CN111880405B - 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 PDF

Info

Publication number
CN111880405B
CN111880405B CN202010631546.2A CN202010631546A CN111880405B CN 111880405 B CN111880405 B CN 111880405B CN 202010631546 A CN202010631546 A CN 202010631546A CN 111880405 B CN111880405 B CN 111880405B
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.)
Active
Application number
CN202010631546.2A
Other languages
English (en)
Other versions
CN111880405A (zh
Inventor
赖家伦
吴宗泽
任志刚
李建中
刘亚强
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010631546.2A priority Critical patent/CN111880405B/zh
Publication of CN111880405A publication Critical patent/CN111880405A/zh
Application granted granted Critical
Publication of CN111880405B publication Critical patent/CN111880405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (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

柔性制造车间系统中的AGV自适应路径规划实时控制方法
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；
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
Figure BDA0002569011610000021
其中，
Figure BDA0002569011610000022
为第j个最优控制轨迹，j＝1，…，m；
Figure BDA0002569011610000023
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：
Figure BDA0002569011610000024
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：
S1.1：设初始优化目标为
Figure BDA0002569011610000025
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
Figure BDA0002569011610000031
设碰撞预警阈值k＝2，并对不等式路径约束进行平滑化处理，用
Figure BDA0002569011610000032
Figure BDA0002569011610000033
消去
Figure BDA0002569011610000034
中的min部分，最终得到只含等式约束的优化目标
Figure BDA0002569011610000035
其中，ε为趋近于0的极小的正数。
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；
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
Figure BDA0002569011610000041
其中，
Figure BDA0002569011610000042
为第j个最优控制轨迹，j＝1，…，m；
Figure BDA0002569011610000043
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：
Figure BDA0002569011610000051
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：
S1.1：设初始优化目标为
Figure BDA0002569011610000052
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
Figure BDA0002569011610000053
设碰撞预警阈值k＝2，并对不等式路径约束进行平滑化处理，用
Figure BDA0002569011610000054
Figure BDA0002569011610000055
消去
Figure BDA0002569011610000056
中的min部分，最终得到只含等式约束的优化目标
Figure BDA0002569011610000061
其中，ε为趋近于0的极小的正数。
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 (5)

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；
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
Figure FDA0003595511410000011
其中，
Figure FDA0003595511410000012
为第j个最优控制轨迹，j＝1，...，m；
Figure FDA0003595511410000015
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；
在步骤S1中，采用二自由度的车辆模型构建AGV动力学模型；
所述AGV动力学模型为：
Figure FDA0003595511410000013
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；
在步骤S1中，设计优化目标具体包括以下步骤：
S1.1：设初始优化目标为
Figure FDA0003595511410000014
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
Figure FDA0003595511410000021
设碰撞预警阈值k＝2，并对不等式路径约束进行平滑化处理，用
Figure FDA0003595511410000022
Figure FDA0003595511410000023
消去
Figure FDA0003595511410000024
中的min部分，最终得到只含等式约束的优化目标
Figure FDA0003595511410000025
其中，ε为趋近于0的极小的正数；
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。
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。
3.根据权利要求2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。
4.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。
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，所述最优控制轨迹的起始点不同，目标点相同。
CN202010631546.2A 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 Active CN111880405B (zh)

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 CN111880405A (zh) 2020-11-03
CN111880405B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113778117B (zh) * 2021-09-06 2023-04-07 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
CN114200936B (zh) * 2021-12-06 2023-06-13 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
CN115826512B (zh) * 2022-10-27 2023-07-25 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
李松林.AGV路径规划问题设计与研究.《万方学位论文》.2018,第1-62页. *
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》.2018,第1-70页. *

Also Published As

Publication number Publication date
CN111880405A (zh) 2020-11-03

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
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
Pandey et al. New algorithm for behaviour-based mobile robot navigation in cluttered environment using neural network architecture
Horst et al. Trajectory generation for an on-road autonomous vehicle
Wang et al. The design of an autonomous parallel parking neuro-fuzzy controller for a car-like mobile robot
CN111452868A (zh) 曲线转弯控制方法、装置、存储介质及车辆
Mehmood et al. Application of deep reinforcement learning for tracking control of 3WD omnidirectional mobile robot
Yuan et al. Research and implementation of intelligent vehicle path planning based on four-layer neural network
Widyotriatmo et al. Predictive navigation of an autonomous vehicle with nonholonomic and minimum turning radius constraints
Widyotriatmo et al. Configuration control of an autonomous vehicle under nonholonomic and field-of-view constraints
Yeom Design of deep neural network based model predictive controller for a car-like mobile robot
Bejar et al. A preview neuro-fuzzy controller based on deep reinforcement learning for backing up a truck-trailer vehicle
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
Amin et al. Particle swarm fuzzy controller for behavior-based mobile robot
Li et al. Research on the agricultural machinery path tracking method based on deep reinforcement learning
Yang et al. Two-stage multi-sensor fusion positioning system with seamless switching for cooperative mobile robot and manipulator system
Nakrani et al. Fuzzy based autonomous parallel parking challenges in real time scenario
Nejad et al. Real time localization, path planning and motion control for autonomous parking in cluttered environment with narrow passages
Kowalczyk et al. Control of the differentially-driven mobile robot in the environment with a non-convex star-shape obstacle: Simulation and experiments
Islami et al. Comparative analysis multi-robot formation control modeling using fuzzy logic type 2–particle swarm optimization
Amarasinghe et al. Vision-based hybrid control scheme for autonomous parking of a mobile robot
Ly Neural Controller Design of Unmanned Ground Vehicle with Four-Wheel Independent Drive in Agricultural Farming
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