CN111915923A - 一种多模态高密度的智能停车场系统及存取车方法 - Google Patents

Abstract

本发明公开了一种多模态高密度的智能停车场系统，包括停车场系统整体框架，停车场系统整体框架包括若干单独的智能体agent，分别为：地面设备agent、AGV设备agent、资源管理agent和人机交互agent；地面设备agent用以实现车辆的停放，由若干布置在地面上且相互独立的立体停车设备组成；AGV设备agent用以控制AGV小车运动实现车辆的搬运；资源管理agent用以控制AGV小车实现最优化运行，并保证系统稳定可靠运行；人机交互agent用以实现与用户的交互，本发明采用立体停车设备和AGV相结合的方式提升停车场的空间适应性、停车密度和存取效率。

Description

一种多模态高密度的智能停车场系统及存取车方法

技术领域

本发明涉及一种停车系统，特别涉及一种智能停车系统及存取车方法。

背景技术

进入21世纪以来，我国汽车工业迅猛发展，汽车保有量突破3.5亿，而车位保有量仅为汽车保有量的40％，随着汽车保有量的持续增长，停车难问题日益凸显，车辆甚至停放到道路两旁，严重影响道路交通。立体停车设备是解决停车难问题的一项有效举措，但现有的机械式立体停车设备存取效率和空间利用率较低，对空间的要求较高，不适用于商圈、医院等配套的停车场。同时，大型机械式立体停车设备噪声大，电机功率较大，造价较高，能源消耗量大，不符合环境友好型社会的建设。随着科学技术的不断发展，AGV(AutomatedGuided Vehicle)在停车设备中的应用逐渐广泛，AGV对于智能停车场的构建具有关键意义，越来越多的企业和研究所开始转向对AGV智能停车场的研究，但是AGV价格昂贵，而且为实现停车设备的高存取效率需要大量的AGV搬运器，整个停车设备的建造成本高。同时，AGV智能停车设备对环境的要求很高，需要占用大面积的土地资源，空间利用率较低。

发明内容

本发明的目的是提供一种多模态高密度的智能停车场系统及存取车方法，采用立体停车设备和AGV相结合的方式提升停车场的空间适应性、停车密度和存取效率，而且立体停车设备的使用可以减少AGV的数量，还可以降低停车场的建造成本，对构建高效、节能、环保和高密度的智能停车场具有现实意义。

本发明的目的是这样实现的：一种多模态高密度的智能停车场系统，包括停车场系统整体框架，其特征在于，所述停车场系统整体框架包括若干单独的智能体agent，分别为：地面设备agent、AGV设备agent、资源管理agent和人机交互agent；

所述地面设备agent用以实现车辆的停放，由若干布置在地面上且相互独立的立体停车设备组成；

所述AGV设备agent用以控制AGV小车运动实现车辆的搬运；

所述资源管理agent用以控制AGV小车实现最优化运行，并保证系统稳定可靠运行；

所述人机交互agent用以实现与用户的交互。

作为本发明的进一步限定，所述地面设备agent包括停车agent和功能agent；

所述停车agent包括缓冲区agent、普通区agent和会员区agent；所述缓冲区agent为1-2台立体停车设备，其放置在停车场出、入口作为停车缓冲区使用，可作为停车缓冲区和取车缓冲区；所述普通区agent为若干放置在停车场内部的立体停车设备，其下方设置有滑轮和导轨，可实现横向和纵向的短距离移动；所述会员区agent为多台放置在停车场内部独立于缓冲区agent、普通区agent以外的立体停车设备；

所述功能agent包括异常监测agent、通信agent和充电区agent，异常监测agent通过检测立体停车设备的运行状态，一旦出现异常现象就向通信agent发送信息，通信agent和资源管理agent通信，报告异常，充电区agent用以控制对AGV小车的充电，由充电区域和充电装置构成。

作为本发明的进一步限定，所述AGV设备agent安装在潜入式AGV小车内，包括状态agent、定位导航agent和运动agent，控制AGV小车运动，通过状态agent、定位导航agent和运动agent相互协作、相互通信，并接受资源管理agent的任务指派信息完成车辆的存取任务；AGV设备agent有多个，且相互之间可通信；

所述定位导航agent包括加速度计、陀螺仪和摄像头，其安装在AGV小车的底部；

所述运动agent包括电机、传动机构、悬架和麦克纳姆轮；麦克纳姆轮通过悬架和AGV车体连接，保证四个麦克纳姆轮与地面接触；电机通过传动机构驱动麦克纳姆轮，控制四个车轮的转向与转速，实现AGV的全向运动。

作为本发明的进一步限定，所述的资源管理agent包括调度agent和信息管理agent，调度agent由资源agent、任务agent和AGV管理agent组成；信息管理agent由地图agent、路径agent和会员agent组成；

所述调度agent以停车场的整体布局为依托，以存取车任务量和任务权重作为规则抽取的判别标准，实现AGV小车的导航策略和充电策略；

所述资源agent由异常监测agent、规则存储agent和外部信息agent；任务agent获取存取车实时任务、预约任务和预测任务，其中预测任务由历史数据、周围交通信息以及关联地图厂商的目的地信息综合获得；异常监测agent监测AGV的运行状态，通过AGV上的传感器监测AGV的运动状态，当传感器数据异常时，AGV需要进行维护；AGV管理agent包括AGV状态管理agent、AGV指派agent和AGV规划agent，其中AGV状态管理agent实时获取AGV的电量、空闲AGV的数量、充电AGV的数量、AGV充电管理agent以及任务中AGV的预期运行时间，并为AGV排序；AGV指派agent获取任务agent和AGV状态管理agent的信息，通过任务类型、各类任务数量以及AGV状态，建立任务完成存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，利用随机森林算法对历史的停车数据及运营成本分析，得到各个指标对停车场运营的重要影响，以此作为对应优化目标的权重，将多目标优化模型转化为单目标模型，并利用梯度下降法进行求解。

作为本发明的进一步限定，所述AGV指派agent的具体策略为：

以AGV位置a_m作为初始位置，任务车辆位置i和指定车位位置j作为途径点，以AGV任务结束后位置b_m作为终点位置，路径a_m→i和j→b_m为AGV空载运行，路径i→j为AGV负载运行，动态调度策略根据实际的任务量T＝{1,2,3,…,M}和任务权重L＝{l₁,l₂,l₃,…,l_M}在知识库中抽取调度规则，使数学模型的调度规则更加适合实际情况，具体优化模型如式(1)表示：

其中

b_i≠b_j,i

t

c₁+c₂+c₃+c₄

式中，f_path为路径函，f_time为时间函数，f_power1，f_power2为能源消耗函数，t₁，t₂分别表示AGV空载和满载时的运行时间；c₁，c₂，c₃，c₄分别表示路径长度、AGV运行时间的权重、AGV能源消耗权重和机械停车设备能源消耗权重，c₁,c₂,c₃,c₄∈[0,1]，i,j,m,p,k∈N^*；p为缓冲停车设备车位数；e₁，e₂，e₃分别表示空载AGV单位时间消耗的电量、满载AGV单位时间消耗的电量和机械停车设备单位时间消耗的平均电量，式(7)表示所有任务都有AGV搬运，式(8)表示每个任务只有一台AGV搬运，每次搬运任务目标车位不会重复使用。

作为本发明的进一步限定，所述AGV规划agent的具体策略包括以下步骤：

1)获取停车设备空余车位及空余车位信息，获取可行通行路径；

2)通过全局路径规划算法获取AGV最佳路径；

3)对停车设备的车位进行编码并生成初始种群；

4)计算适应度fit＝α×path_best+β×∑path_park+γ×∑path_AGV；

5)使用锦标赛法选择算子；

6)进行交叉操作；

7)进行变异操作；

8)产生下一代种群并计算适应度fit，保持最佳适应值的解，当前代数加一；

9)判断是否达到最大遗传代数；

10)获得最佳适应值的解；

其中path_best表示最佳路径,∑path_park表示停车设备进行车辆转移对AGV路径规划的影响，∑path_AGV表示其他AGV对搬运AGV路径规划的影响，α+β+γ＝1。

作为本发明的进一步限定，所述AGV状态管理agent实时获取AGV位置、装载信息以及剩余电量信息，通过AGV位置更新地图信息，装载信息和剩余电量信息可以实时获取空闲可用AGV，为AGV指派做准备。

作为本发明的进一步限定，所述人机交互agent由验证agent、交互agent和异常处理agent组成，验证agent通过用户采集图像、车辆车牌信息和注册会员信息进行匹配验证，并发送车辆识别代码；交互agent由用户操作端以及相关通信组件构成，以完成用户的存取车、缴费以及注册等任务；异常处理agent主要用于反馈用户注册失败和验证失败的问题。

一种基于多模态高密度的智能停车场系统的存取车方法，采用上述智能停车场系统，包括以下步骤：

步骤1、资源管理agent根据实时天气、日期、时间和交通流变化情况从数据库中实时抽取规则，通过移动停车设备改变停车场整体布局，以适应存取车密集时刻的存取车任务，提高存取效率；

步骤2、入场车辆进入到停车缓冲区时，摄像头获取车辆车牌图像信息，将信息传输到资源管理agent处理识别，并记录入场时间；

步骤3、利用人机交互agent中的验证agent对人脸图像、车牌信息与本地数据库进行对比，判断用户类型，如为新用户，则提醒用户在客户操作端进行注册和账号绑定，注册完毕后入场时间自动与用户信息匹配；若为注册用户，则用户去用户操作端完成入场信息确认，用户操作端生成车辆识别码发送给用户；

步骤4、调度agent通过多agent协作运行，以存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，并利用随机森林算法进行权重匹配，实现对实时任务、预约任务和预测任务进行合理有效的分配；

步骤5、资源管理agent实时获取停车场内空闲车位信息，调度服务器获取AGV位置、车辆位置以及车位位置，并实时更新地图信息，agent间实时通信获取所处位置，合理规划避障策略；停车设备的控制器控制载车板移动到指派的车位处，停车设备静止后AGV进入载车板停放车辆后离开；

步骤6、停车设备每次运行结束后，地图实时更新空闲位置，资源管理器更新停车场地图信息，调度服务器重新规划路径；

步骤7、AGV完成任务后，若有搬运任务，则继续进行任务；若AGV电量较低时，AGV自行前往充电位置进行充电任务；

步骤8、当用户需要取车时，用户在交互agent上的用户操作端输入车牌号码或车辆识别码进行实时取车操作或者在微信、APP上进行预约取车操作，当用户到达停车场时，需要在用户操作端确认取车信息；

步骤9、资源管理agent接收到用户操作端的取车申请，记录取车时间，发送收费账单，用户可以选择小额现金、微信或APP方式进行缴费，缴费成功后用户需尽快离场；

步骤10、资源管理agent获取任务后，任务agent根据任务类型为AGV分派取车任务，选择优先级最高的AGV进行搬运，调度服务器根据实时地图信息进行路径规划，AGV结合自身的定位导航系统前往车位取车并搬运到出口处；

步骤11、用户缴费成功后，用户允许进入取车车位取车，驶离停车场。

作为本发明的进一步限定，步骤4中，整体布局方案设计中采用动态神经网络算法对历史数据进行归纳分析，根据预期任务类型、AGV状态以及车库的车位余量设计智能停车场整体布局方案，并采用粒子群算法对方案进行仿真优化，以期获得容量最大、效率最高、能耗最小的布局方案；调度任务中以任务完成时间最短、AGV路径最短和能源消耗最低为多目标优化函数，并采用文化基因算法进行函数的求解，得到最优的调度策略；

步骤7中，用户进行实时取车时，AGV将车辆搬运到取车车位，等待用户取车；用户进行预约取车时，只接受1小时内的取车预约，AGV在空闲时将车辆搬运到取车缓冲区或者离停车场出口较近的车位，用户在用户操作端上确认后，立体停车设备将车辆转移到取车车位上，用户选择合适的方式缴费；若所有AGV在整个预约过程中均属于繁忙状态，预约时间前三分钟将预约单转化成优先级较高的实时取车单，AGV优先取车；

步骤8中，预约用户在用户操作端上进行现场信息确认后，资源管理agent才开始记录取车时间。

与现有技术相比，本发明的有益效果在于：

本发明在AGV智能车库中引入停车设备构建一种新型多模态高密度智能车库，通过多agent协同控制以实现AGV和停车设备协同运行，高效搬运车辆，实现无人快速泊车，有着传统的停车场无法比拟的优点：

1.采用立体停车设备和AGV相结合的方式，停车场内部设置立体停车设备，以构建高密度停车场，同时利用停车设备内部移动车辆的特点，可减少移障AGV的使用，降低成本；

2.停车场地面设置导轨，可实现立体停车设备的小范围移动，实现车辆内部转移，改变停车场布局，以达到快速存取和节能环保的目的；

3.对停车场每日的存取车辆数及最大存取流量(辆/时)的历史数据按照节假日和天气情况进行分组分析，分析其存取车特点，并采用决策树算法对两者赋权值，并利用进化算法进行求解，并制定节假日和天气情况相结合的停车场布局和存取车策略；

4.对停车场用户数据、集中存取时间和存取流量的历史数据进行聚类分析，分析用户的存取特征，预测用户的停车时间和停车时长，构建停车场布局和存取车策略；

5.根据上述指定规则，结合当时的日期、天气和时间特点抽取规则，通过导轨小范围转移立体停车设备，实现停车场布局改变和车辆的转移，以达到高效存取的特点，停车设备转移后，利用AGV对常用用户车辆进行动态转移，倘若有车辆进行存车，车辆进入缓冲区域，若车辆进行取车，车辆转移暂停，随即进行取车，取车结束后，继续车辆转移动作；

6.设置VIP车位，通过记录VIP会员的历史存取车数据，对用户的取车时间进行预测，对车辆进行内部动态转移，以期在每个时刻找到最佳位置，并且VIP用户取车任务一经获取，则立刻安排优先级最高的AGV进行搬运以及采取VIP先行策略；

7.构建基于MAS的智能车库模型，通过对主要组成部分构建agent，通过各部分agent的协同控制，减少各部件的干涉，实现高效安全运行；

8.动态调度agent重在协调各agent间的协作，通过建立多AGV和立体停车设备的数学模型，以时间最短、路径最短和能源消耗最小为多目标函数，利用随机森林算法优化权重的设置，将多目标函数设置为单目标函数，简化数学模型的求解难度，并采用文化基因算法求解，根据任务量和任务类型从知识库中抽取调度规则的抽取，使模型更加适合实际情况的要求，提升调度agent的工作精度。

附图说明

图1为本发明中智能停车场系统结构示意框图。

图2为本发明中停车场布局示意图。

图3为本发明基于MAS的智能车库结构示意图。

图4为本发明基于MAS的地面设备示意图。

图5为本发明基于MAS的AGV设备示意图。

图6为本发明基于MAS的资源管理示意图。

图7为本发明基于MAS的动态调度示意图。

具体实施方式

下面结合具体实施例对本发明做进一步说明。

一种多模态高密度的智能停车场系统，包括停车场、AGV和智能控制系统，在停车场上设置多台立体停车设备、停车缓冲区、VIP车位、AGV通道、AGV充电区和铺设在地面上的导轨，智能控制系统包括用户操作端、资源管理器、调度服务器和立体停车设备控制器。

多模态是由多种立体停车设备和AGV进行组合的方式实现的，立体停车设备可放置于停车场内部和出入口，内部和出入口可以根据不同的结构而设置不同类型的立体停车设备，需充分考虑停放车辆的便利性和整个立体停车场的空间利用率。

高密度是通过合理安排立体停车设备、AGV通道以及车位的尺寸和位置，并结合紧密型智能车库整体布局方案构建融合立体停车设备的新型多模态高密度智能车库整体布局方案并对智能车库进行地图建模分析，停车密度ρ可由式(1)来表示：

n表示停车场内可存放的车辆数(辆)，V表示停车场的体积(100m³)。

智能车库布局方案以紧密型智能车库布局为依托，通过对用户历史停车次数、停车时间和天气状况进行数据预处理，挖掘用户停车特征，考虑到节假日和重要活动的影响，以存取时间最短、能源消耗最低和容车率最高为目标，采用融合遗传算法的多目标粒子群优化算法进行求解，以实现停车场内部导轨布局、AGV通道和进出口位置，同时考虑到工作日和节假日存取车辆密集时刻的影响，利用历史停车数据，以存取车效率为目标，设计最佳存取车策略，建立规则数据库并不断更新，提高策略的准确性。

智能化主要由停车场系统整体框架设计实现的；整体框架基于多智能体(Multi-Agent System)设计，将停车场内各部分，包括软硬件，看作单独的智能体(agent)，通过各部分的协作，以实现停车场的协同运行，实现稳定、可靠、高效运行。

如图1所示，整体框架由地面设备agent、AGV设备agent、资源管理agent和人机交互agent组成；地面设备agent包括停车agent和功能agent；AGV设备agent包括状态agent、定位导航agent和运动agent；资源管理agent主要包括调度agent和信息管理agent；人机交互agent包括验证agent、交互agent和异常处理agent。

如图2所示，停车agent主要由缓冲区agent、普通区agent和会员区agent组成；缓冲区agent由立体停车设备及其控制器组成，该设备放置在停车场出入口作为停车缓冲区使用；停车缓冲区由两排同类型的立体停车设备，两排停车设备相互错开若干个车位；前排立体停车设备作为取车缓冲区，后排停车设备作为停车缓冲区，位于前排错开的车位设置检测区域，停车前检测，避免造成车辆和人员损失；前排立体停车设备整体可以实现横移操作，在取车高峰期可作为用户取车通道，同时存车高峰期时，可作为受限的存车通道使用，由于不具备红外线等探测装备，仅允许车辆载客量为一人的用户进入存车操作。

如图3所示，停车场系统利用MAS技术建模，通过资源管理agent协调外部agent、人机交互agent、地面设备agent和AGV设备agent之间的信息，接受外部信息agent和人机交互agent交通信息、车辆信息和缴费信息等，并发布空余车位信息以及停车信息等，同时接受停车设备和AGV设备的相关信息，并为停车设备和AGV进行调度和规划，以实现停车场的高效运行。

普通区agent由放置在停车场内部的立体停车设备组成，停车设备下方设有滑轮和导轨，允许横向和纵向的短距离移动；停车设备按照紧密型智能车库布局布置，留有AGV通道，同样铺设导轨，在整个停车场闲暇时刻，允许立体停车设备借用AGV通道变化排列方式，以应对早晚高峰、节假日以及恶劣天气等车辆存取密集时刻，以提高整体效率。

立体停车设备由主体框架、传动机构和载车板组成；横向上，两台停车设备之间不留通道，底层空闲车位可作为AGV临时通道；底层车位的载车板的上表面和地面平齐，AGV可自由进入底层车位上的载车板，当车位空闲时，可作为临时AGV通道使用；传动机构分为行走梁和承重梁，行走梁上有横向导轨和垂向导轨，实现载车板垂向移动和横向移动；停车设备上层框架上安装有挡车装置，通过液压伸缩装置固定轮胎，以实现固定车辆的作用，保证停车设备移动时车辆不会移动。

会员区agent同样使用立体停车设备，正常情况下停车场内所有的立体停车设备都属于普通区agent，当人机交互agent或资源管理agent接收到会员任务，资管管理agent通过地图信息、AGV位置以及停车场整体布局来划分会员区agent，会员区agent具有优先级，与会员区agent通信的其他agent均比同类agent优先级高，具有优先通行权，任务优先执行，以保障会员的合法权益。

如图4所示，地面设备agent主要分为功能agent和停车agent，停车agent为用户存取车辆提供服务，管理缓冲区agent、普通区agent和会员agent，为不同的用户提供合理的存取车方案，而功能agent为了实现地面设备的充电和通信，并检测异常状况。

功能agent由异常监测agent、通信agent和充电区agent组成，异常监测agent通过检测立体停车设备的运行状态，一旦出现异常现象就向通信agent发送信息，通信agent和资源管理agent通信，充电区agent由充电区域和充电装置构成。

如图5所示，AGV设备agent包括状态agent、定位导航agent和运动agent，主要控制AGV单车运动，通过状态agent、定位导航agent和运动agent相互协作、相互通信，并接受资源管理agent的任务指派信息完成车辆的存取任务；AGV设备agent有多个，agent之间相互通信，相互协作，感知其他agent的位置、任务类型和状态信息，以实现精准定位、路径再规划和任务移交等功能。

AGV设备为潜入式AGV，由车体、安装在车体下方的全向运动机构、安装在车体侧面的机械手提升机构、定位导航系统和充电装置构成；AGV包括不少于1个全向运动机构，可以实现整个停车场中任意方向的直线运动、任意曲率的转向运动以及原地旋转运动，可满足AGV搬运待存取车辆在停车场地面任意位置移动的要求。

AGV充电装置包括发送线圈、接收线圈、锂电池和电池管理系统(BMS)；每个AGV充电车位下方放置发送线圈，AGV车体下方装有感应线圈，当AGV的SOC低于0.8时，AGV向资源管理器提出充电申请，资源管理器指派充电位置，调度服务器根据AGV位置和指定充电位置规划较优路线，AGV自行前往该充电位置，到达指定充电位置后，车体锂电池组模块会主动降下，减少无线充电距离，增加充电速度；充电中的AGV仍处于任务队列，当AGV接收到存取任务并电池电量高于当前任务消耗电量的30％时，AGV暂停充电且进入任务序列。

定位导航agent包括加速度计、陀螺仪和摄像头，采用惯性和视觉结合的组合式定位导航方式；在AGV通道和停车设备的车位上粘贴鲜亮的彩带，在AGV车体底部上安装加速度计、陀螺仪和摄像头，通过对加速度计和陀螺仪偏差信号的计算及摄像头采集的地面彩带图像信号来确定AGV自身的位置和航向以实现自主定位和导航功能。

运动agent为全向运动机构，包括电机、传动机构、悬架和麦克纳姆轮；麦克纳姆轮通过悬架和AGV车体连接，保证四个麦克纳姆轮与地面接触；电机通过传动机构驱动麦克纳姆轮，控制四个车轮的转向与转速，实现AGV的全向运动。

状态agent可以实现监测异常情况，检测AGV设备电量，以及与其他agent通信，保障AGV设备的正常运行。

如图6所示，资源管理agent主要包括调度agent和信息管理agent，调度agent由任务agent、AGV管理agent和资源agent组成；信息管理agent由地图agent、路径agent和会员agent组成。

调度agent以停车场的整体布局为依托，以存取车任务量和任务权重作为规则抽取的判别标准；AGV的导航定位方式采用视觉和惯性的组合式导航定位方案；AGV充电策略以BMS系统为基础，充电时机由电池的荷电状态(State of Charge,SOC)和资源管理器共同决定。

资源agent由异常监测agent、规则存储agent和外部信息agent；任务agent获取存取车实时任务、预约任务和预测任务，其中预测任务由停车历史数据、周围交通信息以及关联地图厂商的目的地信息综合获得；AGV运动状态异常监测agent监测AGV的运行状态，通过AGV上的传感器监测AGV的运动状态，当传感器数据异常时，AGV需要进行维护；AGV管理agent包括AGV状态管理agent、AGV指派agent和AGV规划agent，其中AGV状态管理agent实时获取AGV的电量、空闲AGV的数量、充电AGV的数量、AGV充电管理agent以及任务中AGV的预期运行时间，并为AGV排序；AGV指派agent获取任务agent和AGV状态管理agent的信息，通过任务类型、各类任务数量以及AGV状态，建立任务完成存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，利用随机森林算法对历史的停车数据分析，得到各个指标对停车场调度的重要影响，以此作为对应各特征参数的权重，将并利用梯度下降法进行求解。

所述的停车历史数据主要包括恶劣天气Weather_i(用0,1表示)，存车时刻t_starti,j，取车时刻t_endi,j，周日期Day_i(用1,2，…，7表示)，重大节日Holiday_i(按照居民的重视程度将节日进行划分，非节日为0，春节为1)，停车时间t_holdij，停车设备消耗电量PM_i，AGV消耗电量PA_i，停车次数N_i，用户满意度评价Sat_i,j(用1,2，…，10表示)，AGV运行时间tA_i,j，存车命令时刻t_start0i，取车命令时刻t_end0i，存车等待时间t_waitc＝t_starti,j-t_start0i,j，存车等待时间t_waitqi,j＝t_endi,j-t_end0i,j；

通过停车历史数据，利用最小二乘法拟合N_i＝a₁Weather_i+b₁Day_i+c₁Holiday_i+d₁和Sat_ij＝a₂t_waitcij+b₂t_waitqi,j+c₂，用以获取天气、节假日等对停车次数的影响和存取车等待时间对用户满意度的影响；对数据进行聚类分析，获得停车时刻t_starti,j、取车时刻t_endi,j、停车时长t_holdi,j和存取车次数N_i之间的联系，以此确定存车高峰期t_ci和取车高峰期t_qi，并确定相应的调度模型；

AGV指派agent调度策略重点解决存取任务与AGV间的最优匹配关系，以AGV位置a_m作为初始位置，任务车辆位置p₁和指定车位位置p₂作为途径点，以AGV任务结束后位置b_m作为终点位置，路径a_m→p₁和p₂→b_m为AGV空载运行，路径p₁→p₂为AGV负载运行，动态调度策略根据实际的任务量T＝{1,2,3,…,M}和任务权重L＝{l₁,l₂,l₃,…,l_M}在知识库中抽取调度规则，使数学模型的调度规则更加适合实际情况，具体优化模型如式(2)表示：

其中，

约束条件

b_i≠b_j,i≠j (15)

α+β+γ+δ＝1 (16)

式中，f_path为路径函数，f_time为时间函数，f_power1，f_power2为能源消耗函数，f_other为其他函数，主要包括用户操作时间等；α，β，γ，δ分别表示路径长度、AGV运行时间的权重、AGV能源消耗权重和机械停车设备能源消耗以及其他影响因素的权重，α，β，γ，δ∈[0,1]；i,j,m,p,k∈N^*；sat₀表示用户满意度的较高评价，暂且定为8；P为缓冲停车设备车位数；e_A，e_M分别表示AGV单位时间消耗的电量和机械停车设备单位时间消耗的平均电量；式(13)表示所有任务都有AGV搬运；式(14)表示每个任务只有一台AGV搬运，每次搬运任务目标车位不会重复使用；式(17)表示在保证用户满意度评价较高的情况下尽可能保证路径和能源的最小化。

随机森林构建步骤：1.收集历史停车数据，根据停车数据进行量化计算得到对应的特征值，进行离散化处理，得到样本数据集；2.对数据利用booststrap方法有放回地随机抽取n个数据，并建立n个决策树，每次未被抽到的数据组成n个袋外数据(OBB)，将生成的决策树组成随机森林，并根据投票结果决定最终分类结果；3.采用OBB数据评估特征重要性，对于一棵树tree_i，用OOB样本可以得到误差e₁，然后随机改变OOB中的第j列，保持其他列不变，对第j列进行随机的上下置换，得到误差e₂。至此，可以用

来刻画特征j的重要性，以此来对特征值赋权值，求解过程采用梯度下降法。

智能化还体现在智能停车场与互联网、待停车辆、周围车辆和周围街道交通信号灯的互联上；首先智能车库与主流地图车商进行数据互通，例如百度地图、高德地图和凯立德地图等，通过提前预知驾乘人员的目的地、到达时间和车型信息，并根据到达时间和停车场以往数据将车辆列入预约队列进行动态调度；然后根据历史停车数据、实时交通流情况，考虑天气环境、政策、节假日和重大商业活动并以停车场会员信息与周围车辆信息进行匹配，分析智能车库的预期存车量，提前调度智能车库内部构件，利用AGV和机械式停车设备对已存车辆进行动态调整已实现智能车库处于最好的状态；最后用户只可以在APP上实时监测车辆位置以及取车所需时间，并可完成预约取车申请，以节省等待时间，同时APP上用户功能更多，可实现APP的访问量增加，可获得更好的广告收益。

AGV规划agent旨在解决多AGV系统中的路径规划问题，重点考虑多AGV之间、停车设备间以及AGV和停车设备的协作问题；在智能车库的路径规划问题中，将停车设备与AGV协同控制，采用AGVs特征下的基于遗传算法的协同优化算法进行路径规划，在寻优过程中需要考虑到整个地图的可通达性和便捷性；考虑到各栅格的时间占用，采用动态时间窗法以避免系统的死锁和冲突现象。

基于遗传算法的协同优化算法的基本步骤为，①获取停车设备空余车位及空余车位信息，获取可行通行路径；②通过全局路径规划算法获取AGV最佳路径；③对停车设备的车位进行编码并生成初始种群；④计算适应度fit＝αpath_best+β∑path_park+γ∑path_AGV；⑤使用锦标赛法选择算子；⑥进行交叉操作；⑦进行变异操作；⑧产生下一代种群并计算适应度fit，保持最佳适应值的解，当前代数加一；⑨判断是否达到最大遗传代数；⑩获得最佳适应值的解；其中path_best表示最佳路径,∑path_park表示停车设备进行车辆转移对AGV路径规划的影响，∑path_AGV表示其他AGV对搬运AGV路径规划的影响，α+β+γ＝1。

AGV状态管理agent实时获取AGV位置、装载信息以及剩余电量信息，通过AGV位置更新地图信息，装载信息和剩余电量信息可以实时获取空闲可硬AGV，为AGV指派做准备，当AGV的SOC低于0.8，即电量过低时，AGV前往充电区域进行充电。

地图agent就是构建AGV调度和路径规划的环境模型，为保证无人停车场的安全性，提升环境模型的精确性；同时充分考虑到智能车库的地面设备有机械式立体停车设备，存在运动部件，地图的构建中需要能够反映各设备的地理位置以及运动范围，以保证各部件相互运动无干涉；立体停车设备底层可供AGV进行通行，及时反映各立体停车设备的运动情况以及底层空闲车位极为重要；地图建模采用栅格法，将智能停车场分为n个栅格，单位栅格权值只有0和1两种，其中0代表自由空间，1代表障碍物空间，AGV在每个栅格点的通行转换状态集合P_i＝{Front,Behind,Left,Right}，Front,Behind,Left,Right∈{0,1}。

人机交互agent由验证agent、交互agent和异常处理agent组成，验证agent通过用户采集图像、车辆车牌信息和注册会员信息进行匹配验证，并发送车辆识别代码；交互agent由用户操作端以及相关通信组件构成，以完成用户的存取车、缴费以及注册等任务；异常处理agent主要用于反馈用户注册失败和验证失败的问题。

一种基于多模态高密度的智能停车场系统的存取车方法，采用如权利要求1-8中任一项所述的多模态高密度的智能停车场系统，其特征在于，包括以下步骤：

步骤1、资源管理agent根据实时天气、日期、时间和交通流变化情况从数据库中实时抽取规则，通过移动停车设备改变停车场整体布局，以适应存取车密集时刻的存取车任务，提高存取效率；

步骤2、入场车辆进入到停车缓冲区时，摄像头获取车辆车牌图像信息，将信息传输到资源管理agent处理识别，并记录入场时间；

步骤3、利用人机交互agent中的验证agent对人脸图像、车牌信息与本地数据库进行对比，判断用户类型，如为新用户，则提醒用户在客户操作端进行注册和账号绑定，注册完毕后入场时间自动与用户信息匹配；若为注册用户，则用户去用户操作端完成入场信息确认，用户操作端生成车辆识别码发送给用户；

步骤4、调度agent通过多agent协作运行，以存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，并利用随机森林算法进行权重匹配，实现对实时任务、预约任务和预测任务进行合理有效的分配，整体布局方案设计中采用动态神经网络算法对历史数据进行归纳分析，根据预期任务类型、AGV状态以及车库的车位余量设计智能停车场整体布局方案，并采用粒子群算法对方案进行仿真优化，以期获得容量最大、效率最高、能耗最小的布局方案；调度任务中以任务完成时间最短、AGV路径最短和能源消耗最低为多目标优化函数，并采用文化基因算法进行函数的求解，得到最优的调度策略；

步骤5、资源管理agent实时获取停车场内空闲车位信息，调度服务器获取AGV位置、车辆位置以及车位位置，并实时更新地图信息，agent间实时通信获取所处位置，合理规划避障策略；停车设备的控制器控制载车板移动到指派的车位处，停车设备静止后AGV进入载车板停放车辆后离开；

步骤6、停车设备每次运行结束后，地图实时更新空闲位置，资源管理器更新停车场地图信息，调度服务器重新规划路径；

步骤7、AGV完成任务后，若有搬运任务，则继续进行任务；若AGV电量较低时，AGV自行前往充电位置进行充电任务；

步骤8、当用户需要取车时，用户在交互agent上的用户操作端输入车牌号码或车辆识别码进行实时取车操作或者在微信、APP上进行预约取车操作，当用户到达停车场时，需要在用户操作端确认取车信息；

步骤9、资源管理agent接收到用户操作端的取车申请，记录取车时间，发送收费账单，用户可以选择小额现金、微信或APP方式进行缴费，缴费成功后用户需尽快离场；

步骤10、资源管理agent获取任务后，任务agent根据任务类型为AGV分派取车任务，选择优先级最高的AGV进行搬运，调度服务器根据实时地图信息进行路径规划，AGV结合自身的定位导航系统前往车位取车并搬运到出口处；

步骤11、用户缴费成功后，用户允许进入取车车位取车，驶离停车场。

步骤8中，用户进行实时取车时，AGV将车辆搬运到取车车位，等待用户取车；用户进行预约取车时，只接受1小时内的取车预约，AGV在空闲时将车辆搬运到取车缓冲区或者离停车场出口较近的车位，用户在用户操作端上确认后，立体停车设备将车辆转移到取车车位上，用户选择合适的方式缴费；若所有AGV在整个预约过程中均属于繁忙状态，预约时间前三分钟将预约单转化成优先级较高的实时取车单，AGV优先取车；

步骤8中，预约用户在用户操作端上进行现场信息确认后，资源管理agent才开始记录取车时间。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (10)

1.一种多模态高密度的智能停车场系统，包括停车场系统整体框架，其特征在于，所述停车场系统整体框架包括若干单独的智能体agent，分别为：地面设备agent、AGV设备agent、资源管理agent和人机交互agent；

所述地面设备agent用以实现车辆的停放，由若干布置在地面上且相互独立的立体停车设备组成；

所述AGV设备agent用以控制AGV小车运动实现车辆的搬运；

所述资源管理agent用以控制AGV小车实现最优化运行，并保证系统稳定可靠运行；

所述人机交互agent用以实现与用户的交互。

2.根据权利要求1所述的一种多模态高密度的智能停车场系统，其特征在于，所述地面设备agent包括停车agent和功能agent；

所述停车agent包括缓冲区agent、普通区agent和会员区agent；所述缓冲区agent为1-2台立体停车设备，其放置在停车场出、入口作为停车缓冲区使用，可作为停车缓冲区和取车缓冲区；所述普通区agent为若干放置在停车场内部的立体停车设备，其下方设置有滑轮和导轨，可实现横向和纵向的短距离移动；所述会员区agent为多台放置在停车场内部独立于缓冲区agent、普通区agent以外的立体停车设备；

所述功能agent包括异常监测agent、通信agent和充电区agent，异常监测agent通过检测立体停车设备的运行状态，一旦出现异常现象就向通信agent发送信息，通信agent和资源管理agent通信，报告异常，充电区agent用以控制对AGV小车的充电，由充电区域和充电装置构成。

3.根据权利要求1所述的一种多模态高密度的智能停车场系统，其特征在于，所述AGV设备agent安装在潜入式AGV小车内，包括状态agent、定位导航agent和运动agent，控制AGV小车运动，通过状态agent、定位导航agent和运动agent相互协作、相互通信，并接受资源管理agent的任务指派信息完成车辆的存取任务；AGV设备agent有多个，且相互之间可通信；

所述定位导航agent包括加速度计、陀螺仪和摄像头，其安装在AGV小车的底部；

所述运动agent包括电机、传动机构、悬架和麦克纳姆轮；麦克纳姆轮通过悬架和AGV车体连接，保证四个麦克纳姆轮与地面接触；电机通过传动机构驱动麦克纳姆轮，控制四个车轮的转向与转速，实现AGV的全向运动。

4.根据权利要求1所述的一种多模态高密度的智能停车场系统，其特征在于，所述的资源管理agent包括调度agent和信息管理agent，调度agent由资源agent、任务agent和AGV管理agent组成；信息管理agent由地图agent、路径agent和会员agent组成；

所述调度agent以停车场的整体布局为依托，以存取车任务量和任务权重作为规则抽取的判别标准，实现AGV小车的导航策略和充电策略；

所述资源agent由异常监测agent、规则存储agent和外部信息agent；任务agent获取存取车实时任务、预约任务和预测任务，其中预测任务由历史数据、周围交通信息以及关联地图厂商的目的地信息综合获得；异常监测agent监测AGV的运行状态，通过AGV上的传感器监测AGV的运动状态，当传感器数据异常时，AGV需要进行维护；AGV管理agent包括AGV状态管理agent、AGV指派agent和AGV规划agent，其中AGV状态管理agent实时获取AGV的电量、空闲AGV的数量、充电AGV的数量、AGV充电管理agent以及任务中AGV的预期运行时间，并为AGV排序；AGV指派agent获取任务agent和AGV状态管理agent的信息，通过任务类型、各类任务数量以及AGV状态，建立任务完成存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，利用随机森林算法对历史的停车数据及运营成本分析，得到各个指标对停车场运营的重要影响，以此作为对应优化目标的权重，将多目标优化模型转化为单目标模型，并利用梯度下降法进行求解。

5.根据权利要求4所述的一种多模态高密度的智能停车场系统，其特征在于，所述AGV指派agent的具体策略为：

以AGV位置a_m作为初始位置，任务车辆位置i和指定车位位置j作为途径点，以AGV任务结束后位置b_m作为终点位置，路径a_m→i和j→b_m为AGV空载运行，路径i→j为AGV负载运行，动态调度策略根据实际的任务量T＝{1,2,3,…,M}和任务权重L＝{l₁,l₂,l₃,…,l_M}在知识库中抽取调度规则，使数学模型的调度规则更加适合实际情况，具体优化模型如式(1)表示：

其中

约束条件

b_i≠b_j,i≠j (14)

α+β+γ+δ＝1 (15)

式中，f_path为路径函数，f_time为时间函数，f_power1，f_power2为能源消耗函数，f_other为其他函数，主要包括用户操作时间等；α，β，γ，δ分别表示路径长度、AGV运行时间的权重、AGV能源消耗权重和机械停车设备能源消耗以及其他影响因素的权重，α，β，γ，δ∈[0,1]；i,j,m,p,k∈N^*；sat₀表示用户满意度的较高评价，暂且定为8；P为缓冲停车设备车位数；e_A，e_M分别表示AGV单位时间消耗的电量和机械停车设备单位时间消耗的平均电量；式(12)表示所有任务都有AGV搬运；式(13)表示每个任务只有一台AGV搬运，每次搬运任务目标车位不会重复使用；式(16)表示在保证用户满意度评价较高的情况下尽可能保证路径和能源的最小化。

6.根据权利要求4所述的一种多模态高密度的智能停车场系统，其特征在于，所述AGV规划agent的具体策略包括以下步骤：

1)获取停车设备空余车位及空余车位信息，获取可行通行路径；

2)通过全局路径规划算法获取AGV最佳路径；

3)对停车设备的车位进行编码并生成初始种群；

4)计算适应度fit＝α×path_best+β×∑path_park+γ×∑path_AGV；

5)使用锦标赛法选择算子；

6)进行交叉操作；

7)进行变异操作；

8)产生下一代种群并计算适应度fit，保持最佳适应值的解，当前代数加一；

9)判断是否达到最大遗传代数；

10)获得最佳适应值的解；

其中path_best表示最佳路径,∑path_park表示停车设备进行车辆转移对AGV路径规划的影响，∑path_AGV表示其他AGV对搬运AGV路径规划的影响，α+β+γ＝1。

7.根据权利要求4所述的一种多模态高密度的智能停车场系统，其特征在于，所述AGV状态管理agent实时获取AGV位置、装载信息以及剩余电量信息，通过AGV位置更新地图信息，装载信息和剩余电量信息可以实时获取空闲可用AGV，为AGV指派做准备。

8.根据权利要求1所述的一种多模态高密度的智能停车场系统，其特征在于，所述人机交互agent由验证agent、交互agent和异常处理agent组成，验证agent通过用户采集图像、车辆车牌信息和注册会员信息进行匹配验证，并发送车辆识别代码；交互agent由用户操作端以及相关通信组件构成，以完成用户的存取车、缴费以及注册等任务；异常处理agent主要用于反馈用户注册失败和验证失败的问题。

9.一种基于多模态高密度的智能停车场系统的存取车方法，采用如权利要求1-8中任一项所述的多模态高密度的智能停车场系统，其特征在于，包括以下步骤：

步骤1、资源管理agent根据实时天气、日期、时间和交通流变化情况从数据库中实时抽取规则，通过移动停车设备改变停车场整体布局，以适应存取车密集时刻的存取车任务，提高存取效率；

步骤2、入场车辆进入到停车缓冲区时，摄像头获取车辆车牌图像信息，将信息传输到资源管理agent处理识别，并记录入场时间；

步骤3、利用人机交互agent中的验证agent对人脸图像、车牌信息与本地数据库进行对比，判断用户类型，如为新用户，则提醒用户在客户操作端进行注册和账号绑定，注册完毕后入场时间自动与用户信息匹配；若为注册用户，则用户去用户操作端完成入场信息确认，用户操作端生成车辆识别码发送给用户；

步骤4、调度agent通过多agent协作运行，以存取时间最短、AGV路径最短和能源消耗最低的多目标优化模型，并利用随机森林算法进行权重匹配，实现对实时任务、预约任务和预测任务进行合理有效的分配；

步骤5、资源管理agent实时获取停车场内空闲车位信息，调度服务器获取AGV位置、车辆位置以及车位位置，并实时更新地图信息，agent间实时通信获取所处位置，合理规划避障策略；停车设备的控制器控制载车板移动到指派的车位处，停车设备静止后AGV进入载车板停放车辆后离开；

步骤6、停车设备每次运行结束后，地图实时更新空闲位置，资源管理器更新停车场地图信息，调度服务器重新规划路径；

步骤7、AGV完成任务后，若有搬运任务，则继续进行任务；若AGV电量较低时，AGV自行前往充电位置进行充电任务；

步骤8、当用户需要取车时，用户在交互agent上的用户操作端输入车牌号码或车辆识别码进行实时取车操作或者在微信、APP上进行预约取车操作，当用户到达停车场时，需要在用户操作端确认取车信息；

步骤9、资源管理agent接收到用户操作端的取车申请，记录取车时间，发送收费账单，用户可以选择小额现金、微信或APP方式进行缴费，缴费成功后用户需尽快离场；

步骤10、资源管理agent获取任务后，任务agent根据任务类型为AGV分派取车任务，选择优先级最高的AGV进行搬运，调度服务器根据实时地图信息进行路径规划，AGV结合自身的定位导航系统前往车位取车并搬运到出口处；

步骤11、用户缴费成功后，用户允许进入取车车位取车，驶离停车场。

10.根据权利要求9所述的存取车方法，其特征在于：

步骤4中，整体布局方案设计中采用动态神经网络算法对历史数据进行归纳分析，根据预期任务类型、AGV状态以及车库的车位余量设计智能停车场整体布局方案，并采用粒子群算法对方案进行仿真优化，以期获得容量最大、效率最高、能耗最小的布局方案；调度任务中以任务完成时间最短、AGV路径最短和能源消耗最低为多目标优化函数，并采用文化基因算法进行函数的求解，得到最优的调度策略；

步骤7中，用户进行实时取车时，AGV将车辆搬运到取车车位，等待用户取车；用户进行预约取车时，只接受1小时内的取车预约，AGV在空闲时将车辆搬运到取车缓冲区或者离停车场出口较近的车位，用户在用户操作端上确认后，立体停车设备将车辆转移到取车车位上，用户选择合适的方式缴费；若所有AGV在整个预约过程中均属于繁忙状态，预约时间前三分钟将预约单转化成优先级较高的实时取车单，AGV优先取车；

步骤8中，预约用户在用户操作端上进行现场信息确认后，资源管理agent才开始记录取车时间。

Images