息和环境信息等参数信息输入所述系统预设模型中,生成所述第一路径信息。
S33:所述机器人根据所述第一路径信息运行至所述下一状态的空间位置,重复上述步骤S31至步骤S32,直至完成所述任务指令。
即所述机器人运行至所述下一状态时,获取当前状态下新的第一工作状态信息,根据所述新的第一工作状态信息和所述任务指令信息,基于所述系统预设模型获取新的所述第一路径信息;所述机器人根据新的所述第一路径信息运行至下一状态的空间位置。
其中,所述第一路径信息包括下一状态的空间位置信息。
进一步的,所述机器人根据所述第一工作状态信息中的当前状态下的空间位置信息,和任务指令信息中目标终点的空间位置信息,基于系统预设模型获取新的第一路径信息。
所述机器人执行所述转移程序,直至完成所述任务指令。
进一步的,所述机器人完成所述任务指令后返回所述初始位置,重新进行初始化,并等待接收新的任务指令。
实施例2
为本发明所提供的一种物流系统的路径规划方法在另一实施例中的流程示意图,与所述方法在所述实施例1中的步骤内容大致相同,不同之处在于:
在执行所述步骤S3前,即所述机器人在执行所述转移程序前,获取所述机器人的优先级信息;所述优先级信息包括自身的优先级信息以及系统中全部机器人的总优先级信息。
在具体实现时,所述优先级信息的获取方式包括所述机器人与服务端之间通讯获取所述优先级信息。
进一步的,所述总优先级信息为反映物流系统内所有机器人优先级顺序的信息,所述自身优先级信息为反映单个机器人在所有机器人中优先级顺序的信息;在具体实现时,所述总的优先级信息为一组与系统中所有机器人个数相匹配的递增式的序列号,各序列号与所述各机器人对应;所述自身的优先级信息为所述该机器人在所述改组序列号中的单个序列号。
进一步的,所述服务端采用随机方式确定一组与所述物流系统中的机器人个数相匹配的递增式序列,所述序列的优先级序号分别与各所述机器人一一对应。所述服务端将各优先级编号发送至所述机器人进行存储。
以及,如上所述步骤S3:所述机器人获取任务指令信息,根据所述任务指令信息执行转移程序直至完成所述任务指令,请参阅图4,所述转移程序在本实施例中包括以下步骤:
S31:所述机器人获取第一工作状态信息;所述第一工作状态信息为当前状态下的工作状态信息,包括当前的空间位置信息和环境信息等;
所述机器人与外部传感器设备通过协议连接,通过传感器设备获取所述第一工作状态信息,所述传感器设备包括光学传感器或激光传感器装置。
所述环境信息包括所述机器人周边一定范围内的其他机器人的空间位置信息和障碍物的空间位置信息。
进一步的,所述机器人将获得的第一工作状态信息进行数据处理,转化为所述系统预设模型中对应的各所述系统参数的数据格式。
S32′:所述机器人根据接收到所述任务指令信息和获取的第一工作状态信息,基于系统预设模型获取第一路径信息后,所述机器人执行分布式路径协同程序,获取新的所述第一路径信息,请参阅图5,所述分布式路径协同程序包括:
S321:所述机器人发送路径请求信息发送至其他机器人,同时接收其他机器人发送的路径请求信息,所述路径请求信息包含发送所述该路径请求信息的所述机器人的优先级信息;
在具体实现时,所机器人将所述优先级信息和所述路径请求信息通过广播的方式传递至其他机器人。
S322:所述机器人获取并存储所述路径请求中的优先级信息,将自身的优先级信息和接收到的其他机器人的优先级信息进行比较,当所述其他机器人的优先级低于自身优先级时,发送所述机器人当前状态下最新的第一路径信息至发送该所述路径请求信息的所述其他机器人中进行存储;
并且,所述机器接收并存储所述比自身更高优先级的其他机器人所发送的第二路径信息;
所述第二路径信息为其他机器人所发送的其在接收到路径请求信息时存储的最新路径信息。
S323:当所述机器人将接收到的所述其他机器人的优先级信息和所述总优先级信息进行比较,当检测到已经接收并存储所述系统内所有的更高优先级的其他机器人发送的所述第二路径信息,根据所述当前的所述第一工作状态信息、任务指令信息和存储的全部的所述第二路径信息生成当前状态下的最新的第一路径信息,为当前状态下满足有限形状转移策略的路径信息。
所述机器人根据所述第一路径信息运行至所述下一状态,探测获取新的第一工作状态信息;同时执行所述路径协同程序,获取最新的全部所述第二路径信息;根据所述新的第一工作状态信息、最新的全部所述第二路径信息以及所述任务指令,基于预设的系统模型更新第一路径信息并根据更新后的第一路径信息运行至下一状态。
S33:所述机器人根据所述更新后的第一路径信息运行至下一状态的空间位置,重复如上所述步骤S31至步骤S32,直至完成所述任务指令。
进一步的,所述机器人完成所述任务指令后返回所述初始位置,重新进行初始化,并等待接收新的任务指令。
进一步的,所述机器人在返回所述初始位置的过程中,仍执行所述分布式路径协同程序。
实施例3
本发明提供的一种物流系统的路径规划方法,在本实施例中,所述方法包括以下步骤:
S1:根据物流系统的系统特征采用形式化方法构建确定路径规划的系统预设模型;
S2:所述机器人进行初始化,包括对各所述机器人的优先级信息以及状态信息进行初始化;
进一步的,所述机器人初始化还包括将初始化后的所述机器人当前的空间位置设定为初始位置。
S3:所述机器人获取任务指令信息,根据所述任务指令信息执行转移程序,直至完成所述任务指令。
在所述步骤S1中,所述采用形式化方法构建系统预设模型,所述构建方法和上述实施例1中所述系统预设模型的构建方法相同,在此不再赘述。
在所述步骤S2中,所述对各所述机器人的优先级信息进行初始化包括所述机器人获取优先级信息,所述优先级信息包括自身的优先级信息以及系统中全部机器人的总优先级信息。
在具体实现时,所述优先级信息的获取方式包括所述机器人与服务端之间通讯获取所述优先级信息。
进一步的,所述总优先级信息为反映物流系统内所有机器人优先级顺序的信息,所述自身优先级信息为反映单个机器人在所有机器人中优先级顺序的信息;在具体实现时,所述总优先级信息可以是一组与系统中所有机器人个数相匹配的递增式的序列号,各序列号与所述各机器人对应,所述自身的优先级信息为所述该机器人在所述改组序列号中的单个序列号;或者所述总优先级信息为一个数组中的最大值,所述数组中的元素个数和系统中全部机器人的个数相同,且所述数组中的各元素按照一定规律递增或递减;所述自身优先级信息为所述数组中的某一数组元素。
在所述步骤S2中,所述机器人的状态信息进行初始化,所述状态信息包括所述机器人在当前状态下的空间位置信息、运动状态信息、执行策略信息、和环境信息等进行初始化。
在所述步骤S3中,所述机器人根据所述任务指令信息执行所述转移程序,请参阅图6,所述转移程序在本实施例中包括以下步骤:
S31:所述机器人获取第一工作状态信息;所述第一工作状态信息为当前状态下的工作状态信息,包括当前的空间位置信息和环境信息等。
所述机器人与外部传感器设备通过协议连接,通过传感器设备获取所述第一工作状态信息,所述传感器设备包括光学传感器或激光传感器装置。
所述环境信息包括所述机器人周边一定范围内的其他机器人的空间位置信息和障碍物的空间位置信息。
进一步的,所述机器人将获得的第一工作状态信息进行数据处理,转化为所述系统预设模型中对应的各所述系统参数的数据格式。
S32″:所述机器人根据获取的所述任务指令信息和所述第一工作状态信息,基于所述系统预设模型获取第一路径信息后,所述机器人执行分布式路径协同程序。
所述分布式路径协同程序与上述实施例2中的所述分布式路径协同程序相同,在此不在赘述。
在执行所述分布式路径协同程序的所述步骤S323过程中,当所述机器人基于所述系统预设模型无法生成当前状态下的最新的所述第一路径信息时,则检测所述机器人是否处于死锁状态,如是则执行所述死锁协同程序。
所述死锁状态为所述机器人根据所述任务指令信息获取的下一状态的空间位置信息与该机器人周边一定范围内的其他机器人当前的空间位置信息冲突,并且检测到该所述机器人周边一定范围内的其他机器人同时也处于所述死锁状态。在具体实现时,如图7所示,所述冲突包括所述机器人i的所述下一状态的空间位置被机器人j占用,且所述机器人j的所述下一状态的空间位置被机器人k占用,以及所述机器人k的所述下一状态的空间位置被机器人o占用。
所述机器人执行死锁协同程序,包括:
所述机器人通过传感器装置以及通讯方式检测所述死锁状态覆盖的范围区间,所述死锁状态的范围区通过所述机器人检测其当前位置周围一定范围内,与自身死锁状态相关的死锁机器人的空间位置,以及导致该死锁机器人处于死锁状态的其他死锁机器人的当前的空间位置,即所述死锁状态的覆盖范围;
所述机器人将死锁空间范围发送至服务端,所述服务端通过通讯方式,获取所述死锁空间范围内所有机器人的优先级信息;
所述服务端将最高优先级信息和最低优先级信息进行反置后分别发送至所述死锁空间范围内原最低优先级的机器人和原先最高优先级的机器人进行更新存储。
所述机器人根据更新后的所述优先级信息执行所述分布式路径协同程序的步骤。
S33:所述机器人根据所述更新后的第一路径信息运行至下一状态的空间位置,重复如上所述步骤S31至步骤S32,直至完成所述任务指令。
S34:所述机器人完成所述任务指令后返回所述初始位置,重新进行初始化,并等待接收新的任务指令信息。
进一步的,所述机器人在返回所述初始位置的过程中,仍执行所述分布式路协同程序。
在本实施例中,所述物流系统的路径规划方法的算法流程简易示例如下:
其中,分布式路径协同程序的算法流程简易示例如下:
其中,死锁协同程序的算法流程简易示例如下:
实施例4
此外,本发明还提供一种物流系统的路径规划系统,所述路径规划系统包括:模型构建模块、初始化模块和转移模块;
所述模型构建模块,用于根据所述系统特征构建系统预设模型;
初始化模块,用于将所述机器人进行初始化;
转移模块,用于根据所述任务指令信息,执行转移程序,所述转移模块包括:
数据采集子模块,用于获取机器人的第一工作状态信息;所述第一工作状态信息为机器人在当前状态下的工作状态信息,所述第一工作状态信息包括当前的空间位置信息和环境信息;
路径规划子模块,用于根据所述任务指令信息和第一工作状态信息,基于所述系统预设模型获得所述机器人最新的第一路径信息;所述第一路径信息包括下一状态的空间位置信息;
执行子模块,用于操控所述机器人根据所述第一路径信息运行至所述下一状态的空间位置。
进一步的,所述模型构建模块通过输入系统参数信息、系统的运行规则和路径规划算法,采用形式化方法获得系统的预设模型。
进一步的,所述转移模块还包括优先级模块和所述分布式路径协同模块;
所述优先级模块用于获取机器人的优先级信息和所述系统中全部机器人的总优先级信息。
所述包括分布式路径协同模块,用于执行以下程序:
当所述路径规划子模块获得最新的第一路径信息后,控制所述机器人发送路径请求信息至其他机器人,同时接收其他机器人发送的路径请求信息;所述路径请求信息包含所述机器人的优先级信息;
控制所述机器人获取并存储所述路径请求中的优先级信息,将自身的优先级信息和接收到的其他机器人的优先级信息进行比较;
当检测到所述其他机器人的优先级低于自身优先级时,控制所述机器人发送当前状态下最新的第一路径信息至该优先级信息对应的所述其他机器人存储;
且控制所述机器接收并存储比自身更高优先级的其他机器人所发送的第二路径信息;
同时,检测所述机器人已经存储的所述其他机器人的优先级信息和所述第二路径信息,当检测到所述机器人已经存储了系统内所有的更高优先级的其他机器人发送的所述优先级信息和所述第二路径信息,则控制所述路径规划子模块根据所述当前的所述第一工作状态信息、任务指令信息和全部的所述第二路径信息生成当前状态下的最新的第一路径信息。
综上所述,本发明提供的一种物流系统的路径规划方法和系统,可以更好地保证所建立的物流系统模型的可靠性和可信性,采用分布式的路径协同方法,大大降低了计算的复杂性,使路径规划方法具有更高的灵活性与兼容性;并且能较好地解决于物流系统中常见的碰撞问题和死锁问题,具有较强的实用性。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种物流系统的路径规划方法,其特征在于,适用于多个机器人组成的物流系统,所述方法包括:
根据系统特征构建系统预设模型;
所述机器人进行初始化;
所述机器人获取任务指令信息后执行转移程序直至完成所述任务指令,所述转移程序包括以下步骤:
所述机器人获取当前状态下的第一工作状态信息;
所述机器人根据所述任务指令信息和所述第一工作状态信息,基于所述系统预设模型获取第一路径信息;
所述机器人根据所述第一路径信息运行至所述下一状态的空间位置,重复上述步骤。
2.根据权利要求1所述的一种物流系统的路径规划方法,其特征在于,所述根据系统特征构建系统预设模型包括根据系统特征采用形式化方法构建所述系统预设模型,构建步骤包括:
对系统的工作区进行网格划分,用单个网格标识的所述工作区内的空间位置;
构建系统参数;
确定系统的运行规则;
采用线性时序逻辑算法基于所述系统运行规则,获取路径生成规则;
根据所述系统参数和所述路径生成规则采用形式化方法确定所述系统预设模型。
3.根据权利要求2所述的一种物流系统的路径规划方法,其特征在于,所述系统的运行规则包括根据所述系统物理特征生成的运行规则,以及用户设定的运行规则。
4.根据权利要求3所述的一种物流系统的路径规划方法,其特征在于,所述线性时序逻辑算法包括广义反应性算法。
5.根据权利要求2所述的一种物流系统的路径规划方法,其特征在于,所述方法还包括:
所述机器人在执行所述转移程序前,获取优先级信息;
所述机器人在执行所述转移程序时,同时执行分布式路径协同程序,包括:
所述机器人获得所述第一路径信息后,发送路径请求信息至其他机器人,同时接收其他机器人发送的路径请求信息;所述路径请求信息包含所述机器人的优先级信息;
所述机器人获取并存储所述路径请求中的所述优先级信息,将自身优先级信息和接收到的其他机器人的优先级信息进行比较;
当所述其他机器人的优先级低于自身优先级时,发送所述机器人在当前状态的最新的第一路径信息至该优先级信息对应的所述其他机器人存储;
并且所述机器人接收并存储比自身更高优先级的其他机器人所发送的第二路径信息;
当所述机器人检测到已经接收并存储所述系统内所有的更高优先级的其他机器人发送的所述第二路径信息,根据所述任务指令信息、所述第一工作状态信息和全部的所述第二路径信息,基于所述系统预设模型生成当前状态下的最新的第一路径信息;所述机器人根据所述第一路径信息运行至所述下一状态的空间位置;
以及当所述机器人运行至所述下一状态,获取最新的所述第一工作状态信息时,同时执行所述路径协同程序,获取最新的全部所述第二路径信息,并且根据所述任务指令信息、新的所述第一工作状态信息和全部的所述第二路径信息,基于预设的系统模型更新所述第一路径信息并根据更新后的所述第一路径信息运行至下一状态。
6.根据权利要求5所述的一种物流系统的路径规划方法,其特征在于:所述机器人的优先级信息包括总优先级信息和自身优先级信息,所述总优先级信息为反映系统内全部机器人优先级顺序的信息,所述自身优先级信息为反映当前机器人在所述全部机器人中优先级顺序的信息。
7.根据权利要求5所述的一种物流系统的路径规划方法,其特征在于,所述方法还包括:
所述机器人在执行所述分布式路径协同程序过程中,根据所述任务指令信息、所述第一工作状态信息和全部的所述第二路径信息,基于所述系统预设模型无法生成当前状态下的最新的第一路径信息,则检测所述机器人是否处于死锁状态,如是则执行死锁协同程序。
8.根据权利要求1所述的一种物流系统的路径规划方法,其特征在于,所述机器人完成任务指令后进行初始化,等待接收新的任务指令。
9.一种物流系统的路径规划系统,其特征在于,适用于多个机器人组成的物流系统,所述路径规划系统包括:模型构建模块、初始化模块和转移模块;
所述模型构建模块,用于根据所述系统特征构建系统预设模型;
所述初始化模块,用于将所述机器人进行初始化;
所述转移模块,用于根据所述任务指令信息,执行转移程序,所述转移模块包括:
数据采集子模块,用于获取机器人的第一工作状态信息;
路径规划子模块,用于根据所述任务指令信息和第一工作状态信息,基于所述系统预设模型获得所述机器人最新的第一路径信息;所述第一路径信息包括下一状态的空间位置信息;
执行子模块,用于操控所述机器人根据所述第一路径信息运行至所述下一状态的空间位置。
10.根据权利要求9所述的一种物流系统的路径规划系统,其特征在于,所述模型构建模块通过选定系统参数信息、系统的运行规则和路径规划算法,采用形式化方法获得系统的预设模型。
11.根据权利要求10所述的一种物流系统的路径规划系统,其特征在于,所述转移模块还包括优先级模块和所述分布式路径协同模块;
所述优先级模块用于获取机器人的优先级信息和所述系统中全部机器人的总优先级信息;
所述包括分布式路径协同模块,用于执行以下程序:
当所述路径规划子模块获得最新的第一路径信息后,控制所述机器人发送路径请求信息至其他机器人,同时接收其他机器人发送的路径请求信息;所述路径请求信息包含所述机器人的优先级信息;
控制所述机器人获取并存储所述路径请求中的优先级信息,将自身的优先级信息和接收到的其他机器人的优先级信息进行比较;
当检测到所述其他机器人的优先级低于自身优先级时,控制所述机器人发送当前状态的最新的第一路径信息至该优先级信息对应的所述其他机器人存储;
并且控制所述机器接收并存储比自身更高优先级的其他机器人所发送的第二路径信息;
同时,检测所述机器人已经存储的所述其他机器人的优先级信息和所述第二路径信息,当检测到所述机器人已经存储了系统内所有的更高优先级的其他机器人发送的所述优先级信息和所述第二路径信息,则控制所述路径规划子模块根据所述第一工作状态信息、所述任务指令信息和全部的所述第二路径信息生成当前状态的最新的第一路径信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021292.6A CN110672109B (zh) | 2019-10-25 | 2019-10-25 | 一种物流系统的路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021292.6A CN110672109B (zh) | 2019-10-25 | 2019-10-25 | 一种物流系统的路径规划方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110672109A true CN110672109A (zh) | 2020-01-10 |
CN110672109B CN110672109B (zh) | 2022-07-12 |
Family
ID=69084227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021292.6A Active CN110672109B (zh) | 2019-10-25 | 2019-10-25 | 一种物流系统的路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110672109B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055417A1 (en) * | 2005-09-08 | 2007-03-08 | Chatfield Thomas J | Apparatus and method for providing flight operations integrated planning and analysis tools |
CN103383569A (zh) * | 2013-05-31 | 2013-11-06 | 浙江工业大学 | 基于线性时序逻辑的移动机器人最优巡回路径设定方法 |
CN108154262A (zh) * | 2017-12-19 | 2018-06-12 | 中南大学 | 一种基于形式化方法的物流运输无人车多任务规划方法 |
CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
-
2019
- 2019-10-25 CN CN201911021292.6A patent/CN110672109B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055417A1 (en) * | 2005-09-08 | 2007-03-08 | Chatfield Thomas J | Apparatus and method for providing flight operations integrated planning and analysis tools |
CN103383569A (zh) * | 2013-05-31 | 2013-11-06 | 浙江工业大学 | 基于线性时序逻辑的移动机器人最优巡回路径设定方法 |
CN108154262A (zh) * | 2017-12-19 | 2018-06-12 | 中南大学 | 一种基于形式化方法的物流运输无人车多任务规划方法 |
CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110672109B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
López-González et al. | Multi robot distance based formation using Parallel Genetic Algorithm | |
CN111465475B (zh) | 用于运行多代理系统中的机器人的方法、机器人以及多代理系统 | |
Akbaripour et al. | Semi-lazy probabilistic roadmap: a parameter-tuned, resilient and robust path planning method for manipulator robots | |
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
Moldovan et al. | Learning relational affordance models for robots in multi-object manipulation tasks | |
Hartmann et al. | Long-horizon multi-robot rearrangement planning for construction assembly | |
CN115003460A (zh) | 多机器人操作环境中的机器人配置 | |
Shiroma et al. | CoMutaR: A framework for multi-robot coordination and task allocation | |
Yasuda | Behavior-based autonomous cooperative control of intelligent mobile robot systems with embedded Petri nets | |
CN109978272B (zh) | 一种基于多个全向移动机器人的路径规划系统及方法 | |
Yu et al. | Distributed motion coordination for multirobot systems under LTL specifications | |
US20220055217A1 (en) | Method for operating a robot in a multi-agent system, robot, and multi-agent system | |
Guo et al. | Intelligent path planning for automated guided vehicles system based on topological map | |
CN110794829A (zh) | 一种用于agv集群的调度方法和系统 | |
Sheikh et al. | A comparison of various robotic control architectures for autonomous navigation of mobile robots | |
Wong et al. | Need-based coordination for decentralized high-level robot control | |
CN110672109B (zh) | 一种物流系统的路径规划方法和系统 | |
Schillinger et al. | Adaptive heterogeneous multi-robot collaboration from formal task specifications | |
Franceschi et al. | Optimal design of robotic work-cell through hierarchical manipulability maximization | |
Hönig et al. | db-A*: Discontinuity-bounded Search for Kinodynamic Mobile Robot Motion Planning | |
Okumura et al. | Amoeba exploration: Coordinated exploration with distributed robots | |
Dovgopolik et al. | Fast and memory-efficient planning in c-space: Modified bi-directional rrt* algorithm for humanoid robots | |
Qiu et al. | Integration of symbolic task planning into operations within an unstructured environment | |
Nametala et al. | A new distance diffusion algorithm for a path-planning model based on cellular automata | |
JP7489727B2 (ja) | マルチロボット運用環境におけるロボットの構成 |
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 |