CN111880405A - 柔性制造车间系统中的agv自适应路径规划实时控制方法 - Google Patents
柔性制造车间系统中的agv自适应路径规划实时控制方法 Download PDFInfo
- Publication number
- CN111880405A CN111880405A CN202010631546.2A CN202010631546A CN111880405A CN 111880405 A CN111880405 A CN 111880405A CN 202010631546 A CN202010631546 A CN 202010631546A CN 111880405 A CN111880405 A CN 111880405A
- Authority
- CN
- China
- Prior art keywords
- agv
- optimal control
- neural network
- optimal
- network model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 206010048669 Terminal state Diseases 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,包括以下步骤:S1:构建AGV模型作为动力学约束,整合障碍物路径约束,设计优化目标,构建AGV轨迹规划最优控制模型;S2:根据不同的末状态,在一定起始点范围内,离线正向求解最优控制问题,得到最优控制数值解,即最优控制轨迹;S3:搭建深度神经网络模型,并利用最优状态控制对离线训练深度神经网络模型;S4:将通过充分训练后的深度神经网络模型作为实时最优控制器,实现AGV自适应路径规划实时控制。本发明提供一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,通过离线求解优化和完成深度网络训练学习,解决了现有的AGV的自适应路径轨迹规划能力还不够高的问题。
Description
技术领域
本发明涉及自动控制技术领域,更具体的,涉及一种柔性制造车间系统中的AGV自适应路径规划实时控制方法。
背景技术
AGV(Automatic Guided Vehicle)的研究涉及多种技术领域,是一个典型的机电一体化多技术多学科的集成系统,是柔性生产系统的关键设备,在物件搬运自动化以及智能仓储中起着重要作用。动态和灵活的制造环境给车间自主机器人AGV路径规划与实时控制带来了许多挑战。AGV按其控制方式和自主程度大致可分为遥控式、半自主式与自主式三种。
现有技术中,AGV的自适应路径轨迹规划能力还不够高,如一种叉车式AGV磁导轨跟踪控制系统及方法,公开号为CN109279543A,AGV通过识别铺设在地面的磁轨道确定行进路线,但是受限于磁轨的不灵活性,扩充路径相对复杂;如基于二维码带的AGV定位方法及系统,公开号为CN105511466A,AGV通过识别粘贴在地面上的有间隔的具有唯一性的二维码,获得二维码信息来确定位置和行进路线,相比于磁轨式,行动更为灵活,易于调度,但是存在着标识易磨损、环境光要求高的问题。
发明内容
本发明为克服现有的AGV的自适应路径轨迹规划能力还不够高的技术缺陷,提供一种柔性制造车间系统中的AGV自适应路径规划实时控制方法。
为解决上述技术问题,本发明的技术方案如下:
一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,包括以下步骤:
S1:构建AGV模型作为动力学约束,整合障碍物路径约束,设计优化目标,构建AGV轨迹规划最优控制模型,从而把AGV的轨迹规划转化为求解带相应约束的最优控制问题;
其中,为第j个最优控制轨迹,j=1,…,m;中包含最优控制对:s=[x,y,θ,v,φ],a=[α,ω],(x,y)为AGV中心点P的坐标,θ为AGV的方位角,v为AGV在θ方向的速度,φ为AGV的转向角,α为AGV在θ方向的加速度,ω为AGV的角速度;
S3:搭建深度神经网络模型,并利用最优状态控制对(s,a)离线训练深度神经网络模型;
S4:将通过充分训练后的深度神经网络模型作为实时最优控制器,实现AGV自适应路径规划实时控制。
优选的,在步骤S1中,采用二自由度的车辆模型构建AGV动力学模型。
优选的,所述AGV动力学模型为:
其中,t为时间变量,tf为末端状态所对应的时刻,x(t)为t时刻AGV中心点P的x坐标,y(t)为t时刻AGV中心点P的y坐标,θ(t)为t时刻AGV的方位角,φ(t)为t时刻AGV的转向角,v(t)为t时刻AGV在θ方向的速度,α(t)为t时刻AGV在θ方向的加速度,ω(t)为t时刻AGV的角速度,Lw为AGV的轮距长度。
优选的,在步骤S1中,设计优化目标具体包括以下步骤:
其中,t0为初始状态所对应的时刻,t0=0;
S1.2:根据已知的障碍物位置设定不等式路径约束为:
(x(t)-z_xi)2+(y(t)-z_yi)2≥(R+ri)2
其中,(z_xi,z_yi)为第i个障碍物的坐标,ri为第i个障碍物的半径,i=1,...,N;R为AGV的最小外接圆半径;
S1.3:将不等式路径约束转化为等式路径约束,具体如下:
ei=(x(t)-z_xi)2+(y(t)-z_yi)2-(R+k*ri)2≥0
优选的,在步骤S2中,采用最优控制中的直接法或间接法离线正向求解最优控制问题。
优选的,采用直接法中的高斯伪谱法离线正向求解最优控制问题。
优选的,在步骤S3中,深度神经网络模型的结构根据神经网络的拟合效果进行调整优化。
优选的,在步骤S1中,所述最优控制问题中对于一次搬运任务,其末状态固定。
优选的,在步骤S2中,所述最优控制轨迹的起始点不同,目标点相同。
优选的,在步骤S3中,利用最优状态控制对(s,a)离线训练深度神经网络模型具体为:利用不同目标点的最优状态控制对(s,a),分别离线求解最优控制问题并训练深度神经网络模型,得到对应n个不同搬运任务的深度神经网络模型Net1,...,Netn并保存。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,根据场地相关约束建立AGV动力学模型和设定优化目标,然后离线求解优化目标得出大量不同起始点的最优控制轨迹,并离线完成深度网络训练学习,解决在线运行时计算量大,以及由于起始点变动导致反复迭代时间倍增的问题,实现了一定范围内任意起始点的AGV实时最优控制,提高了AGV的自适应路径轨迹规划能力。
附图说明
图1为本发明的技术方案实施步骤流程图;
图2为本发明中AGV动力学模型的示意图;
图3为本发明中通过不同深度神经网络模型实现AGV在线实施最优控制的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,包括以下步骤:
S1:构建AGV模型作为动力学约束,整合障碍物路径约束,设计优化目标,构建AGV轨迹规划最优控制模型,从而把AGV的轨迹规划转化为求解带相应约束的最优控制问题;
其中,为第j个最优控制轨迹,j=1,…,m;中包含最优控制对:s=[x,y,θ,v,φ],a=[α,ω],(x,y)为AGV中心点P的坐标,θ为AGV的方位角,v为AGV在θ方向的速度,φ为AGV的转向角,α为AGV在θ方向的加速度,ω为AGV的角速度;
S3:搭建深度神经网络模型,并利用最优状态控制对(s,a)离线训练深度神经网络模型;
S4:将通过充分训练后的深度神经网络模型作为实时最优控制器,实现AGV自适应路径规划实时控制。
在实施过程中,根据场地相关约束建立AGV动力学模型和设定优化目标,然后离线求解优化目标得出大量不同起始点、目标点的最优控制轨迹,并离线完成深度网络训练学习,将通过充分训练后的深度神经网络模型作为实时最优控制器,解决在线运行时计算量大,以及由于起始点变动导致反复迭代时间倍增的问题,实现了一定范围内任意起始点的AGV实时最优控制,提高了AGV的自适应路径轨迹规划能力;其中,由于深度神经网络的训练数据(s,a)在进行训练先进行了归一化处理,因此深度神经网络模型输出控制数据时需要对数据进行逆归一化处理。
更具体的,如图2所示,在步骤S1中,采用二自由度的车辆模型构建AGV动力学模型。
在实施过程中,由于AGV满足车辆的典型运动方式,可采用典型的二自由度车辆模型对车辆的整个运动过程进行完整的建模。
更具体的,所述AGV动力学模型为:
其中,t为时间变量,tf为末端状态所对应的时刻,x(t)为t时刻AGV中心点P的x坐标,y(t)为t时刻AGV中心点P的y坐标,θ(t)为t时刻AGV的方位角,φ(t)为t时刻AGV的转向角,v(t)为t时刻AGV在θ方向的速度,α(t)为t时刻AGV在θ方向的加速度,ω(t)为t时刻AGV的角速度,Lw为AGV的轮距长度。
在实施过程中,实际场景存在一系列的边界值约束,需要根据实际场景以及AGV性能选取阈值。
更具体的,在步骤S1中,设计优化目标具体包括以下步骤:
其中,t0为初始状态所对应的时刻,t0=0;
S1.2:根据已知的障碍物位置设定不等式路径约束为:
(x(t)-z_xi)2+(y(t)-z_yi)2≥(R+ri)2
其中,(z_xi,z_yi)为第i个障碍物的坐标,ri为第i个障碍物的半径,i=1,...,N;R为AGV的最小外接圆半径;
S1.3:将不等式路径约束转化为等式路径约束,具体如下:
ei=(x(t)-z_xi)2+(y(t)-z_yi)2-(R+k*ri)2≥0
在实施过程中,通过对路径约束做平滑化处理,将AGV动力学模型作为动态约束,从而把AGV的轨迹规划转化为求解带相应约束的最优控制问题。
更具体的,在步骤S2中,采用最优控制中的直接法或间接法离线正向求解最优控制问题。
在实施过程中,由于模型的高度非线性与初始条件的偏差,导致很难实现实时最优控制,为了避免离线优化求解导致的滞后性,本实施例中设计了一个两步策略,先对最优控制问题进行离线正向求解。
更具体的,采用直接法中的高斯伪谱法离线正向求解最优控制问题。
更具体的,在步骤S3中,深度神经网络模型的结构根据神经网络的拟合效果进行调整优化。
在实施过程中,训练深度神经网络模型时的调参包括神经网络层数、单层神经元数、激活函数的选取等,这些可根据实际训练拟合效果进行选取。
更具体的,在步骤S1中,所述最优控制问题中对于一次搬运任务,其末状态固定。
在实施过程中,由于AGV处于一个物料搬运的场景,所以对于一个单次搬运任务,是一个末状态固定的最优控制问题。
更具体的,在步骤S2中,所述最优控制轨迹的起始点不同,目标点相同。
更具体的,如图3所示,在步骤S3中,利用最优状态控制对(s,a)离线训练深度神经网络模型具体为:利用不同目标点的最优状态控制对(s,a),分别离线求解最优控制问题并训练深度神经网络模型,得到对应n个不同搬运任务的深度神经网络模型Net1,...,Netn并保存。
在实施过程中,根据离线求解最优控制问题得到的最优状态控制对进行深度神经网络的训练。对于实际搬运场景中不同的搬运目标点,需要对目标点进行重复正向求解最优控制问题,然后分别训练不同目标点对应的深度神经网络模型,并保存深度神经网络模型;其中,将数据输入深度神经网络模型的阶段需要进行数据的归一化处理。
在实施过程中,对于典型的最优控制问题,是求解一个两点边界值问题,起始点的变化意味着需要重新进行求解,实际应用中由于存在起始点不确定、测量误差或者噪声等因素,往往与预先设计的有差别,因此通过充分训练后的深度神经网络可以解决起始点变化时的最优控制问题,将在线最优控制中的起始点推广到设定区域内的任意点,实时应用中具有更强的自主性和鲁棒性。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,包括以下步骤:
S1:构建AGV模型作为动力学约束,整合障碍物路径约束,设计优化目标,构建AGV轨迹规划最优控制模型,从而把AGV的轨迹规划转化为求解带相应约束的最优控制问题;
其中,为第j个最优控制轨迹,j=1,…,m;中包含最优控制对:s=[x,y,θ,v,φ],a=[α,ω],(x,y)为AGV中心点P的坐标,θ为AGV的方位角,v为AGV在θ方向的速度,φ为AGV的转向角,α为AGV在θ方向的加速度,ω为AGV的角速度;
S3:搭建深度神经网络模型,并利用最优状态控制对(s,a)离线训练深度神经网络模型;
S4:将通过充分训练后的深度神经网络模型作为实时最优控制器,实现AGV自适应路径规划实时控制。
2.根据权利要求1所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S1中,采用二自由度的车辆模型构建AGV动力学模型。
4.根据权利要求3所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S1中,设计优化目标具体包括以下步骤:
其中,t0为初始状态所对应的时刻,t0=0;
S1.2:根据已知的障碍物位置设定不等式路径约束为:
(x(t)-z_xi)2+(y(t)-z_yi)2≥(R+ri)2
其中,(z_xi,z_yi)为第i个障碍物的坐标,ri为第i个障碍物的半径,i=1,...,N;R为AGV的最小外接圆半径;
S1.3:将不等式路径约束转化为等式路径约束,具体如下:
ei=(x(t)-z_xi)2+(y(t)-z_yi)2-(R+k*ri)2≥0
5.根据权利要求1所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S2中,采用最优控制中的直接法或间接法离线正向求解最优控制问题。
6.根据权利要求5所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,采用直接法中的高斯伪谱法离线正向求解最优控制问题。
7.根据权利要求1所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S3中,深度神经网络模型的结构根据神经网络的拟合效果进行调整优化。
8.根据权利要求1所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S1中,所述最优控制问题中对于一次搬运任务,其末状态固定。
9.根据权利要求8所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S2中,所述最优控制轨迹的起始点不同,目标点相同。
10.根据权利要求8所述的柔性制造车间系统中的AGV自适应路径规划实时控制方法,其特征在于,在步骤S3中,利用最优状态控制对(s,a)离线训练深度神经网络模型具体为:利用不同目标点的最优状态控制对(s,a),分别离线求解最优控制问题并训练深度神经网络模型,得到对应n个不同搬运任务的深度神经网络模型Net1,...,Netn并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631546.2A CN111880405B (zh) | 2020-07-03 | 2020-07-03 | 柔性制造车间系统中的agv自适应路径规划实时控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631546.2A CN111880405B (zh) | 2020-07-03 | 2020-07-03 | 柔性制造车间系统中的agv自适应路径规划实时控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111880405A true CN111880405A (zh) | 2020-11-03 |
CN111880405B CN111880405B (zh) | 2022-06-14 |
Family
ID=73151481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010631546.2A Active CN111880405B (zh) | 2020-07-03 | 2020-07-03 | 柔性制造车间系统中的agv自适应路径规划实时控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111880405B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
CN113778117A (zh) * | 2021-09-06 | 2021-12-10 | 中国科学院数学与系统科学研究院 | 一种针对飞机纵向最优路径规划的初值智能选取多阶段伪谱法 |
CN114200936A (zh) * | 2021-12-06 | 2022-03-18 | 广东工业大学 | 基于最优控制及宽度学习的agv实时路径规划方法 |
CN115826512A (zh) * | 2022-10-27 | 2023-03-21 | 珠海创智科技有限公司 | 一种行进路线的处理方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459605A (zh) * | 2018-03-22 | 2018-08-28 | 合肥工业大学 | 基于agv系统的轨迹跟踪控制方法 |
CN108942946A (zh) * | 2018-08-29 | 2018-12-07 | 中南大学 | 一种智慧物流环境机器人装载方法与装置 |
CN110320809A (zh) * | 2019-08-19 | 2019-10-11 | 杭州电子科技大学 | 一种基于模型预测控制的agv轨迹修正方法 |
CN110543171A (zh) * | 2019-08-27 | 2019-12-06 | 华中科技大学 | 一种基于改进bp神经网络的仓储多agv路径规划方法 |
CN111103798A (zh) * | 2019-12-20 | 2020-05-05 | 华南理工大学 | 一种基于反演滑模控制的agv路径跟踪方法 |
-
2020
- 2020-07-03 CN CN202010631546.2A patent/CN111880405B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459605A (zh) * | 2018-03-22 | 2018-08-28 | 合肥工业大学 | 基于agv系统的轨迹跟踪控制方法 |
CN108942946A (zh) * | 2018-08-29 | 2018-12-07 | 中南大学 | 一种智慧物流环境机器人装载方法与装置 |
CN110320809A (zh) * | 2019-08-19 | 2019-10-11 | 杭州电子科技大学 | 一种基于模型预测控制的agv轨迹修正方法 |
CN110543171A (zh) * | 2019-08-27 | 2019-12-06 | 华中科技大学 | 一种基于改进bp神经网络的仓储多agv路径规划方法 |
CN111103798A (zh) * | 2019-12-20 | 2020-05-05 | 华南理工大学 | 一种基于反演滑模控制的agv路径跟踪方法 |
Non-Patent Citations (2)
Title |
---|
李松林: "AGV路径规划问题设计与研究", 《万方学位论文》, 19 December 2018 (2018-12-19), pages 1 - 62 * |
赵师涛: "基于强化学习的磁导航AGV控制方法研究", 《万方学位论文》, 31 August 2018 (2018-08-31), pages 1 - 70 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
CN113485380B (zh) * | 2021-08-20 | 2022-04-12 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
CN113778117A (zh) * | 2021-09-06 | 2021-12-10 | 中国科学院数学与系统科学研究院 | 一种针对飞机纵向最优路径规划的初值智能选取多阶段伪谱法 |
CN114200936A (zh) * | 2021-12-06 | 2022-03-18 | 广东工业大学 | 基于最优控制及宽度学习的agv实时路径规划方法 |
CN115826512A (zh) * | 2022-10-27 | 2023-03-21 | 珠海创智科技有限公司 | 一种行进路线的处理方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111880405B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111880405B (zh) | 柔性制造车间系统中的agv自适应路径规划实时控制方法 | |
Zhao et al. | A novel direct trajectory planning approach based on generative adversarial networks and rapidly-exploring random tree | |
Kazem et al. | Modified vector field histogram with a neural network learning model for mobile robot path planning and obstacle avoidance. | |
Płaskonka | Different kinematic path following controllers for a wheeled mobile robot of (2, 0) type | |
Oleiwi et al. | Application of fuzzy logic for collision avoidance of mobile robots in dynamic-indoor environments | |
Horst et al. | Trajectory generation for an on-road autonomous vehicle | |
Mehmood et al. | Application of deep reinforcement learning for tracking control of 3WD omnidirectional mobile robot | |
Phunopas et al. | Motion Improvement of Four-Wheeled Omnidirectional Mobile Robots for Indoor Terrain. | |
CN113485323B (zh) | 一种级联多移动机器人灵活编队方法 | |
Yuan et al. | Research and implementation of intelligent vehicle path planning based on four-layer neural network | |
CN114200936B (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
Zhang | A hybrid reactive navigation strategy for a non-holonomic mobile robot in cluttered environments | |
CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
Yeom | Design of deep neural network based model predictive controller for a car-like mobile robot | |
Amin et al. | Particle swarm fuzzy controller for behavior-based mobile robot | |
Zhang et al. | Seam tracking control for mobile welding robot based on vision sensor | |
Nakrani et al. | Fuzzy based autonomous parallel parking challenges in real time scenario | |
Yang et al. | Two-stage multi-sensor fusion positioning system with seamless switching for cooperative mobile robot and manipulator system | |
Nejad et al. | Real time localization, path planning and motion control for autonomous parking in cluttered environment with narrow passages | |
Islami et al. | Comparative analysis multi-robot formation control modeling using fuzzy logic type 2–particle swarm optimization | |
Wang et al. | Low-cost navigation based on reinforcement learning for autonomous vehicles | |
Ly | Neural controller design of unmanned ground vehicle with four-wheel independent drive in agricultural farming | |
CN118092208B (zh) | 基于全局视觉伺服的工位内agv智能导航方法及系统 | |
Krecht et al. | Possible Control Methods for Skid-Steer Mobile Robot Platforms | |
Dou et al. | A novel relative navigation control strategy based on relation space method for autonomous underground articulated vehicles |
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 |