CN111735470B - 一种动态环境下的自动导引运输车路径规划方法 - Google Patents

一种动态环境下的自动导引运输车路径规划方法 Download PDF

Info

Publication number
CN111735470B
CN111735470B CN202010740840.7A CN202010740840A CN111735470B CN 111735470 B CN111735470 B CN 111735470B CN 202010740840 A CN202010740840 A CN 202010740840A CN 111735470 B CN111735470 B CN 111735470B
Authority
CN
China
Prior art keywords
grid
time
path
obstacle
algorithm
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
CN202010740840.7A
Other languages
English (en)
Other versions
CN111735470A (zh
Inventor
方怀瑾
黄秀松
吕长虹
朱玥炜
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.)
Shanghai International Port Group Co Ltd
East China Normal University
Original Assignee
Shanghai International Port Group Co Ltd
East China Normal University
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 Shanghai International Port Group Co Ltd, East China Normal University filed Critical Shanghai International Port Group Co Ltd
Priority to CN202010740840.7A priority Critical patent/CN111735470B/zh
Publication of CN111735470A publication Critical patent/CN111735470A/zh
Application granted granted Critical
Publication of CN111735470B publication Critical patent/CN111735470B/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, 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
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种动态环境下的自动导引运输车路径规划方法，包括以下步骤：获取起点和终点信息以及动态环境信息；利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；基于时间参数构建A*算法；根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车；基于时间参数构建的A*算法在速度上非常快，其归因于该算法搜索的是二维栅格图，虽然其中包含着时间维度，但其搜索的栅格数与静态的相同。在效果方面，当环境处于非拥挤状态时，该算法不会产生碰撞，且在遇到障碍时更倾向于绕路行驶，对于码头货物运输场景非常合适，且安全。

Description

一种动态环境下的自动导引运输车路径规划方法
技术领域
本发明涉及路径规划技术领域，尤其涉及一种动态环境下的自动导引运输车路径规划方法。
背景技术
自动导引路径规划问题一般处理已知环境情况和未知环境情况。现有许多算法可以解决其路径规划问题，但对于动态环境下的（移动障碍物）路径规划问题，算法无法快速地解决该场景下的问题，且给出的规划路线会有碰撞的可能。
如一般的A*算法结合了深度搜索和广度搜索的优点，使得寻路算法可以在保证速度的情况下大概率地找到解。但A*算法无法处理动态环境的问题。并且在复杂的环境下，A*算法的搜索效率会变低。
发明内容
鉴于目前存在的上述不足，本发明提供一种动态环境下的自动导引运输车路径规划方法，基于时间维度构建的A*算法进行路径规划，其搜索的栅格数与静态的相同，在速度上非常快，规避动态障碍物，适用多种运输车的场景，安全性高。
为达到上述目的，本发明的实施例采用如下技术方案：
一种动态环境下的自动导引运输车路径规划方法，所述动态环境下的自动导引运输车路径规划方法包括以下步骤：
获取起点和终点信息以及动态环境信息；
利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；
基于时间参数构建A*算法；
根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车。
依照本发明的一个方面，所述通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述具体为：
记环境地图E为一矩形，其左下角为坐标原点，X轴正方向向右，Y轴正方向向上，
Figure 415588DEST_PATH_IMAGE001
为E的长，
Figure 826978DEST_PATH_IMAGE002
为E的宽；以w为步长将E切割成栅格，每一行栅格数为
Figure 983022DEST_PATH_IMAGE003
，每一列栅格数为
Figure 872480DEST_PATH_IMAGE004
；设任意栅格为
Figure 548312DEST_PATH_IMAGE005
，
Figure 865024DEST_PATH_IMAGE006
为
Figure 508364DEST_PATH_IMAGE007
所在的行列表示，其中，
Figure 201513DEST_PATH_IMAGE008
，栅格划分为自由栅格集M与障碍栅格集Q，M集可以被规划，Q集不允许被通过；
设起始栅格为
Figure 997431DEST_PATH_IMAGE009
，目标栅格为
Figure 750623DEST_PATH_IMAGE010
，路径集为P，引入时间参数后得：
起始栅格描述为
Figure 881259DEST_PATH_IMAGE011
，
Figure 581362DEST_PATH_IMAGE012
为规划起始时间；
障碍栅格集Q中的每个元素
Figure 215475DEST_PATH_IMAGE013
描述为
Figure 139568DEST_PATH_IMAGE014
，其中
Figure 508233DEST_PATH_IMAGE015
为障碍物
Figure 543185DEST_PATH_IMAGE013
位于
Figure 297383DEST_PATH_IMAGE006
的时刻；
路径集P中的每个元素
Figure 126799DEST_PATH_IMAGE016
描述为
Figure 982759DEST_PATH_IMAGE017
，其中
Figure 555823DEST_PATH_IMAGE015
为规划至
Figure 164528DEST_PATH_IMAGE006
的时刻。
依照本发明的一个方面，所述路径集P中的时间t是由规划物移动速度v以及移动距离s计算得出。
依照本发明的一个方面，所述基于时间参数构建A*算法具体为：
构建由起始栅格
Figure 430424DEST_PATH_IMAGE009
经
Figure 508102DEST_PATH_IMAGE007
号栅格到达目标栅格
Figure 399703DEST_PATH_IMAGE010
的代价函数值
Figure 613647DEST_PATH_IMAGE018
，公式如下：
Figure 50444DEST_PATH_IMAGE019
Figure 615418DEST_PATH_IMAGE007
是坐标
Figure 513973DEST_PATH_IMAGE006
的当前栅格，到达时间为t，
Figure 113581DEST_PATH_IMAGE020
是由起始
Figure 721280DEST_PATH_IMAGE009
栅格到
Figure 22817DEST_PATH_IMAGE007
号栅格的实际代价值，
Figure 741374DEST_PATH_IMAGE021
是由
Figure 929910DEST_PATH_IMAGE007
号栅格到目标栅格
Figure 708511DEST_PATH_IMAGE010
的估计代价值；值
Figure 497344DEST_PATH_IMAGE022
为权重系数，用来控制
Figure 754013DEST_PATH_IMAGE021
与
Figure 797055DEST_PATH_IMAGE023
的占比；
Figure 730245DEST_PATH_IMAGE023
表示从当前栅格
Figure 225948DEST_PATH_IMAGE007
到目标栅格
Figure 551888DEST_PATH_IMAGE010
的方向的小范围路段的繁忙程度函数，用该路段在未来
Figure 964283DEST_PATH_IMAGE024
个单位时间内通过
Figure 819107DEST_PATH_IMAGE025
距离范围的障碍物数来刻画，
Figure 67685DEST_PATH_IMAGE026
。
依照本发明的一个方面，所述繁忙程度函数
Figure 649845DEST_PATH_IMAGE023
的具体公式如下：
Figure 401901DEST_PATH_IMAGE027
Figure 208052DEST_PATH_IMAGE028
其中，
Figure 943926DEST_PATH_IMAGE029
表示从
Figure 814930DEST_PATH_IMAGE006
移动到
Figure 201918DEST_PATH_IMAGE030
所需的时间；
Figure 664124DEST_PATH_IMAGE031
为折扣因子，表示随着
Figure 356136DEST_PATH_IMAGE029
的增加，繁忙程度越不精确；
Figure 76836DEST_PATH_IMAGE032
表示在
Figure 69063DEST_PATH_IMAGE033
时间段内达到
Figure 702170DEST_PATH_IMAGE030
的障碍物个数。
依照本发明的一个方面，所述繁忙程度函数
Figure 147058DEST_PATH_IMAGE023
的特征包括：
Figure 405869DEST_PATH_IMAGE024
决定了探索的时间范围，
Figure 987024DEST_PATH_IMAGE025
决定了探索的空间范围，
Figure 56611DEST_PATH_IMAGE034
的数值越大，搜索的范围越大，则搜索效率越低。
依照本发明的一个方面，所述基于时间参数构建A*算法包括：在起始化阶段加入
Figure 972483DEST_PATH_IMAGE035
来记录搜索的当前栅格
Figure 785718DEST_PATH_IMAGE007
的时间，从而根据与障碍物时间信息的对比来计算
Figure 752537DEST_PATH_IMAGE023
。
依照本发明的一个方面，所述基于时间参数构建A*算法包括：更改对于障碍物的判断，在二维栅格图中表示的障碍物依旧可以通过，只要确保通过的时间与该障碍物所处的时间不一致即可。
本发明实施的优点：本发明所述的动态环境下的自动导引运输车路径规划方法，包括以下步骤：获取起点和终点信息以及动态环境信息；利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；基于时间参数构建A*算法；根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车；基于时间参数构建的A*算法在速度上非常快，其归因于该算法搜索的是二维栅格图，虽然其中包含着时间维度，但其搜索的栅格数与静态的相同。在效果方面，当环境处于非拥挤状态时，该算法不会产生碰撞，且在遇到障碍时更倾向于绕路行驶，对于码头货物运输场景非常合适，且安全。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1为本发明所述的一种动态环境下的自动导引运输车路径规划方法示意图；
图2为本发明所述的计算繁忙程度函数示例示意图；
图3为本发明实施例所述的仿真应用示例环境地图示意图；
图4为本发明实施例所述的仿真应用示例路径规划示意图；
图5为本发明实施例所述的Busy_A*算法运行结果示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1、图2、图3、图4和图5所示，一种动态环境下的自动导引运输车路径规划方法，所述动态环境下的自动导引运输车路径规划方法包括以下步骤：
步骤S1：获取起点和终点信息以及动态环境信息；
本实施例所述的动态环境下的自动导引运输车路径规划方法可以应用在例如码头货物运输、仓储物流运输等各个需要运输车的场景，在应用到不同场景时，通过场景布置的传感器、信号标等获得场景动态环境信息，同时获得每个运输车所在及运输车的任务信息，从而获得起点和终点信息。
步骤S2：利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；
记环境地图E为一矩形，其左下角为坐标原点，X轴正方向向右，Y轴正方向向上。
Figure 648818DEST_PATH_IMAGE001
为E的长，
Figure 333877DEST_PATH_IMAGE002
为E的宽。以w为步长将E切割成栅格。每一行栅格数为
Figure 668912DEST_PATH_IMAGE003
，每一列栅格数为
Figure 490238DEST_PATH_IMAGE004
。将E划分成
Figure 370469DEST_PATH_IMAGE036
栅格图，设任意栅格为
Figure 526513DEST_PATH_IMAGE005
，
Figure 415972DEST_PATH_IMAGE006
为
Figure 91803DEST_PATH_IMAGE007
所在的行列表示，其中
Figure 674095DEST_PATH_IMAGE008
。栅格划分为自由栅格集M与障碍栅格集Q。M集可以被规划，Q集不允许被通过。现已知起始栅格
Figure 51855DEST_PATH_IMAGE037
，目标栅格
Figure 745005DEST_PATH_IMAGE038
，障碍物集Q，需要找到一条由自由栅格组成的路径集P，其中起点为起始栅格，终点为目标栅格。
对于已知动态环境，需要加入时间t来描述环境。整个环境E依旧使用3.1.1中的栅格划分来进行构造。环境E划分成
Figure 275343DEST_PATH_IMAGE036
栅格；任意栅格为
Figure 277803DEST_PATH_IMAGE007
；自由栅格集为M；障碍栅格集为Q；起始栅格为
Figure 628013DEST_PATH_IMAGE009
；目标栅格为
Figure 124853DEST_PATH_IMAGE010
；路径集为P。现对其中三个量加入t方便描述：
1）起始栅格：
Figure 24545DEST_PATH_IMAGE011
，
Figure 683060DEST_PATH_IMAGE012
为规划起始时间。
2）障碍栅格集：Q中的每个元素
Figure 51724DEST_PATH_IMAGE013
要加入时间变量t来表示障碍物的移动。
Figure 86676DEST_PATH_IMAGE014
，其中
Figure 575295DEST_PATH_IMAGE015
为障碍物
Figure 670290DEST_PATH_IMAGE013
位于
Figure 260671DEST_PATH_IMAGE006
的时刻。
3）路径集：P中的每个元素
Figure 106440DEST_PATH_IMAGE016
需要加入时间变量来表示规划物位于该位置的时间，方便检测是否与移动障碍物发生碰撞。
Figure 731457DEST_PATH_IMAGE017
，其中
Figure 997353DEST_PATH_IMAGE015
为规划至
Figure 75030DEST_PATH_IMAGE006
的时刻。路径集中的时间t是由的规划物移动速度v以及移动距离s计算得出。现为方便建模，假设规划物只能上下左右直线运动，且移动速度为匀速，不存在转弯，启动，停止等时间消耗。设单位时间为
Figure 435473DEST_PATH_IMAGE039
，表示每移动一个栅格所耗费的时间。
步骤S3：基于时间参数构建A*算法；
静态环境下的A*算法为
Figure 649417DEST_PATH_IMAGE040
；现基于时间参数构建A*算法，需要启发式函数
Figure 69903DEST_PATH_IMAGE041
做出更改，具体如下：
构建由起始栅格
Figure 634877DEST_PATH_IMAGE009
经
Figure 549743DEST_PATH_IMAGE007
号栅格到达目标栅格
Figure 149352DEST_PATH_IMAGE010
的代价函数值
Figure 740739DEST_PATH_IMAGE018
，公式如下：
Figure 527429DEST_PATH_IMAGE019
Figure 511566DEST_PATH_IMAGE007
是坐标
Figure 949369DEST_PATH_IMAGE006
的当前栅格，到达时间为t，
Figure 727969DEST_PATH_IMAGE020
是由起始
Figure 1956DEST_PATH_IMAGE009
栅格到
Figure 507892DEST_PATH_IMAGE007
号栅格的实际代价值，
Figure 816514DEST_PATH_IMAGE021
是由
Figure 500436DEST_PATH_IMAGE007
号栅格到目标栅格
Figure 527298DEST_PATH_IMAGE010
的估计代价值；值
Figure 571346DEST_PATH_IMAGE022
为权重系数，用来控制
Figure 54DEST_PATH_IMAGE021
与
Figure 854877DEST_PATH_IMAGE023
的占比；
Figure 352723DEST_PATH_IMAGE023
表示从当前栅格
Figure 216774DEST_PATH_IMAGE007
到目标栅格
Figure 234409DEST_PATH_IMAGE010
的方向的小范围路段的繁忙程度函数，用该路段在未来
Figure 243822DEST_PATH_IMAGE024
个单位时间内通过
Figure 979697DEST_PATH_IMAGE025
距离范围的障碍物数来刻画，
Figure 647439DEST_PATH_IMAGE026
。
Figure 34426DEST_PATH_IMAGE023
表示从当前栅格
Figure 496632DEST_PATH_IMAGE007
到目标栅格
Figure 454223DEST_PATH_IMAGE010
的方向的小范围路段的繁忙程度函数，用该路段在未来
Figure 925656DEST_PATH_IMAGE024
个单位时间内通过
Figure 901571DEST_PATH_IMAGE025
距离范围的障碍物数来刻画，
Figure 534678DEST_PATH_IMAGE026
。具体计算如下：
Figure 979566DEST_PATH_IMAGE027
Figure 972798DEST_PATH_IMAGE028
其中，
Figure 819532DEST_PATH_IMAGE029
表示从
Figure 341649DEST_PATH_IMAGE006
移动到
Figure 477095DEST_PATH_IMAGE030
所需的时间；
Figure 477281DEST_PATH_IMAGE031
为折扣因子，表示随着
Figure 912941DEST_PATH_IMAGE029
的增加，繁忙程度越不精确；
Figure 402697DEST_PATH_IMAGE032
表示在
Figure 556598DEST_PATH_IMAGE033
时间段内达到
Figure 642366DEST_PATH_IMAGE030
的障碍物个数。
对于
Figure 712959DEST_PATH_IMAGE023
来说，
Figure 124349DEST_PATH_IMAGE024
决定了探索的时间范围，
Figure 31125DEST_PATH_IMAGE025
决定了探索的空间范围，
Figure 186163DEST_PATH_IMAGE034
的数值越大，搜索的范围越大，则搜索效率越低。
以下对繁忙程度函数进行举例说明。
假设到达
Figure 845683DEST_PATH_IMAGE007
的时刻为t，
Figure 427974DEST_PATH_IMAGE042
，
Figure 822046DEST_PATH_IMAGE043
，目标栅格
Figure 764463DEST_PATH_IMAGE010
在
Figure 294802DEST_PATH_IMAGE007
的右上方，如图2所示，该图中的
Figure 234945DEST_PATH_IMAGE044
其中，
Figure 850734DEST_PATH_IMAGE045
表示在
Figure 81995DEST_PATH_IMAGE046
时段内到达栅格
Figure 716108DEST_PATH_IMAGE047
的障碍物数量，
Figure 374622DEST_PATH_IMAGE048
表示在
Figure 477707DEST_PATH_IMAGE049
时段内到达栅格
Figure 496348DEST_PATH_IMAGE050
的障碍物数量，
Figure 266858DEST_PATH_IMAGE051
表示在
Figure 361853DEST_PATH_IMAGE052
时段内到达栅格
Figure 935922DEST_PATH_IMAGE053
的障碍物数量，
Figure 774565DEST_PATH_IMAGE054
表示在
Figure 399582DEST_PATH_IMAGE049
时段内到达栅格
Figure 399899DEST_PATH_IMAGE055
的障碍物数量。
步骤S4：根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车。
本实施例所述的基于时间参数的A*算法与常规A*算法步骤基本一致，在起始化阶段加入
Figure 726844DEST_PATH_IMAGE035
来记录搜索的当前栅格
Figure 838019DEST_PATH_IMAGE007
的时间，从而根据与障碍物时间信息的对比来计算
Figure 317542DEST_PATH_IMAGE023
。并且基于时间参数的A*算法去除了A*算法中对于障碍物的判断，因为在二维栅格图中表示的障碍物依旧可以通过，只要通过的时间与该障碍物所处的时间不一致即可。
在实际应用中，所述基于时间参数的A*算法可称为Busy_A*，实际应用中的部分源代码可如下：
表1 Busy_A*伪代码
Figure 206870DEST_PATH_IMAGE056
本实施例所述的动态环境下的自动导引运输车路径规划方法可包括如下仿真应用示例：
在仿真应用中，对一般动态障碍物进行模拟仿真，并给出在大规模运算中的迭代次数和搜索格子数，仿真软件为python3.6，仿真环境为栅格图，为方便模拟，假设运输车在栅格图的节点处运动，Busy_A*算法中使用的启发函数为：
其中
Figure 771843DEST_PATH_IMAGE057
，
Figure 952289DEST_PATH_IMAGE043
，
Figure 270007DEST_PATH_IMAGE058
，
Figure 612126DEST_PATH_IMAGE021
使用曼哈顿距离。仿真规定运输车不能斜走，只能上下左右移动，单位时间设置为1。
如图3所示，模拟动静障碍物结合的环境为
Figure 664396DEST_PATH_IMAGE059
的栅格图，其中黑色圆点为固定障碍物，（0,2）为起点，（2,9）为终点。浅色线为2号运输车的路径，节点上的数字为2号运输车在该点的时刻。现设置1号运输车在1时刻才能开始从起点运动。
易知，2号运输车在
Figure 632221DEST_PATH_IMAGE060
点从9时刻停止到13时刻。并且运输车若绕远路，从
Figure 820757DEST_PATH_IMAGE061
点走，需要花费更多时间，但若从
Figure 333778DEST_PATH_IMAGE062
点走，便会在5时刻与2号运输车碰撞。
先将起点（2,0,0），终点（2,9）以及各个障碍栅格输入算法中进行运算。可以得到如下结果：如图4易知，Busy_A*算法中1号运输车通过绕路的方式避开在
Figure 122611DEST_PATH_IMAGE063
点与2号运输车碰撞，并在最终绕开2号运输车到达目标点； Busy_A*算法搜索的格子数少，算法用时少，且能避开障碍物。如图5所示，为算法代码运行结果。
本发明实施的优点：本发明所述的动态环境下的自动导引运输车路径规划方法，包括以下步骤：获取起点和终点信息以及动态环境信息；利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；基于时间参数构建A*算法；根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车；基于时间参数构建的A*算法在速度上非常快，其归因于该算法搜索的是二维栅格图，虽然其中包含着时间维度，但其搜索的栅格数与静态的相同。在效果方面，当环境处于非拥挤状态时，该算法不会产生碰撞，且在遇到障碍时更倾向于绕路行驶，对于码头货物运输场景非常合适，且安全。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种动态环境下的自动导引运输车路径规划方法，其特征在于，所述动态环境下的自动导引运输车路径规划方法包括以下步骤：
获取起点和终点信息以及动态环境信息；
利用所述动态环境信息、起点和终点信息，通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述；
基于时间参数构建A*算法，具体包括：通过在启发式函数F(ni)中加入从当前栅格ni到目标栅格方向的小范围路段的繁忙程度函数，并分配权重系数，所述繁忙程度函数用该路段在未来k个单位时间内通过l距离范围的障碍物数来刻画；
根据基于时间参数的A*算法得到路径作为规划路径输出给自动导引运输车。
2.根据权利要求1所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述通过栅格法进行动态环境建模，构建栅格环境地图，并引入时间参数对栅格环境地图进行描述具体为：
记环境地图E为一矩形，其左下角为坐标原点，X轴正方向向右，Y轴正方向向上，Xmax为E的长，Ymax为E的宽；以w为步长将E切割成栅格，每一行栅格数为
Figure FDA0002804555980000011
每一列栅格数为
Figure FDA0002804555980000012
设任意栅格为ni＝(xi，yi)，(xi，yi)为ni所在的行列表示，其中，1≤i≤Nx×Ny，0≤xi＜Nx，0≤yi＜Ny，xi∈Z，yi∈Z，i∈Z，栅格划分为自由栅格集M与障碍栅格集Q，M集可以被规划，Q集不允许被通过；
设起始栅格为(xs，ys)，目标栅格为(xe，ye)，路径集为P，引入时间参数后得：
起始栅格描述为ns＝(xs，ys，ts)，s∈Z，ts为规划起始时间；
障碍栅格集Q中的每个元素Qi描述为Qi＝(xi，yi，ti)∈Q，其中ti为障碍物Qi位于(xi，yi)的时刻；
路径集P中的每个元素pi描述为pi＝(xi，yi，ti)∈M，其中ti为规划至(xi，yi)的时刻。
3.根据权利要求2所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述路径集P中的时间t是由规划物移动速度v以及移动距离s计算得出。
4.根据权利要求2所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述基于时间参数构建A*算法具体为：
构建由起始栅格(xs，ys)经ni号栅格到达目标栅格(xe，ye)的代价函数值F(ni)，公式如下：
F(ni)＝G(ni)+αH(ni)+βD(ni，k，l)
ni是坐标(xi，yi)的当前栅格，到达时间为t，G(ni)是由起始(xs，ys)栅格到ni号栅格的实际代价值，H(ni)是由ni号栅格到目标栅格(xe，ye)的估计代价值；值α，β为权重系数，用来控制H(ni)与D(ni，k，l)的占比；D(ni，k，l)表示从当前栅格ni到目标栅格(xe，ye)的方向的小范围路段的繁忙程度函数，用该路段在未来k个单位时间内通过l距离范围的障碍物数来刻画，k，l∈Z，0≤l≤min(Nx，Ny)。
5.根据权利要求4所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述繁忙程度函数D(ni，k，l)的具体公式如下：
Figure FDA0002804555980000021
其中，tinterval表示从(xi，yi)移动到(a，b)所需的时间；γ∈[0，1]为折扣因子，表示随着tinterval的增加，繁忙程度越不精确；z(a，b)表示在[t+tinterval，t+tinterval+k]时间段内达到(a，b)的障碍物个数。
6.根据权利要求5所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述繁忙程度函数D(ni，k，l)的特征包括：k决定了探索的时间范围，l决定了探索的空间范围，k，l的数值越大，搜索的范围越大，则搜索效率越低。
7.根据权利要求4至6之一所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述基于时间参数构建A*算法包括：在起始化阶段加入t＝ts来记录搜索的当前栅格ni的时间，从而根据与障碍物时间信息的对比来计算D(ni，k，l)。
8.根据权利要求7所述的动态环境下的自动导引运输车路径规划方法，其特征在于，所述基于时间参数构建A*算法包括：更改对于障碍物的判断，在二维栅格图中表示的障碍物依旧可以通过，只要确保通过的时间与该障碍物所处的时间不一致即可。
CN202010740840.7A 2020-07-29 2020-07-29 一种动态环境下的自动导引运输车路径规划方法 Active CN111735470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010740840.7A CN111735470B (zh) 2020-07-29 2020-07-29 一种动态环境下的自动导引运输车路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010740840.7A CN111735470B (zh) 2020-07-29 2020-07-29 一种动态环境下的自动导引运输车路径规划方法

Publications (2)

Publication Number Publication Date
CN111735470A CN111735470A (zh) 2020-10-02
CN111735470B true CN111735470B (zh) 2021-03-02

Family

ID=72656434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010740840.7A Active CN111735470B (zh) 2020-07-29 2020-07-29 一种动态环境下的自动导引运输车路径规划方法

Country Status (1)

Country Link
CN (1) CN111735470B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112649011B (zh) * 2020-12-01 2022-06-28 禾多科技（北京）有限公司 车辆避障方法、装置、设备和计算机可读介质
CN112729326B (zh) * 2020-12-23 2023-12-26 北京易控智驾科技有限公司 运动智能体轨迹规划方法、装置、存储介质和电子设备
CN113515109B (zh) * 2021-04-16 2024-04-09 广东工业大学 一种模拟海洋动态不确定环境的航行器路径规划方法
CN114967711B (zh) * 2022-07-04 2023-05-12 江苏集萃清联智控科技有限公司 一种基于动态加权地图的多agv协同路径规划方法及系统
CN115330035A (zh) * 2022-07-29 2022-11-11 浙江三一装备有限公司 吊装路径规划模型构建方法、吊装路径规划方法及起重机
CN117705140B (zh) * 2024-02-04 2024-05-10 航天宏图信息技术股份有限公司 基于多时相可通过性的动态路径规划方法、装置及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4138541B2 (ja) * 2003-03-13 2008-08-27 独立行政法人科学技術振興機構 分散型経路計画装置及び方法、分散型経路計画プログラム
CN103994768B (zh) * 2014-05-23 2017-01-25 北京交通大学 动态时变环境下寻求全局时间最优路径的方法及系统
CN108549378B (zh) * 2018-05-02 2021-04-20 长沙学院 一种基于栅格地图的混合路径规划方法和系统
CN110426053B (zh) * 2019-07-12 2020-11-17 深圳市银星智能科技股份有限公司 一种路径规划方法以及移动机器人

Also Published As

Publication number Publication date
CN111735470A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111735470B (zh) 一种动态环境下的自动导引运输车路径规划方法
CN109541634B (zh) 一种路径规划方法、装置和移动设备
US10901421B2 (en) Method and device for detecting road boundary
JP5172326B2 (ja) 適応型経路計画のためのシステム及び方法
JP2677600B2 (ja) ３次元空間に無衝突経路を定める方法
CN113710431B (zh) 使用基于采样的最优树的路径规划方法以及记录介质
Sadat et al. Fractal trajectories for online non-uniform aerial coverage
Veneti et al. Minimizing the fuel consumption and the risk in maritime transportation: A bi-objective weather routing approach
US8229716B2 (en) Fast tracking methods and systems for air traffic modeling using a Monotonic Lagrangian Grid
KR101554498B1 (ko) 네트워크 모형화를 이용한 선박의 최적항로 계획 시스템
CN112683275A (zh) 一种栅格地图的路径规划方法
CN112651990A (zh) 运动轨迹预测方法及系统、电子设备及可读存储介质
CN109508003A (zh) 一种无人驾驶道路机械机群动态避让方法
CN113867347A (zh) 机器人路径规划方法、装置、管理系统及计算机存储介质
Neumann Method of path selection in the graph-case study
KR102451055B1 (ko) 무인이동로봇의 경로계획 방법 및 장치
CN105180955A (zh) 机动车实时精准定位方法及装置
US11049319B2 (en) Method for implementing virtual reality roaming path control
CN112923940A (zh) 路径规划方法、装置、处理设备、移动设备及存储介质
Neumann Good choice of transit vessel route using Dempster-Shafer Theory
CN113447039B (zh) 一种基于测绘信息的高精度道路最短路径计算方法
CN114419877A (zh) 基于道路特征的车辆轨迹预测数据处理方法和装置
KR20230140131A (ko) 나선형 최적화 기법과 황금 분할 탐색 기법을 활용한 베지어 곡선 기반의 지역 경로 계획 방법
Ali et al. Global mobile robot path planning using laser simulator
CN111912407B (zh) 一种多机器人系统的路径规划方法

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