CN110780671A - 一种基于全局视觉的仓储导航智能车调度方法 - Google Patents
一种基于全局视觉的仓储导航智能车调度方法 Download PDFInfo
- Publication number
- CN110780671A CN110780671A CN201911046869.9A CN201911046869A CN110780671A CN 110780671 A CN110780671 A CN 110780671A CN 201911046869 A CN201911046869 A CN 201911046869A CN 110780671 A CN110780671 A CN 110780671A
- Authority
- CN
- China
- Prior art keywords
- agv
- area
- region
- time
- global
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 241000084490 Esenbeckia delta Species 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全局视觉的仓储导航智能车调度方法,包括以下步骤:1)利用仓库天花板上的顶部摄像头拍摄全局图像;2)对全局图像进行处理来追踪仓储内的智能车并利用卷积神经网络识别来识别每台AGV的编号;3)将仓库分为若干个区域,利用全局控制器发送指令控制AGV,使AGV按照路线运行;4)利用改进A*算法进行区域路径规划,得到最优的AGV从当前区域到达目标区域的途径区域集;5)利用时间窗算法进行区域内路径规划,使AGV安全地从当前区域驶出;6)利用分段式PID控制算法使AGV能够沿规划路径完成既定运输任务。本发明充分地将AGV通行任务分配给各个区域,提高了AGV仓储系统的运行效率。
Description
技术领域
本发明涉及辅助货物分拣的物流领域,具体涉及一种基于全局视觉的仓储导航智能车(AGV)调度方法。
背景技术
近几年我国电子商务行业迅猛发展,网购成为人们日常生活中不可缺少的一部分,在网购过程中,商家根据消费者需求利用物流将商品发送给消费者,导致物流包裹数量剧增,而且货物分拣环节耗费时间占整个物流任务的40%以上,因此为了缩减物流时间,给消费者更好的网购体验,提高物流过程中的分拣效率至关重要。
目前我国大部分的物流分拣方式还是人工分拣,不仅出错率高、分拣效率低还需要大量的人力成本,不能适应当前物流仓库内繁重的分拣和运输工作,所以仓储系统自动化是未来发展的必然趋势。为了提高了仓储系统的运行效率,现代仓储系统中运用导航智能车(AGV)代替人工来进行货物分拣,不仅具有分拣效率高、灵活性强的特点,运行成本也更加低廉。但是由于目前大多数仓储AGV都利用车载摄像头或者激光雷达来进行导航,这需要在仓库中提前设置特征图案或其他标志物,导致整个系统的配置十分复杂,而且摄像头和激光雷达等传感器造价高昂,也提高了AGV仓储系统的配置成本。此外,各台AGV在运输过程中单独收集位姿信息后发送给中央控制系统再进行全局调度,这种控制方式增加了系统内部信息交互量,降低了系统控制效率。因此,改进当前仓储系统运作方式,降低AGV仓储系统的配置成本和调度算法复杂性是非常必要的。
在多AGV的追踪和调度过程中主要使用如下几类技术:1)特征图像提取:利用Opencv函数库中的Canny边缘检测算法和FindContour函数提取特征图像轮廓;2)AGV编号识别:将AGV特征图像传入卷积神经网络中进行编号识别;3)多AGV调度算法:利用分层规划算法,在保证多台AGV不产生碰撞的基础上,高效率地完成货物分拣和运输任务;4)分段式PID控制算法:根据实际情况设置不同的输入变量并改变PID控制算法的参数,分段性地控制AGV,使其能够稳定地沿既定路径运动。
ROS机器人开发平台、OpenCV函数库和Gazebo仿真环境。ROS是目前最流行的机器人软件平台,它会发布一个网络,不同的功能节点都可以在这个网络中订阅其他节点的话题,或者自己发布话题到网络中,通过这种方法实现各种节点的信息交互。同时ROS还可以方便地集成开源社区中的各类资源,提高了机器人研发过程中的软件复用率。
OpenCV是一个开源的图像处理函数库,利用其中地内置函数就可以方便地对图像进行各种分析和处理。Gazebo能够创建一个仿真环境对机器人的各种功能机进行测试,除此之外Gazebo还可以给机器人添加惯性、重力等物理性质,增加机器人仿真的科学性。
由于物流行业的兴起,传统人工的分拣方式不能适应当前繁重的货物运输和分拣工作,为了提高仓储系统的运行效率,智能仓储系统中运用多台导航智能车(AGV)进行货物配送,利用AGV将货物从分拣区运送到存储区,节省了大量人力和物力,具有较好的实用价值。
在现有文献张辰贝西,黄志球,ZHANGChenbeixi,et al.自动导航车(AGV)发展综述[J].机械设计与制造工程,2010,39(1):53-59.中,虽然仓储AGV具有分拣效率高、灵活性强的特点,但是整个仓储系统的配置难度较高,需要提前设置二维码或磁钉、磁带等装置。此外,各台AGV单独收集其位姿信息再反馈给中央控制系统,这需要每台AGV都配置摄像头或是激光雷达等传感器,增加了仓储系统的配置成本,而且控制效率较低也不利于整体规划。
发明内容
本发明公开了一种基于全局视觉的仓储导航智能车(AGV)调度方法,在降低AGV仓储系统配置成本的基础上,提高仓储系统的运行效率。首先建立了一个利用多台AGV进行货物分拣和运输的仓库模型,仓库由多个区域组成,每个区域含有一个路口和若干与之连接走廊。在仓库的天花板上安装有摄像头,用于拍摄整个仓库的全局图像并监控仓库内多台AGV的运行情况,然后根据分拣运输任务的需要,追踪、识别和调度仓库内多台AGV,达到精准完成指定分拣任务的目标。
本发明至少通过如下技术方案之一实现。
一种基于全局视觉的仓储导航智能车调度方法,包括以下步骤:
1)利用仓库天花板上的顶部摄像头拍摄全局图像;
2)对全局图像进行处理来追踪仓储内的智能车(AGV)并利用卷积神经网络识别来识别每台AGV的编号;
3)将仓库分为若干个区域,利用全局控制器发送指令控制AGV,使AGV按照路线运行;
4)利用改进A*算法进行区域路径规划,得到最优的AGV从当前区域到达目标区域的途径区域集;
5)当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,使AGV安全地从当前区域驶出;
6)利用分段式PID控制算法使AGV能够沿规划路径平稳地运动,完成既定运输任务。
进一步的,步骤2)包括利用Opencv(开源计算机视觉库)中内置的图像处理函数库对仓库的全局图像进行处理,提取其中AGV顶部的特征图像得到其全局坐标,并将其传入基于CNN(卷积神经网络)的手写数字识别模型中识别该AGV的编号,达到识别和追踪多台AGV的目的。
进一步的,步骤2)具体包括以下步骤:
步骤一、将步骤1)拍摄的全局图像转换为HSV图片,设置阈值后提取其中的红色和黄色区域并对其二值化;
步骤二、利用Opencv中内置的Canny边缘检测算法和FindContour函数提取物体轮廓,随后计算出物体轮廓的周长,将其周长作为参数代入多边拟合函数中,得到多边形中点和各个顶点;
步骤三、通过ApproxPolyDP函数对多边形进行拟合,选取被判定为三角形的图形中点的像素坐标经过变换作为智能车在全局地图中的坐标,之后提取该三角形三个顶点和中点,得到特征图案,然后依次计算三角形三个内角的度数,找出角度为90度的顶点,计算出顶点和三角形中点连线和垂线的夹角,即为该AGV的航向角α,公式如下:
式(1)中,Δx1和Δx2为航向角的顶点x轴坐标与三角形的其他两点坐标之差,同理Δy1和Δy2为其对应顶点与三角形的其他两点之间y轴坐标之差;
步骤四、利用AGV航向角和特征图案的中点,以三角形中心为中点,将三角形旋转后得到特征图像朝上的三角形图案,以正向三角形的中心为中点剪裁出正方形,通过Opencv提取三角形内的特征数字并转化为二值化图像,然后将其发送到基于CNN(卷积神经网络)的手写数字识别模型中进行识别。
进一步的,步骤3)包括将仓储划分为n个区域作为仓储地图,每个区域内都含有一个路口和与其连接的走廊,在仓储地图中含有起始区域、自由通行区域、障碍物和目标区域;在执行任务过程中,AGV在起始区域被分配到达某目标区域的运输任务,然后经过分层规划得出到达目标区域的最优路径,再利用全局控制器发送指令控制AGV按照既定路线运行,运输任务结束后再返回空闲的起始点进行下一次任务循环;
其中,全局控制器发送的指令为直行命令、转弯命令和停车命令,通过步骤2)得到AGV的位姿(上述的步骤2)没有指出“得到AGV的位姿”,请在步骤2)中补充关于位姿的说明),当AGV运动到规划路线中需要转角的栅格时,全局控制器依次发送停车命令和转弯命令至AGV,待AGV完成旋转后,全局控制器发送直行命令至AGV,使AGV匀速行驶到下一个转角。
进一步的,步骤4)所述的区域路径规划包括区域间路径规划和区域内路径规划两个部分;其中,区域间路径规划为第一层规划,规划对象是区域,利用改进A*算法得到从当前区域到达目标区域的最佳途径区域集,区域内路径规划为第二层规划,当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,避免多AGV在运货过程中发生碰撞。
进一步的,步骤4)中,所述改进A*算法的具体内容为:
首先将起始区域放入Close列表,然后将其四周的区域放入Open列表,其中Open列表存放的是接下来需要搜索的区域,Close列表表示已经计算过的区域。选择Close列表内的起始区域作为父节点,设置其四周区域的方向为指向父节点的方向,并在方向集中进行记录,然后依次计算Open列表内区域的代价值,选取有最小代价的区域放入Close列表内,接着以该区域作为新的父节点,也将其周围的区域放入Open列表内,再次更新区域的方向集,如此迭代,直到Open列表内包含目标区域,此时停止搜索,由于每个区域都指向其父节点,因此使用方向集能够反推出最优路径;
由于在AGV运行过程中,AGV转弯是一个相对耗费时间的行为,因此在传统A*算法的评价函数中加入了转弯代价值,即一个标准AGV转弯所需时间,目的是为了制定转弯次数较少的路径,此外,在若干个AGV运行的过程中,每个区域内的AGV个数是不同的,每个区域的拥堵情况也不相同,因此另外增加区域评价函数来反映该区域拥堵情况,在搜索路径时选择更加空闲的区域,使仓库中每条道路都被合理使用,进而提高整体的运行效率,修改传统A*算法的评价函数如下所示:
Gn(k)=Hn+Fn+Pn(k) (2)
Hn=|xn-xg|+|yn-yg| (3)
其中,Gn(k)为区域n在k时刻的代价值,Hn为候选区域与目标区域的曼哈顿距离,xn和yn为区域n的坐标,xg和yg为目标区域的坐标,Fn表示通过第n区域的时间代价,为直行时间代价,M为区域内根据区域进出口方向计算出的直行栅格数,gi为通过方格i所需的时间代价,tn为AGV通过区域n所需要额外的转弯代价,若在该区域不转弯则设置为0,Tn为区域n近一段时间内最长停车等待时间,Vn为区域n内的栅格总数;
Pn(k)为区域n在k时刻的区域密度评价值,其中n为区域数,k为距离该时刻的时间数,设AGV在没有拥堵的情况下通过一个区域所花费的时间为1,因此在A*算法搜索过程中,起点区域的k值为1,终点区域的k值为规划路径中途径区域集的总数,即从起点区域开始,经过k个时间段到达目标区域,所以同一区域的饱和度代价值是随A*算法搜索的深入而随之改变的;
Cn(k)为区域n内距今k时刻时的AGV数量,根据当前所有AGV的区域路径集Qi,则预测出在没有拥堵的情况下,未来k个时刻所有区域内的AGV数量:
其中,Z为仓储系统内AGV总数,Qi(k)的总行数是AGV的编号数,列存储的是以起始区域为起点,目标区域为终点的途径区域集合,对当前已知AGV路径集按时间进行求和,预测接来下几个时刻所有区域的AGV分布情况,然后将Cn(k)除以区域n内的栅格总数Vn,即得到区域n在k时刻的区域饱和度,再乘以该区域近一段时间内最长停车等待时间Tn来表示区域密度评价函数,该函数值越小,说明通过该区域可能需要的停车等待时间越短,区域内路况更加良好,更适宜AGV通过。
进一步的,步骤5)包括以下步骤为:
S1.对驶入该区域的AGV进入登记,记录其驶入方向、目标方向和进入时间;
S2.区域内道路都为双车道,AGV都靠右行驶,如果在直路中遇到前车停车,该车跟随其后停车直到前车开始移动;
S3.如果有AGV进入中心路口,则根据其目标方向设置其路线,并将其加入排队序列;
S4.根据排队次序,依次根据所占用栅格排布时间窗,若既定路线的栅格被占用,则停车等待,排布下一优先级的AGV;
S5.AGV根据时间窗排布的序列进行移动,在驶出路口时,判断出口是否被占用,如果发生堵塞或者存在障碍物,则将时间窗内当前时间的序列进行整体后移;
S6.对驶出区域的AGV进行清除,记录其在该区域内的移动时间。
进一步的,步骤6)的分段式PID控制算法具体为:设AGV中心离参考直线的距离为δ1,当AGV离参考直线的距离大于阈值θ1时,将δ1作为输入传入第一阶段PID控制中即为PID1(δ1),当AGV靠近目标曲线,即δ1<θ1时,由于航向角过于偏离参考曲线,不能及时修正AGV的航向角,导致AGV会波动性地沿L1运动,稳定性较差;
为了AGV能稳定地沿参考直线运动,当AGV的中点离参考直线的距离小于θ1时,表明AGV靠近了参考直线,此时以偏离航向角δ2为输入,传入第二阶段的PID控制为PID2(δ2),使AGV能够快速扭转偏向角;
为了使AGV能平稳运行,将上述两个指标同时作为输入参数,传入第三阶段的PID控制系统中调节AGV运动即PID3(δ1 and δ2),即:
其中,ω为的AGV的角速度,用该参数来调节AGV的航向角,使其能沿着目标线路运动。
与现有的技术相比,本发明有益效果:
(1)本发明不需要在每台AGV上都配置摄像头、激光雷达等先进传感器,大大节省了AGV的配置成本。
(2)本发明利用中央控制器处理顶部摄像头拍摄的仓库全局图像来进行整体调度,不需要每台AGV都利用传感器对自身周围环境进行感知,降低了AGV车载控制器的计算量,也减少了信息交互量。
(3)在鲁棒性方面,传统仓储机器人若因意外脱离既定轨道,必须要人工对机器人进行修正,反观基于全局视觉的仓储机器人,只要AGV在仓库范围内,都可以通过顶部摄像头进行跟踪,能够让脱离既定线路的AGV尽快返回,减少了人工操作量。
(4)本发明提出的分层规划算法在考虑到区域内车辆密度和转弯时间损耗等因素的前提下进行路径规划,减少了每台AGV在路口处的等待时间,充分地将AGV通行任务分配给各个区域,提高了AGV仓储系统的运行效率。
附图说明
图1为本实施例基于全局视觉的仓储系统的Gazebo仿真示意图;
图2为本实施例仓储系统分层规划算法MATLAB仿真示意图;
图3为本实施例一种基于全局视觉的仓储导航智能车调度方法的流程图;
图4为本实施例顶部摄像头拍摄图像结果示意图;
图5为本实施例特征图案旋转示意图;
图6为本实施例仓储导航智能车顶部标识及处理结果示意图;
图7为本实施例分层规划示意图;
图8为本实施例改进A*算法流程图;
图9为本实施例区域内时间窗算法示意图;
图10为本实施例分段式PID控制算法示意图。
具体实施方式
下面集合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
图1为基于全局视觉的仓储系统,在Gazebo仿真平台有10台仓储导航智能车在仓库中运行,AGV顶部印刷有包含数字0到9的特征图案,仓库上方安装有一个摄像头用于获取仓库全局图像,进而实现多AGV的识别与追踪。
图2为多AGV调度部分,利用MATLAB运行调度算法控制包括上述10台AGV在内的共计50台仓储导航智能车,图中黑色栅格表示AGV,白色栅格为AGV自由移动的区域,阴影部分为障碍物或者货架等AGV不能穿过的区域。除此之外,该仿真界面还显示了当前仿真运行的时间和AGV数量和任务完成情况。
如图3所示的一种基于全局视觉的仓储导航智能车调度方法,包括如下步骤:
1)利用仓库天花板上的顶部摄像头拍摄全局图像,如图4所示;
2)对全局图像进行处理来追踪仓储系统内的AGV并利用卷积神经网络识别来识别每台AGV的编号,具体过程为:
步骤一、首先采集顶部摄像头的图像,然后将其转换为HSV图片,每台AGV如图6左图所示,其中阴影三角区域为特征图案,三角区域内的数字为AGV编号,在实际应用中特征图案为红色,AGV编号设置为黄色。通过设置阈值能够提取全局图像的红色和黄色区域,然后对其二值化得到图6右图所示的特征数字。
步骤二、利用Opencv中内置的Canny边缘检测算法和FindContour函数提取物体轮廓,随后计算出轮廓周长,将其进行计算后作为参数代入多边拟合函数中,得到多边形中点和各个顶点。
步骤三、通过ApproxPolyDP函数对上述多边形进行拟合,选取被判定为三角形的图形中点的像素坐标经过变换作为智能车在全局地图中的坐标,之后提取该三角形三个顶点和中点。然后依次计算各个角的度数,找出角度为90度的顶点,计算出顶点和三角形中点连线和垂线的夹角,即该AGV的航向角α,计算公式如下:
式(1)中,Δx1和Δx2为航向角的顶点x轴坐标与其他两点坐标之差,同理Δy1和Δy2为对应顶点与其他两点之间y轴坐标之差。
步骤四、如图5所示,利用AGV航向角和特征图案的中点,以三角形中心为中点,将三角形旋转后得到特征图像朝上的三角形图案,以正向三角形的中心为中点剪裁出正方形,提取其中的特征数字后转化为二值化图像,然后将其发送到基于CNN(卷积神经网络)的手写数字识别模型中进行识别。
3)将仓库分为若干个区域,利用全局控制器发送指令控制AGV,使AGV按照路线运行;具体过程为:
如图7所示,当前仿真仓库被划分为16个区域,每个区域内都含有一个路口和与其连接的走廊。如图7中箭头所指的右图所示,每一个含有十字路口的区域(区域6、区域7、区域10、区域11)内都由4个走廊和一个路口组成,它们的基础组成单位为栅格,因为后续计算需要,这里对路口内的栅格进行了细分,将其依次分为栅格1、栅格2、栅格3和栅格4。在仓储地图中白色部分为可以通过的自由区域,区域4、区域8、区域14和区域16为AGV任务起始区域,黑色区域为仓库货架或者其他障碍物。在执行任务过程中,AGV在起始区域被分配到达某目标区域的运输任务,然后经过分层规划得出到达目标区域的最优路径,再利用全局控制器发送指令控制AGV按照既定路线运行,运输任务结束后再返回空闲的起始点进行下一次任务循环。
其中,全局控制器发送的指令为直行命令、转弯命令和停车命令。通过上述追踪算法,确定AGV运动到规划路线中需要转角的栅格时,依次发送停车命令和转弯命令,待AGV完成旋转后,发送直行命令,使AGV匀速行驶到下一个转角。
4)如图8所示,利用改进A*算法进行区域间路径规划,得到最优的AGV从当前区域到达目标区域的途径区域集;所述的区域路径规划包括区域间路径规划和区域内路径规划两个部分;其中,区域间路径规划为第一层规划,规划对象是区域,利用改进A*算法得到从当前区域到达目标区域的最佳途径区域集,区域内路径规划为第二层规划,当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,避免多AGV在运货过程中发生碰撞。
得到最优的AGV从当前区域到达目标区域的途径区域集,具体为:
第一层规划的对象为区域,此时不考虑区域内AGV的移动情况,在充分利用区域道路资源且时间花费较小的基础上找出AGV从当前区域移动到目标区域最优的途径区域集合。
首先将起始区域放入Close列表,然后将其四周的区域放入Open列表,其中Open列表存放的是接下来需要搜索的区域,Close列表表示已经计算过的区域。选择Close列表内的起始区域作为父节点,设置其四周区域的方向为指向父节点的方向,并在方向集中进行记录,然后依次计算Open列表内区域的代价值,选取有最小代价的区域放入Close列表内,接着以该区域作为新的父节点,也将其周围的区域放入Open列表内,再次更新区域的方向集,如此迭代,直到Open列表内包含目标区域,此时停止搜索,由于每个区域都指向其父节点,因此使用方向集能够反推出最优路径。
由于在AGV运行过程中,AGV转弯是一个相对耗费时间的行为,因此在传统A*算法的评价函数中加入了转弯代价值,即一个标准AGV转弯所需时间,目的是为了制定转弯次数较少的路径。此外,在多AGV运行的过程中,每个区域内的AGV个数是不同的,因此每个区域的拥堵情况也不相同,因此另外增加了区域评价函数来反映该区域拥堵情况,在搜索路径时选择更加空闲的区域,使仓库中每条道路都被合理使用,进而提高整体的运行效率,修改传统A*算法的评价函数如下所示:
Gn(k)=Hn+Fn+Pn(k) (2)
Hn=|xn-xg|+|yn-yg| (3)
其中,Gn(k)为区域n在k时刻的代价值,Hn为候选区域与目标区域的曼哈顿距离,Fn表示通过第n区域的时间代价,为直行时间代价,M为区域内根据区域进出口方向计算出的直行栅格数,gi为通过方格i所需的时间代价,这里设为2,tn为AGV通过区域n所需要额外的转弯代价,根据实际情况设置为0.5,若在该区域不转弯则设置为0。
Pn(k)为区域n在k时刻的区域密度评价值,其中n为区域数,k为距离该时刻的时间数,设AGV在没有拥堵的情况下通过一个区域所花费的时间为1,因此在A*算法搜索过程中,起点区域的k值为1,终点区域的k值为规划路径中途径区域集的总数,即从起点区域开始,经过k个时间段到达目标区域,所以同一区域的饱和度代价值是随A*算法搜索的深入而随之改变的。
Cn(k)为区域n内距今k时刻时的AGV数量,根据当前所有AGV的区域路径集Qi,可以预测出在没有拥堵的情况下,未来k个时刻所有区域内的AGV数量,其计算方法为:
其中,Z为仓储系统内AGV总数,Qi(k)的总行数是AGV的编号数,列存储的是以起始区域为起点,目标区域为终点的途径区域集合,对当前已知AGV路径集按时间进行求和,预测接来下几个时刻所有区域的AGV分布情况,然后将Cn(k)除以区域n内的栅格总数Vn,即得到区域n在k时刻的区域饱和度,再乘以该区域近一段时间内最长停车等待时间Tn来表示区域密度评价函数。该函数值越小,说明通过该区域可能需要的停车等待时间越短,区域内路况更加良好,更适宜AGV通过。
5)当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,使AGV能够安全通过当前区域,具体步骤为:
S1.对驶入区域的AGV进入登记,记录其驶入方向、目标方向和进入时间;
S2.区域内道路都为双车道,AGV都靠右行驶,如果在直路中遇到前车停车,该车跟随其后停车直到前车开始移动;
S3.如果有AGV进入中心路口,则根据其目标方向设置其路线,并将其加入排队序列;
S4.根据排队次序,依次根据所占用栅格排布时间窗,若既定路线的栅格被占用,则停车等待,排布下一优先级的AGV;
S5.AGV根据时间窗排布的序列进行移动,在驶出路口时,判断出口是否被占用,如果发生堵塞或者存在障碍物,则将时间窗内当前时间的序列进行整体后移;
S6.对驶出区域的AGV进行清除,记录其在该区域内的移动时间。
图9为时间窗算法运行示例图,在图中所示区域内用阴影栅格表示的是依次驶入路口的3辆AGV,其中栅格中心数字为路口通过优先级排序,优先级为第一的AGV从2道进入路口,左转向1道需要途径2号、3号、4号栅格。第二优先级的AGV从1道进入路口,直行向3道途径1号和2号栅格。第三优先级的AGV从3道驶入路口,左转则路过3号、4号、1号栅格。
接下来判断该子区域在接下来3个时间段内是否被占用,如果没被占用,则在表格中标记出此车辆,否则停车等待,并记录其优先级,直到所需区域产生空闲。每辆AGV在离开子区域后都对时间表进行更新,减少每台AGV在路口的等待时间。
图9中接下来四个时刻的时间窗排布序列如表1所示,数字表示在该时刻占用该栅格的AGV编号,0表示该时间段内栅格没有AGV占用,其中每个时间段为AGV通过1个栅格所需的时间。
表1区域内时间窗排布表
6)利用分段式PID控制算法使AGV能够沿规划路径平稳地运动,完成既定运输任务,具体是利用全局视觉确定AGV与目标线路的距离和航向角偏差,根据AGV实际运动情况,将目标线路的距离和航向角偏差作为输入传入分段式PID控制算法中,控制AGV沿着规划路径运动。使用ROS操作系统进行实验,结果表明本仓储系统在大幅度减少智能仓储系统配置成本的基础上,能够达到高效率调度多台智能车的目的。
如图10的分段式PID控制算法示意图,图中各变量及需要用到的参数所表示的含义如下所述:
T——AGV规划路径中的转角点;
L1——穿过转角点的虚拟参考直线1;
L2——穿过转角点的虚拟参考直线2;
δ1——AGV中心离参考直线的距离;
δ2——AGV航向角与参考直线的夹角;
θ1——第一阶段PID控制算法的距离阈值;
θ2——第二阶段PID控制算法的航向偏差角阈值;
θ3——AGV发送停车和转向命令的距离阈值;
通过分层规划算法确定路径后,输出路径内的转角点坐标T,然后根据当前AGV的航向角选取虚拟的参照直线进行导航,如图10中的L1所示。这里设AGV匀速向前运动,通过分段式PID控制算法输出AGV的角速度调节航向角使AGV沿着参考直线运动。当AGV离转角坐标点的距离小于θ3时发送转弯指令,等待AGV转弯动作完成后,改变参考直线为L2,继续沿参照直线运动。
其中,分段式PID控制算法的具体为:
设AGV中心离参考直线的距离为δ1,当AGV离参考直线的距离大于阈值θ1时,将δ1作为输入传入第一阶段PID控制中即为PID1(δ1),由于这时离参考直线还有较大的距离,需要尽快到达参考直线,因此在PID调节中设置较大比例参数,输出较大的角速度,使AGV能快速朝目标直线运动。但是当AGV靠近目标曲线,即δ1<θ1时,由于航向角过于偏离参考曲线,而第一阶段PID控制的输入δ1较小,不能及时修正AGV的航向角,导致AGV会波动性地沿L1运动,稳定性较差。
为了AGV能稳定地沿参考直线运动,当AGV的中点离参考直线的距离小于θ1时,表明AGV靠近了参考直线,此时以偏离航向角δ2为输入,传入第二阶段的PID控制为PID2(δ2),使AGV能够快速扭转偏向角。当AGV的车头拉正后,此时δ1和δ2都较小,为了使AGV能平稳运行,将上述两个指标同时作为输入参数,传入第三阶段的PID控制中调节AGV运动即PID3(δ1and δ2),即:
其中,ω为的AGV的角速度,用该参数来调节AGV的航向角,使其能精确地沿着目标线路运动。
在实际应用过程中,仓储系统中的AGV都能够被精准追踪和识别,并且根据分层规划算法安全、高效、有序地完成既定任务。本发明在大大减少了传统仓储系统各项成本的基础上,充分利用各区域资源,减少AGV的等待时间和平均时间耗费,提高AGV仓储系统的运行效率。
以上所述,仅为本发明优选的实施例,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所公开的范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都属于本发明的保护范围。
Claims (8)
1.一种基于全局视觉的仓储导航智能车调度方法,其特征在于,包括以下步骤:
1)利用仓库天花板上的顶部摄像头拍摄全局图像;
2)对全局图像进行处理来追踪仓储内的智能车(AGV)并利用卷积神经网络识别来识别每台AGV的编号;
3)将仓库分为若干个区域,利用全局控制器发送指令控制AGV,使AGV按照路线运行;
4)利用改进A*算法进行区域路径规划,得到最优的AGV从当前区域到达目标区域的途径区域集;
5)当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,使AGV安全地从当前区域驶出;
6)利用分段式PID控制算法使AGV能够沿规划路径平稳地运动,完成既定运输任务。
2.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤2)包括利用开源计算机视觉库(Opencv)中内置的图像处理函数库对仓库的全局图像进行处理,提取其中AGV顶部的特征图像得到其全局坐标,并将其传入基于CNN(卷积神经网络)的手写数字识别模型中识别该AGV的编号,达到识别和追踪多台AGV的目的。
3.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤2)具体包括以下步骤:
步骤一、将步骤1)拍摄的全局图像转换为HSV图片,设置阈值后提取其中的红色和黄色区域并对其二值化;
步骤二、利用Opencv中内置的Canny边缘检测算法和FindContour函数提取物体轮廓,随后计算出物体轮廓的周长,将其周长作为参数代入多边拟合函数中,得到多边形中点和各个顶点;
步骤三、通过ApproxPolyDP函数对多边形进行拟合,选取被判定为三角形的图形中点的像素坐标经过变换作为智能车在全局地图中的坐标,之后提取该三角形三个顶点和中点,得到特征图案,然后依次计算三角形三个内角的度数,找出角度为90度的顶点,计算出顶点和三角形中点连线和垂线的夹角,即为该AGV的航向角α,公式如下:
式(1)中,Δx1和Δx2为航向角的顶点x轴坐标与三角形的其他两点坐标之差,同理Δy1和Δy2为其对应顶点与三角形的其他两点之间y轴坐标之差;
步骤四、利用AGV航向角和特征图案的中点,以三角形中心为中点,将三角形旋转后得到特征图像朝上的三角形图案,以正向三角形的中心为中点剪裁出正方形,通过Opencv提取三角形内的特征数字并转化为二值化图像,然后将其发送到基于CNN(卷积神经网络)的手写数字识别模型中进行识别。
4.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤3)包括将仓储划分为n个区域作为仓储地图,每个区域内都含有一个路口和与其连接的走廊,在仓储地图中含有起始区域、自由通行区域、障碍物和目标区域;在执行任务过程中,AGV在起始区域被分配到达某目标区域的运输任务,然后经过分层规划得出到达目标区域的最优路径,再利用全局控制器发送指令控制AGV按照既定路线运行,运输任务结束后再返回空闲的起始点进行下一次任务循环;
其中,全局控制器发送的指令为直行命令、转弯命令和停车命令,通过步骤2)得到AGV的位姿(上述的步骤2)没有指出“得到AGV的位姿”,请在步骤2)中补充关于位姿的说明),当AGV运动到规划路线中需要转角的栅格时,全局控制器依次发送停车命令和转弯命令至AGV,待AGV完成旋转后,全局控制器发送直行命令至AGV,使AGV匀速行驶到下一个转角。
5.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤4)所述的区域路径规划包括区域间路径规划和区域内路径规划两个部分;其中,区域间路径规划为第一层规划,规划对象是区域,利用改进A*算法得到从当前区域到达目标区域的最佳途径区域集,区域内路径规划为第二层规划,当AGV从某一区域进入到另一区域时,利用时间窗算法进行区域内路径规划,避免多AGV在运货过程中发生碰撞。
6.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤4)中,所述改进A*算法包括:
首先将起始区域放入Close列表,然后将其四周的区域放入Open列表,其中Open列表存放的是接下来需要搜索的区域,Close列表表示已经计算过的区域,选择Close列表内的起始区域作为父节点,设置其四周区域的方向为指向父节点的方向,并在方向集中进行记录,然后依次计算Open列表内区域的代价值,选取有最小代价的区域放入Close列表内,接着以该区域作为新的父节点,也将其周围的区域放入Open列表内,再次更新区域的方向集,如此迭代,直到Open列表内包含目标区域,此时停止搜索,由于每个区域都指向其父节点,因此使用方向集能够反推出最优路径;
由于在AGV运行过程中,AGV转弯是一个相对耗费时间的行为,因此在传统A*算法的评价函数中加入了转弯代价值,即一个标准AGV转弯所需时间,目的是为了制定转弯次数较少的路径,此外,在若干个AGV运行的过程中,每个区域内的AGV个数是不同的,每个区域的拥堵情况也不相同,因此另外增加区域评价函数来反映该区域拥堵情况,在搜索路径时选择更加空闲的区域,使仓库中每条道路都被合理使用,进而提高整体的运行效率,修改传统A*算法的评价函数如下所示:
Gn(k)=Hn+Fn+Pn(k) (2)
Hn=|xn-xg|+|yn-yg| (3)
其中,Gn(k)为区域n在k时刻的代价值,Hn为候选区域与目标区域的曼哈顿距离,xn和yn为区域n的坐标,xg和yg为目标区域的坐标,Fn表示通过第n区域的时间代价,为直行时间代价,M为区域内根据区域进出口方向计算出的直行栅格数,gi为通过方格i所需的时间代价,tn为AGV通过区域n所需要额外的转弯代价,若在该区域不转弯则设置为0,Tn为区域n近一段时间内最长停车等待时间,Vn为区域n内的栅格总数;
Pn(k)为区域n在k时刻的区域密度评价值,其中n为区域数,k为距离该时刻的时间数,设AGV在没有拥堵的情况下通过一个区域所花费的时间为1,因此在A*算法搜索过程中,起点区域的k值为1,终点区域的k值为规划路径中途径区域集的总数,即从起点区域开始,经过k个时间段到达目标区域,所以同一区域的饱和度代价值是随A*算法搜索的深入而随之改变的;
Cn(k)为区域n内距今k时刻时的AGV数量,根据当前所有AGV的区域路径集Qi,则预测出在没有拥堵的情况下,未来k个时刻所有区域内的AGV数量:
其中,Z为仓储系统内AGV总数,Qi(k)的总行数是AGV的编号数,列存储的是以起始区域为起点,目标区域为终点的途径区域集合,对当前已知AGV路径集按时间进行求和,预测接来下几个时刻所有区域的AGV分布情况,然后将Cn(k)除以区域n内的栅格总数Vn,即得到区域n在k时刻的区域饱和度,再乘以该区域近一段时间内最长停车等待时间Tn来表示区域密度评价函数,该函数值越小,说明通过该区域可能需要的停车等待时间越短,区域内路况更加良好,更适宜AGV通过。
7.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤5)包括以下步骤为:
S1.对驶入该区域的AGV进入登记,记录其驶入方向、目标方向和进入时间;
S2.区域内道路都为双车道,AGV都靠右行驶,如果在直路中遇到前车停车,该车跟随其后停车直到前车开始移动;
S3.如果有AGV进入中心路口,则根据其目标方向设置其路线,并将其加入排队序列;S4.根据排队次序,依次根据所占用栅格排布时间窗,若既定路线的栅格被占用,则停车等待,排布下一优先级的AGV;
S5.AGV根据时间窗排布的序列进行移动,在驶出路口时,判断出口是否被占用,如果发生堵塞或者存在障碍物,则将时间窗内当前时间的序列进行整体后移;
S6.对驶出区域的AGV进行清除,记录其在该区域内的移动时间。
8.根据权利要求1上述的一种基于全局视觉的仓储导航智能车调度方法,其特征在于,步骤6)的分段式PID控制算法为:设AGV中心离参考直线的距离为δ1,当AGV离参考直线的距离大于阈值θ1时,将δ1作为输入传入第一阶段PID控制中即为PID1(δ1),当AGV靠近目标曲线,即δ1<θ1时,由于航向角过于偏离参考曲线,不能及时修正AGV的航向角,导致AGV会波动性地沿L1运动,稳定性较差;
为了AGV能稳定地沿参考直线运动,当AGV的中点离参考直线的距离小于θ1时,表明AGV靠近了参考直线,此时以偏离航向角δ2为输入,传入第二阶段的PID控制为PID2(δ2),使AGV能够快速扭转偏向角;
为了使AGV能平稳运行,将上述两个指标同时作为输入参数,传入第三阶段的PID控制系统中调节AGV运动即PID3(δ1 and δ2),即:
其中,ω为的AGV的角速度,用该参数来调节AGV的航向角,使其能沿着目标线路运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911046869.9A CN110780671B (zh) | 2019-10-30 | 2019-10-30 | 一种基于全局视觉的仓储导航智能车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911046869.9A CN110780671B (zh) | 2019-10-30 | 2019-10-30 | 一种基于全局视觉的仓储导航智能车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780671A true CN110780671A (zh) | 2020-02-11 |
CN110780671B CN110780671B (zh) | 2021-09-21 |
Family
ID=69387875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911046869.9A Active CN110780671B (zh) | 2019-10-30 | 2019-10-30 | 一种基于全局视觉的仓储导航智能车调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780671B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474935A (zh) * | 2020-04-27 | 2020-07-31 | 华中科技大学无锡研究院 | 一种移动机器人路径规划和定位方法、装置及系统 |
CN111583678A (zh) * | 2020-04-30 | 2020-08-25 | 福建中科云杉信息技术有限公司 | 一种无人集卡港口水平运输系统及方法 |
CN111708364A (zh) * | 2020-06-19 | 2020-09-25 | 南京理工大学 | 一种基于a*算法改进的agv路径规划方法 |
CN112100739A (zh) * | 2020-08-26 | 2020-12-18 | 福建摩尔软件有限公司 | 一种工厂agv的仿真管理方法、装置、系统、设备和介质 |
CN112149555A (zh) * | 2020-08-26 | 2020-12-29 | 华南理工大学 | 一种基于全局视觉的多仓储agv追踪方法 |
CN112286201A (zh) * | 2020-11-09 | 2021-01-29 | 苏州罗伯特木牛流马物流技术有限公司 | Agv导航控制系统及方法 |
CN112348434A (zh) * | 2020-10-29 | 2021-02-09 | 济南浪潮高新科技投资发展有限公司 | 一种云化小区外卖全自动配送的方案 |
CN112462755A (zh) * | 2020-10-27 | 2021-03-09 | 机械工业第九设计研究院有限公司 | 一种agv控制系统 |
CN112859885A (zh) * | 2021-04-25 | 2021-05-28 | 四川远方云天食品科技有限公司 | 一种送料机器人路径协同优化方法 |
CN113066294A (zh) * | 2021-03-16 | 2021-07-02 | 东北大学 | 基于云边融合技术的智能停车场系统 |
CN113342004A (zh) * | 2021-07-29 | 2021-09-03 | 山东华力机电有限公司 | 基于人工智能和视觉感知的多agv小车调度方法及系统 |
CN113516429A (zh) * | 2021-04-08 | 2021-10-19 | 华南理工大学 | 一种基于网络拥堵模型的多agv全局规划方法 |
CN113689056A (zh) * | 2021-10-23 | 2021-11-23 | 深圳市骏丰木链网科技股份有限公司 | 基于供应链的智能仓储管理方法和系统 |
CN113751330A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东乾石科技有限公司 | 物品分拣方法、系统、设备和存储介质 |
CN113903169A (zh) * | 2021-08-23 | 2022-01-07 | 深圳市金溢科技股份有限公司 | 一种交通优化方法、装置、电子设备及存储介质 |
US20220026915A1 (en) * | 2021-07-14 | 2022-01-27 | Zf Cv Systems Global Gmbh | Method for coordinating a vehicle in a depot, and function control device and vehicle |
CN114578812A (zh) * | 2022-02-21 | 2022-06-03 | 深圳易可达科技有限公司 | 机器人调度方法、装置、控制器、系统及存储介质 |
CN114626779A (zh) * | 2022-02-16 | 2022-06-14 | 杭州拼便宜网络科技有限公司 | 仓库信息处理方法、装置、电子设备和计算机可读介质 |
CN115061477A (zh) * | 2022-07-11 | 2022-09-16 | 广州驷源科技股份有限公司 | 一种基于超长型磁导agv切换轨道的处理方法 |
CN115646818A (zh) * | 2022-12-28 | 2023-01-31 | 江苏智联天地科技有限公司 | 一种agv智能分拣系统 |
CN115759492A (zh) * | 2022-10-25 | 2023-03-07 | 四川业亿辰科技有限公司 | 一种基于卷积神经网络算法的仓储管理方法及系统 |
CN116312014A (zh) * | 2023-04-14 | 2023-06-23 | 南京中润泊车设备科技股份有限公司 | 一种停车场智能导航方法 |
CN116414139A (zh) * | 2023-06-07 | 2023-07-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN118092457A (zh) * | 2024-04-26 | 2024-05-28 | 江苏康伯斯智能物流装备有限公司 | 一种仓储agv物流小车运行轨迹控制系统 |
CN118092208A (zh) * | 2024-04-23 | 2024-05-28 | 四川大学 | 基于全局视觉伺服的工位内agv智能导航方法及系统 |
CN118114910A (zh) * | 2024-01-12 | 2024-05-31 | 杭州云天软件股份有限公司 | 基于大数据分析的智慧工厂管理方法 |
CN118154101A (zh) * | 2024-05-09 | 2024-06-07 | 山东恒远智能科技有限公司 | 用于自动化物流设备的智慧仓库管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234537A (zh) * | 2013-01-24 | 2013-08-07 | 上海市上海中学 | 一种仓库自动导航机械车定位方法 |
US20170124781A1 (en) * | 2015-11-04 | 2017-05-04 | Zoox, Inc. | Calibration for autonomous vehicle operation |
CN106990781A (zh) * | 2017-03-31 | 2017-07-28 | 清华大学 | 基于激光雷达和图像信息的自动化码头agv定位方法 |
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
CN108831183A (zh) * | 2018-06-06 | 2018-11-16 | 哈尔滨工业大学(威海) | 基于机器视觉的停车场管理系统 |
CN110286672A (zh) * | 2019-05-13 | 2019-09-27 | 深圳创动科技有限公司 | 机器人及其导航控制方法、导航控制装置以及存储介质 |
-
2019
- 2019-10-30 CN CN201911046869.9A patent/CN110780671B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234537A (zh) * | 2013-01-24 | 2013-08-07 | 上海市上海中学 | 一种仓库自动导航机械车定位方法 |
US20170124781A1 (en) * | 2015-11-04 | 2017-05-04 | Zoox, Inc. | Calibration for autonomous vehicle operation |
CN106990781A (zh) * | 2017-03-31 | 2017-07-28 | 清华大学 | 基于激光雷达和图像信息的自动化码头agv定位方法 |
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
CN108831183A (zh) * | 2018-06-06 | 2018-11-16 | 哈尔滨工业大学(威海) | 基于机器视觉的停车场管理系统 |
CN110286672A (zh) * | 2019-05-13 | 2019-09-27 | 深圳创动科技有限公司 | 机器人及其导航控制方法、导航控制装置以及存储介质 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474935A (zh) * | 2020-04-27 | 2020-07-31 | 华中科技大学无锡研究院 | 一种移动机器人路径规划和定位方法、装置及系统 |
CN111583678A (zh) * | 2020-04-30 | 2020-08-25 | 福建中科云杉信息技术有限公司 | 一种无人集卡港口水平运输系统及方法 |
CN111708364B (zh) * | 2020-06-19 | 2024-05-21 | 南京理工大学 | 一种基于a*算法改进的agv路径规划方法 |
CN111708364A (zh) * | 2020-06-19 | 2020-09-25 | 南京理工大学 | 一种基于a*算法改进的agv路径规划方法 |
CN112100739A (zh) * | 2020-08-26 | 2020-12-18 | 福建摩尔软件有限公司 | 一种工厂agv的仿真管理方法、装置、系统、设备和介质 |
CN112149555A (zh) * | 2020-08-26 | 2020-12-29 | 华南理工大学 | 一种基于全局视觉的多仓储agv追踪方法 |
CN112149555B (zh) * | 2020-08-26 | 2023-06-20 | 华南理工大学 | 一种基于全局视觉的多仓储agv追踪方法 |
CN112462755A (zh) * | 2020-10-27 | 2021-03-09 | 机械工业第九设计研究院有限公司 | 一种agv控制系统 |
CN112462755B (zh) * | 2020-10-27 | 2022-09-16 | 机械工业第九设计研究院有限公司 | 一种agv控制系统 |
CN112348434A (zh) * | 2020-10-29 | 2021-02-09 | 济南浪潮高新科技投资发展有限公司 | 一种云化小区外卖全自动配送的方案 |
CN112286201A (zh) * | 2020-11-09 | 2021-01-29 | 苏州罗伯特木牛流马物流技术有限公司 | Agv导航控制系统及方法 |
CN113751330A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东乾石科技有限公司 | 物品分拣方法、系统、设备和存储介质 |
CN113066294A (zh) * | 2021-03-16 | 2021-07-02 | 东北大学 | 基于云边融合技术的智能停车场系统 |
CN113516429B (zh) * | 2021-04-08 | 2024-03-29 | 华南理工大学 | 一种基于网络拥堵模型的多agv全局规划方法 |
CN113516429A (zh) * | 2021-04-08 | 2021-10-19 | 华南理工大学 | 一种基于网络拥堵模型的多agv全局规划方法 |
CN112859885A (zh) * | 2021-04-25 | 2021-05-28 | 四川远方云天食品科技有限公司 | 一种送料机器人路径协同优化方法 |
US20220026915A1 (en) * | 2021-07-14 | 2022-01-27 | Zf Cv Systems Global Gmbh | Method for coordinating a vehicle in a depot, and function control device and vehicle |
CN113342004A (zh) * | 2021-07-29 | 2021-09-03 | 山东华力机电有限公司 | 基于人工智能和视觉感知的多agv小车调度方法及系统 |
CN113342004B (zh) * | 2021-07-29 | 2021-10-29 | 山东华力机电有限公司 | 基于人工智能和视觉感知的多agv小车调度方法及系统 |
CN113903169A (zh) * | 2021-08-23 | 2022-01-07 | 深圳市金溢科技股份有限公司 | 一种交通优化方法、装置、电子设备及存储介质 |
CN113689056A (zh) * | 2021-10-23 | 2021-11-23 | 深圳市骏丰木链网科技股份有限公司 | 基于供应链的智能仓储管理方法和系统 |
CN114626779A (zh) * | 2022-02-16 | 2022-06-14 | 杭州拼便宜网络科技有限公司 | 仓库信息处理方法、装置、电子设备和计算机可读介质 |
CN114578812A (zh) * | 2022-02-21 | 2022-06-03 | 深圳易可达科技有限公司 | 机器人调度方法、装置、控制器、系统及存储介质 |
CN115061477A (zh) * | 2022-07-11 | 2022-09-16 | 广州驷源科技股份有限公司 | 一种基于超长型磁导agv切换轨道的处理方法 |
CN115759492B (zh) * | 2022-10-25 | 2024-03-26 | 四川业亿辰科技有限公司 | 一种基于卷积神经网络算法的仓储管理方法及系统 |
CN115759492A (zh) * | 2022-10-25 | 2023-03-07 | 四川业亿辰科技有限公司 | 一种基于卷积神经网络算法的仓储管理方法及系统 |
CN115646818A (zh) * | 2022-12-28 | 2023-01-31 | 江苏智联天地科技有限公司 | 一种agv智能分拣系统 |
CN116312014A (zh) * | 2023-04-14 | 2023-06-23 | 南京中润泊车设备科技股份有限公司 | 一种停车场智能导航方法 |
CN116312014B (zh) * | 2023-04-14 | 2024-06-18 | 南京中润泊车设备科技股份有限公司 | 一种停车场智能导航方法 |
CN116414139B (zh) * | 2023-06-07 | 2023-08-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN116414139A (zh) * | 2023-06-07 | 2023-07-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN118114910A (zh) * | 2024-01-12 | 2024-05-31 | 杭州云天软件股份有限公司 | 基于大数据分析的智慧工厂管理方法 |
CN118092208A (zh) * | 2024-04-23 | 2024-05-28 | 四川大学 | 基于全局视觉伺服的工位内agv智能导航方法及系统 |
CN118092457A (zh) * | 2024-04-26 | 2024-05-28 | 江苏康伯斯智能物流装备有限公司 | 一种仓储agv物流小车运行轨迹控制系统 |
CN118154101A (zh) * | 2024-05-09 | 2024-06-07 | 山东恒远智能科技有限公司 | 用于自动化物流设备的智慧仓库管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110780671B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780671B (zh) | 一种基于全局视觉的仓储导航智能车调度方法 | |
CN112149555B (zh) | 一种基于全局视觉的多仓储agv追踪方法 | |
US20210341920A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
Yang et al. | Hierarchical planning for multiple AGVs in warehouse based on global vision | |
Guérin et al. | Towards an autonomous warehouse inventory scheme | |
Ess et al. | Moving obstacle detection in highly dynamic scenes | |
Cherubini et al. | Autonomous visual navigation and laser-based moving obstacle avoidance | |
Dong et al. | Real-time avoidance strategy of dynamic obstacles via half model-free detection and tracking with 2d lidar for mobile robots | |
CN111757822A (zh) | 用于使用多传感器检测融合来在物流地面支持设备上进行增强的碰撞避免的系统和方法 | |
Sales et al. | Adaptive finite state machine based visual autonomous navigation system | |
Guney et al. | Dynamic prioritized motion coordination of multi-AGV systems | |
CN113342004B (zh) | 基于人工智能和视觉感知的多agv小车调度方法及系统 | |
Liu et al. | Deep learning-based localization and perception systems: approaches for autonomous cargo transportation vehicles in large-scale, semiclosed environments | |
CN117093009B (zh) | 一种基于机器视觉的物流agv小车导航控制方法及系统 | |
CN114169628B (zh) | 基于a*算法和遗传算法的舰载机调度优化方法及系统 | |
Zhao et al. | Design and implementation of a multiple AGV scheduling algorithm for a job-shop. | |
Duinkerken et al. | Comparison of routing strategies for AGV systems using simulation | |
CN118092457B (zh) | 一种仓储agv物流小车运行轨迹控制系统 | |
CN114879674A (zh) | 一种预制构件堆场中巡检机器人调度与路径规划方法 | |
Cherubini et al. | Avoiding moving obstacles during visual navigation | |
US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
Varga et al. | Developing an autonomous valet parking system in simulated environment | |
CN115629609A (zh) | 一种多agv协同工作系统 | |
CN114675658A (zh) | 一种空货架的自动回收方法、系统、设备以及介质 | |
Choi et al. | Semantics-guided Transformer-based Sensor Fusion for Improved Waypoint Prediction |
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 |