CN111289007A - 基于改进蚁群算法的泊车agv路径规划方法 - Google Patents

基于改进蚁群算法的泊车agv路径规划方法 Download PDF

Info

Publication number
CN111289007A
CN111289007A CN202010205897.7A CN202010205897A CN111289007A CN 111289007 A CN111289007 A CN 111289007A CN 202010205897 A CN202010205897 A CN 202010205897A CN 111289007 A CN111289007 A CN 111289007A
Authority
CN
China
Prior art keywords
agv
node
time
path
pheromone
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.)
Pending
Application number
CN202010205897.7A
Other languages
English (en)
Inventor
戚湧
倪艺慧
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010205897.7A priority Critical patent/CN111289007A/zh
Publication of CN111289007A publication Critical patent/CN111289007A/zh
Priority to KR1020200084570A priority patent/KR102457297B1/ko
Priority to PCT/CN2020/101552 priority patent/WO2021189720A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/027—Parking aids, e.g. instruction means
    • B62D15/0285—Parking performed automatically
    • 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
    • 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
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进蚁群算法的泊车AGV路径规划方法。该方法包括：1）泊车环境建模；2）初始化系统参数；3）改进信息素更新策略；4）改进启发式信息强度；5）应用改进蚁群算法对泊车AGV进行路径规划。本发明方法为泊车AGV搜寻提供一条从起点到目标点的时间最优路径，确保AGV系统在较短时间内准确、快速地完成车辆存取、停放任务。

Description

基于改进蚁群算法的泊车AGV路径规划方法
技术领域
本发明属于AGV路径规划技术领域，具体地说，是一种基于改进蚁群算法的泊车AGV路径规划方法。
背景技术
基于泊车AGV(Automated Guided Vehicle)的智慧停车场采用机器人自主停车，当需要存车时，车主只需将汽车停放在车库入口处，然后就可以离开，接下来由停车AGV将车辆搬运到停车位上。当需要取车时，车主只需要在客户端下达取车请求，停车AGV就可以将汽车从车库内搬运到车库出口处。以上整个存、取车过程大大节省了停车人员的时间，同时缓解了静态交通问题。AGV路径规划是停车AGV系统中非常重要的问题，系统通过各种传感器装置实时获取停车场中停车位和行车道的使用情况，快速地为AGV搜寻到一条从起点到目标点的最优路径，实现智慧停车。
针对多AGV路径规划问题，国内外学者提出了多种有效方法，包括Dijkstra算法、A*算法、蚁群算法等，这些算法被广泛用于解决各领域路径规划问题。如Deng Yong等人提出采用一种模糊Dijkstra算法解决不确定环境下的最短路径问题；蔡旻等人提出一种将蚁群算法与A*算法相结合的改进A*算法。蚁群算法是一种新型仿生算法，凭借并行性、强鲁棒性、全局最优等优点广泛应用于路径规划问题。许多学者对基本蚁群算法进行了优化，大多是通过对信息素调节进行的优化。胡庆朋等人通过正态分布优化蚁群算法中的转移概率，提高收敛速度；文献利用人工势场法重构启发函数,提出的改进势场蚁群算法收敛速度较快；LIU J,YANG等人提出通过对信息素调节进行优化将蚁群算法与遗传算法融合，在蚁群算法中引入改进的交叉算子来避免陷入局部最优；
以上改进的算法未考虑到停车AGV实际应用场景，由于停取车的需求是时变的，导致停车场内道路交通强度也是时变的，随着存、取车任务的下达，不同时间段行驶在路网中的停车AGV数目可变，两点间距离最短并不代表行驶时间最短。当一段路径上车辆较多时，就可能出现优先级较低的停车AGV需要等待优先级相对较高的停车AGV通过来避障，如果排队较多，避障耗时较长，此时可能其他相对路径较长的路径耗时较短。因此最优路径的选择必须考虑到实时的停车场内交通信息。另一方面，相同距离的几条路径中，有的转弯次数较多，这样也增加了任务完成时间。
发明内容
本发明的目的在于提供一种基于改进蚁群的泊车AGV路径规划方法，为AGV搜寻到一条从起点到目标点的最优路径，确保AGV在最短时间内快速、准确地完成车辆存取任务。
本发明提供的一种基于改进蚁群算法的停车AGV路径规划方法主要有以下几个部分组成：泊车AGV环境建模；改进信息素更新策略；改进启发式信息强度；泊车AGV运行时间节点计算；应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
为实现上述目的，本发明采用的技术解决方案为基于改进蚁群算法的停车AGV路径规划方法，具体包括如下步骤：
步骤1、针对泊车AGV实际运行环境，采用拓扑法建立环境模型；
步骤2、针对蚁群算法的局部最优问题，综合两种信息素更新方法并加入赏罚机制，对信息素更新策略进行改进；
步骤3、针对智能停车场的实际应用需求，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，得到运行时间最短路径；
步骤4、针对泊车AGV运行时间的计算，基于直线和拐弯两种方式计算AGV运行时间；
步骤5、应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
进一步地，所述步骤1包括以下子步骤：
步骤1.1：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，Wij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，Wij代表节点i和j组成的边Vij的权值；给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
步骤1.2：根据应用环境，做如下规定：
①泊车AGV在同一时间段内只接受1项任务，任务执行期间，不接受系统分配的其他任务；
②设定所有的泊车AGV均以相同的速度行驶，且AGV载车时和空载时运行速度相同；
③泊车AGV经过节点转弯的时间为常数；
④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间早的AGV，其优先级高，优先级高的AGV优先通过节点或者路段。
进一步地，所述步骤2包括以下子步骤：
步骤2.1：针对蚁群算法的局部最优问题，采用综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，以提高蚁群算法收敛速度；；
步骤2.2：实时信息素更新
在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素：
Figure BDA0002421092790000031
Figure BDA0002421092790000032
ρ表示信息素挥发程度，ρ∈(0,1)，Q为常数，表示蚂蚁循环一次释放的信息素总量，dij表示i到j的距离，
Figure BDA0002421092790000033
表示蚂蚁m在此轮迭代中经过路径(i,j)时释放的信息素浓度；
步骤2.3：路径信息素更新
在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚；
进一步地，所述步骤2.3包括以下子步骤：
步骤2.3.1：信息素奖励
对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素：
Figure BDA0002421092790000034
Figure BDA0002421092790000035
Δτawa表示信息素奖励值，tmin表示此次迭代中最优路径的耗时；
步骤2.3.2：信息素惩罚
对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素：
Figure BDA0002421092790000041
Figure BDA0002421092790000042
Δτpun表示信息素惩罚值，tmax表示此次迭代中最劣路径的耗时。
进一步地，所述步骤3包括以下子步骤：
步骤3.1：根据智能停车场的实际应用需求，改进启发式信息强度，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径；
步骤3.2：改进启发式信息强度：
Figure BDA0002421092790000043
Figure BDA0002421092790000044
E表示运行终点，ηE(i)为节点i到终点E的启发式信息强度，Ti为蚂蚁从点i到终点的搜索时间，Li为点i到终点的距离，v为AGV的行驶速度，n表示蚂蚁在路径(i,E)上的最小转弯次数，t0为常数，表示AGV转弯耗时。
进一步地，所述步骤4包括以下子步骤：
步骤4.1：计算AGV通过节点i的时间，AGV通过节点i分两种情况，(a)AGV直线通过节点i，(b)AGV转弯通过节点i；
步骤4.1.1：假设AGV的行驶路径为i0→i→j，判断AGV直线通过还是转弯通过节点i，要由i的前一节点i0和下一个节点j是否在同一条直线上来确定，转弯耗时为t0；
当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i；
步骤4.1.2：设AGV到达点i的时刻为
Figure BDA0002421092790000045
AGV全部离开点i的时刻为
Figure BDA0002421092790000046
则AGV直线通过节点i时可得：
Figure BDA0002421092790000051
AGV转弯通过节点i时可得：
Figure BDA0002421092790000052
其中L表示AGV车身长度，t0表示转弯耗时，即AGV在该节点处拐弯比直线通过多出来的时间，且
Figure BDA0002421092790000053
v是AGV的行驶速度，则AGV通过节点i的时间段为
Figure BDA0002421092790000054
步骤4.2：计算AGV到达节点j的时刻，AGV从点i搜索到下一个要到达的节点j，包含两种情况：(a)AGV直线通过i节点到达j，(b)AGV拐弯通过节点i到达j；
步骤4.2.1：当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i到达j，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i到达节点j；
步骤4.2.2：AGV直线通过i节点到达j时，行驶时间计算为：
Figure BDA0002421092790000055
AGV拐弯通过节点i到达j时，行驶时间计算为：
Figure BDA0002421092790000056
其中d为点i与点j之间的路径距离；
步骤4.3：假设当路径规划搜索到点j时，点j有k个已经被占用的时间段：
Figure BDA0002421092790000057
则到达节点j的时刻为：
当
Figure BDA0002421092790000058
时，
Figure BDA0002421092790000059
当
Figure BDA00024210927900000510
时，此时AGV需要在i点处停车避障，直到节点j处释放时间窗，
Figure BDA00024210927900000511
则可求得点i到点j的时间为，
Figure BDA00024210927900000512
进一步地，所述步骤5包括以下子步骤：
步骤5.1：初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β等；
步骤5.2：进入迭代；
步骤5.3：AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
Figure BDA0002421092790000061
Figure BDA0002421092790000062
为t时刻路径(i,j)上的信息素浓度，ηE(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
步骤5.4：计算各AGV经过的路径时间，记录当前迭代次数最优解；
步骤5.5：更新路径上的信息素浓度；
步骤5.6：判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；
步骤5.7：输出时间最短路径，并根据需要输出算法中的相关指标，包括AGV运行时间、AGV运行路径、收敛迭代次数和算法运行时间。。
本发明与现有技术相比，其显著优点为：
(1)改进算法可得泊车AGV运行时间最短的路径，提高停车场的运行效率，缓解静态交通中的停车难问题，具有实际应用价值；
(2)通过改进信息素更新策略避免蚁群算法陷入局部最优问题，同时提高算法的收敛速度；
(3)通过改进启发式信息强度，提高蚂蚁对终点的可见性，加快全局搜索速度。
附图说明
图1为AGV通过节点i示意图，其中(a)为AGV直线通过节点i，(b)为AGV拐弯通过节点i。
图2为AGV通过节点i到达节点j示意图，其中(a)为AGV直线通过i节点到达j，(b)为AGV拐弯通过节点i到达j。
图3为本发明的整体流程图。
具体实施方式
下面结合说明书附图对本发明作进一步的说明。
本发明一种基于改进蚁群的停车AGV路径规划方法。图1为AGV通过节点i示意图，其中(a)为AGV直线通过节点i，(b)为AGV拐弯通过节点i。图2为AGV通过节点i到达节点j示意图，其中(a)为AGV直线通过i节点到达j，(b)为AGV拐弯通过节点i到达j。图3为本发明实施的整体流程图，具体内容包括如下步骤：
1、环境建模，步骤如下：
⑴：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，Wij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，Wij代表节点i和j组成的边Vij的权值。给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
⑵：根据应用环境，做如下规定：
①泊车AGV在同一时间段内只能接受1项任务，任务执行期间，不接受系统分配的其他任务；
②假定所有的泊车AGV均以相同的速度行驶，且AGV载物时和空载时运行速度相同；
③泊车AGV经过节点转弯的时间为常数；
④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间较早的AGV，其优先级较高，优先级较高的AGV优先通过节点或者路段；
2、初始化系统各参数，建立系统中泊车AGV的集合A、存取车任务请求指令的集合B、Bab表示某一任务，a表示任务起点序号，b表示任务终点序号。泊车AGV优先级由其所接受任务的时间决定，时间较早的，优先级较高。
3、为了避免蚂蚁在搜索路径时受非最优路径信息素的干扰容易陷入局部最优，综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，此策略可以提高蚁群算法收敛速度。首先在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素，然后在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚。对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素。对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素。
4、改进启发式信息强度，根据智能停车场的实际应用需求，节省用户存、取车的等待时间，对启发式信息强度进行改进，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径。
5、基于改进蚁群进行路径规划，接受任务后，得到起点以及终点，然后执行改进蚁群算法，步骤如下，
①初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β等；
②进入迭代；
③AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
Figure BDA0002421092790000081
Figure BDA0002421092790000082
为t时刻路径(i,j)上的信息素浓度，ηE(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
④计算各AGV经过的路径时间，记录当前迭代次数最优解；
⑤更新路径上的信息素浓度；
⑥判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；
⑦输出时间最短路径，并根据需要输出算法中的相关指标，如运行时间、收敛迭代次数等。
综上所述，本发明适用于智慧停车场的泊车AGV的动态路径规划方法，基于改进蚁群的停车AGV路径规划方法，以停车AGV行驶时间最短为目标，改进信息素更新策略和启发式信息强度，避免蚁群算法陷入局部最优同时加快算法的收敛速度，对AGV系统运行路径进行优化。

Claims (7)

1.一种基于改进蚁群算法的泊车AGV路径规划方法，其特征在于，包括以下步骤：
步骤1、针对泊车AGV实际运行环境，采用拓扑法建立环境模型；
步骤2、针对蚁群算法的局部最优问题，综合两种信息素更新方法并加入赏罚机制，对信息素更新策略进行改进；
步骤3、针对智能停车场，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径，得到运行时间最短路径；
步骤4、基于直线和拐弯两种方式计算泊车AGV运行时间；
步骤5、应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括以下子步骤：
步骤1.1：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，Wij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，Wij代表节点i和j组成的边Vij的权值；给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
步骤1.2：根据应用环境，做如下规定：
①泊车AGV在同一时间段内只接受1项任务，任务执行期间，不接受系统分配的其他任务；
②设定所有的泊车AGV均以相同的速度行驶，且AGV载车时和空载时运行速度相同；
③泊车AGV经过节点转弯的时间为常数；
④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间早的AGV，其优先级高，优先级高的AGV优先通过节点或者路段。
3.根据权利要求1所述的方法，其特征在于，所述步骤2包括以下子步骤：
步骤2.1：针对蚁群算法的局部最优问题，采用综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，以提高蚁群算法收敛速度；
步骤2.2：实时信息素更新
在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素：
Figure FDA0002421092780000021
Figure FDA0002421092780000022
ρ表示信息素挥发程度，ρ∈(0,1)，Q为常数，表示蚂蚁循环一次释放的信息素总量，dij表示i到j的距离，
Figure FDA0002421092780000023
表示蚂蚁m在此轮迭代中经过路径(i,j)时释放的信息素浓度；
步骤2.3：路径信息素更新
在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚。
4.根据权利要求3所述的方法，其特征在于，所述步骤2.3中的赏罚机制包括以下子步骤：
步骤2.3.1：信息素奖励
对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素：
τ′ij＝(1-ρ)τ′ij+Δτawa ⑶
Figure FDA0002421092780000024
Δτawa表示信息素奖励值，tmin表示此次迭代中最优路径的耗时；
步骤2.3.2：信息素惩罚
对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素：
τ′ij＝(1-ρ)τ′ij-Δτpun ⑸
Figure FDA0002421092780000025
Δτpun表示信息素惩罚值，tmax表示此次迭代中最劣路径的耗时。
5.根据权利要求1所述的方法，其特征在于，步骤3所述改进启发式信息强度：
Figure FDA0002421092780000031
Figure FDA0002421092780000032
E表示运行终点，ηE(i)为节点i到终点E的启发式信息强度，Ti为蚂蚁从点i到终点的搜索时间，Li为点i到终点的距离，v为AGV的行驶速度，n表示蚂蚁在路径(i,E)上的最小转弯次数，t0为常数，表示AGV转弯耗时。
6.根据权利要求1所述的方法，其特征在于，所述步骤4包括以下子步骤：
步骤4.1：计算AGV通过节点i的时间，AGV通过节点i分两种情况，(a)AGV直线通过节点i，(b)AGV转弯通过节点i；
步骤4.1.1：假设AGV的行驶路径为i0→i→j，判断AGV直线通过还是转弯通过节点i，要由i的前一节点i0和下一个节点j是否在同一条直线上来确定，转弯耗时为t0；
当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i；
步骤4.1.2：设AGV到达点i的时刻为
Figure FDA0002421092780000033
AGV全部离开点i的时刻为
Figure FDA0002421092780000034
则AGV直线通过节点i时可得：
Figure FDA0002421092780000035
AGV转弯通过节点i时可得：
Figure FDA0002421092780000036
其中L表示AGV车身长度，t0表示转弯耗时，即AGV在该节点处拐弯比直线通过多出来的时间，且
Figure FDA0002421092780000037
v是AGV的行驶速度，则AGV通过节点i的时间段为
Figure FDA0002421092780000038
步骤4.2：计算AGV到达节点j的时刻，AGV从点i搜索到下一个要到达的节点j，包含两种情况：(a)AGV直线通过i节点到达j，(b)AGV拐弯通过节点i到达j；
步骤4.2.1：当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i到达j，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i到达节点j；
步骤4.2.2：AGV直线通过i节点到达j时，行驶时间计算为：
Figure FDA0002421092780000041
AGV拐弯通过节点i到达j时，行驶时间计算为：
Figure FDA0002421092780000042
其中d为点i与点j之间的路径距离；
步骤4.3：设当路径规划搜索到点j时，点j有k个已经被占用的时间段：rj＝
Figure FDA0002421092780000043
则到达节点j的时刻为：
当
Figure FDA0002421092780000044
时，
Figure FDA0002421092780000045
当
Figure FDA0002421092780000046
时，此时AGV需要在i点处停车避障，直到节点j处释放时间窗，
Figure FDA0002421092780000047
则求得点i到点j的时间为，
Figure FDA0002421092780000048
7.根据权利要求1所述的方法，其特征在于，所述步骤5包括以下子步骤：
步骤5.1：初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β；
步骤5.2：进入迭代；
步骤5.3：AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
Figure FDA0002421092780000049
τ′ij(t)为t时刻路径(i,j)上的信息素浓度，ηE(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
步骤5.4：计算各AGV经过的路径时间，记录当前迭代次数最优解；
步骤5.5：更新路径上的信息素浓度；
步骤5.6：判断是否达到最大迭代次数，若否，返回步骤5.2：；若是，则结束程序；
步骤5.7：输出时间最短路径，并根据需要输出算法中的相关指标，包括AGV运行时间、AGV运行路径、收敛迭代次数和算法运行时间。
CN202010205897.7A 2020-03-23 2020-03-23 基于改进蚁群算法的泊车agv路径规划方法 Pending CN111289007A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010205897.7A CN111289007A (zh) 2020-03-23 2020-03-23 基于改进蚁群算法的泊车agv路径规划方法
KR1020200084570A KR102457297B1 (ko) 2020-03-23 2020-07-09 개선된 개미 군집 알고리즘 기반의 주차 agv 경로 기획 방법
PCT/CN2020/101552 WO2021189720A1 (zh) 2020-03-23 2020-07-13 基于改进蚁群算法的泊车agv路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205897.7A CN111289007A (zh) 2020-03-23 2020-03-23 基于改进蚁群算法的泊车agv路径规划方法

Publications (1)

Publication Number Publication Date
CN111289007A true CN111289007A (zh) 2020-06-16

Family

ID=71027182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205897.7A Pending CN111289007A (zh) 2020-03-23 2020-03-23 基于改进蚁群算法的泊车agv路径规划方法

Country Status (3)

Country Link
KR (1) KR102457297B1 (zh)
CN (1) CN111289007A (zh)
WO (1) WO2021189720A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034841A (zh) * 2020-08-05 2020-12-04 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
CN112099492A (zh) * 2020-08-24 2020-12-18 成都四威高科技产业园有限公司 含避让点的管制区内agv动态交通管制方法及系统
CN112183710A (zh) * 2020-10-22 2021-01-05 中国联合网络通信集团有限公司 确定路径的方法及装置
CN112819211A (zh) * 2021-01-21 2021-05-18 安徽农业大学 一种基于蚁群迭代算法的多区域调度航线规划方法
CN112923940A (zh) * 2021-01-11 2021-06-08 珠海格力电器股份有限公司 路径规划方法、装置、处理设备、移动设备及存储介质
CN112925315A (zh) * 2021-01-25 2021-06-08 河海大学 一种基于改进蚁群算法和a*算法的履带车路径规划方法
CN113253686A (zh) * 2021-06-10 2021-08-13 浙江华睿科技有限公司 Agv车辆路径规划方法及装置、电子设备、存储介质
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
WO2022027357A1 (zh) * 2020-08-05 2022-02-10 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
CN114783189A (zh) * 2022-06-20 2022-07-22 安徽交欣科技股份有限公司 基于ai和gis的智慧预警及路径规划交通系统
CN117408496A (zh) * 2023-12-12 2024-01-16 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117727197A (zh) * 2024-02-07 2024-03-19 南京信息工程大学 基于混合型蚁群算法的车辆报警器控制方法、装置

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7095968B2 (ja) * 2017-10-02 2022-07-05 トヨタ自動車株式会社 管理装置
CN113885503B (zh) * 2021-10-11 2023-06-16 同济大学 一种基于蚁群算法在不均匀空间中的多定位方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114020045B (zh) * 2021-10-25 2023-09-26 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法
CN113985888B (zh) * 2021-11-08 2022-09-16 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114077254B (zh) * 2021-11-18 2022-09-13 合肥工业大学 一种agv路径冲突处理方法
CN114035586B (zh) * 2021-11-22 2024-03-29 江苏科技大学 改进蚁群算法和动态窗口的车间agv小车路径规划方法
CN114217609A (zh) * 2021-11-26 2022-03-22 贵州电网有限责任公司 一种满足多约束条件的电网线路走廊带智能划分方法
CN114415668B (zh) * 2021-12-23 2023-07-07 西北工业大学 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN114355913A (zh) * 2021-12-27 2022-04-15 浙江工业大学 基于时空自适应双向蚁群算法的移动机器人路径规划方法
CN114442631B (zh) * 2022-01-26 2023-08-22 南京天溯自动化控制系统有限公司 医院物资运送机器人智慧调度系统和方法
CN115542892A (zh) * 2022-01-29 2022-12-30 安徽工程大学 一种基于多步长蚁群算法的移动机器人路径规划方法
CN114489081B (zh) * 2022-02-07 2024-02-02 国网上海市电力公司 多火源灭火最优路径规划方法
CN114844823B (zh) * 2022-04-07 2024-03-05 桂林电子科技大学 一种改进aco算法的必经点有向带环最短链路生成方法
CN114866459B (zh) * 2022-04-18 2023-04-28 北京计算机技术及应用研究所 一种多约束条件下的路径规划方法
CN114722984B (zh) * 2022-04-20 2022-11-22 张家界富源仿真花有限公司 一种智能货物仓储优化方法
CN114565195B (zh) * 2022-04-27 2022-08-19 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114967680B (zh) * 2022-05-06 2024-04-12 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN114897235B (zh) * 2022-05-07 2023-04-07 河海大学 一种基于多机协同的混凝土坝振捣台车实时调度方法
CN115169690B (zh) * 2022-07-05 2023-04-21 水利部交通运输部国家能源局南京水利科学研究院 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法
CN115018211B (zh) * 2022-08-08 2022-11-01 北京建筑大学 一种运输调度线路设定方法和装置
CN115391385A (zh) * 2022-09-13 2022-11-25 南京开特信息科技有限公司 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN115328161B (zh) * 2022-09-15 2024-04-26 安徽工程大学 一种基于k视界蚁群算法的焊接机器人路径规划方法
CN115454070B (zh) * 2022-09-15 2024-04-05 安徽工程大学 一种K-Means蚁群算法多机器人路径规划方法
CN115640921B (zh) * 2022-10-12 2023-05-05 中南大学湘雅医院 一种院内危重患者转运路径规划方法和系统
CN115560774B (zh) * 2022-10-24 2023-11-17 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN116399352B (zh) * 2023-04-06 2024-01-19 深圳市森歌数据技术有限公司 一种智慧无人停车场agv的路径规划方法、装置及存储介质
CN116481546B (zh) * 2023-04-26 2024-02-23 大连海事大学 一种无人机航标巡检的路径规划方法
CN116757454B (zh) * 2023-08-21 2023-11-17 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN117109622B (zh) * 2023-09-21 2024-03-26 哈尔滨理工大学 一种多障碍物下双向搜索的uuv蚁群路径规划方法
CN117455087B (zh) * 2023-10-25 2024-04-12 南京迅集科技有限公司 基于物联网的物流节能控制方法及系统
CN117492450B (zh) * 2024-01-02 2024-04-05 深圳前海格致科技有限公司 一种自动驾驶路线规划方法和系统
CN117829713B (zh) * 2024-03-05 2024-05-10 深圳市久通物联科技股份有限公司 一种基于混合整数线性规划的成品油智慧运输方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040143560A1 (en) * 2003-01-20 2004-07-22 Chun Bao Zhu Path searching system using multiple groups of cooperating agents and method thereof
CN105938572A (zh) * 2016-01-14 2016-09-14 上海海事大学 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN108563239A (zh) * 2018-06-29 2018-09-21 电子科技大学 一种基于势场蚁群算法的无人机航迹规划方法
CN109471444A (zh) * 2018-12-12 2019-03-15 南京理工大学 基于改进Dijkstra算法的停车AGV路径规划方法
CN109839935A (zh) * 2019-02-28 2019-06-04 华东师范大学 多agv的路径规划方法及设备
CN110174111A (zh) * 2019-05-31 2019-08-27 山东华锐智能技术有限公司 基于时间窗的任务分段式的多agv路径规划算法
CN110471417A (zh) * 2019-08-22 2019-11-19 东北大学 一种基于负载均衡的多agv避碰方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014009517A (ja) * 2012-06-29 2014-01-20 Ihi Corp 経路計画装置
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN106997682A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于动态交通的智能停车系统
CN107734457B (zh) * 2017-09-29 2020-07-28 桂林电子科技大学 智慧停车场导航系统及方法
CN109584610A (zh) * 2018-12-13 2019-04-05 深圳桓轩科技有限公司 一种高效的停车场智能泊车系统
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040143560A1 (en) * 2003-01-20 2004-07-22 Chun Bao Zhu Path searching system using multiple groups of cooperating agents and method thereof
CN105938572A (zh) * 2016-01-14 2016-09-14 上海海事大学 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN108563239A (zh) * 2018-06-29 2018-09-21 电子科技大学 一种基于势场蚁群算法的无人机航迹规划方法
CN109471444A (zh) * 2018-12-12 2019-03-15 南京理工大学 基于改进Dijkstra算法的停车AGV路径规划方法
CN109839935A (zh) * 2019-02-28 2019-06-04 华东师范大学 多agv的路径规划方法及设备
CN110174111A (zh) * 2019-05-31 2019-08-27 山东华锐智能技术有限公司 基于时间窗的任务分段式的多agv路径规划算法
CN110471417A (zh) * 2019-08-22 2019-11-19 东北大学 一种基于负载均衡的多agv避碰方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNTAO LI 等: "《Study on robot path collision avoidance planning based on the improved ant colony algorithm》", 《2016 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 *
郭保青等: "《基于改进蚁群算法的多AGV 泊车路径规划》", 《交通运输系统工程与信息》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN112034841A (zh) * 2020-08-05 2020-12-04 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
WO2022027357A1 (zh) * 2020-08-05 2022-02-10 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
CN112099492A (zh) * 2020-08-24 2020-12-18 成都四威高科技产业园有限公司 含避让点的管制区内agv动态交通管制方法及系统
CN112183710B (zh) * 2020-10-22 2023-11-24 中国联合网络通信集团有限公司 确定路径的方法及装置
CN112183710A (zh) * 2020-10-22 2021-01-05 中国联合网络通信集团有限公司 确定路径的方法及装置
CN112923940A (zh) * 2021-01-11 2021-06-08 珠海格力电器股份有限公司 路径规划方法、装置、处理设备、移动设备及存储介质
CN112819211A (zh) * 2021-01-21 2021-05-18 安徽农业大学 一种基于蚁群迭代算法的多区域调度航线规划方法
CN112925315A (zh) * 2021-01-25 2021-06-08 河海大学 一种基于改进蚁群算法和a*算法的履带车路径规划方法
CN113253686A (zh) * 2021-06-10 2021-08-13 浙江华睿科技有限公司 Agv车辆路径规划方法及装置、电子设备、存储介质
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN113847926B (zh) * 2021-09-18 2024-01-19 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN114783189A (zh) * 2022-06-20 2022-07-22 安徽交欣科技股份有限公司 基于ai和gis的智慧预警及路径规划交通系统
CN117408496A (zh) * 2023-12-12 2024-01-16 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117408496B (zh) * 2023-12-12 2024-03-26 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117727197A (zh) * 2024-02-07 2024-03-19 南京信息工程大学 基于混合型蚁群算法的车辆报警器控制方法、装置
CN117727197B (zh) * 2024-02-07 2024-05-03 南京信息工程大学 基于混合型蚁群算法的车辆报警器控制方法、装置

Also Published As

Publication number Publication date
WO2021189720A1 (zh) 2021-09-30
KR20210118721A (ko) 2021-10-01
KR102457297B1 (ko) 2022-10-20

Similar Documents

Publication Publication Date Title
CN111289007A (zh) 基于改进蚁群算法的泊车agv路径规划方法
CN109471444B (zh) 基于改进Dijkstra算法的停车AGV路径规划方法
AU2020101761A4 (en) Method for planning path of parking agv based on improved dijkstra algorithm
CN105938572B (zh) 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN106251016B (zh) 一种基于动态时间窗的泊车系统路径规划方法
CN109949604B (zh) 一种大型停车场调度导航方法及系统
CN113093724B (zh) 一种基于改进蚁群算法的agv路径规划方法
CN109785619B (zh) 区域交通信号协调优化控制系统及其控制方法
CN105760954A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN109190835A (zh) 一种基于时间窗限制的露天矿卡车调度路径优化方法
CN108961813A (zh) 一种新型智能停车场
CN111474926B (zh) 一种基于多agv时间窗路径优化算法的废烟回收方法
CN105589461A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN103592926A (zh) 基于机械式立体停车场与agv相结合的智能控制系统及方法
CN113269963B (zh) 一种基于强化学习的网联车辆信号灯控路口经济通行方法
CN113870602B (zh) 一种多agv泊车调度的方法和系统
CN110986986A (zh) 基于语音识别的电动汽车充电导航系统设计
CN110515380A (zh) 基于转弯权重约束的最短路径规划方法
CN110471417A (zh) 一种基于负载均衡的多agv避碰方法
CN114495552A (zh) 一种快速停车找车导航方法及其系统
CN114756027A (zh) 一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法
CN115496303A (zh) 一种单局部优化与蚁群算法融合的网格员调度方法
CN116620264A (zh) 基于多智能体强化学习的泊车任务分配与轨迹规划系统
CN115373384A (zh) 一种基于改进rrt的车辆动态路径规划方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616