CN111309837A - 智能仓储地图平台搭建及agv路径优化方法 - Google Patents

Abstract

一种智能仓储地图平台搭建及AGV路径优化方法，其特征在于所述地图平台搭建；采集所有路径点、货架位置信息、障碍区位置信息制成矩形地图；并对货架点及障碍点进行不可通行标记；所述AGV路径优化，首先在已搭建地图中对其他AGV已规划路径但未走过的路径点标记为不可通行；然后通过遗传算法根据出发点及目的地进行AGV路径优化。比传统的遗传算法效率更高，且对遗传算法中结果出现“走回头路”这一现象进行了优化。

Description

智能仓储地图平台搭建及AGV路径优化方法

技术领域

本发明属于智能算法和智能仓储领域，本发明内容之一是一种针对智能仓储环节中AGV(Automated Guided Vehicle)路径规划的算法设计。该算法同时解决了路径冲突，并在路径规划时进行了一定的优化处理，从而使用遗传算法实现了AGV路径规划。本发明另一个内容是地图平台搭建。地图平台可兼容不同的地图存储类型，简易了仓储地图的构建，方便了算法的测试，使算法运行结果更加直观。

背景技术

仓储管理在企业经营中扮演者非常重要的角色，直接影响着企业的产供销等各个环节的活动，在保障货物重组供给的前提下，最大限度的降低库存，直接关系到企业的经营效益。良好的仓储管理，能增强生产计划的柔韧性、满足需求的不断变化、防治中断、阻止积压、充分利用订单优势、缩短库存周期。因此，现代企业物流为了保证生产经营活动的顺利进行，打造高效利润空间，降低生产成本，提高企业资金周转率和回报率，必须采取先进的仓储管理方法。但是，随着现代科学技术和生产力的发展，仓库已经由过去单纯的作为“储存保管商品的场所”逐步的向“商品配送服务中心”发展。同时，仓库的库存“流速”已经成为评价仓库职能的重要指标，仓储管理从静态管理向动态管理发生着根本性的转变。智能仓储具有节约用地、减轻劳动强度、避免货物损坏或遗失、消除差错、提供仓储自动化水平及管理水平、提高管理和操作人员素质、降低储运损耗、有效地减少流动资金的积压、提供物流效率等诸多优点。这些优点恰好满足未来仓储行业的需求，智能仓储是未来仓储行业的标杆。

智能仓储的核心就是仓储路径优化算法，当仓储路径不是最优时，AGV小车可能会走回头路、或AGV小车的前方道路为其他AGV小车占道，导致智能仓库运行效率很低。只有合适且高效的仓储路径优化算法才能提高仓库的运行效率，提高产能，降低运营成本。

发明内容

本发明的目的在于在避免冲突的情况下，使用遗传算法解决AGV路径规划。本发明同时还能支持构建模拟地图，让算法更容易更直观的给出结果，提高算法的测试效率。也能容纳不同算法，便于算法间对比效率。

本发明的总体思路是：根据用户提供参数构建地图，并将地图绘制出来直观看到。然后给定一组任务，AGV路径规划算法根据已生成的地图进行计算后得出路径。将规划出的路径绘制在地图上。

为实现上述目的，本发明提供一种智能仓储地图平台搭建及AGV路径优化方法，其特征在于所述地图平台搭建；采集所有路径点、货架位置信息、障碍区位置信息制成矩形地图；并对货架点及障碍点进行不可通行标记；所述AGV路径优化，首先在已搭建地图中对其他AGV已规划路径但未走过的路径点标记为不可通行；然后通过遗传算法根据出发点及目的地进行AGV路径优化。

生成的地图以邻接矩阵或记录路径点的可通行性的邻接矩阵两种存储模式存储生成的地图。

在地图生成前，系统具有初始化界面，在所述初始化界面上包括横向/纵向间隔、横向/纵向个数、欲标示区域左上坐标及右下坐标多个输入项及添加货架位置信息、添加障碍位置信息的按钮；根据所有路径点的位置信息输入及货架、障碍的位置信息生成地图。

首先起起点到终点生成随机可行的数条路径；判断路径是否可达，不可达时，通过延期处理直至可达为止；当路径非最大代数时，通过轮盘赌法选择算子，通过遗传算法进行路径优化；计算优化后的路径适应值并选取最佳适应值，直至为最大代数；最佳适应值对应的路径即为最优化路径。

所述遗传算法包括交叉操作和变异操作；在交叉操作后变异操作前，对于走回头路的路径进行路径优化处理；其优化过程为：在路径中找到两个相同的点，删除两个相同点中间所有点并且只保留重复点中的一个实现路径优化

AGV路径规划算法，该算法基于改进的遗传算法，支持计算从指定地点到达指定地点的路径设计。该算法首先生成初始种群，再通过遗传操作，最后获得优秀子代的方法来计算出最优路径。该算法是一种后台执行的算法，类似于黑盒，输入地图、出发点和目的地，输出路径规划结果或者如果目的地不可达时延迟任务再次计算结果并输出。算法详细描述将在具体实施中说明。

地图平台搭建，该平台可支持任意路径规划算法运行所需地图的快速生成。该平台提供用户交互界面，由用户输入路径点，货架和障碍物的相关参数。规则矩形地图有明显特征，因此可由软件生成地图，自动生成地图并添加规则货架区和障碍区(不规则障碍区应当先分割为大小不一的矩形再参与地图构建)。为了适应不同算法的地图存储需求，在地图存储时使用表示顶点间相邻关系的邻接矩阵和记录点可通行性的邻接矩阵来存储。同时，用户界面支持对AGV任务设置，方便算法的测试数据设置。依据任务执行算法(可执行任意多个算法)，显示算法运行结果，以直观对算法的运行效果进行评判。

本发明与现有技术相比具有如下优点：

第一，本发明使用改进的遗传算法解决AGV路径规划问题，比传统的遗传算法效率更高，且对遗传算法中结果出现“走回头路”这一现象进行了优化。

第二，本发明支持的地图构建，只需要简单输入的几个参数就能快速构建一个规则的地图，不规则部分可以再进行一次补充录入，加快地图构建速度。

第三，本发明的地图构建是以多种存储方式，如邻接矩阵，栅格法等主流图的存储方式，便于其他算法使用该地图，屏蔽了不同算法间图存储方式，便于算法在该地图上的执行和不同算法间的对比、测试。

附图说明

图1，为本发明的体系结构示意图。

图2，为遗传算法运行示意图。

图3，地图构建及任务输入的交互界面示意图。

图4，生成地图的结构示意图。

图5，为遗传算法运行的路径截图示意图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，本发明包括一个地图生成程序和一个AGV路径规划算法。地图生成程序依照操作人给出的相关参数，自动生成一个地图，是算法部署的平台。AGV路径规划算法是完成路径规划的核心，通过算法计算出下达任务后AGV的路线，并且保证计算的路径不冲突。

首先，需要进行地图平台搭建。地图生成首先生成初始化界面。初始化界面的生成主要调用swing图像化编程的相关API即可完成交互界面的构建，地图绘制背景由Graphics2D相关API完成。

然后需要采集地图参数，横向坐标点数，纵向左边点数，起始坐标点横纵坐标，各个坐标点横纵间隔；初始货架坐标，货架大小，横向货架数，纵向货架数，货架横向间隔，货架纵向间隔；矩形障碍物的左上坐标点和右下坐标点等信息。根据这些信息，计算所有路径点的坐标，以及货架坐标、障碍物坐标。计算完成各点坐标后存储入邻接矩阵中。根据邻接矩阵的特点：每个顶点最多有四条边，最少有两条边。根据这样的规律，每个路径点从左上往右下找边，每个点向它的右方和下方寻找看有无存在的其他点，若有则在邻接矩阵中记录下来视为连接成边。路径点的序号是按照从左到右，从上到下的顺序依次标识的，所以可以根据两个坐标点的标号来判断此两点是否应该相邻。遍历路径点集合，查找当前遍历点的右边和下边是否存在点，若存在则在邻接矩阵中两点序号对应的位置存入两点间的距离。每次遍历都需要执行上述操作，直到所有的路径点遍历完成。邻接矩阵就是存储地图模型的容器，填写完成邻接矩阵也是对地图中路径点的位置以及路径点间的关系构建完成。在获取到路径点相关信息后，就调用Graphics2D中的相关API进行绘图，生成矩形的方格地图。

在上述生成的地图中，包含了所有货架区和障碍物区的路径点，依据该地图进行算法运行，则会将货架区和障碍区的路径点也列入可通行路径中，因此，还需对上述生成的地图进行货架区及障碍区的优化，消除路径规划时货架区和障碍区对路径造成影响，导致规划路径大可达。首先通过对货架区或者障碍区中所有路径点计算，获取到货架区或者障碍区域的所有路径点坐标信息，将货架区和障碍区内所有的路径点的连接信息予以删除，仅保留货架中心点与外界点的连接，在生成的地图中将这些路径点的可通行性(Isaccess)属性设置为否(false)来标记此路径点不可通行。并依次再次使用相关API进行绘图，形成可通行性的方格地图。遗传算法在使用该地图时看到Isaccess为false时就会忽略此点，以此达到避障的功能。

地图存储方面我们使用两种方式，一种是表示顶点间相邻关系的邻接矩阵，另一种是存储点的可通行性的邻接矩阵。一般来说，图的存储方式里，都是使用表示顶点间相邻关系的邻接矩阵来存储地图信息。我们还使用记录点可通行性的邻接矩阵是考虑到栅格地图的构建。记录点可通行性的邻接矩阵可以直观体现出一个栅格地图，这为使用栅格地图的算法提供方便。在前者存储方式中，一行中有数字即为该行数的坐标点与该列数的坐标点有通路。而后者的存储方式是，记录为1，表示在该行列上的点可与周围所有点连接。例如，如图4。前者地图存储{0，1，0，0；1，0，1，1；0，1，0，0；0，1，0，0}。后者地图存储为{1，1，1；0，1，0}。后者更为接近栅格地图的表示。

参照附图2，本发明在处理AGV路径规划问题上使用遗传算法，并对遗传算法进行了改进。首先，接受任务单，获取货物所在地点。遗传算法要获取地图和任务，在操作界面上输入输入相应的生成地图信息的参数及任务，在开始时生成地图，同时得到最初规划的路径序列，即初始种群。

初始种群：在遗传算法计算过程中，先对目标结果进行编码，显而易见此处将路径坐标点序号作为基因参与算法运算。根据起始点到目标点序号，生成随机可行的路径序列，称为初始种群。然后对初始种群进行适应值计算，使用如下公式：

适应值和拐弯节点数目(node_num)和路径长度(path_length)成反比，即路径越长，节点数越多适应值越小。适应值小意味着此路径不够优秀。计算出初始种群的适应值后记录下来，然后对此种群进行遗传操作。

在进行遗传操作之前，需先判断初始种群的路径是否可以到达终点，因为在地图中起点唯一，即仓库入口唯一，终点有多个且固定。每次计算是将任务拆解开来，先用优化算法计算起点到任务点的最优路径，再由优化算法计算任务点到某一可用(可达)终点的最优路径。因为一个任务是分为两段计算，所以需要再次统一两次计算的结果。有可能会出现前半部分计算或后半部分计算无法到达指定点这一问题(这一问题的产生是由于其他车辆路径规划后占据了一些道路，导致其他车辆无法使用路径点到达终点)，此时需要对任务进行延期处理，现在设定为5个单位时间，即其他AGV向前移动五个坐标点时，若仍旧无法计算出通路则继续延期，直到计算出通路为止。

用轮盘赌法选择遗传算法的算子。遗传算法包括交叉操作和变异操作。交叉和变异操作所选取的对象是由轮盘赌法进行选取的，轮盘赌法中先计算路径可达的初始种群的适应值总和fit_sum，然后计算每个个体的适应值占比rfit＝fit/fit_sum。然后计算各部分累积概率(cfit)方法如下式所示：(popnext[]为当前种群；popcurrent[]为当前种群的副本；i为当前个体)

popnext[i].cfit＝popnext[i-1].cfit+popnext[i].rfit

之后遍历副本popcurrent[]，而后生成一个0-1之间的随机数p。比较子代个体的cfit和p的值，直到cfit比p大时该个体代替popcurrent[]中此位置的个体。最后将popcurrent[]的所有值赋给popnext[]。轮盘赌选算子可以让适应度越大的个体被选中的概率越大，这样能使遗传算法往好的方向进化，对提高解的质量有很大的帮助。

交叉操作，交叉次数是路径点总数的1/4，次数向下取整。每次交叉操作方法相同，首先使用Math.random()*popsize(popsize为种群中基因总数)随机选取此种群中的某一条路径。在此路径上找到一个随机点设为交叉点q，然后寻找另一条也通过此点的基因。设p1,p2为原选出基因。将p1中q点以后的点被p2中q点以后的点代替生成新的基因P1，再将p2中q点以后的点由p1中q点以后的点代替生成新的基因P2。对P1和P2进行路径再优化，然后计算并更新P1和P2的适应值，路径长度，拐弯次数。由此完成交叉操作。

在交叉操作时，先判断路径有无重复路径，如无重复路径，则交叉操作结束后直接进行变异操作；如有重复路径，交叉操作后进行重复路径优化后再进行变异操作。重复路径优化策略：用于解决生成结果中有重复走同一路径这个问题。这一问题的解决思路是观察结果特征，比如有一组结果{5，8，9，10}，此结果没有走同一路径。而另一组结果{5，8，7，8，9，10}，此结果从8号点开始走到7然后返回8，所以在结果集合上如果有两个相同的点出现则意味着走了重复路径，需要被再次优化。优化的手段也很容易，只需要删除两个相同点中间所有点并且只保留重复点中的一个即可。

变异操作，首先计算是否发生变异。在算法初期预设变异几率(mutationRate)，变异率如下计算：

a＝(int)(1.0/mutationRate)；

random＝(int)(Math.random()*a)；

此时若random为0则执行变异。变异时，先随机挑选种群中的一条染色体(即一个完整的可行路径)，再在此路径上随机选取一个路径点。分别计算此条染色体上该路径点的前一个点pre和后一个点next。然后在地图上分别搜索pre和next所有相邻点，并寻找两点的所有相邻点中，哪些点是重合的。这些重合的点就是可变异的点，因为要保证变异后路径是通路所以使用这个办法。然后在重合点中随机选取一个点作为新的连接点代替一开始选中的点，生成新的染色体。生成新的染色体进行种群更替。然后计算并更新新染色体的适应值，路径长度，拐弯次数。到此完成变异操作。

之后检查是否迭代到最大代数，没有则继续进行变异和交叉，若达到最大代数则对种群进行筛选。筛选是比较所有染色体的适应值，值最大的就是最优的结果。根据最优结果，选定最佳路径，输出路径，并通过调用地图接口绘制路径图像。

算法中使用的地图不是原本的地图，而是将其他AGV车已占用的道路排除后的新地图，一个静态的地图副本。我们对地图也做了一定的优化。将其他AGV已规划但未走过的路径点进行封锁(每个坐标点有一个属性为Isaccess意为是否可通行，当Isaccess为false时此点不可通行，就是封锁状态，算法在使用地图时也会查看当前点是否被封锁来决定能否通行)，来保证新的车辆规划不会走到这些封锁点上，因为封锁点和障碍物在地图上的表示相同，所以也避开了障碍物。也就是说，从一开始进行种群初始化时就避开了所有不可行的路径点，这些路径点包括障碍，其他车辆规划路线，这样既能躲避障碍又能防止车辆碰撞。

算法运行时，参看图3，首先在界面上输入取货的坐标点序号和出发时间，点击想要运行的算法，此处写入了三个算法，只需要点击对应按钮就可以启动算法。算法启动时，所有算法需两个参数，一个是包含任务信息的任务(Assignment)类对象，其中包括任务起点，终点和出发时间；以及一个包含地图信息的创建地图(CreateMap)类对象，其中包括地图的所有信息，如路径，障碍信息。

地图平台自行包装了任务，将一个任务分为两部分，从起点到任务点，再从任务点到终点。具体过程是，首先起点固定，根据起点到任务点以及出发时间封装成任务(Assignment)和地图信息一起发给算法。算法在计算时，先计算地图平台给出的任务单，即任务前半段从起点到任务点。任务后半段由算法根据前半段结果自行封装后半段，因为后半段出发时间是由初始出发时间加上前半段规划结果生成的，所以必须先计算前半段。最后生成一个完整路径，由地图平台使用不同颜色的画笔绘制。颜色会有覆盖，覆盖部分不代表撞车，具体会在下面详细描述。

参照图3，程序刚启动时，地图没有生成，就只有一个交互界面和一个背景。(NWx，NWy)代表欲标示区域的左上坐标，(Sex，SEy)代表欲标示区域的右下坐标，一个矩形区域只要知道其左上和右下点即可确定矩形位置及大小。该地图在使用时，于交互界面设置路径点相关参数，点击生成地图即可，如图4所示。大方格区域为AGV车可行路径区域1，小方格区域为货架区域2。在代码实现时货架和障碍近似都是标示不可行区域，因此使用添加货架来代替障碍。黑线左右两端各有一突出部分，左边为区域入口，即所有小车的起点。右边为区域出口，但在测试时发现只有一个出口多任务时车辆运行效率极低，因此默认为从右数倒数第二列所有点为出口，越靠上的点作为出口的优先级越高，这样能保证小车效率。

参照图5，是运行遗传算法的结果。图5是算法在两个任务到来时的图示，给出的任务有出发时间和取货地点，起点统一，终点由上所述为右侧整个一列的点，具体是哪个点由算法决定，位置越高优先级越高。从图5中看出，细线是第一个任务，粗线是第二个任务。第一个任务取货点为5(第一列第6个点)，第二个任务取货点为10(第一列第11个点)。粗线在取货时前半段覆盖细线是因为2号任务发出时间为2比1号任务晚了一个时间单位，因此粗线可以跟着细线的路径走，就覆盖了细线。之后粗线没有再覆盖，是因为细线取货完成后新的路径规划是先往回走一段再向终点走，这条路径和粗线直接前往任务点的规划冲突，因此粗线多额外拐了一个弯绕开细线路径。这证明多任务路径规划时，算法能够避开其他车辆。因为其内部实现是根据点的可行性进行判断的，而其他车辆的未行动路径点会占用住该点，让其他车辆在规划时认为该点不可行，所以能够避免碰撞。而障碍和货架等同于永久占用路径点，所以在算法规划路径是会避开。

本发明可通过邻接矩阵进行地图搭建；然后通过遗传算法路径优化，排除不可达路径及优化重复路径，实现路径最优化，提高AGV小车的运输效率。

Claims (5)

1.一种智能仓储地图平台搭建及AGV路径优化方法，其特征在于所述地图平台搭建；采集所有路径点、货架位置信息、障碍区位置信息制成矩形地图；并对货架点及障碍点进行不可通行标记；所述AGV路径优化，首先在已搭建地图中对其他AGV已规划路径但未走过的路径点标记为不可通行；然后通过遗传算法根据出发点及目的地进行AGV路径优化。

2.根据权利要求1所述的智能仓储地图平台搭建及AGV路径优化方法，其特征在于生成的地图以邻接矩阵或记录路径点的可通行性的邻接矩阵两种存储模式存储生成的地图。

3.根据权利要求1所述的智能仓储地图平台搭建及AGV路径优化方法，其特征在于在地图生成前，系统具有初始化界面，在所述初始化界面上包括横向/纵向间隔、横向/纵向个数、欲标示区域左上坐标及右下坐标多个输入项及添加货架位置信息、添加障碍位置信息的按钮；根据所有路径点的位置信息输入及货架、障碍的位置信息生成地图。

4.根据权利要求1所述的智能仓储地图平台搭建及AGV路径优化方法，其特征在于首先起起点到终点生成随机可行的数条路径；判断路径是否可达，不可达时，通过延期处理直至可达为止；当路径非最大代数时，通过轮盘赌法选择算子，通过遗传算法进行路径优化；计算优化后的路径适应值并选取最佳适应值，直至为最大代数；最佳适应值对应的路径即为最优化路径。

5.根据权利要求4所述的智能仓储地图平台搭建及AGV路径优化方法，其特征在于所述遗传算法包括交叉操作和变异操作；在交叉操作后变异操作前，对于走回头路的路径进行路径优化处理；其优化过程为：在路径中找到两个相同的点，删除两个相同点中间所有点并且只保留重复点中的一个实现路径优化。

Images