CN112925308B - 路径规划方法、装置及计算机存储介质 - Google Patents
路径规划方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112925308B CN112925308B CN202110082513.1A CN202110082513A CN112925308B CN 112925308 B CN112925308 B CN 112925308B CN 202110082513 A CN202110082513 A CN 202110082513A CN 112925308 B CN112925308 B CN 112925308B
- Authority
- CN
- China
- Prior art keywords
- target
- motion path
- robot
- grid
- nodes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G05D1/0231—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 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本申请实施例公开了一种路径规划方法、装置及计算机存储介质，用于规划机器人在执行搬运任务时的运动路径，以提高运动路径的规划效率和搬运任务的执行效率。本申请实施例包括：目标机器人规划在目标仓库的拓扑图中的多个运动路径节点，并在目标仓库的栅格地图中规划该多个运动路径节点组成的运动路径对应的多个目标栅格之间的运动方向，从而目标机器人按照该运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置，因此，相比于仅根据目标仓库的栅格地图直接进行路径规划，可以降低机器人运动路径规划的难度，提高运动路径的规划效率。
Description
技术领域
本申请实施例涉及人工智能领域，具体涉及一种路径规划方法、装置及计算机存储介质。
背景技术
随着现代电商物流行业的迅速发展，仓储物流行业的管理与运输任务也日益繁重，许多仓库早已利用机器人实现更加智能快速的仓库管理，例如亚马逊公司的KIVASystem，能够使多个机器人同时在仓库中不停地完成新的订单。随着订单数量的增加、仓库规模的增大以及机器人投放数量的增加，机器人运动路径规划的难度也随之增加。同时，机器人在动态环境中互相影响，互为障碍，多机器人的路径规划和运动协调等问题的重要性就显现出来了。因此，设计出高效可行的多机器人路径规划算法以及运动协调算法在仓储机器人领域中尤其重要。
为多机器人协作的系统规划出无碰撞且高效的运动路径是提升系统运作效率的重要研究方向。求取多机器人路径规划问题(MAPF)的最优解被证明为NP-Hard问题，传统的MAPF问题的解决方法可以分为集中式规划、分布式规划以及一些基于分布式规划和集中式规划的算法。
现有技术提供了一种路径规划方法，包括货架分布以及道路运行规则的设计；采用改进的A*算法搜索两个节点之间的最优路径；该方案将仓库分为多个节点，根据仓库模型中道路运行规则，利用仓库地图将路径规划问题简化为各个节点之间的路径规划问题，每个节点之间的路径使用A*算法进行具体的规划。该方案虽然将基于全局地图的A*算法规划分解成按节点进行的规划，但全部路段的生成仍然需要使用A*算法搜索，且该方案设计的道路运行规则较为繁琐，增加了路径规划的难度。
发明内容
本申请实施例提供了一种路径规划方法、装置及计算机存储介质，用于规划机器人在执行搬运任务时的运动路径，以提高运动路径的规划效率和搬运任务的执行效率。
本申请实施例第一方面提供了一种路径规划方法，应用于目标机器人，包括：
接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；
根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；
在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置。
本申请实施例第二方面提供了一种路径规划装置，应用于目标机器人，包括：
获取单元，用于接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；
确定单元，用于根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；
规划单元，用于在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
控制单元，用于驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置。
本申请实施例第三方面提供了一种路径规划装置，应用于目标机器人，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述处理器用于接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置。
本申请实施例第四方面提供了一种计算机存储介质，计算机存储介质中存储有指令，该指令在计算机上执行时，使得计算机执行前述第一方面的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，目标机器人规划在目标仓库的拓扑图中的多个运动路径节点，并在目标仓库的栅格地图中规划该多个运动路径节点组成的运动路径对应的多个目标栅格之间的运动方向，从而目标机器人按照该运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置，因此，相比于仅根据目标仓库的栅格地图直接进行路径规划，可以降低机器人运动路径规划的难度，提高运动路径的规划效率。
附图说明
图1为本申请实施例中网络框架示意图；
图2为本申请实施例中路径规划方法一个流程示意图；
图3为本申请实施例中路径规划方法另一流程示意图；
图4为本申请实施例中目标仓库的一种栅格地图示意图；
图5为本申请实施例中目标仓库的一种拓扑图示意图；
图6为本申请实施例中路径规划装置一个结构示意图；
图7为本申请实施例中路径规划装置另一结构示意图。
具体实施方式
本申请实施例提供了一种路径规划方法、装置及计算机存储介质，用于规划机器人在执行搬运任务时的运动路径，以提高运动路径的规划效率和搬运任务的执行效率。
请参阅图1，本申请实施例中网络框架包括：
云计算中心101、边缘计算单元102～103及机器人104～106；
其中，云计算中心101可分别与边缘计算单元102～103基于无线网络或者有线网络建立通信链路，边缘计算单元102或者边缘计算单元103均可以与机器人104～106中的任意一个或多个基于无线网络或者有线网络建立通信链路。其中，无线网络的类型可以是蜂窝状无线网络，或者是WiFi网络，或者是其他类型的无线网络。有线网络的类型一般为光纤网络。
云计算中心101具体可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云数据库、云计算以及大数据和人工智能平台等基础云计算服务的云服务器。云计算中心101可部署在云端，也可以部署在一般的网络环境下。
边缘计算单元102～103配置有图像采集装置以及基于边缘计算技术配置的数据处理装置，该数据处理装置具体可以是具备一定运算能力的处理器CPU，例如可以是单片机等类型的处理器。
本申请实施例的网络框架的应用场景具体可以是仓库的货物搬运场景，具体的，云计算中心101在仓库的货物搬运场景中用于对仓库的全局信息进行管理，例如根据仓库多个区域的布局形成仓库地图，或者对货物搬运任务、货物存放信息、货物存量等货物信息进行管理。同时，在该场景中，云计算中心101还可以将特定的信息下发给边缘计算单元102～103，从而实现信息共享。
在该场景中，边缘计算单元102～103利用图像采集装置采集仓库区域的图像，并利用数据处理装置对采集到的仓库区域的图像进行识别和处理，获得所负责的仓库区域的机器人位置信息、机器人数量等信息，实现对仓库区域的实时信息监控。此外，还可以将监控获得的信息下发给机器人104～106。其中仓库区域可包括货架区域、道路区域、卸货区域，货架区域为货架所在的区域，卸货区域为货物搬离仓库时搬运机器人卸下货物的区域。
机器人104～106用于执行仓库货物的搬运任务，即云计算中心101下发搬运任务，边缘计算单元102～103将搬运任务分配给机器人104～106，由于一项搬运任务包括取货和卸货两种类型的任务，取货任务是指将货物从货架上取下，卸货任务是指将货架上取下的货物搬运至卸货区域，因此，边缘计算单元102～103在接收到搬运任务之后，将搬运任务中的取货任务分配给负责取货的机器人，将搬运任务中的卸货任务分配给负责卸货的机器人，则分配到任务的机器人按照搬运任务的类型执行相应的搬运任务。
同时，机器人104～106还用于获取自身的工作状态和运动路径，以及在执行搬运任务的过程中获取搬运任务的完成情况，并向边缘计算单元102～103反馈所获取到的信息，以便于边缘计算单元102～103对所负责的仓库区域的信息监控。
需要说明的是，图1示出边缘计算单元102与机器人104～105建立通信链路、边缘计算单元103与机器人106建立通信链路，仅作为边缘计算单元与机器人建立通信链路的一种方式，在本申请实施例中，边缘计算单元102或者边缘计算单元103均可以与机器人104～106中的任意一个或多个建立通信链路，此处不作限定。
同时，本网络框架仅列举一个云计算中心、2个边缘计算单元及3个机器人，但是，在实际应用中，本网络框架还可以有更多的云计算中心、边缘计算单元及机器人参与。
下面结合图1的网络框架，对本申请实施例中的路径规划方法进行描述：
请参阅图2，本申请实施例中路径规划方法一个实施例包括：
201、接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图；
本实施例的方法可应用于图1所示网络框架中的目标机器人。本实施例中，根据目标仓库的仓库区域的布局可形成目标仓库的栅格地图，对栅格地图进行提炼得到目标仓库的拓扑图，其中拓扑图包括多个拓扑节点，拓扑节点用于表示目标仓库的道路交汇点。
202、根据搬运任务关联的起始位置和终点位置，在多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点；
在接收到搬运任务之后，根据搬运任务关联的起始位置和终点位置，在多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点，其中运动路径节点之间具有先后顺序，该多个运动路径节点组成目标机器人的运动路径。
203、在目标仓库的栅格地图中确定运动路径对应的多个目标栅格，并使用路径规划算法规划目标机器人从多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
目标机器人还获取目标仓库的栅格地图，并在目标仓库的栅格地图中确定目标机器人的运动路径对应的多个目标栅格，并使用路径规划算法规划目标机器人从该多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向。
204、驱动目标机器人从多个目标栅格中的首个目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置；
本步骤中，该运动方向是目标机器人的运动路径对应的多个目标栅格中前一目标栅格运动至后一目标栅格的运动方向。因此，按照该运动方向以及目标机器人的运动路径依次从前一目标栅格运动至后一目标栅格，直至到达最后一个目标栅格，并驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置。其中，对于执行取货任务的机器人来说，搬运任务关联的终点位置为目标货物在货架区域内的位置；对于执行卸货任务的机器人来说，搬运任务关联的终点位置为卸货区域中的一个位置。
本实施例中，目标机器人规划在目标仓库的拓扑图中的多个运动路径节点，并在目标仓库的栅格地图中规划该多个运动路径节点组成的运动路径对应的多个目标栅格之间的运动方向，从而目标机器人按照该运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置，因此，相比于仅根据目标仓库的栅格地图直接进行路径规划，可以降低机器人运动路径规划的难度，提高运动路径的规划效率。
下面将在前述图2所示实施例的基础上，进一步详细地描述本申请实施例。请参阅图3，本申请实施例中路径规划方法另一实施例包括：
301、接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图；
本实施例中，目标仓库的栅格地图由多个仓库区域中的多个栅格构成。以图4所示的目标仓库的栅格地图为例，图中示出了货架区域401、卸货区域402以及道路区域(即图中货架区域之间以及货架区域与卸货区域之间的白色区域)，其中目标仓库中的每个仓库区域均由多个栅格组成，从而构成目标仓库的栅格地图。此外，图中以不同的图标表示担负不同搬运任务的机器人，即卸货机器人(freight robot)及取货机器人(fetch robot)。
目标仓库的拓扑图由目标仓库的栅格地图提炼得到。以图5所示的目标仓库的拓扑图为例，图中示出了货架区域501、卸货区域504以及货架区域之间的道路区域，拓扑图中的拓扑节点502表示目标仓库的道路交汇点，拓扑图中的拓扑线段503表示目标仓库的道路交汇点之间的道路，多个拓扑节点和多条拓扑线段构成目标仓库的拓扑图。
302、根据搬运任务关联的起始位置和终点位置，在多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点；
本实施例中，在多个拓扑节点中确定运动路径节点的具体方式可以是，根据目标机器人对目标仓库中目标货物的搬运任务及与该搬运任务关联的起始位置和终点位置，在目标仓库的拓扑图的多个拓扑节点中确定目标机器人对目标货物执行搬运任务的备选起点和备选终点，并使用路径规划算法在该多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点；其中该多个运动路径节点中的第一个运动路径节点为备选起点中的一个，该多个运动路径节点中的最后一个运动路径节点为备选终点中的一个。
其中，确定备选起点和备选终点的具体方式是，当目标机器人的搬运任务为取货任务时，将目标机器人的起始位置所位于的拓扑线段的两个拓扑节点确定为备选起点，将目标货物所在货架区域的区域顶点确定为备选终点；当目标机器人的搬运任务为卸货任务时，将目标机器人的起始位置所在货架区域的区域顶点确定为备选起点，将与预设卸货区域的距离在预设距离范围内的拓扑节点确定为备选终点。
如图5所示，当目标机器人的搬运任务为取货任务时，目标机器人的起始位置可以是目标仓库中的任一位置，假设其起始位置为图中的点S，且目标机器人需要运动至货架区域A执行取货任务，则将目标机器人的起始位置所位于的拓扑线段(即图中点S附近的加粗拓扑线段)的两个拓扑节点确定为备选起点，将货架区域A的区域顶点(即货架区域A四周的拓扑节点)确定为备选终点。
当目标机器人的搬运任务为卸货任务时，目标机器人的起始位置应当为货架区域内的位置，假设目标机器人在货架区域A内接收了货物并需要将该货物搬运至卸货区域，则将货架区域A的区域顶点(即货架区域A四周的拓扑节点)确定为确定为备选起点，将与卸货区域504的距离在预设距离范围内的拓扑节点确定为备选终点，若图中的拓扑节点a～d与卸货区域504的距离均在该预设距离范围内，则拓扑节点a～d均确定为备选终点。
本实施例中，使用路径规划算法确定每个运动路径节点的具体方式是，使用A*路径规划算法计算每个备选起点的F值，将F值最小的备选起点确定为第一个运动路径节点，将该第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为当前运动路径节点的下一运动路径节点，返回将该下一运动路径节点作为新的当前运动路径节点，直至将多个备选终点中的一个备选终点确定为最后一个运动路径节点，从而确定出多个运动路径节点。
A*路径规划算法在确定运动路径节点时考虑了两点之间的距离，此外，本实施例中，在确定运动路径节点时还考虑了两点之间的道路中机器人的数量，即考虑到道路的实时拥挤程度，即使用A*路径规划算法计算每个候选运动路径节点的F值时，将前一运动路径节点至候选运动路径节点之间的当前机器人数量除以前一运动路径节点至候选运动路径节点之间允许同时通过的最大机器人数量的商，作为F值中的G值的权重，该权重越大，表示前一运动路径节点至候选运动路径节点之间的当前机器人数量越多，道路的拥挤程度越大，计算得到的候选运动路径节点的F值越大，则不应当将F值越大的候选运动路径节点作为运动路径节点。因此，通过这种方式，可以确定多个拓扑节点中所在道路更加通畅的拓扑节点作为运动路径节点，从而确保机器人可以顺畅地通过路段，提高搬运效率。
303、在目标仓库的栅格地图中确定运动路径对应的多个目标栅格，并使用路径规划算法规划目标机器人从多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
本实施例中，在确定了多个运动路径节点所组成的运动路径之后，将该运动路径对应至目标仓库的栅格地图中，并在目标仓库的栅格地图中确定该运动路径对应的多个目标栅格，使用路径规划算法规划目标机器人从该多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向。其中，前一目标栅格运动至后一目标栅格的运动方向可以是任意的方向，例如可以是四邻域方向、八邻域方向或者十六邻域方向，优选为四邻域方向。当运动方向为四邻域方向时，目标栅格之间形成的方向向量也为水平方向或垂直方向，目标机器人只需根据方向向量的指示移动至下一个目标栅格，降低目标机器人识别运动方向的难度。
304、驱动目标机器人从多个目标栅格中的首个目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置；
本实施例中，目标机器人在到达最后一个目标栅格之后，目标机器人从该最后一个目标栅格运动至搬运任务关联的终点位置。当目标机器人的搬运任务为取货任务时，目标机器人将从最后一个目标栅格运动至目标货物在货架区域内的位置；当目标机器人的搬运任务为卸货任务时，目标机器人将从最后一个目标栅格运动至卸货区域。
本实施例中，当两个机器人在相同时间点到达同一位置时，即机器人均给对方的运动造成障碍，阻碍了对方的前行，这种情况均给双方的运动带来不便。为解决此问题，在目标机器人的运动过程中，若预测到目标机器人与其他机器人会在相同时间点到达冲突点，则向该其他机器人发送报价，并接收该其他机器人的报价，其中冲突点为目标机器人的运动路径对应的多个目标栅格中的任意一个目标栅格。之后，目标机器人判断自己给出的报价是否高于该其他机器人的报价，当目标机器人的报价小于该其他机器人的报价时，接收该其他机器人按照报价向目标机器人支付的费用，此时目标机器人需要让出路权并重新规划新路径，即使用路径规划算法规划冲突点的前一目标栅格至冲突点的后一目标栅格的新路径，该新路径未经过冲突点，其中冲突点的前一目标栅格与后一目标栅格基于目标机器人在运动路径上的运动顺序而确定。之后，驱动目标机器人到达冲突点的后一目标栅格，并驱动目标机器人从冲突点的后一目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置，而该其他机器人则不需要重新规划运动路径，仍然按照原本的运动路径继续行进，从而避免了对该其他机器人的行进造成障碍。
同理，当目标机器人的报价大于该其他机器人的报价时，则目标机器人不需要重新规划运动路径，只需按照报价向该其他机器人支付费用，并驱动目标机器人从多个目标栅格中的首个目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，即按照原本规划好的运动路径继续行进，而该其他机器人则需要让出路权并重新规划新路径，该其他机器人的新路径不经过冲突点。
本实施例中，还设置机器人的虚拟收益，机器人可以从该虚拟收益中支出一定的费用付给对方，在获得对方支付的费用之后还可以将获得的费用累加到虚拟收益中。
在确定报价时，目标机器人可以根据影响因子来确定报价的目标价格，该影响因子包括搬运任务的完成情况、虚拟收益的收益情况中的一项或多项。在确定报价的目标价格之后，向该其他机器人发送该目标价格，当该目标价格高于该其他机器人时，向该其他机器人支付该目标价格的费用。
本实施例中，采用A*路径规划算法来确定运动路径的多个运动路径节点，将道路拥挤程度作为A*路径规划算法中的权值，可以有效地避免机器人在运动过程中遭遇道路拥堵的情况，确保行进通畅。同时，在发生冲突时采用报价的方式决定路权归属，使得机器人的行进更加有序，提高货物的搬运效率。
上面对本申请实施例中的路径规划方法进行了描述，下面对本申请实施例中的路径规划装置进行描述，请参阅图6，本申请实施例中路径规划装置一个实施例包括：
路径规划装置应用于目标机器人，该路径规划装置包括：
获取单元601，用于接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中拓扑图包括多个拓扑节点，拓扑节点用于表示目标仓库的道路交汇点；
确定单元602，用于根据搬运任务关联的起始位置和终点位置，在多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点，其中运动路径节点之间具有先后顺序，多个运动路径节点用于组成运动路径；
规划单元603，用于在目标仓库的栅格地图中确定运动路径对应的多个目标栅格，并使用路径规划算法规划目标机器人从多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
控制单元604，用于驱动目标机器人从多个目标栅格中的首个目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置。
本实施例一种优选的实施方式中，确定单元602具体用于根据目标机器人对目标仓库中目标货物的搬运任务及与搬运任务关联的起始位置和终点位置，在多个拓扑节点中确定目标机器人对目标货物执行搬运任务的备选起点和备选终点；使用路径规划算法在多个拓扑节点中确定目标机器人对目标货物执行搬运任务需要经过的多个运动路径节点；其中多个运动路径节点中的第一个运动路径节点为备选起点中的一个，多个运动路径节点中的最后一个运动路径节点为备选终点中的一个。
本实施例一种优选的实施方式中，确定单元602具体用于当目标机器人的搬运任务为取货任务时，将目标机器人的起始位置所位于的拓扑线段的两个拓扑节点确定为备选起点，将目标货物所在货架区域的区域顶点确定为备选终点；拓扑线段用于表示目标仓库的道路交汇点之间的道路；当目标机器人的搬运任务为卸货任务时，将目标机器人的起始位置所在货架区域的区域顶点确定为备选起点，将与预设卸货区域的距离在预设距离范围内的拓扑节点确定为备选终点。
本实施例一种优选的实施方式中，确定单元602具体用于使用A*路径规划算法计算每个备选起点的F值，将F值最小的备选起点确定为第一个运动路径节点；将第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为当前运动路径节点的下一运动路径节点，返回将下一运动路径节点作为新的当前运动路径节点，直至将备选终点中的一个备选终点确定为最后一个运动路径节点；其中，F值中的G值的权重为前一运动路径节点至候选运动路径节点之间的当前机器人数量除以前一运动路径节点至候选运动路径节点之间允许同时通过的最大机器人数量的商。
本实施例一种优选的实施方式中，控制单元604具体用于若预测到目标机器人与其他机器人在相同时间点到达冲突点，则向其他机器人发送报价，并接收其他机器人的报价；冲突点为多个目标栅格中的任意一个目标栅格；当目标机器人的报价小于其他机器人的报价时，接收其他机器人按照报价向目标机器人支付的费用，并使用路径规划算法规划冲突点的前一目标栅格至冲突点的后一目标栅格的新路径，新路径未经过冲突点，冲突点的前一目标栅格与后一目标栅格基于目标机器人在运动路径上的运动顺序而确定；驱动目标机器人到达冲突点的后一目标栅格，并驱动目标机器人从冲突点的后一目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置；当目标机器人的报价大于其他机器人的报价时，按照报价向其他机器人支付费用，并驱动目标机器人从多个目标栅格中的首个目标栅格开始按照运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格。
本实施例一种优选的实施方式中，控制单元604具体用于根据影响因子确定报价的目标价格，影响因子包括搬运任务的完成情况、收益情况中的一项或多项；向其他机器人发送目标价格。
本实施例一种优选的实施方式中，控制单元604还用于将其他机器人支付的费用累加到虚拟收益中。
本实施例中，路径规划装置中各单元所执行的操作与前述图2至图3所示实施例中描述的类似，此处不再赘述。
本实施例中，确定单元602规划在目标仓库的拓扑图中的多个运动路径节点，规划单元603在目标仓库的栅格地图中规划该多个运动路径节点组成的运动路径对应的多个目标栅格之间的运动方向，从而控制单元604驱动目标机器人按照该运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动目标机器人从最后一个目标栅格运动至搬运任务关联的终点位置，因此，相比于仅根据目标仓库的栅格地图直接进行路径规划，可以降低机器人运动路径规划的难度，提高运动路径的规划效率。
下面对本申请实施例中的路径规划装置进行描述，请参阅图7，本申请实施例中路径规划装置一个实施例包括：
该路径规划装置700可以包括一个或一个以上中央处理器(central processingunits，CPU)701和存储器705，该存储器705中存储有一个或一个以上的应用程序或数据。
其中，存储器705可以是易失性存储或持久存储。存储在存储器705的程序可以包括一个或一个以上模块，每个模块可以包括对路径规划装置中的一系列指令操作。更进一步地，中央处理器701可以设置为与存储器705通信，在路径规划装置700上执行存储器705中的一系列指令操作。
路径规划装置700还可以包括一个或一个以上电源702，一个或一个以上有线或无线网络接口703，一个或一个以上输入输出接口704，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
该中央处理器701可以执行前述图2至图3所示实施例中路径规划装置所执行的操作，具体此处不再赘述。
本申请实施例还提供了一种计算机存储介质，其中一个实施例包括：该计算机存储介质中存储有指令，该指令在计算机上执行时，使得该计算机执行前述图2至图3所示实施例中路径规划装置所执行的操作。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种路径规划方法，其特征在于，应用于目标机器人，包括：
接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；
根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；
在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置；
其中，在所述多个拓扑节点中确定所述多个运动路径节点，其步骤包括：
使用A*路径规划算法计算每个备选起点的F值，将F值最小的备选起点确定为第一个运动路径节点；
将该第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算该当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为该当前运动路径节点的下一运动路径节点，返回将该下一运动路径节点作为新的当前运动路径节点，直至将多个备选终点中的一个备选终点确定为最后一个运动路径节点。
2.根据权利要求1所述的路径规划方法，其特征在于，所述根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，包括：
根据所述目标机器人对所述目标仓库中目标货物的搬运任务及与所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务的备选起点和备选终点；
使用所述路径规划算法在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点；其中所述多个运动路径节点中的第一个运动路径节点为所述备选起点中的一个，所述多个运动路径节点中的最后一个运动路径节点为所述备选终点中的一个。
3.根据权利要求2所述的路径规划方法，其特征在于，所述根据所述目标机器人对所述目标仓库中目标货物的搬运任务及与所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务的备选起点和备选终点，包括：
当所述目标机器人的搬运任务为取货任务时，将所述目标机器人的起始位置所位于的拓扑线段的两个拓扑节点确定为所述备选起点，将所述目标货物所在货架区域的区域顶点确定为备选终点；所述拓扑线段用于表示所述目标仓库的道路交汇点之间的道路；
当所述目标机器人的搬运任务为卸货任务时，将所述目标机器人的起始位置所在货架区域的区域顶点确定为备选起点，将与预设卸货区域的距离在预设距离范围内的拓扑节点确定为所述备选终点。
4.根据权利要求2所述的路径规划方法，其特征在于，所述使用所述路径规划算法在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，包括：
使用A*路径规划算法计算每个所述备选起点的F值，将F值最小的备选起点确定为所述第一个运动路径节点；
将所述第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为所述当前运动路径节点的下一运动路径节点，返回将所述下一运动路径节点作为新的当前运动路径节点，直至将所述备选终点中的一个备选终点确定为所述最后一个运动路径节点；
其中，F值中的G值的权重为前一运动路径节点至候选运动路径节点之间的当前机器人数量除以所述前一运动路径节点至候选运动路径节点之间允许同时通过的最大机器人数量的商。
5.根据权利要求1所述的路径规划方法，其特征在于，所述驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，包括：
若预测到所述目标机器人与其他机器人在相同时间点到达冲突点，则向所述其他机器人发送报价，并接收所述其他机器人的报价；所述冲突点为所述多个目标栅格中的任意一个目标栅格；
当所述目标机器人的报价小于所述其他机器人的报价时，接收所述其他机器人按照报价向所述目标机器人支付的费用，并使用所述路径规划算法规划所述冲突点的前一目标栅格至所述冲突点的后一目标栅格的新路径，所述新路径未经过所述冲突点，所述冲突点的前一目标栅格与后一目标栅格基于所述目标机器人在运动路径上的运动顺序而确定；
驱动所述目标机器人到达所述冲突点的后一目标栅格，并驱动所述目标机器人从所述冲突点的后一目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置；
当所述目标机器人的报价大于所述其他机器人的报价时，按照报价向所述其他机器人支付费用，并驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格。
6.根据权利要求5所述的路径规划方法，其特征在于，所述向所述其他机器人发送报价，包括：
根据影响因子确定报价的目标价格，所述影响因子包括搬运任务的完成情况、收益情况中的一项或多项；
向所述其他机器人发送所述目标价格。
7.根据权利要求5所述的路径规划方法，其特征在于，所述接收所述其他机器人按照报价向所述目标机器人支付的费用之后，所述方法还包括：
将所述其他机器人支付的费用累加到虚拟收益中。
8.一种路径规划装置，其特征在于，应用于目标机器人，包括：
获取单元，用于接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；
确定单元，用于根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；
规划单元，用于在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；
控制单元，用于驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置；
其中，在所述多个拓扑节点中确定所述多个运动路径节点，其步骤包括：
使用A*路径规划算法计算每个备选起点的F值，将F值最小的备选起点确定为第一个运动路径节点；
将该第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算该当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为该当前运动路径节点的下一运动路径节点，返回将该下一运动路径节点作为新的当前运动路径节点，直至将多个备选终点中的一个备选终点确定为最后一个运动路径节点。
9.一种路径规划装置，其特征在于，应用于目标机器人，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述处理器用于接收到对目标仓库中目标货物的搬运任务后，获取目标仓库的拓扑图，其中所述拓扑图包括多个拓扑节点，所述拓扑节点用于表示所述目标仓库的道路交汇点；根据所述搬运任务关联的起始位置和终点位置，在所述多个拓扑节点中确定所述目标机器人对所述目标货物执行搬运任务需要经过的多个运动路径节点，其中所述运动路径节点之间具有先后顺序，所述多个运动路径节点用于组成运动路径；在所述目标仓库的栅格地图中确定所述运动路径对应的多个目标栅格，并使用所述路径规划算法规划所述目标机器人从所述多个目标栅格中的前一目标栅格运动至后一目标栅格的运动方向；驱动所述目标机器人从多个目标栅格中的首个目标栅格开始按照所述运动方向依次从前一目标栅格运动至后一目标栅格直至到达最后一个目标栅格，以及驱动所述目标机器人从所述最后一个目标栅格运动至所述搬运任务关联的终点位置；
其中，在所述多个拓扑节点中确定所述多个运动路径节点，其步骤包括：
使用A*路径规划算法计算每个备选起点的F值，将F值最小的备选起点确定为第一个运动路径节点；
将该第一个运动路径节点作为当前运动路径节点，使用A*路径规划算法计算该当前运动路径节点的下一运动路径节点的每个候选运动路径节点的F值，将F值最小的候选运动路径节点确定为该当前运动路径节点的下一运动路径节点，返回将该下一运动路径节点作为新的当前运动路径节点，直至将多个备选终点中的一个备选终点确定为最后一个运动路径节点。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110082513.1A CN112925308B (zh) | 2021-01-21 | 2021-01-21 | 路径规划方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110082513.1A CN112925308B (zh) | 2021-01-21 | 2021-01-21 | 路径规划方法、装置及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112925308A CN112925308A (zh) | 2021-06-08 |
| CN112925308B true CN112925308B (zh) | 2023-12-26 |
Family
ID=76164052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110082513.1A Active CN112925308B (zh) | 2021-01-21 | 2021-01-21 | 路径规划方法、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112925308B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11960302B2 (en) | 2020-05-08 | 2024-04-16 | Accenture Global Solutions Limited | Enhanced robot fleet navigation and control |
| US20220351133A1 (en) * | 2021-05-03 | 2022-11-03 | Accenture Global Solutions Limited | Modeling dynamic material flow in generative design using topological maps |
| CN114637303B (zh) * | 2022-05-11 | 2022-08-02 | 燕山大学 | 基于远程遥操作的搬运机器人路径规划方法、系统及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009053849A (ja) * | 2007-08-24 | 2009-03-12 | Toyota Motor Corp | 経路探索システム、経路探索方法、及び自律移動体 |
| WO2015167220A1 (ko) * | 2014-05-02 | 2015-11-05 | 한화테크윈 주식회사 | 이동 로봇의 경로 계획 장치 및 이동 로봇의 경로 계획 방법 |
| CN109426560A (zh) * | 2017-08-28 | 2019-03-05 | 杭州海康机器人技术有限公司 | 任务分配方法、装置及计算机可读存储介质 |
| CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006033347A1 (de) * | 2006-07-19 | 2008-01-31 | Eads Deutschland Gmbh | Verfahren zur Ermittlung optimierter Bewegungsbahnen von Fahrzeugen |
-
2021
- 2021-01-21 CN CN202110082513.1A patent/CN112925308B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009053849A (ja) * | 2007-08-24 | 2009-03-12 | Toyota Motor Corp | 経路探索システム、経路探索方法、及び自律移動体 |
| WO2015167220A1 (ko) * | 2014-05-02 | 2015-11-05 | 한화테크윈 주식회사 | 이동 로봇의 경로 계획 장치 및 이동 로봇의 경로 계획 방법 |
| CN109426560A (zh) * | 2017-08-28 | 2019-03-05 | 杭州海康机器人技术有限公司 | 任务分配方法、装置及计算机可读存储介质 |
| CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 于泉 ; 姚宗含 ; .动态重规划的多目标路径产生方法研究.交通运输工程与信息学报.2019,(第04期),全文. * |
| 梁家海 ; .机器人在已知三维自然环境中的路径规划算法.计算机工程与设计.2012,(第06期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112925308A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112925308B (zh) | 路径规划方法、装置及计算机存储介质 | |
| Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
| US11640176B2 (en) | Methods, systems and apparatus for controlling movement of transporting devices | |
| Yan et al. | Reinforcement learning for logistics and supply chain management: Methodologies, state of the art, and future opportunities | |
| Bertsimas et al. | A stochastic and dynamic vehicle routing problem in the Euclidean plane | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| Nikolopoulou et al. | Adaptive memory programming for the many-to-many vehicle routing problem with cross-docking | |
| Bocewicz et al. | Routing and scheduling of unmanned aerial vehicles subject to cyclic production flow constraints | |
| Gyulai et al. | Simulation-based digital twin of a complex shop-floor logistics system | |
| Shi et al. | Task allocation and path planning of many robots with motion uncertainty in a warehouse environment | |
| Zhang et al. | Application of Automated Guided Vehicles in Smart Automated Warehouse Systems: A Survey. | |
| CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
| Dehnavi-Arani et al. | A Job shop scheduling and location of battery charging storage for the automated guided vehicles (AGVs) | |
| Oliveira et al. | Multi-constrained Voronoi-based task allocator for smart-warehouses | |
| WO2021252683A1 (en) | Systems and methods for controlling automated systems using integer programming and column generation techniques | |
| Singh et al. | Dispatching AGVs with battery constraints using deep reinforcement learning | |
| Xi et al. | Research on Improving E-commerce Logistics Service Customer Satisfaction Through Application of AGV in Intelligent Warehouse | |
| Garrow et al. | Extension of traveling salesperson problem with drone for manufacturing digital twin data collection | |
| Imran et al. | SmartPathfinder: Pushing the Limits of Heuristic Solutions for Vehicle Routing Problem with Drones Using Reinforcement Learning | |
| Bhusiri et al. | Vehicle routing and scheduling problems for convenience store industry considering soft time windows | |
| CN116011732A (zh) | 用于仓储智能小车的调度系统 | |
| Parragh et al. | A survey on pickup and delivery problems | |
| Tlili et al. | Decision Support System for the Multi-depot Vehicle Routing Problem | |
| CN117094460A (zh) | 一种基于od数据的多目标旅行商控制方法、系统及介质 | |
| Li et al. | Efficient Task Planning for Heterogeneous AGVs in 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |