CN111487962B - 一种应用于仓储环境下多机器人路径快速规划方法 - Google Patents
一种应用于仓储环境下多机器人路径快速规划方法 Download PDFInfo
- Publication number
- CN111487962B CN111487962B CN202010233690.0A CN202010233690A CN111487962B CN 111487962 B CN111487962 B CN 111487962B CN 202010233690 A CN202010233690 A CN 202010233690A CN 111487962 B CN111487962 B CN 111487962B
- Authority
- CN
- China
- Prior art keywords
- path
- algorithm
- collision
- robot
- planning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
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)
- Manipulator (AREA)
Abstract
本发明公开了一种应用于仓储环境下多机器人路径快速规划方法，本发明属于机器人路径规划技术领域。此算法应用于自动导引机器人(AGV)，可以在规模较大的仓库中快速实现多机器人多任务无碰撞的路径规划，极大的节约计算时间和计算机资源，提高仓储系统的实时性。该方法的核心算法是A*算法与网络流算法相结合，针对非指派性任务，本发明还提出了相应的任务分配算法，本发明算法避免了工程实践中时间和计算机资源的浪费，用较少的时间和内存便可得到多机器人多任务路径规划的次优解。
Description
技术领域
本发明涉及机器人路径规划技术领域，具体是指一种应用于仓储环境下多机器人路径快速规划方法。
背景技术
近年来，随着电商的高速发展，包裹分拣作业量不断增加，对作业效率、准确率和客户体验的要求也在不断提高，商品仓库规模也在逐渐变大，如何快速准确的对货物进行分拣引起越来越大的关注。在此背景下，分拣机器人得到越来越广泛的应用，而机器人的路径规划问题已成为货物运输、快递分拣等领域中一项关键技术问题。仓储环境布局规则，通道狭窄的特点很适合用A*算法进行单机路径规划。
近年来，由于网络流算法能转换为线性规划问题，并且有效的解决多商品流的问题，在工程实践和运输等领域被广泛应用。网络流算法能最优的规划多机路径，并且能够避免多机器人间的碰撞，但是当问题规模较大时，其求解最优路径耗时过长是其主要问题。
传统的网络流算法需要通过逐步增加增广时长来尝试找到问题的解，这是一个冗长繁琐的过程，当问题规模较大时需要进行大量的时间增广，而且传统的网络流模型较为复杂，问题规模较大时占用计算机资源过多，计算速度会进一步降低。如何减少问题规模增长时网络流模型的规模便成了亟待解决的问题。
同时，在仓储环境中，多个机器人在协同作业的同时，每个机器人可以拥有多个任务，即每个机器人在一次旅途中要经过多个目标点，最后到达终点，在以往的研究中，大多数研究者都有意无意的忽略了这个问题，因为这会增加问题的复杂度，使问题更加难以求解。
因此，如何解决以上问题，是解决机器人应用在仓储环境中的关键问题。
发明内容
以下给出一个或多个方面的主要概述以应对这些方面的基本理解。此概述不能将所有构想的方面进行详述，其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种应用于仓储环境下多机器人路径快速规划方法，该方法通过A*算法对单机器人进行路径规划，并用简化模型的网络流算法对碰撞区域进行重构，能在较短的时间内有效的解决了在单次旅途中每个机器人拥有多个指派性或非指派性任务的多机器人路径规划问题。
本发明提出一种应用于仓储环境下多机器人路径快速规划方法，包括：
步骤一：使用栅格地图建立真实的仓储环境模型，每个Agent(智能体)在一次旅途中要完成多个任务；
步骤二：针对指派性任务，采用A*算法与网络流算法相结合的方法，使用A*算法对每个Agent按照指派性任务的顺序进行路径规划，随后针对发生碰撞的地方采用网络流算法进行重构；
步骤三：针对非指派性任务，使用A*算法对每个Agent从起点到终点进行路径规划，随后将所有非指派性任务进行分配并用A*算法规划路径，最后针对发生碰撞的地方采用网络流算法进行重构。
根据本发明的一种应用于仓储环境下多机器人路径快速规划方法，在步骤一中，包括以下步骤：
步骤1：仓储环境通过栅格法参照真实仓储环境进行模型的建立；
步骤2：环境中加入多机器人及每个机器人要完成的多个指派性或非指派性任务。
根据本发明的一种应用于仓储环境下多机器人路径快速规划方法，在步骤二中，包括以下进一步步骤：
步骤1：针对指派性任务，使用A*算法对每个Agent规划路径，从起点依次经过其多个任务点，最后到达终点；
步骤2：对A*算法规划好的多机路径进行检查，找出其中发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序；
步骤3：使用简化的网络流算法对时间最小的碰撞区域进行重构，重构后替换原路径，并检查碰撞机器人重构后的最后所处位置，若其在此位置停留多个时间，则删掉重复的停留部分；
步骤4：针对新的多机路径，重新找出其中发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序，形成循环；
步骤5：直到多机路径没有碰撞部分，则次优路径产生。
根据本发明的一种应用于仓储环境下多机器人路径快速规划方法，在步骤三中，包括以下进一步步骤：
步骤1：针对非指派性任务，使用A*算法对每个Agent规划从起点到终点的路径。
步骤2：将非指派性任务逐个进行分配，策略是将每个机器人路径按照时长从小到大排序，依次检测该路径与非指派性任务的距离，当距离小于设定值时，将该非指派性任务分配给该机器人并用A*算法进行单机路径规划。
步骤3：将所有非指派性任务分配后，对多机路径进行检查，找出其中发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序；
步骤4：使用简化的网络流算法对时间最小的碰撞区域进行重构，重构后替换原路径，并检查碰撞机器人重构后的最后所处位置，若其在此位置停留多个时间，则删掉重复的停留部分；
步骤5：针对新的多机路径，重新找出其中发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序，形成循环；
步骤6：直到多机路径没有碰撞部分，则次优路径产生。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明中整体系统的框架图；
图2为本发明中在MATLAB中搭建的仓储环境下多机路径规划示意图；
图3为网络流模型配件示意图；
图4为本发明中简化的网络流模型配件示意图；
图5为本发明中多Agent多非指派性任务的任务分配流程图；
图6为本发明算法在小规模地图中，拥有多个非指派性任务或指派性任务的计算时间和执行时间，以及与普通网络流算法解决多个非指派性任务的对比图；
图7为本发明算法在大规模地图中，拥有多个非指派性任务或指派性任务的计算时间和执行时间结果图；
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
步骤1：仓储环境通过MATLAB依照真实的仓储环境进行搭建，其中设置了货架障碍物，如图2所示；
步骤2：在该环境中多个指派性任务或者非指派性任务，并规定多个机器人的起始点和目标点；
步骤3：若是指派性任务，则剩余步骤为步骤4～步骤8；若是非指派性任务，则剩余步骤为步骤9～步骤20；
步骤4：使用A*算法对每个机器人的路径进行规划；
步骤5：对于产生碰撞的多个区域按时间先后进行排序；
步骤6：对于时间最靠前的碰撞区域，使用简化后的网络流算法对其进行重构，其中简化后的网络流模型组件如图4所示；
步骤7：对于重构后的碰撞区域，去掉机器人在碰撞区域目标点的多次停留，以缩短执行时长；
步骤8：重复步骤5、步骤6、步骤7，直至多机器人路径不再有碰撞。
步骤9：使用A*算法对每个机器人规划从起始点到目标点的路径；
步骤10：分配非指派性任务给机器人，并用A*算法规划其路径，具体流程如图5所示；
步骤11：对于产生碰撞的多个区域按时间先后进行排序；
步骤12：对于时间最靠前的碰撞区域，使用简化后的网络流算法对其进行重构；
步骤13：对于重构后的碰撞区域，去掉机器人在碰撞区域目标点的多次停留，以缩短执行时长；
步骤14：重复步骤11、步骤12、步骤13，直至多机器人路径不再有碰撞。
此系统经试验证明，能够运用所提出的算法快速的找到次优解，本算法与普通网络流算法的50组数据平均实验结果对比如图6所示，普通网络流算法在非指派性任务的计算时间是本算法的500倍左右，而且随着地图规模的增加而增大，而执行时长相差不大，之所以没有做普通网络里算法在指派性任务的实验是因为其造成了内存溢出。
图7所示为本算法在地图规模从10×10到100×100的计算时间和执行时间，可以看出由于指派性任务有任务的先后顺序，导致执行时长比非指派性任务的要长。且不论针对哪种任务，本算法都可以在较短的时间内得到次优解，在工程实践中，实时性极为重要，等待极长时间的最优解远远比不上尽快得到的次优解。
为了使得文章的解释更简单化，已将上述的图文描述为一系列步骤，针对两种不同的任务，本算法也有不同的策略，本领域技术人员可以理解其原理。
尽管上文已对本发明说明性的具体实施方式逐步进行了描述，以便于本技术领域的技术人员能够进行领会，但是本发明不仅限于具体实施方式的范围，本领域技术人员可以在权利要求的范围内做出各种变形或修改，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内。
Claims (2)
1.一种应用于仓储环境下多机器人路径快速规划方法，其特征在于，包括：
步骤一：使用栅格地图建立真实的仓储环境模型，每个Agent在一次旅途中要完成多个任务；
步骤二：针对指派性任务，采用A*算法与网络流算法相结合的方法，使用A*算法对每个Agent按照指派性任务的顺序进行路径规划，随后针对发生碰撞的地方采用网络流算法进行重构；
步骤三：针对非指派性任务，使用A*算法对每个Agent从起点到终点进行路径规划，随后将所有非指派性任务进行分配并用A*算法规划路径，最后针对发生碰撞的地方采用网络流算法进行重构；步骤三中，针对非指派性任务，使用A*算法对每个Agent规划从起点到终点的路径；将非指派性任务逐个进行分配，策略是将每个机器人路径按照时长从小到大排序，依次检测路径与非指派性任务的距离，当距离小于设定值时，将非指派性任务分配给该机器人并用A*算法进行单机路径规划；将所有非指派性任务分配后，对多机路径进行检查，找出发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序；使用简化的网络流算法对时间最小的碰撞区域进行重构，重构后替换原路径，并检查碰撞机器人重构后的最后所处位置，若碰撞机器人在最后所处位置停留多个时间，则删掉重复的停留部分；针对新的多机路径，重新找出其中发生碰撞的时间、区域、机器人编号，并按照时间从小到大排序，形成循环；直到多机路径没有碰撞部分，则次优路径产生。
2.如权利要求1所述的一种应用于仓储环境下多机器人路径快速规划方法，其特征在于，步骤一中，仓储模型通过MATLAB参照真实环境使用栅格法建立，在仿真环境中加入机器人和相应的任务；起始点、目标点和任务点都是在环境中随机产生，以模拟真实情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010233690.0A CN111487962B (zh) | 2020-03-30 | 2020-03-30 | 一种应用于仓储环境下多机器人路径快速规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010233690.0A CN111487962B (zh) | 2020-03-30 | 2020-03-30 | 一种应用于仓储环境下多机器人路径快速规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111487962A CN111487962A (zh) | 2020-08-04 |
| CN111487962B true CN111487962B (zh) | 2021-10-01 |
Family
ID=71791743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010233690.0A Active CN111487962B (zh) | 2020-03-30 | 2020-03-30 | 一种应用于仓储环境下多机器人路径快速规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111487962B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022032444A1 (zh) * | 2020-08-10 | 2022-02-17 | 深圳技术大学 | 一种多智能主体避障方法、系统和计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
| CN109165886A (zh) * | 2018-07-16 | 2019-01-08 | 顺丰科技有限公司 | 一种物流车辆路径规划方法及装置、设备、存储介质 |
| CN109540150A (zh) * | 2018-12-26 | 2019-03-29 | 北京化工大学 | 一种应用于危化品环境下多机器人路径规划方法 |
| CN109887289A (zh) * | 2019-03-28 | 2019-06-14 | 南京邮电大学 | 一种城市交通网络模型的网络车流量最大化方法 |
| CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
| CN110456633A (zh) * | 2019-06-29 | 2019-11-15 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 机载多平台分布式任务分配方法 |
| CN110458368A (zh) * | 2019-08-18 | 2019-11-15 | 中国科学院科技战略咨询研究院 | 一种基于网络流的草畜平衡游牧路径规划方法 |
| CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10884430B2 (en) * | 2015-09-11 | 2021-01-05 | The Trustees Of The University Of Pennsylvania | Systems and methods for generating safe trajectories for multi-vehicle teams |
| CN109598401B (zh) * | 2018-10-17 | 2023-11-28 | 顺丰科技有限公司 | 车辆调度方法、装置、设备及其存储介质 |
| CN112214024B (zh) * | 2020-10-20 | 2022-11-25 | 浙江迈睿机器人有限公司 | 一种agv任务分配方法、物流分拣方法及系统 |
-
2020
- 2020-03-30 CN CN202010233690.0A patent/CN111487962B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847037A (zh) * | 2018-06-27 | 2018-11-20 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
| CN109165886A (zh) * | 2018-07-16 | 2019-01-08 | 顺丰科技有限公司 | 一种物流车辆路径规划方法及装置、设备、存储介质 |
| CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
| CN109540150A (zh) * | 2018-12-26 | 2019-03-29 | 北京化工大学 | 一种应用于危化品环境下多机器人路径规划方法 |
| CN109887289A (zh) * | 2019-03-28 | 2019-06-14 | 南京邮电大学 | 一种城市交通网络模型的网络车流量最大化方法 |
| CN110456633A (zh) * | 2019-06-29 | 2019-11-15 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 机载多平台分布式任务分配方法 |
| CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
| CN110458368A (zh) * | 2019-08-18 | 2019-11-15 | 中国科学院科技战略咨询研究院 | 一种基于网络流的草畜平衡游牧路径规划方法 |
Non-Patent Citations (9)
| Title |
|---|
| A cuckoo search-based scheduling algorithm for a semiconductor production line with constrained waiting time;Lijie Zhou, Chengran Lin, Biao Hu, Zhengcai Cao;《2019 IEEE 15th International Conference on Automation Science and Engineering (CASE)》;20190919;第338-343页 * |
| ADMM-based problem decomposition scheme for vehicle routing problem with time windows;Yu Yao;《Transportation Research Part B》;20190918;第156-174页 * |
| Ítalo Romani de Oliveira.Analyzing the performance of distributed conflict resolution among autonomous vehicles.《Transportation Research Part B》.2016, * |
| Yard crane and AGV scheduling in automated container terminal: A multi-robot task allocation framework;Xuchao Chen;《Transportation Research Part C》;20200224;第241-271页 * |
| 不确定条件下多商品流多模式路径组合优化研究;许晓燕;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20190115;第J145-156页 * |
| 基于A*算法优化的多目标跟踪;奚峥皓，李洪波，刘贺平，孙富春;《清华大学学报(自然科学版)》;20141231;第1549-1554页 * |
| 基于多机自律协同的柔性作业移动机器人调度;王书亭，景伟，蒋立泉，谢远龙;《华中科技大学学报（自然科学版）》;20201231;第1-7页 * |
| 快速求解大规模网络最大流问题的研究;许显胜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;第I139-5页 * |
| 面向智能制造的多机器人系统任务分配研究;王友发;《中国博士学位论文全文数据库 信息科技辑》;20160815;第I140-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111487962A (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Simultaneous scheduling of machines and vehicles in an FMS environment with alternative routing | |
| CN104408589A (zh) | 基于混合粒子群算法的agv优化调度方法 | |
| CN108764579B (zh) | 一种基于拥塞控制的仓储多机器人任务调度方法 | |
| CN113075927A (zh) | 基于预约表的仓储潜伏式多agv路径规划方法 | |
| CN113671910B (zh) | 一种集成多agv柔性作业车间调度方法、装置及介质 | |
| CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
| CN104915251A (zh) | 任务调度方法及装置 | |
| CN108647810A (zh) | 订单运输的分配方法及装置、计算机可读介质 | |
| CN112232545B (zh) | 基于模拟退火算法的agv任务调度方法 | |
| CN107390700B (zh) | 机器人的动态建图方法及芯片 | |
| CN108268039A (zh) | 移动机器人的路径规划方法及系统 | |
| CN111487962B (zh) | 一种应用于仓储环境下多机器人路径快速规划方法 | |
| CN112070412A (zh) | 一种立体库多提升机的配置方案及任务调度方法 | |
| CN113960969A (zh) | 一种基于大数据的物流仓储的调度方法及系统 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| Arzi et al. | Operating an FMC by a decision-tree-based adaptive production control system | |
| CN107423810B (zh) | 基于骆驼群算法的作业车间调度排产方法及系统 | |
| CN108455214B (zh) | 控制车辆的方法、装置、系统、运输设备及电子设备 | |
| CN116673968B (zh) | 基于强化学习的机械臂轨迹规划要素选择方法及系统 | |
| CN110837950B (zh) | 一种rgv小车的动态调度方法 | |
| CN115629614B (zh) | 一种基于遗传算法的仓储多agv路径规划方法 | |
| CN113791595B (zh) | 分散控制系统测点数据导入方法、系统、设备及介质 | |
| CN109360215A (zh) | 三维模型的外轮廓查找方法、装置、设备和存储介质 | |
| CN114897244A (zh) | 一种适用于rmfs仓储系统的订单分批优化方法 | |
| CN115099061A (zh) | 一种机器人仓储系统自动建模方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |