CN110941277B - 一种小车路线规划方法及系统 - Google Patents

一种小车路线规划方法及系统 Download PDF

Info

Publication number
CN110941277B
CN110941277B CN201911284535.5A CN201911284535A CN110941277B CN 110941277 B CN110941277 B CN 110941277B CN 201911284535 A CN201911284535 A CN 201911284535A CN 110941277 B CN110941277 B CN 110941277B
Authority
CN
China
Prior art keywords
trolley
conflict point
energy consumption
neural network
total energy
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
CN201911284535.5A
Other languages
English (en)
Other versions
CN110941277A (zh
Inventor
陈启宇
陈宇
段鑫
邹兵
曹永军
黄丹
唐朝阳
黄文昶
白大勇
陈儒
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.)
Guangdong Institute of Intelligent Manufacturing
South China Robotics Innovation Research Institute
Original Assignee
Guangdong Institute of Intelligent Manufacturing
South China Robotics Innovation Research Institute
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 Guangdong Institute of Intelligent Manufacturing, South China Robotics Innovation Research Institute filed Critical Guangdong Institute of Intelligent Manufacturing
Priority to CN201911284535.5A priority Critical patent/CN110941277B/zh
Publication of CN110941277A publication Critical patent/CN110941277A/zh
Application granted granted Critical
Publication of CN110941277B publication Critical patent/CN110941277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种小车路线规划方法及系统，该方法包括以下步骤：在第一小车的预设行进轨迹和第二小车的预设行进轨迹存在冲突点时，基于预设的k种AGV路径规划方法分别得出k种冲突点解决方案St,t＝1,2,3,…,k；St包括pt和qt，其中，pt为第t冲突点解决方案下的第一小车关于行进轨迹和行进速度的驱动方案，qt为第t冲突点解决方案下关于行进轨迹和行进速度的第二小车的驱动方案；分别计算k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；比较k种冲突点解决方案的总耗能，以总耗能最小的冲突点解决方案作为最佳方案并基于最佳方案分别驱动第一小车和第二小车运动。该小车路线规划方法以总能耗评价冲突点解决方案的优劣，具有良好的经济性和实用性。

Description

一种小车路线规划方法及系统
技术领域
本发明涉及机器人控制领域，具体涉及到一种小车路线规划方法及系统。
背景技术
自动导引运输车AGV(Automated Guided Vehicle)是指装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。随着智能化工厂的普及，越来越多的工厂在生产环境用采用AGV用以辅助运输。
在生产环境中，除了沿固定路线运动的AGV外，还有很多工厂的AGV采用实时路线规划的方式进行控制，最常见的就是两辆AGV的预设行进轨迹存在冲突点，中央控制器需要根据预设的逻辑对发生运动冲突的两辆AGV进行路线的重新规划，以避免两辆AGV相撞。
目前针对两辆AGV行进轨迹冲突的问题，行业内已有较为多样化的冲突点解决方案，在满足必要的限定条件下，如到达时间限定等条件，如何评价各种不同的冲突点解决方案的优劣暂时行业内还没有较为统一的说法。
发明内容
本发明提供了一种小车路线规划方法及系统，该方法以两辆小车的总能耗评价冲突点解决方案的优劣，可从节能方面在不同的冲突点解决方案中选出最优方案，具有良好的经济性和实用性。
相应的，本发明提供了一种小车路线规划方法，包括以下步骤：
在第一小车的预设行进轨迹和第二小车的预设行进轨迹存在冲突点时，基于预设的k种AGV路径规划方法分别得出k种冲突点解决方案St,t＝1,2,3,…,k；
St包括pt和qt，其中，pt为第t冲突点解决方案下的第一小车关于行进轨迹和行进速度的驱动方案，qt为第t冲突点解决方案下关于行进轨迹和行进速度的第二小车的驱动方案；
分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；
比较所述k种冲突点解决方案的总耗能，以所述总耗能最小的冲突点解决方案作为最佳方案并基于所述最佳方案分别驱动所述第一小车和第二小车运动。
可选的实施方式，pt包括第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure BDA0002317636150000021
其中，第一小车行进轨迹由若干段轨迹a1,a2,…,ax组成，所述若干段轨迹a1,a2,…,ax的对应行进速度分别为
Figure BDA0002317636150000022
qt包括第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure BDA0002317636150000023
其中，第二小车行进轨迹由若干段轨迹b1,b2,…,bx组成，所述若干段轨迹b1,b2,…,bx的对应行进速度为
Figure BDA0002317636150000024
可选的实施方式，第一小车和第二小车为同一型号小车。
可选的实施方式，基于神经网络模型分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；
所述基于神经网络模型分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt包括：
预构建所述神经网络模型；
输入第t种冲突点解决方案下的第一小车的负荷Fa、第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure BDA0002317636150000025
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W1t；
输入第t种冲突点解决方案下的第二小车的负荷Fb、第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure BDA0002317636150000031
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W2t；
第t种冲突点解决方案下的第一小车和第二小车的总耗能Wt＝W1t+W2t。
可选的实施方式，所述预构建所述神经网络模型包括：
以行进轨迹c＝(c1,c2,…,cz)、对应所述行进轨迹的行进速度
Figure BDA0002317636150000032
和负荷Fc驱动所述第一小车或第二小车运动，记录所述第一小车或第二小车的功耗Wc，得到一组训练数据(c,vc,Fc,Wc)，其中，c,vc,Fc为输入数据，Wc为输出数据；
以若干组训练数据训练一神经网络，得到所需的神经网络模型。
可选的实施方式，所述小车路线规划方法还包括以下步骤：
在基于所述最佳方案分别驱动所述第一小车和第二小车运动后，以pt、第一小车的负荷和第一小车的实际耗能为训练数据训练所述神经网络模型，以qt、第二小车的负荷和第二小车的实际耗能为训练数据训练所述神经网络模型。
可选的实施方式，在所述总耗能最小的冲突点解决方案的数量大于或等于两个时，计算所述第一小车和第二小车中的负荷较大者在不同的所述总耗能最小的冲突点解决方案中的行进速度方差值，以行进速度方差值最小的冲突点解决方案作为最佳方案。
相应的，本发明还提供了一种小车路线规划系统，其特征在于，所述小车路线规划系统用于实现上述任一项所述的小车路线规划方法。
本发明提供了一种小车路线规划方法及系统，该小车路线规划方法基于总能耗选择冲突点解决方案，可节省耗能，提高小车续航，具有良好的经济性和实用性；冲突点解决方案的总能耗通过神经网络方法进行确认，在足够的训练数据下具有较高的预估精度，且神经网络能够在每次实践后进行进化，有利于提高总能耗的计算精度，具有良好的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本发明实施例的小车路线规划方法流程图；
图2示出了基于神经网络的能耗计算方法的方法流程图。
具体实施方式
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前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例的小车路线规划方法流程图。
本发明实施例提供了一种小车路线规划方法，包括以下步骤：
S101：在第一小车的预设行进轨迹和第二小车的预设行进轨迹存在冲突点时，基于预设的k种AGV路径规划方法分别得出k种冲突点解决方案St,t＝1,2,3,…,k；
首先需要说明的是，为了保证运输的高效性，第一小车的预设行进轨迹为第一小车的起点至第一小车的目标终点之间的连线轨迹，第一小车的速度在满足时间需求的条件下为一平均值；相似的，第二小车的预设行进轨迹为第二小车的起点至第二小车的目标终点之间的连线轨迹，第二小车的速度在满足时间需求的条件下为一平均值。
所述冲突点是指在某一时刻下，第一小车和第二小车同时运动至第一小车的预设行进轨迹和第二小车的预设行进轨迹的交点上，在该情况下，冲突点的存在会使第一小车和第二小车发生碰撞，因此，在发生以上情况时，需要对第一小车的行进轨迹和第二小车的行进轨迹进行二次规划。
具体的，可基于预设的现有技术下的AGV路径规划方法分别得出k种冲突点解决方案St,t＝1,2,3,…,k；
具体的，每一种冲突点解决方案St包括pt和qt，其中，pt为第t冲突点解决方案下的第一小车关于行进轨迹和行进速度的驱动方案，qt为第t冲突点解决方案下关于行进轨迹和行进速度的第二小车的驱动方案；具体的，pt包括第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure BDA0002317636150000051
其中，第一小车行进轨迹由若干段轨迹a1,a2,…,ax组成，所述若干段轨迹a1,a2,…,ax的对应行进速度分别为
Figure BDA0002317636150000052
qt包括第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure BDA0002317636150000053
其中，第二小车行进轨迹由若干段轨迹b1,b2,…,bx组成，所述若干段轨迹b1,b2,…,bx的对应行进速度为
Figure BDA0002317636150000054
S102：分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；
具体的，一般在工厂环境下，为了控制的统一性，不同的小车通常会采用同一型号，本发明实施例以第一小车和第二小车为同一型号小车为例进行说明；实际上，第一小车和第二小车为不同型号时，同样可以才有相类似的方法实现。
图2示出了基于神经网络的能耗计算方法的方法流程图。具体的，由于小车运动情况的复杂性，小车在不同的行进方案(主要包括路线、速度和小车的负载三方面的内容)中的耗能是难以准确估算的，为此，为了估算第一小车和第二小车在不同冲突点解决方案中的总能耗，本实施例提供了一种基于神经网络模型的能耗计算方法，所述基于神经网络的能耗计算方法包括以下步骤：
S201：预构建所述神经网络模型；
原始的神经网络模型需要经过足够数量的训练数据进行训练后才能达到理想的效果，具体的，在本实施例中，以行进轨迹c＝(c1,c2,…,cz)、对应所述行进轨迹的行进速度
Figure BDA0002317636150000061
和负荷Fc驱动所述第一小车或第二小车运动，记录所述第一小车或第二小车的功耗Wc，得到一组训练数据(c,vc,Fc,Wc)，其中，c,vc,Fc为输入数据，Wc为输出数据；具体的，Wc数据可以在每次小车的运动结束后进行读取。
通过小车厂家或工厂重复上述过程，可获取足够数量的训练数据，然后以若干组训练数据训练所述原始的神经网络，得到所需的神经网络模型。
需要说明的是，每次实践中的数据还可以作为训练数据进一步对神经网络模型进行训练，以提高神经网络模型的准确性。
S202：输入第t种冲突点解决方案下的第一小车的负荷Fa、第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure BDA0002317636150000062
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W1t；
S203：输入第t种冲突点解决方案下的第二小车的负荷Fb、第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure BDA0002317636150000063
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W2t；
S204：第t种冲突点解决方案下的第一小车和第二小车的总耗能Wt＝W1t+W2t。
通过步骤S201至步骤S204，可计算出每一种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k。
由于小车运动与能耗之间的对应函数关系是十分不明显的，因此，本发明实施例采用神经网络模型对下车运动和能耗之间构建对照关系，具体使用中并不需要其内在的计算过程，只需输入c,vc,Fc数据至神经网络模型中，神经网络模型即可预估一功耗数据供参考。
可选的，在基于所述最佳方案分别驱动所述第一小车和第二小车运动后，以pt、第一小车的负荷和第一小车的实际耗能为训练数据训练所述神经网络模型，以qt、第二小车的负荷和第二小车的实际耗能为训练数据训练所述神经网络模型。具体实施中，训练数据的样本辆越大，小车执行的冲突点解决方案越多，神经网络模型就越准确。
S103：比较所述k种冲突点解决方案的总耗能，以所述总耗能最小的冲突点解决方案作为最佳方案并基于所述最佳方案分别驱动所述第一小车和第二小车运动。
具体的，在小概率条件下，在所述总耗能最小的冲突点解决方案的数量大于或等于两个时，计算所述第一小车和第二小车中的负荷较大者在不同的所述总耗能最小的冲突点解决方案中的行进速度方差值，以行进速度方差值最小的冲突点解决方案作为最佳方案。具体的，该筛选条件的依据主要是避免大重量的小车速度变化差异太大导致货物重心的不稳，可一定程度上避免货物倾覆的事故。
相应的，本发明实施例还提供了一种小车路线规划系统，所述小车路线规划系统用于执行上述小车路线规划方法。
综上，本发明实施例提供了一种小车路线规划方法及系统，该小车路线规划方法基于总能耗选择冲突点解决方案，可节省耗能，提高小车续航，具有良好的经济性和实用性；冲突点解决方案的总能耗通过神经网络方法进行确认，在足够的训练数据下具有较高的预估精度，且神经网络能够在每次实践后进行进化，有利于提高总能耗的计算精度，具有良好的实用性。
以上对本发明实施例所提供的一种小车路线规划方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种小车路线规划方法，其特征在于，包括以下步骤：
在第一小车的预设行进轨迹和第二小车的预设行进轨迹存在冲突点时，基于预设的k种AGV路径规划方法分别得出k种冲突点解决方案St,t＝1,2,3,…,k；
St包括pt和qt，其中，pt为第t冲突点解决方案下的第一小车关于行进轨迹和行进速度的驱动方案，qt为第t冲突点解决方案下关于行进轨迹和行进速度的第二小车的驱动方案；
分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；
比较所述k种冲突点解决方案的总耗能，以所述总耗能最小的冲突点解决方案作为最佳方案并基于所述最佳方案分别驱动所述第一小车和第二小车运动。
2.如权利要求1所述的小车路线规划方法，其特征在于，pt包括第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure FDA0002317636140000011
其中，第一小车行进轨迹由若干段轨迹a1,a2,…,ax组成，所述若干段轨迹a1,a2,…,ax的对应行进速度分别为
Figure FDA0002317636140000012
qt包括第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure FDA0002317636140000013
其中，第二小车行进轨迹由若干段轨迹b1,b2,…,bx组成，所述若干段轨迹b1,b2,…,bx的对应行进速度为
Figure FDA0002317636140000014
3.如权利要求2所述的小车路线规划方法，其特征在于，第一小车和第二小车为同一型号小车。
4.如权利要求3所述的小车路线规划方法，其特征在于，基于神经网络模型分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt,t＝1,2,3,…,k；
所述基于神经网络模型分别计算所述k种冲突点解决方案下的第一小车和第二小车的总耗能Wt包括：
预构建所述神经网络模型；
输入第t种冲突点解决方案下的第一小车的负荷Fa、第一小车行进轨迹a＝(a1,a2,…,ax)和第一小车行进速度
Figure FDA0002317636140000021
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W1t；
输入第t种冲突点解决方案下的第二小车的负荷Fb、第二小车行进轨迹b＝(b1,b2,…,bx)和第二小车行进速度
Figure FDA0002317636140000022
至所述神经网络模型，得到第t种冲突点解决方案下的第一小车的耗能W2t；
第t种冲突点解决方案下的第一小车和第二小车的总耗能Wt＝W1t+W2t。
5.如权利要求4所述的小车路线规划方法，其特征在于，所述预构建所述神经网络模型包括：
以行进轨迹c＝(c1,c2,…,cz)、对应所述行进轨迹的行进速度
Figure FDA0002317636140000023
和负荷Fc驱动所述第一小车或第二小车运动，记录所述第一小车或第二小车的功耗Wc，得到一组训练数据(c,vc,Fc,Wc)，其中，c,vc,Fc为输入数据，Wc为输出数据；
以若干组训练数据训练一神经网络，得到所需的神经网络模型。
6.如权利要求5所述的小车路线规划方法，其特征在于，所述小车路线规划方法还包括以下步骤：
在基于所述最佳方案分别驱动所述第一小车和第二小车运动后，以pt、第一小车的负荷和第一小车的实际耗能为训练数据训练所述神经网络模型，以qt、第二小车的负荷和第二小车的实际耗能为训练数据训练所述神经网络模型。
7.如权利要求3所述的小车路线规划方法，其特征在于，在所述总耗能最小的冲突点解决方案的数量大于或等于两个时，计算所述第一小车和第二小车中的负荷较大者在不同的所述总耗能最小的冲突点解决方案中的行进速度方差值，以行进速度方差值最小的冲突点解决方案作为最佳方案。
8.一种小车路线规划系统，其特征在于，所述小车路线规划系统用于实现权利要求1至7任一项所述的小车路线规划方法。
CN201911284535.5A 2019-12-13 2019-12-13 一种小车路线规划方法及系统 Active CN110941277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911284535.5A CN110941277B (zh) 2019-12-13 2019-12-13 一种小车路线规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911284535.5A CN110941277B (zh) 2019-12-13 2019-12-13 一种小车路线规划方法及系统

Publications (2)

Publication Number Publication Date
CN110941277A CN110941277A (zh) 2020-03-31
CN110941277B true CN110941277B (zh) 2023-02-17

Family

ID=69910920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911284535.5A Active CN110941277B (zh) 2019-12-13 2019-12-13 一种小车路线规划方法及系统

Country Status (1)

Country Link
CN (1) CN110941277B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748732B (zh) * 2020-12-01 2022-08-05 杭州电子科技大学 基于改进Kstar算法和深度学习的实时路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6240342B1 (en) * 1998-02-03 2001-05-29 Siemens Aktiengesellschaft Path planning process for a mobile surface treatment unit
WO2013189664A1 (de) * 2012-06-19 2013-12-27 Robert Bosch Gmbh Verfahren und vorrichtung zum fahren einer fahrstrecke mit einem vorgegebenen gewünschten mittleren energieverbrauch
CN104299077A (zh) * 2014-09-30 2015-01-21 广州供电局有限公司 现场稽查路径规划及现场稽查问题处理方法
CN107389076A (zh) * 2017-07-01 2017-11-24 兰州交通大学 一种适用于智能网联汽车的节能实时动态路径规划方法
CN109901586A (zh) * 2019-03-27 2019-06-18 厦门金龙旅行车有限公司 一种无人车循迹控制方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6296716B2 (ja) * 2013-07-19 2018-03-20 株式会社東芝 運転曲線作成装置、運転曲線作成装置の制御方法及び制御プログラム
CN107610212B (zh) * 2017-07-25 2020-05-12 深圳大学 场景重建方法、装置、计算机设备以及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6240342B1 (en) * 1998-02-03 2001-05-29 Siemens Aktiengesellschaft Path planning process for a mobile surface treatment unit
WO2013189664A1 (de) * 2012-06-19 2013-12-27 Robert Bosch Gmbh Verfahren und vorrichtung zum fahren einer fahrstrecke mit einem vorgegebenen gewünschten mittleren energieverbrauch
CN104299077A (zh) * 2014-09-30 2015-01-21 广州供电局有限公司 现场稽查路径规划及现场稽查问题处理方法
CN107389076A (zh) * 2017-07-01 2017-11-24 兰州交通大学 一种适用于智能网联汽车的节能实时动态路径规划方法
CN109901586A (zh) * 2019-03-27 2019-06-18 厦门金龙旅行车有限公司 一种无人车循迹控制方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Path-planning of Automated Guided Vehicle based on Improved Dijkstra Algorithm;Guo Qing,等;《IEEE》;20171231;第7138-7143页 *
仓储式多AGV系统的路径规划研究及仿真;于赫年，等;《计算机工程与应用》;20190708;第233-241页 *
面向仓储系统的自动化WSAN"感知-控制"模型研究;马燕玲，等;《电脑知识与技术》;20130930;第5589-5594页 *

Also Published As

Publication number Publication date
CN110941277A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110597245B (zh) 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN108762268B (zh) 多agv无碰撞路径规划算法
CN107168316B (zh) 一种基于单双向混合路径的多agv调度系统
CN108919795B (zh) 一种自动驾驶汽车换道决策方法及装置
Meng et al. Dynamic decision making in lane change: Game theory with receding horizon
CN111596658A (zh) 一种多agv无碰撞运行的路径规划方法及调度系统
JP6610891B2 (ja) 列車の移動を制御する方法およびシステム
Shen et al. Cooperative comfortable-driving at signalized intersections for connected and automated vehicles
Hoogendoorn et al. Modeling driver, driver support, and cooperative systems with dynamic optimal control
CN110108290B (zh) 一种基于遗传算法的多智能车避撞路径规划的方法
Au et al. Setpoint scheduling for autonomous vehicle controllers
CN109928129A (zh) 自动引导车的控制方法、自动引导车及货物搬运系统
Aradi et al. Policy gradient based reinforcement learning approach for autonomous highway driving
Li et al. Trajectory planning for autonomous modular vehicle docking and autonomous vehicle platooning operations
CN110941277B (zh) 一种小车路线规划方法及系统
Sierra‐Garcia et al. Combining reinforcement learning and conventional control to improve automatic guided vehicles tracking of complex trajectories
Gunarathna et al. Real-time intelligent autonomous intersection management using reinforcement learning
Levy et al. Path and trajectory planning for autonomous vehicles on roads without lanes
Suriyarachchi et al. Gameopt: Optimal real-time multi-agent planning and control for dynamic intersections
Evans et al. High-speed autonomous racing using trajectory-aided deep reinforcement learning
Spatharis et al. Multiagent reinforcement learning for autonomous driving in traffic zones with unsignalized intersections
Zhou et al. Distributed motion coordination using convex feasible set based model predictive control
CN112987713A (zh) 自动驾驶设备的控制方法、装置及存储介质
Liu et al. A synchronization approach for achieving cooperative adaptive cruise control based non-stop intersection passing
CN114035586B (zh) 改进蚁群算法和动态窗口的车间agv小车路径规划方法

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