CN112539750A - 一种智能运输车路径规划方法 - Google Patents
一种智能运输车路径规划方法 Download PDFInfo
- Publication number
- CN112539750A CN112539750A CN202011339612.5A CN202011339612A CN112539750A CN 112539750 A CN112539750 A CN 112539750A CN 202011339612 A CN202011339612 A CN 202011339612A CN 112539750 A CN112539750 A CN 112539750A
- Authority
- CN
- China
- Prior art keywords
- agv
- algorithm
- path
- node
- obstacle avoidance
- 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 71
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004387 environmental modeling Methods 0.000 abstract 1
- 239000003016 pheromone Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能运输车路径规划方法,包括:对四轴的AGV模型进行简化,求得AGV的运动学模型;将工程场景的地图处为理二维栅格地图;从外形尺寸、加速度、内部相互作用方面对AGV的运输过程进行简化;建立A*算法的代价函数、权重系数;并引入避障系数δ来满足避障要求:生成路径,并在生成过程中进行队列优化、分级寻径和避障判断;通过改进弗洛伊德算法对A*算法进行优化;考虑AGV的运动学模型对算法的影响的基础上,对A*算法进行优化,选出耗时最短的线路;本方法通过环境建模技术和A*改进算法相互配合,考虑了车辆的运动学模型,将模型带入到算法进行优化;通过相互之间的优势互补,有效的提高了算法的效率和安全水平。
Description
技术领域
本发明属于汽车路径规划领域,更具体地,涉及一种智能运输车路径 规划方法。
背景技术
智能运输车路径规划技术已经成为在区域内无人运输的应用的重要技 术,其自动化程度高、效率高、成本低的优势开始运用于智能集装箱码头、 智能工厂等领域。路径规划可以分为路径和规划两部分,其中连接起点位 置和终点位置的序列点或曲线称之为路径,构成路径的策略称之为路径规 划。路径规划方法主要任务是指根据当前车辆信息、合理探索环境空间、 最终规划出一条便于车辆执行、无碰撞的路径。现有的路径规划方法有模 拟退火算法、人工势场法、蚁群算法、遗传算法和神经网络算法、A*算法 等。
模拟退火算法一种适用于大规模组合优化问题的有效近似算法。它模 仿固体物质的退火过程,通过设定初温、初态和降温率控制温度的不断下 降,结合概率突跳特性,利用解空间的邻域结构进行随机搜索。具有描述 简单、使用灵活、运行效率高、初始条件限制少等优点,但存在着收敛速 度慢、随机性等缺陷。
人工势场法是一种虚拟力法。它模仿引力斥力下的物体运动,目标点 和运动体间为引力,运动体和障碍物间为斥力,通过建立引力场斥力场函 数进行路径寻优。优点是规划出来的路径平滑安全、描述简单等,但是存 在局部最优的问题,引力场的设计是算法能否成功应用的关键。)
蚁群算法的思想来自于对蚁群觅食行为的探索,每个蚂蚁觅食时都会 在走过的道路上留下一定浓度的信息素,相同时间内最短的路径上由于蚂 蚁遍历的次数多而信息素浓度高,加上后来的蚂蚁在选择路径时会以信息 素浓度为依据,起到正反馈作用,因此信息素浓度高的最短路径很快就会 被发现。算法通过迭代来模拟蚁群觅食的行为达到目的。具有良好的全局 优化能力、本质上的并行性、易于用计算机实现等优点,但计算量大、易 陷入局部最优解,不过可通过加入精英蚁等方法改进。
上述算法都存在或多或少的问题,现有的算法的主要缺点有:同时运 行同一算法得到的最优路径都不一定相同,路径一般接近于障碍物的边缘, 对安全交互的问题考虑的不够充分;对算法耗时的问题没有得到有效的解 决,算法的优化程度还不够,上述算法对实际AGV的环境建模考虑不够全 面。
在基于栅格法的图搜索算法里面,启发式搜索A*算法原理简单,易于 实现且能够满足要求,被大量应用到工程运行中,但是传统的A*算法具有 运算时间长、不能保证是最优的搜索路径的问题。
发明内容
针对现有技术的以上缺陷或改进需求,为了克服上述现有技术的缺点, 本发明提供了一种环境建模技术和A*改进算法相互配合,考虑了车辆的运 动学模型,将模型带入到算法进行优化的智能运输车路径规划方法。
为了实现上述目的,按照本发明的一个方面,提供一种智能运输车路 径规划方法,包括如下步骤:
步骤一:对四轴的AGV模型进行简化,求得AGV的运动学模型;
步骤二:将工程场景的地图处为理二维栅格地图;
步骤三:从外形尺寸、加速度、内部相互作用方面对AGV的运输过程 进行简化;
步骤四:建立A*算法的代价函数、权重系数;其中权重系数采用转化 的高斯分布作为系数分配;并引入避障系数δ来满足避障要求:
步骤五:生成路径,并在生成过程中进行队列优化、分级寻径和避障判 断;
步骤六:通过改进弗洛伊德算法对A*算法进行优化;
步骤七:考虑AGV的运动学模型对算法的影响的基础上,对A*算法进 行优化,选出耗时最短的线路。
进一步的,所述步骤一的具体内容为:首先对AGV的模型进行简化, 不考虑机械加工精度、尺寸误差、变形影响,并对四轴的AGV模型进行了 简化,将四轴转化成两轴车,仅考虑在理想状态下,AGV四个车轮运动学约 束关系,则有数学模型表达式如下:
式中,αi表示Ni(i=1、2、3、4))四个车轮的每个轮轴与车轮中线之 间的夹角;
βi表示Ni车轮的中心与AGV中心的连线与x轴的夹角;
la与1b分别表示轮子中心与平台中心点的纵向距离和横向距离;
R与r为轮子半径和辊子半径;
VRx为平台的横向运动速度分量;
VRy为平台的纵向运动速度分量;
Wbi表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wri表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wzi表示轮子绕接触点处的地面垂直线的旋转角速度(i=1、2、3、4);
WR表示整车的旋转角速度;
通过公式转换可以求得AGV的运动学模型如下:
式中α表示整车中心和车轮轴线的夹角。
进一步的,所述步骤二的具体内容为:首先将环境平面用栅格进行划 分,然后用栅格占有率来描述障碍物,并对各个栅格进行数字化处理,便 于路径规划的识别;其中,1表示当前栅格有障碍物占据,是不可通行状态; 0表示当前为无障碍物,是可通行状态。
进一步的,所述步骤三的具体内容为:首先不考虑整车具体的外形尺 寸,只以最大尺寸外形引入作为算法的避障模型;保证了A*算法的得出的 路径是可行的;其次将AGV在运输过程中设定为不存在加速和减速,全程 匀速运行;最后忽略AGV内部各个部件的相互作用力以及可能的外部路面 变化的影响,保证AGV是一个线性系统,减少各种变量求解的运算量。
进一步的,所述步骤四的具体内容为:
4.1.采用启发式代价函数来评价当前点到目标点所需要的代价,使用 当前点与起始点的距离来表示估价函数,两者组合成A*算法的代价函数 f(n):
f(n)=g(n)+h(n) (3)
式中,f(n)是节点n的综合优先级;当需要选择下一个要遍历的节点 时,会选取综合优先级最高的节点;g(n)是节点n距离起点的代价;h(n) 是节点n距离终点的预计代价;
4.2.引入权重系数w(n)来提高算法的计算效率:
f(n)=g(n)+w(n)*h(n) (4)
对(4)式进行坐标点改造成为:
f(x,y)=g(x,y)+w(x)*h(x,y) (5)
同时定义现场起始点为S(xs,ys)和集装箱目标点E(xe,ye),则有代价函 数和估价函数的曼哈顿距离(Manhattan Distance)分别为:
g(x,y)=|x-xs|+|y-ys| (6)
h(x,y)=|x-xe|+|y-ye| (7)
根据上述公式,可以得出各个点的代价函数值,选取其中最小值的点 作为扩展点,作为路程的过程点;,在远离目标点的时候,需要让h(x,y) 的值尽量大,能够使得代价函数能够快速收敛,减少运算时间;当接近目 标点的时候,需要让h(x,y)的值尽可能的小,能够让结果快速收敛与目标 点;
根据上述的特点要求,选择高斯分布作为系数分配,但是高斯分布是 钟形曲线,即是常见的正态分布曲线,越接近中心,值越大,远离中心, 值越小;因而需要对高斯分布做一个转化:
式中,有μ=|xe-xs|,x表示地图中的横坐标,K为大于0.4 的常数,根据现场的实际情况进行调整,权重系数w(x)能够满足在远离目的 地的时候值为最大,在接近目的地值为最小,能够保证权重系数值的变化 能够提高算法的性能;
4.3.引入避障系数δ来满足避障要求:
f(x,y)=g(x,y)+w(x)*h(x,y)+δ (9)
在代价函数中加入一个避障系数δ,来满足避障要求;根据离障碍物的 实际距离l,设置在接近l的时候加上避障系数,此时避障系数为δ’,远离 l的时候避障系数,避障系数为0,不需考虑避障,写成数学式如下:
δ的取值根据车辆所占地图的空间和预留安全距离综合确定,根据现场 情况取为常数。
进一步的,所述步骤五中避障判断的具体内容为:在AGV转运平台在 运行过程中,在前方遇到临时障碍物时,经过AGV的感知设备发现时,AGV 先停车等待临时障碍物,如果等待超过设定时间后障碍物仍然未离开,此 时需要重新规划路径,将临时障碍物避开。
进一步的,所述步骤六具体内容为:
6.1、首先去掉相邻的共线的点,去除相邻共线的点可以通过遍历所有 节点的矢量方向是否一致,如果一致则可以将多余的节点去掉;
6.2、其次对剩余的节点进行计算,对中间节点进行优化;节点优化主 要原理是:对上述优化得到的路径集合path中的点,可以将其中的点作为 xi来表示(i=1,2,…,n),目标是寻找从点1到点n的最短路径;从任意节 点i到任意节点n的最短路径有两种可能,一是直接从i到n,二是从i经 过若干个节点k到n;假设Dis(i,n)为节点u到节点v的最短路径的距离, 对于每一个节点k,检查Dis(i,k)+Dis(k,n)<Dis(i,n)是否成立,如 果成立,证明从i到k再到n的路径比i直接到n的路径短,便设置Dis(i,n) =Dis(i,k)+Dis(k,n),这样,当遍历完所有节点k,Dis(i,n)中记录的 便是i到n的最短路径的距离;不过在进行遍历的时候需要加入限定条件, 这个路径的过程中无障碍物。
进一步的,所述步骤七具体内容为:先设置在全局路径下移动时AGV 只能沿着纵向或者横向进行横移,并对宽度方向离障碍物的距离进行校核; 当运动角度改变的时候,则要调整AGV到相应的姿态,然后沿着规划好的 路段前进直到线段终点;其中利用(2)式中的运动学方程推出AGV绕中心轴 旋转的角速度为WR和纵向行驶速度VRy;当AGV经过Ai-1,Ai,Ai+1三点与比 较Ai-1直接到Ai+1点所用时间进行相比,如果时间缩短可以将Ai节点去掉, 从而优化路径,这个优化的前提是Ai-1到Ai+1这个方向上无障碍物;具体计算 方法如下:
7.1.首先定义Ai-1,Ai,Ai+1三点在地图中坐标为Ai-1(xi-1,yi-1),Ai (xi,yi),Ai+2(xi+1,yi+1);
7.2.计算经过三点和两点转角的变化
Δθ=ω-θ (11)
式中
ω为经过Ai-1、Ai、Ai+1三个节点需要转的总角度;
θ为经过Ai-1、Ai+1两个节点需要转的总角度;Δθ为多转的角度;
l1为节点Ai-1到节点Ai的距离,
l2为节点Ai到节点Ai+1的距离,
l3为节点Ai-1到节点Ai+1的距离;
7.4.通过该路段需要相对多余耗时有:
式中,t1为转向多余消耗时间,t2为距离多消耗时间;
总的多耗时时间t=t1+t2,对耗时t根据两条路径进行比较,选出耗时 最短的线路。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够 取得下列有益效果:
1.本发明的路径规划方法,通过环境建模技术和A*改进算法相互配合, 考虑了车辆的运动学模型,将模型带入到算法进行优化;通过相互之间的 优势互补,有效的提高了算法的效率和安全水平;
2.本发明的路径规划方法,通过引入权重函数,加入估价函数对A*算 法的表进行优化及对地图进行分区域划分,优化A*算法的计算效率;
3.本发明的路径规划方法,在路径优化阶段,融合弗洛伊德算法,对 A*改进算法得到的结果进一步优化,并在最后考虑AGV的运动学约束,进 一步贴合实际的运行路径;在改进A*算法,能够有效的较少中间节点数量、 减少AGV的转弯次数,提高路径规划能力。
附图说明
图1为本发明较佳实施例AGV简化二维尺寸平面图;
图2为本发明较佳实施例生成路径过程中分级寻径示意图;
图3为本发明较佳实施例生成路径的流程图;
图4为本发明较佳实施例挂通过改进弗洛伊德算法和引入运动学模型对 算法进行优化的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图 及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体 实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本 发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以 相互组合。一种智能运输车路径规划方法,包括如下步骤:
步骤一:对四轴的AGV(指装备有电磁或光学等自动导航装置,能够沿 规定的导航路径行驶,具有安全保护以及各种移载功能的运输车)模型进 行简化,求得AGV的运动学模型;
请参考图1所示,步骤一的具体内容为:AGV主要任务是在简化的运 动学模型和场景下,能够安全将集装箱或其他货物自动运动到期望的位置, 并保证在合理的误差范围内,最终实现物体的装卸。所以针对上述要求, 对AGV的运输过程做出如下简化:首先对AGV的模型进行简化,不考虑机 械加工精度、尺寸误差、变形影响,并对四轴的AGV模型进行了简化,将 四轴转化成两轴车;
仅考虑在理想状态下,AGV四个车轮运动学约束关系,则有数学模型表 达式如下:
式中,αi表示Ni(i=1、2、3、4)车轮的轮轴与车轮中线之间的夹角;
βi表示Ni车轮的中心与AGV中心的连线与x轴的夹角;
la与1b分别表示轮子中心与平台中心点的纵向距离和横向距离;
R与r为轮子半径和辊子半径;
VRx为平台的横向运动速度分量;
VRy为平台的纵向运动速度分量;
Wbi表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wri表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wzi表示轮子绕接触点处的地面垂直线的旋转角速度(i=1、2、3、4);
WR表示整车的旋转角速度;
通过公式转换可以求得AGV的运动学模型如下:
式中α表示整车中心和车轮轴线的夹角。
步骤二:将工程场景的地图处为理二维栅格地图;
所述步骤二的具体内容为:首先将环境平面用栅格进行划分,然后用 栅格占有率来描述障碍物,并对各个栅格进行数字化处理,便于路径规划 的识别;其中,1表示当前栅格有障碍物占据,是不可通行状态;0表示当 前为无障碍物,是可通行状态。
步骤三:从外形尺寸、加速度、内部相互作用方面对AGV的运输过程 进行简化;
步骤三的具体内容为:首先不考虑整车具体的外形尺寸,只以最大尺 寸外形引入作为算法的避障模型;保证了A*算法的得出的路径是可行的; 其次将AGV在运输过程中设定为不存在加速和减速,全程匀速运行(这样 能够大大的简化算法的要求,并对优化曲线提供了帮助);最后忽略AGV内 部各个部件的相互作用力以及可能的外部路面变化的影响,保证AGV是一 个线性系统,减少各种变量求解的运算量。
步骤四:建立A*算法的代价函数、权重系数;其中权重系数采用转化 的高斯分布作为系数分配;并引入避障系数δ来满足避障要求:
步骤四的具体内容为:
4.1.采用启发式代价函数来评价当前点到目标点所需要的代价,使用 当前点与起始点的距离来表示估价函数,两者组合成A*算法的代价函数 f(n):
f(n)=g(n)+h(n) (3)
式中,代价函数f(n)是节点n的综合优先级;当需要选择下一个要遍 历的节点时,会选取综合优先级最高(值最小)的节点;g(n)是节点n距 离起点的代价;h(n)是节点n距离终点的预计代价,这也就是A*算法的启 发函数。A*算法的实际效果,取决于h(n)的选取是否符合工作场景。当h(n) 等于0,那么意味着f(n)=g(n),A星算法变成了Dijkstra算法。当h(n)远 远大于g(n),那么f(n)的值就主要取决于h(n),A*就演变成了BFS算法。;
4.2.引入权重系数w(n)来提高算法的计算效率:
f(n)=g(n)+w(n)*h(n) (4)
对(4)式进行坐标点(x为地图中横坐标,Y为地图中纵坐标)改造 成为:
f(x,y)=g(x,y)+w(x)*h(x,y) (5)
同时定义现场起始点为S(xs,ys)和集装箱目标点E(xe,ye),则有代价函 数和估价函数的曼哈顿距离(Manhattan Distance)分别为:
g(x,y)=|x-xs|+|y-ys| (6)
h(x,y)=|x-xe|+|y-ye| (7)
根据上述公式,可以得出各个点的代价函数值,选取其中最小值的点 作为扩展点,作为路程的过程点;(上述权重函数的选取是非常重要的), 在远离目标点的时候,需要让h(x,y)的值尽量大,能够使得代价函数能够 快速收敛,减少运算时间;当接近目标点的时候,需要让h(x,y)的值尽可 能的小,能够让结果快速收敛与目标点;
根据上述的特点要求,选择高斯分布作为系数分配,但是高斯分布是钟 形曲线,即是常见的正态分布曲线,越接近中心,值越大,远离中心,值 越小;因而需要对高斯分布做一个转化:
式中,有μ=|xe-xs|,x表示地图中的横坐标,K为大于0.4 的常数,根据现场的实际情况进行调整,权重系数w(x)能够满足在远离目的 地的时候值为最大,在接近目的地值为最小,能够保证权重系数值的变化 能够提高算法的性能;
4.3.引入避障系数δ来满足避障要求:
f(x,y)=g(x,y)+w(x)*h(x,y)+δ (9)
由于在地图中将AGV简化为一个点进行处理,但是这个不符合实际情 况,需要考虑AGV本身的实际尺寸,在经过弯道和障碍物的时候,需要预 留一定空间,为了预留出足够的空间,在代价函数中加入一个避障系数δ, 来满足避障要求;根据离障碍物的实际距离l,设置在接近l的时候加上避 障系数,此时避障系数为δ’,远离l的时候避障系数,避障系数为0,不需 考虑避障,写成数学式如下:
δ’的取值根据车辆所占地图的空间和预留安全距离综合确定,根据现 场情况取为常数,本方案应用于重载运输车情况下,可取安全距离l′为 8000mm。
步骤五:生成路径,并在生成过程中进行队列优化、分级寻径和避障判 断;
请参考图2,图3所示;设置路径开始点S(xs,ys,θs),确定AGV当 前位置点C(x,y,θ),AGV的终点目标为E(xe,ye,θe)。A*算法需要预设两 个队列,open list和close list队列,首先第一步需要将起始点加入open list,open list中的点可能会是沿途经过的节点,也有可能不会经过, 可以理解open list是一个待检查的列表,而close list存放的是需要经 过的节点,是通过遍历计算从open list中选取的代价值最小的节点。
从上述可以看出,在A*算法搜索过程中,随着搜索深度越深,意味着 可能要查找的节点越多,后期open list表中存储的节点越点。在数据结 构的选择上,希望所选择的节点带有“可参照性”,而不是单单的直接从open list表中取,如果在数据点放入open list中预先进行过处理,这样能够 加快A*算法搜索过程,提高运行效率。可以加入估价函数对open list表 进行重排,这样在循环中的每一步只需要考虑open list中状态最好的节点。
传统的A*算法是效率并不高的算法,常常会因为搜索空间的太大,而 影响搜索效率。为了进一步提高效率,提出分级寻径的方法,即把搜索过 程拆分开了,如图2所示,查找区域A中的p1点到区域B中的p3点最短 路径,那么可以分为几部分,先查找起始点到p1的路径。再查找p1点到 空间B的路径,再搜索到终点的路径,整个过程分为了几步,且可以在中间加入一些必定经过的中间节p2等,能够优化计算速度和效率。
避障判断的具体内容为:在AGV转运平台在运行过程中,在前方遇到 临时障碍物时,经过AGV的感知设备发现时,AGV先停车等待临时障碍物, 如果等待超过设定时间后障碍物仍然未离开,此时需要重新规划路径,将 临时障碍物避开。
步骤六:通过改进弗洛伊德算法对A*算法进行优化;
步骤六具体内容为:A*算法进行路径规划由于其算法自身的原因,一 般计算出的路径不够圆滑,需要对路径进行进一步的优化处理。此处引入 Floyd-Warshall算法,即弗洛伊德算法,是一种利用动态规划的思想寻找 给定的加权图中多源点之间最短路径的算法。
根据实际需求,对弗洛伊德算法进行了一定的改进,改进后整个算法 分为两个部分;
6.1、首先去掉相邻的共线的点,去除相邻共线的点可以通过遍历所有 节点的矢量方向是否一致,如果一致则可以将多余的节点去掉;
6.2、其次对剩余的节点进行计算,对中间节点进行优化;节点优化主 要原理是:对上述优化得到的路径集合path中的点,可以将其中的点作为 xi来表示(i=1,2,…,n),目标是寻找从点1到点n的最短路径;从任意节 点i到任意节点n的最短路径有两种可能,一是直接从i到n,二是从i经 过若干个节点k到n;假设Dis(i,n)为节点u到节点v的最短路径的距离, 对于每一个节点k,检查Dis(i,k)+Dis(k,n)<Dis(i,n)是否成立,如 果成立,证明从i到k再到n的路径比i直接到n的路径短,便设置Dis(i,n) =Dis(i,k)+Dis(k,n),这样,当遍历完所有节点k,Dis(i,n)中记录的 便是i到n的最短路径的距离;不过在进行遍历的时候需要加入限定条件, 这个路径的过程中无障碍物。
步骤七:考虑AGV的运动学模型对算法的影响的基础上,对A*算法进 行优化,选出耗时最短的线路。
所述步骤七具体内容为:先设置在全局路径下移动时AGV只能沿着纵 向或者横向进行横移,并对宽度方向离障碍物的距离进行校核;当运动角 度改变的时候,则要调整AGV到相应的姿态,然后沿着规划好的路段前进 直到线段终点;其中利用(2)式中的运动学方程推出AGV绕中心轴旋转的角 速度为WR和纵向行驶速度VRy;当AGV经过Ai-1,Ai,Ai+1三点与比较Ai-1直接 到Ai+1点所用时间进行相比,如果时间缩短可以将Ai节点去掉,从而优化路径,这个优化的前提是Ai-1到Ai+1这个方向上无障碍物;具体计算方法如下:
7.1.首先定义Ai-1,Ai,Ai+1三点在地图中坐标为Ai-1(xi-1,yi-1),Ai (xi,yi),Ai+2(xi+1,yi+1);
7.2.计算经过三点和两点转角的变化
Δθ=ω-θ (11)
式中
ω为经过Ai-1、Ai、Ai+1三个节点需要转的总角度;
θ为经过Ai-1、Ai+1两个节点需要转的总角度;Δθ为多转的角度;
l1为节点Ai-1到节点Ai的距离,
l2为节点Ai到节点Ai+1的距离,
l3为节点Ai-1到节点Ai+1的距离;
7.4.通过该路段需要相对多余耗时有:
式中,t1为转向多余消耗时间,t2为距离多消耗时间;
总的多耗时时间t=t1+t2,对耗时t根据两条路径进行比较,选出耗时最短 的线路。
本方法综合考虑到对于复杂的二维和三维连续动态环境信息时,算法 所能做的是有限的,好的建模技术和优秀路径规划算法相结合将成为解决 这一问题,同时在实际的应用过程中,路径规划是复杂多变的,通过A*算 法和其他算法相互结合,相互之间的优势互补,能够有效的解决实际过程 遇到的各种问题。本方案尤其实用于重载智能运输车路径规划方法
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已, 并不用于限制本发明,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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种智能运输车路径规划方法,其特征在于:包括如下步骤:
步骤一:对四轴的AGV模型进行简化,求得AGV的运动学模型;
步骤二:将工程场景的地图处为理二维栅格地图;
步骤三:从外形尺寸、加速度、内部相互作用方面对AGV的运输过程进行简化;
步骤四:建立A*算法的代价函数、权重系数;其中权重系数采用转化的高斯分布作为系数分配;并引入避障系数δ来满足避障要求:
步骤五:生成路径,并在生成过程中进行队列优化、分级寻径和避障判断;
步骤六:通过改进弗洛伊德算法对A*算法进行优化;
步骤七:考虑AGV的运动学模型对算法的影响的基础上,对A*算法进行优化,选出耗时最短的线路。
2.根据权利要求1所述的智能运输车路径规划方法,其特征在于:所述步骤一的具体内容为:首先对AGV的模型进行简化,不考虑机械加工精度、尺寸误差、变形影响,并对四轴的AGV模型进行了简化,将四轴转化成两轴车,仅考虑在理想状态下,AGV四个车轮运动学约束关系,则有数学模型表达式如下:
式中,αi表示Ni(i=1、2、3、4)四个车轮的每个轮轴与车轮中线之间的夹角;
βi表示Ni车轮的中心与AGV中心的连线与x轴的夹角;
la与1b分别表示轮子中心与平台中心点的纵向距离和横向距离;
R与r为轮子半径和辊子半径;
VRx为平台的横向运动速度分量;
VRy为平台的纵向运动速度分量;
Wbi表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wri表示轮子绕其轴线旋转的角速度(i=1、2、3、4);
Wzi表示轮子绕接触点处的地面垂直线的旋转角速度(i=1、2、3、4);
WR表示整车的旋转角速度;
通过公式转换可以求得AGV的运动学模型如下:
式中α表示整车中心和车轮轴线的夹角。
3.根据权利要求1所述的智能运输车路径规划方法,其特征在于:所述步骤二的具体内容为:首先将环境平面用栅格进行划分,然后用栅格占有率来描述障碍物,并对各个栅格进行数字化处理,便于路径规划的识别;其中,1表示当前栅格有障碍物占据,是不可通行状态;0表示当前为无障碍物,是可通行状态。
4.根据权利要求1所述的智能运输车路径规划方法,其特征在于:所述步骤三的具体内容为:首先不考虑整车具体的外形尺寸,只以最大尺寸外形引入作为算法的避障模型;保证了A*算法的得出的路径是可行的;其次将AGV在运输过程中设定为不存在加速和减速,全程匀速运行;最后忽略AGV内部各个部件的相互作用力以及可能的外部路面变化的影响,保证AGV是一个线性系统,减少各种变量求解的运算量。
5.根据权利要求1所述的智能运输车路径规划方法,其特征在于,所述步骤四的具体内容为:
4.1.采用启发式代价函数来评价当前点到目标点所需要的代价,使用当前点与起始点的距离来表示估价函数,两者组合成A*算法的代价函数f(n):
f(n)=g(n)+h(n) (3)
式中,f(n)是节点n的综合优先级;当需要选择下一个要遍历的节点时,会选取综合优先级最高的节点;g(n)是节点n距离起点的代价;h(n)是节点n距离终点的预计代价;
4.2.引入权重系数w(n)来提高算法的计算效率:
f(n)=g(n)+w(n)*h(n) (4)
对(4)式进行坐标点改造成为:
f(x,y)=g(x,y)+w(x)*h(x,y) (5)
同时定义现场起始点为S(xs,ys)和集装箱目标点E(xe,ye),则有代价函数和估价函数的曼哈顿距离分别为:
g(x,y)=|x-xs|+|y-ys| (6)
h(x,y)=|x-xe|+|y-ye| (7)
根据上述公式,可以得出各个点的代价函数值,选取其中最小值的点作为扩展点,作为路程的过程点;,在远离目标点的时候,需要让h(x,y)的值尽量大,能够使得代价函数能够快速收敛,减少运算时间;当接近目标点的时候,需要让h(x,y)的值尽可能的小,能够让结果快速收敛与目标点;
根据上述的特点要求,选择高斯分布作为系数分配,但是高斯分布是钟形曲线,即是常见的正态分布曲线,越接近中心,值越大,远离中心,值越小;因而需要对高斯分布做一个转化:
式中,有μ=|xe-xs|,x表示地图中的横坐标,K为大于0.4的常数,根据现场的实际情况进行调整,权重系数w(x)能够满足在远离目的地的时候值为最大,在接近目的地值为最小,能够保证权重系数值的变化能够提高算法的性能;
4.3.引入避障系数δ来满足避障要求:
f(x,y)=g(x,y)+w(x)*h(x,y)+δ (9)
在代价函数中加入一个避障系数δ,来满足避障要求;根据离障碍物的实际距离l,设置在接近l的时候加上避障系数,此时避障系数为δ’,远离l的时候避障系数,避障系数为0,不需考虑避障,写成数学式如下:
δ’的取值根据车辆所占地图的空间和预留安全距离综合确定,根据现场情况取为常数。
6.根据权利要求1所述的智能运输车路径规划方法,其特征在于,所述步骤五中避障判断的具体内容为:在AGV转运平台在运行过程中,在前方遇到临时障碍物时,经过AGV的感知设备发现时,AGV先停车等待临时障碍物,如果等待超过设定时间后障碍物仍然未离开,此时需要重新规划路径,将临时障碍物避开。
7.根据权利要求1所述的智能运输车路径规划方法,其特征在于,所述步骤六具体内容为:
7.1、首先去掉相邻的共线的点,去除相邻共线的点可以通过遍历所有节点的矢量方向是否一致,如果一致则可以将多余的节点去掉;
7.2、其次对剩余的节点进行计算,对中间节点进行优化;节点优化主要原理是:对上述优化得到的路径集合path中的点,可以将其中的点作为xi来表示(i=1,2,…,n),目标是寻找从点1到点n的最短路径;从任意节点i到任意节点n的最短路径有两种可能,一是直接从i到n,二是从i经过若干个节点k到n;假设Dis(i,n)为节点u到节点v的最短路径的距离,对于每一个节点k,检查Dis(i,k)+Dis(k,n)<Dis(i,n)是否成立,如果成立,证明从i到k再到n的路径比i直接到n的路径短,便设置Dis(i,n)=Dis(i,k)+Dis(k,n),这样,当遍历完所有节点k,Dis(i,n)中记录的便是i到n的最短路径的距离;不过在进行遍历的时候需要加入限定条件,这个路径的过程中无障碍物。
8.根据权利要求1所述的智能运输车路径规划方法,其特征在于,
所述步骤七具体内容为:先设置在全局路径下移动时AGV只能沿着纵向或者横向进行横移,并对宽度方向离障碍物的距离进行校核;当运动角度改变的时候,则要调整AGV到相应的姿态,然后沿着规划好的路段前进直到线段终点;其中利用(2)式中的运动学方程推出AGV绕中心轴旋转的角速度为WR和纵向行驶速度VRy;当AGV经过Ai-1,Ai,Ai+1三点与比较Ai-1直接到Ai+1点所用时间进行相比,如果时间缩短可以将Ai节点去掉,从而优化路径,这个优化的前提是Ai-1到Ai+1这个方向上无障碍物;具体计算方法如下:
7.1.首先定义Ai-1,Ai,Ai+1三点在地图中坐标为Ai-1(xi-1,yi-1),Ai(xi,yi),Ai+2(xi+1,yi+1);
7.2.计算经过三点和两点转角的变化
Δθ=ω-θ (11)
式中
ω为经过Ai-1、Ai、Ai+1三个节点需要转的总角度;
θ为经过Ai-1、Ai+1两个节点需要转的总角度;Δθ为多转的角度;
l1为节点Ai-1到节点Ai的距离,
l2为节点Ai到节点Ai+1的距离,
l3为节点Ai-1到节点Ai+1的距离;
7.4.通过该路段需要相对多余耗时有:
式中,t1为转向多余消耗时间,t2为距离多消耗时间;
总的多耗时时间t=t1+t2,对耗时t根据两条路径进行比较,选出耗时最短的线路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011339612.5A CN112539750B (zh) | 2020-11-25 | 2020-11-25 | 一种智能运输车路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011339612.5A CN112539750B (zh) | 2020-11-25 | 2020-11-25 | 一种智能运输车路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112539750A true CN112539750A (zh) | 2021-03-23 |
CN112539750B CN112539750B (zh) | 2022-08-16 |
Family
ID=75015984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011339612.5A Active CN112539750B (zh) | 2020-11-25 | 2020-11-25 | 一种智能运输车路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112539750B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
CN113253686A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | Agv车辆路径规划方法及装置、电子设备、存储介质 |
CN113837189A (zh) * | 2021-08-12 | 2021-12-24 | 湖南匡楚科技有限公司 | 一种单位车辆智能管理方法及系统 |
CN114313882A (zh) * | 2022-01-11 | 2022-04-12 | 浙江柯工智能系统有限公司 | 一种化纤生产自动化运输系统及方法 |
CN114964267A (zh) * | 2022-07-26 | 2022-08-30 | 中国科学院合肥物质科学研究院 | 一种无人牵引车在多任务点环境下的路径规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 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 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN107990903A (zh) * | 2017-12-29 | 2018-05-04 | 东南大学 | 一种基于改进a*算法的室内agv路径规划方法 |
CN108225326A (zh) * | 2017-12-31 | 2018-06-29 | 南京理工大学 | 一种基于a*算法的agv路径规划方法 |
CN108489491A (zh) * | 2018-02-09 | 2018-09-04 | 上海交通大学 | 一种水下自主航行器的三维航迹智能规划方法 |
-
2020
- 2020-11-25 CN CN202011339612.5A patent/CN112539750B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 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 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN107990903A (zh) * | 2017-12-29 | 2018-05-04 | 东南大学 | 一种基于改进a*算法的室内agv路径规划方法 |
CN108225326A (zh) * | 2017-12-31 | 2018-06-29 | 南京理工大学 | 一种基于a*算法的agv路径规划方法 |
CN108489491A (zh) * | 2018-02-09 | 2018-09-04 | 上海交通大学 | 一种水下自主航行器的三维航迹智能规划方法 |
Non-Patent Citations (4)
Title |
---|
ZHANG YAN,ET.AL: "Development of Path Planning Approach Based on Improved A-star Algorithm in AGV System", 《LECTURE NOTES OF THE INSTITUTE FOR COMPUTER SCIENCES SOCIAL INFORMATICS AND TELECOMMUNICATIONS ENGINEERING》 * |
ZHENG TAO,ET.AL: "AGV Path Planning based on Improved A-star Algorithm", 《2019 IEEE 3RD ADVANCED INFORMATION MANAGEMENT, COMMUNICATES, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 * |
赵江等: "对AGV路径规划A星算法的改进与验证", 《计算机工程与应用》 * |
高峰等: "基于改进A*算法的水面无人船全局路径规划", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
CN113253686A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | Agv车辆路径规划方法及装置、电子设备、存储介质 |
CN113837189A (zh) * | 2021-08-12 | 2021-12-24 | 湖南匡楚科技有限公司 | 一种单位车辆智能管理方法及系统 |
CN114313882A (zh) * | 2022-01-11 | 2022-04-12 | 浙江柯工智能系统有限公司 | 一种化纤生产自动化运输系统及方法 |
CN114964267A (zh) * | 2022-07-26 | 2022-08-30 | 中国科学院合肥物质科学研究院 | 一种无人牵引车在多任务点环境下的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112539750B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
Zhang et al. | Trajectory planning and tracking for autonomous vehicle based on state lattice and model predictive control | |
CN111780777B (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN107168305B (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
Abd Algfoor et al. | A comprehensive study on pathfinding techniques for robotics and video games | |
Ali et al. | Path planning of mobile robot with improved ant colony algorithm and MDP to produce smooth trajectory in grid-based environment | |
CN112378408A (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
CN109491389A (zh) | 一种具有速度约束的机器人轨迹跟踪方法 | |
Yang et al. | LF-ACO: An effective formation path planning for multi-mobile robot | |
Yang et al. | A novel path planning algorithm for warehouse robots based on a two-dimensional grid model | |
CN112650306A (zh) | 一种基于动力学rrt*的无人机运动规划方法 | |
CN112731929A (zh) | 一种基于阿克曼模型的移动机器人避障路径规划方法 | |
Vilca et al. | Optimal multi-criteria waypoint selection for autonomous vehicle navigation in structured environment | |
Li et al. | Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving | |
Zhang et al. | Hybrid path planning model for multiple robots considering obstacle avoidance | |
CN114840001A (zh) | 一种封闭环境下的多车协同轨迹规划方法 | |
Berlin et al. | Trajectory generation for mobile robots in a dynamic environment using nonlinear model predictive control | |
Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
Pshikhopov et al. | Trajectory planning algorithms in two-dimensional environment with obstacles | |
Kala et al. | Multi-vehicle planning using RRT-connect | |
Smit et al. | Informed sampling-based trajectory planner for automated driving in dynamic urban environments | |
CN115079693A (zh) | 基于改进遗传算法和b样条拟合的无人车路径规划方法 | |
Zhang et al. | An Optimization-based Trajectory Planning Method with Polynomial Curves | |
Dahari et al. | A review of auto-guided-vehicles routing algorithms | |
Ravishankar et al. | Optimal Path Planning Approach for Static and Dynamic Using Genetic Algorithm |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhan Jun Inventor after: Gao Feng Inventor after: Wu Feng Inventor after: She Yong Inventor before: Zhan Jun Inventor before: Gao Feng Inventor before: Guan Feng Inventor before: She Yong |