CN112034845A - 一种多智能主体避障方法、系统和计算机可读存储介质 - Google Patents

一种多智能主体避障方法、系统和计算机可读存储介质 Download PDF

Info

Publication number
CN112034845A
CN112034845A CN202010797828.XA CN202010797828A CN112034845A CN 112034845 A CN112034845 A CN 112034845A CN 202010797828 A CN202010797828 A CN 202010797828A CN 112034845 A CN112034845 A CN 112034845A
Authority
CN
China
Prior art keywords
intelligent
carrying
task
main body
agents
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.)
Pending
Application number
CN202010797828.XA
Other languages
English (en)
Inventor
程涛
于欣佳
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.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology 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 Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN202010797828.XA priority Critical patent/CN112034845A/zh
Publication of CN112034845A publication Critical patent/CN112034845A/zh
Pending legal-status Critical Current

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请涉及群体智能领域，提供了一种多智能主体避障方法、系统和计算机可读存储介质。所述方法包括：生成栅格地图，以区分出多智能主体可行搬运路径与货架；初始化栅格地图和多智能主体；遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；规划分配到搬运任务的智能主体规划搬运路径；将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶；对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常；当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。

Description

一种多智能主体避障方法、系统和计算机可读存储介质
技术领域
本申请涉及群体智能领域，特别涉及一种多智能主体避障方法、系统和计算机可读存储介质。
背景技术
在群体智能领域中，智能主体(例如传感器、机器人、飞行器等)的个体能力有限，但其群体却能表现出高效的协同合作能力和高级的智能协调水平。多智能主体在无人超市、智慧仓储等无人场景下进行货物的搬运，是智能主体比较常见的应用。在这些场景下，多智能主体的每个智能主体如何在搬运时避开障碍物是值得研究的问题。现有技术在避障时，往往是依靠智能主体上的传感器件检测到障碍物，然后，避开障碍物。
然而，上述避障方法仍然存在一定局限性，例如，当多智能主体中的某个智能主体构成“障碍物”时，仅仅依靠传感器件有时也无法避开。
发明内容
本申请实施例提供了一种多智能主体避障方法、系统和计算机可读存储介质，以解决现有的多智能主体在搬运物件有时并不能有效避开障碍物的问题。该技术方案如下：
一方面，提供了一种多智能主体避障方法，该方法包括：
生成栅格地图，以区分出多智能主体可行搬运路径与货架；
初始化所述栅格地图和多智能主体；
遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；
规划所述分配到搬运任务的智能主体规划搬运路径；
将所述规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使所述智能主体按照所述搬运路径行驶；
对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；
当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
一方面，提供了一种多智能主体避障系统，该系统包括：
地图生成模块，用于生成栅格地图，以区分出多智能主体可行搬运路径与货架；
初始化模块，用于初始化所述栅格地图和多智能主体；
任务分配模块，用于遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；
路径规划模块，用于规划所述分配到搬运任务的智能主体规划搬运路径；
路径分配模块，用于将所述规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使所述智能主体按照所述搬运路径行驶；
检测模块，用于对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；
检索模块，用于当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
一方面，提供了一种多智能主体避障系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，该计算机程序代码由该一个或多个处理器加载并执行以实现该多智能主体避障方法所执行的操作。
一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序由处理器加载并执行以实现该多智能主体避障方法所执行的操作。
从上述本申请提供的技术方案可知，遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体，规划分配到搬运任务的智能主体规划搬运路径，将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶，对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整，使智能主体的搬运路径尽量均衡，减少了冲撞发生的概率，在路径规划中，加快了计算速度，同时在最优路径的选择中，考虑了智能主体转弯所带来的影响，更加贴合实际，设计了智能主体在线调整的方法，使智能主体更具实用性，更有灵活性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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是本申请实施例提供的多智能主体避障方法的流程图；
图2是本申请实施例提供的多智能主体避障系统的结构示意图；
图3是本申请另一实施例提供的多智能主体避障系统的功能结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
参见图1，是本申请实施例提供的一种多智能主体避障方法，该方法主要包括以下步骤S101至S107，详细说明如下：
步骤S101：生成栅格地图，以区分出多智能主体可行搬运路径与货架。
在本申请实施例中，多智能主体包括多个智能主体，例如自动引导车辆(Automated Guided Vehicle，AGV)组成的智能群体，栅格地图的每一个格子表示一个节点或者智能主体当前所在位置。
步骤S102：初始化栅格地图和多智能主体。
初始化栅格地图，目的之一是为了解除上一搬运任务对地图中各节点以及智能主体的占用情况。
步骤S103：遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体。
作为本申请一个实施例，可以是遍历所有待搬运任务和多智能主体的当前属性，以获取任务列表的长度、每个智能主体距离目标搬运任务的距离以及综合作业的距离，将目标搬运任务优先分配给空闲智能主体，其次分配给任务列表中任务最少的智能主体，或者，将目标搬运任务优先分配给距离目标搬运任务最近的智能主体，或者，将目标搬运任务优先一组存取任务之间的行程距离最近的智能主体。换言之，可以考察任务列表的长度，优先将目标搬运任务优先分配给空闲，其次分配给任务列表中任务最少的智能主体；或者，每个智能主体距离目标搬运任务的距离，优先将目标搬运任务优先分配给距离目标搬运任务最近的智能主体，提高智能主体对目标搬运任务的响应速度；或者，综合作业的距离，即在进行目标搬运任务分配时，综合考虑一组存取目标搬运任务之间的行程距离，优先将目标搬运任务优先一组存取任务之间的行程距离最近的智能主体。
步骤S104：规划分配到搬运任务的智能主体的搬运路径。
作为本申请一个实施例，规划分配到搬运任务的智能主体的搬运路径可通过如下步骤S1041至步骤S1043实现：
步骤S1041：根据任务的优先级进行智能主体搬运路径的规划，优先规划承担较高优先级搬运任务的智能主体的搬运路径和/或在多智能主体在搬运路径上拥堵时，按照所承担搬运任务优先级越高，给予越高的优先通行权的原则规划智能主体的搬运路径。
可以理解的是，在多智能主体中，所承担的搬运任务的优先级越高，该智能主体应该优先规划，同时，该智能主体在所规划的搬运路径上具有更高的通过某个节点的优先权，即，当两个智能主体同时经过某个节点时，为防止冲撞，所承担搬运任务优先级高的智能主体优先通过，优先级低的智能主体选择等待或者重新规划路径。上述实施例中，搬运任务的优先级高低可以根据提货单的重要程度来定，即，按照预先设置的提货单的重要程度来确定相应搬运任务的优先级，提货单的越重要，相应搬运任务的优先级越高，搬运任务的优先级还可以根据提货单的到达时间来判断，提货单来得越早，相应搬运任务的优先级越高。
步骤S1042：按照规划好的搬运路径，训练每多智能主体的搬运模型。
具体而言，按照规划好的搬运路径，训练每多智能主体的搬运模型可通过如下步骤S1至步骤S5实现：
步骤S1：计算栅格地图中每一个栅格至目标栅格的距离。
如前所述，栅格地图中的每个栅格即智能主体当前所在位置，目标栅格即智能主体所要到达的最终节点即目的地。在本申请实施例中，每一个栅格至目标栅格的距离，距离用曼哈顿距离表示，其中，障碍物栅格到目标栅格的距离为无穷大，即不能到达，每一个栅格至目标栅格的距离Ci的表达式为：
Figure BDA0002626301090000051
上述表达式中，Ci也表示第i个栅格的成本函数，d(i,ig)表示第i个栅格到目标栅格ig的曼哈顿距离，
Figure BDA0002626301090000052
表示加权值，经过该第i个栅格的智能主体越多，其值越大。
步骤S2：在智能主体Ai当前所在起始栅格四周选择距离目标栅格的成本函数最小的一个栅格作为邻居栅格并存储于路由r_te中。
邻居栅格也即智能主体Ai从当前所在起始栅格去到目标栅格时，下一步要经过的栅格。需要说明的是，若两个栅格距离目标栅格的距离一样，则随机选择其中一个栅格作为邻居栅格。
步骤S3：重复执行上述步骤S2，直至智能主体Ai最后到达目标栅格。
步骤S4：重复执行步骤S1至步骤S3共y次，生成长度最短和转弯次数最少的路径。
具体而言，重复执行步骤S1至步骤S3共y次，生成y个结果，根据公式leng(r_te)计算每个路径的长度，从y个智能主体的运行路径中选择出长度最短的路径，然后在最短的路径中选择一条转弯次数最少的搬运路径，作为该智能主体的的搬运路径。
进一步地，判断智能主体是否转弯的公式为：
Figure BDA0002626301090000061
tr_num＝∑tr
上述表达式中，tr表示智能主体是否转弯的判断值，若其值为1，则智能主体转弯，若其值为0，则智能主体不转弯，r_te(i,1)表示路由r_te第i个坐标的横坐标，r_te(i,2)表示路由r_te第i个坐标的纵坐标，tr_num表示该智能主体的路径的总转弯次数，在最短的路径中选择一条转弯次数最少的搬运路径，作为该智能主体的的搬运路径。
步骤S5：对每个智能主体的最终路径进行加权处理，以形成冲撞最小的多智能主体的搬运模型。
对已经有智能主体走过的路径进行加权处理，每个智能主体已经走过的栅格其初始值增加βij，此次βij＝1，进一步地，对智能主体行驶过的路径加权处理可以让多个智能主体在进行路径规划的过程中，减少路径互相重合、冲突的可能性，更有利于后期的规划。
步骤S1043：按照已训练搬运模型，对所有智能主体的搬运路径之间的干扰碰撞情况进行分析并调整部分智能主体的的搬运路径。
具体地，按照已训练搬运模型，对所有智能主体的搬运路径之间的干扰碰撞情况进行分析并调整部分智能主体的的搬运路径可以是：保证优先级最高的智能主体的搬运路径不动，比较优先级第二的智能主体的搬运路径与其是否存在冲撞的节点，若存在，则针对冲突类型采取不同的避让策略，按照上述方法，依次对所有智能主体按照优先级高低进行路径的冲撞判断与优化，直至所有智能主体的路径规划完毕且互相之间没有冲撞为止。具体地，通过搬运任务时行驶的单位步长来检测智能主体之间是否有冲撞以及在何处冲撞，第一次检测第一个单位时间各智能主体所处位置，判断是否有冲撞，有冲突进行冲撞类型的判断并解决，然后，检测第二个单位时间各智能主体的所处位置，以此循环，直到所有智能主体都到达终点，没有冲撞产生为止。上述冲撞类型包括：当两个智能主体的冲撞节点在十字路口时，即发生交通节点冲撞；当两个智能主体的相向行驶时，发生相向冲撞；两个智能主体同向行驶，当一个智能主体要超过另一个智能主体时，即发生赶超冲撞，等等。上述避让策略包括互不干扰型冲撞策略、不完全干扰型冲撞策略和完全干扰型冲撞策略，其中，互不干扰型冲撞策略即优先级低的智能主体原地等待，优先级高的智能主体先行通过交通节点；不完全干扰型冲撞策略即当优先级低的智能主体在优先级高的智能主体的后续行驶路线上时，将这一段冲撞路径封锁，优先级低的智能主体以最近的行驶过的交通节点为起点，按照步骤S5所述方法重新进行规划接下来的路径，优先级高的智能主体保持原先路线不变继续行驶，当优先级低的智能主体不在优先级高的智能主体的后续行驶路线上时，优先级低的智能主体原地等待，优先级高的智能主体按原路行驶；完全干扰型冲撞策略即将冲撞路径封锁，然后优先级低的智能主体以行驶过的最近交通节点为起点，按照步骤S5所述方法重新进行接下来的路径规划，优先级高的智能主体按原先路径继续行驶。
步骤S105：将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶。
步骤S106：对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整。
在本申请实施例中，位置异常的智能主体包括：运行速度过快的智能主体和运行速度过慢的智能主体。当智能主体的运行速度过快常时，该智能主体相对于规划位置提前了，此时，只要降低该智能主体的速度或者令其等待一段时间即可，而当智能主体的运行速度过慢时，智能主体相对于规划位置落后，此时，加快该智能主体的运行速度，使它在下一步长的时候能回到计划位置。
步骤S107：当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
从上述附图1示例的技术方案可知，遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体，规划分配到搬运任务的智能主体规划搬运路径，将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶，对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整，使智能主体的搬运路径尽量均衡，减少了冲撞发生的概率，在路径规划中，加快了计算速度，同时在最优路径的选择中，考虑了智能主体转弯所带来的影响，更加贴合实际，设计了智能主体在线调整的方法，使智能主体更具实用性，更有灵活性。
请参阅附图2，是本申请实施例提供的一种多智能主体避障系统的结构示意图，该系统可以包括地图生成模块201、初始化模块202、任务分配模块203、路径规划模块204、路径分配模块205、检测模块206和检索模块207，其中：
地图生成模块201，用于生成栅格地图，以区分出多智能主体可行搬运路径与货架；
初始化模块202，用于初始化栅格地图和多智能主体；
任务分配模块203，用于遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；
路径规划模块204，用于规划分配到搬运任务的智能主体的搬运路径；
路径分配模块205，用于将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶；
检测模块206，用于对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；
检索模块207，用于当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
在一种可能实现方式中，任务分配模块203可以包括遍历单元和控制单元，其中：
遍历单元，用于遍历所有待搬运任务和多智能主体的当前属性，以获取任务列表的长度、每个智能主体距离目标搬运任务的距离以及综合作业的距离；
优先分配单元，用于将目标搬运任务优先分配给空闲智能主体，其次分配给任务列表中任务最少的智能主体，或者，将目标搬运任务优先分配给距离目标搬运任务最近的智能主体，或者，将目标搬运任务优先一组存取任务之间的行程距离最近的智能主体。
在一种可能实现方式中，路径规划模块204可以包括优先规划单元、模型训练单元和分析调整单元，其中：
优先规划单元，用于根据任务的优先级进行智能主体搬运路径的规划，优先规划承担较高优先级搬运任务的智能主体的搬运路径和/或在多智能主体在搬运路径上拥堵时，按照所承担搬运任务优先级越高，给予越高的优先通行权的原则规划智能主体的搬运路径；
模型训练单元，用于按照规划好的搬运路径，训练每多智能主体的搬运模型；
分析调整单元，用于按照已训练搬运模型，对所有智能主体的搬运路径之间的干扰碰撞情况进行分析并调整部分智能主体的的搬运路径。
在一种可能实现方式中，搬运任务的优先级的高低根据提货单的重要程度和/或根据提货单的到达时间来判断。
在一种可能实现方式中，模型训练单元可以包括计算单元、选择单元、生成单元和加权单元，其中：
计算单元，用于计算所述栅格地图中每一个栅格至目标栅格的距离；
选择单元，用于在智能主体Ai当前所在起始栅格四周选择距离目标栅格的成本函数最小的一个栅格作为邻居栅格并存储于路由r_te中；
上述选择单元重复执行，直至所述智能主体Ai最后到达所述目标栅格；
生成单元，用于重复执行步骤S1至步骤S3共y次，生成长度最短和转弯次数最少的路径作为所述智能主体的最终路径；
加权单元，用于对每个智能主体的最终路径进行加权处理，以形成冲撞最小的多智能主体的搬运模型。
在一种可能实现方式中，分析调整单元可以包括避让政策选取单元和优化单元，其中：
避让政策选取单元，用于保证优先级最高的智能主体的搬运路径不动，比较优先级第二的智能主体的搬运路径与其是否存在冲撞的节点，若存在，则针对冲突类型采取不同的避让策略；
优化单元，用于按照上述方法，依次对所有智能主体按照优先级高低进行路径的冲撞判断与优化，直至所有智能主体的路径规划完毕且互相之间没有冲撞为止。
在一种可能实现方式中，位置异常的智能主体包括：运行速度过快的智能主体和运行速度过慢的智能主体。
需要说明的是，上述实施例提供的多智能主体避障系统在多智能主体避障时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的多智能主体避障系统与多智能主体避障方法实施例属于同一构思，其具体实现过程以及技术效果详见方法实施例，此处不再赘述。
本申请实施例还提供一种多智能主体避障系统，该多智能主体避障系统如图3所示，其示出了本申请实施例所涉及的多智能主体避障系统的结构示意图，具体来讲：
该多智能主体避障系统可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解，图3中示出的多智能主体避障系统结构并不构成对多智能主体避障系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器301是该多智能主体避障系统的控制中心，利用各种接口和线路连接整个多智能主体避障系统的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行多智能主体避障系统的各种功能和处理数据，从而对多智能主体避障系统进行整体监控。可选的，处理器301可包括一个或多个处理核心；优选的，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据多智能主体避障系统的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。
多智能主体避障系统还包括给各个部件供电的电源303，可选地，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该多智能主体避障系统还可包括输入单元304，该输入单元304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，多智能主体避障系统还可以包括显示单元等，在此不再赘述。具体在本实施例中，多智能主体避障系统中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：生成栅格地图，以区分出多智能主体可行搬运路径与货架；初始化栅格地图和多智能主体；遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；规划分配到搬运任务的智能主体规划搬运路径；将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照所述搬运路径行驶；对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
以上个操作的具体实施例可参见前面的实施例，在此不再赘述。
由以上可知，遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体，规划分配到搬运任务的智能主体规划搬运路径，将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照搬运路径行驶，对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整，使智能主体的搬运路径尽量均衡，减少了冲撞发生的概率，在路径规划中，加快了计算速度，同时在最优路径的选择中，考虑了智能主体转弯所带来的影响，更加贴合实际，设计了智能主体在线调整的方法，使智能主体更具实用性，更有灵活性。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种多智能主体避障方法中的步骤。例如，该指令可以执行如下步骤：生成栅格地图，以区分出多智能主体可行搬运路径与货架；初始化栅格地图和多智能主体；遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；规划分配到搬运任务的智能主体规划搬运路径；将规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使智能主体按照所述搬运路径行驶；对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
以上各个操作的具体实施方式可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种多智能主体避障方法中的步骤，因此，可以实现本申请实施例所提供的任一种多智能主体避障方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种多智能主体避障方法、设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种多智能主体避障方法，其特征在于，所述方法包括：
生成栅格地图，以区分出多智能主体可行搬运路径与货架；
初始化所述栅格地图和多智能主体；
遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；
规划所述分配到搬运任务的智能主体的搬运路径；
将所述规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使所述智能主体按照所述搬运路径行驶；
对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；
当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
2.根据权利要求1所述的多智能主体避障方法，其特征在于，所述遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体，包括：
遍历所述所有待搬运任务和多智能主体的当前属性，以获取任务列表的长度、每个智能主体距离目标搬运任务的距离以及综合作业的距离；
将所述目标搬运任务优先分配给空闲智能主体，其次分配给任务列表中任务最少的智能主体，或者，将所述目标搬运任务优先分配给距离所述目标搬运任务最近的智能主体，或者，将所述目标搬运任务优先一组存取任务之间的行程距离最近的智能主体。
3.根据权利要求1所述多智能主体避障方法，其特征在于，所述规划所述分配到搬运任务的智能主体的搬运路径，包括：
根据任务的优先级进行智能主体搬运路径的规划，优先规划承担较高优先级搬运任务的智能主体的搬运路径和/或在多智能主体在所述搬运路径上拥堵时，按照所承担搬运任务优先级越高，给予越高的优先通行权的原则规划所述智能主体的搬运路径；
按照所述规划好的搬运路径，训练每多智能主体的搬运模型；
按照所述已训练搬运模型，对所有智能主体的搬运路径之间的干扰碰撞情况进行分析并调整部分智能主体的的搬运路径。
4.根据权利要求3所述多智能主体避障方法，其特征在于，所述搬运任务的优先级的高低根据提货单的重要程度和/或根据提货单的到达时间来判断。
5.根据权利要求3所述多智能主体避障方法，其特征在于，所述按照所述规划好的搬运路径，训练每多智能主体的搬运模型，包括：
S1、计算所述栅格地图中每一个栅格至目标栅格的距离；
S2、在智能主体Ai当前所在起始栅格四周选择距离目标栅格的成本函数最小的一个栅格作为邻居栅格并存储于路由r_te中；
S3、重复执行上述步骤S2，直至所述智能主体Ai最后到达所述目标栅格；
S4、重复执行步骤S1至步骤S3共y次，生成长度最短和转弯次数最少的路径作为所述智能主体的最终路径；
S5，对每个所述智能主体的最终路径进行加权处理，以形成冲撞最小的多智能主体的搬运模型。
6.根据权利要求3所述多智能主体避障方法，其特征在于，所述按照所述已训练搬运模型，对所有智能主体的搬运路径之间的干扰碰撞情况进行分析并调整部分智能主体的的搬运路径，包括：
保证优先级最高的智能主体的搬运路径不动，比较优先级第二的智能主体的搬运路径与其是否存在冲撞的节点，若存在，则针对冲突类型采取不同的避让策略；
按照上述方法，依次对所有智能主体按照优先级高低进行路径的冲撞判断与优化，直至所有智能主体的路径规划完毕且互相之间没有冲撞为止。
7.根据权利要求1所述多智能主体避障方法，其特征在于，所述位置异常的智能主体包括：运行速度过快的智能主体和运行速度过慢的智能主体。
8.一种多智能主体避障系统，其特征在于，所述系统包括：
地图生成模块，用于生成栅格地图，以区分出多智能主体可行搬运路径与货架；
初始化模块，用于初始化所述栅格地图和多智能主体；
任务分配模块，用于遍历所有搬运任务和多智能主体，按照搬运任务分配规则将搬运任务分配给对应的多智能主体中的一个或多个智能主体；
路径规划模块，用于规划所述分配到搬运任务的智能主体的搬运路径；
路径分配模块，用于将所述规划好的智能主体搬运路径分别分配给对应的智能主体进行执行，以使所述智能主体按照所述搬运路径行驶；
检测模块，用于对所有执行搬运任务的智能主体进行实时监控，检测各智能主体的实时位置是否正常，以对位置异常的智能主体进行实时在线调整；
检索模块，用于当智能主体完成一个搬运任务后，检索完成搬运任务的智能主体的任务列表是否为空，若不为空，则继续分配下一搬运任务。
9.一种多智能主体避障系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序代码由该一个或多个处理器加载并执行以实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
CN202010797828.XA 2020-08-10 2020-08-10 一种多智能主体避障方法、系统和计算机可读存储介质 Pending CN112034845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010797828.XA CN112034845A (zh) 2020-08-10 2020-08-10 一种多智能主体避障方法、系统和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010797828.XA CN112034845A (zh) 2020-08-10 2020-08-10 一种多智能主体避障方法、系统和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112034845A true CN112034845A (zh) 2020-12-04

Family

ID=73577178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010797828.XA Pending CN112034845A (zh) 2020-08-10 2020-08-10 一种多智能主体避障方法、系统和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112034845A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140277691A1 (en) * 2013-03-15 2014-09-18 Cybernet Systems Corporation Automated warehousing using robotic forklifts
US20170017236A1 (en) * 2015-07-17 2017-01-19 Korea University Research And Business Foundation Automated guided vehicle system based on autonomous mobile technique and a method for controlling the same
CN110264120A (zh) * 2019-05-06 2019-09-20 盐城品迅智能科技服务有限公司 一种基于多agv的智能仓储路线规划系统和方法
CN110989570A (zh) * 2019-10-15 2020-04-10 浙江工业大学 一种多agv防碰撞协同路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140277691A1 (en) * 2013-03-15 2014-09-18 Cybernet Systems Corporation Automated warehousing using robotic forklifts
US20170017236A1 (en) * 2015-07-17 2017-01-19 Korea University Research And Business Foundation Automated guided vehicle system based on autonomous mobile technique and a method for controlling the same
CN110264120A (zh) * 2019-05-06 2019-09-20 盐城品迅智能科技服务有限公司 一种基于多agv的智能仓储路线规划系统和方法
CN110989570A (zh) * 2019-10-15 2020-04-10 浙江工业大学 一种多agv防碰撞协同路径规划方法

Similar Documents

Publication Publication Date Title
JP6671507B2 (ja) ロボット現場戻りのための方法及び装置｛ｍｅｔｈｏｄ ａｎｄ ｄｅｖｉｃｅ ｆｏｒ ｒｅｔｕｒｎｉｎｇ ｒｏｂｏｔｓ ｆｒｏｍ ｓｉｔｅ｝
CN111149071B (zh) 物品处理协调系统和重新定位运输容器的方法
KR102325886B1 (ko) 반송 디바이스의 움직임을 제어하기 위한 방법, 시스템 및 장치
CN110356760B (zh) 基于搬运机器人的控制方法和装置
CN113359702B (zh) 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法
CN113075927A (zh) 基于预约表的仓储潜伏式多agv路径规划方法
US20210325862A1 (en) Safeguarding resources of physical entities in a shared environment
JP2024020457A (ja) 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム
Li et al. A simulation study on the robotic mobile fulfillment system in high-density storage warehouses
CN112925308B (zh) 路径规划方法、装置及计算机存储介质
CN112445218A (zh) 机器人路径规划方法、装置、服务器、存储介质及机器人
WO2022032444A1 (zh) 一种多智能主体避障方法、系统和计算机可读存储介质
Shi et al. Task allocation and path planning of many robots with motion uncertainty in a warehouse environment
Liu et al. Simultaneous planning and scheduling for multi-autonomous vehicles
Guo et al. Spatial and temporal splitting heuristics for multi-robot motion planning
Xu et al. Dynamic spare point application based coordination strategy for multi-AGV systems in a WIP warehouse environment
Nishida et al. Just-in-time routing and scheduling for multiple automated guided vehicles
Xia et al. A multi-AGV optimal scheduling algorithm based on particle swarm optimization
CN112034845A (zh) 一种多智能主体避障方法、系统和计算机可读存储介质
CN112987713A (zh) 自动驾驶设备的控制方法、装置及存储介质
CN116339257A (zh) Agv多车调度系统以及相关调度方法
Singh et al. Dispatching AGVs with battery constraints using deep reinforcement learning
CN117196263B (zh) 一种货物调度方法、装置、设备及计算机可读存储介质
CN112034841A (zh) 一种无人环境下的提货方法、系统和计算机可读存储介质
Oliveira et al. Multi-constrained voronoi-based task allocator for smart-warehouses

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