CN113064436A - 一种agv系统中动态路径规划和去中心化避障方法 - Google Patents
一种agv系统中动态路径规划和去中心化避障方法 Download PDFInfo
- Publication number
- CN113064436A CN113064436A CN202110345161.4A CN202110345161A CN113064436A CN 113064436 A CN113064436 A CN 113064436A CN 202110345161 A CN202110345161 A CN 202110345161A CN 113064436 A CN113064436 A CN 113064436A
- Authority
- CN
- China
- Prior art keywords
- agv
- grid
- algorithm
- resources
- path
- 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 106
- 238000013439 planning Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000009897 systematic effect Effects 0.000 claims abstract description 8
- 230000006872 improvement Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000003032 molecular docking Methods 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 235000003840 Amygdalus nana Nutrition 0.000 description 1
- 235000011432 Prunus Nutrition 0.000 description 1
- 241000220299 Prunus Species 0.000 description 1
- 235000012904 Prunus salicina Nutrition 0.000 description 1
- 240000005049 Prunus salicina Species 0.000 description 1
- 235000003681 Prunus ussuriensis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000014774 prunus Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- 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
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
- G05D1/0221—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, 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting 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
- G05D1/0276—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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种AGV系统中动态路径规划和去中心化避障方法,包含动态路径规划算法和去中心化避障方法,其中动态路径规划算法为单AGV系统提供路径规划支持,而去中心化避障方法为多AGV系统提供的路径控制提供支持;本发明态路径规划算法在单AGV系统的路径规划上,相比以往的算法可控,所需计算成本低,速度快,准确,效率高,而去中心化避障方法,以纯去中心化的思想而构建的,所需交换的信息数量少,计算量小,可以有效防止系统性死锁,意外情形,并可以局部设定任务优先级,灵活性强。
Description
技术领域
本发明涉及AGV技术领域,特指一种AGV系统中动态路径规划和去中心化避障方法。
背景技术
随着自动化的发展,制造业对仓储管理、物流运输提出了更高的要求,AGV(自动导引运输车)凭借其诸多优点成为该领域的关键设备,在自动化运输中起着无可替代的作用;AGV是实现柔性制造系统的重要部分,而AGV路径规划和避障作为AGV设计的核心技术,一直是国内外制造业、自动化领域的研究重点和难点;因此,进行对多AGV的路径规划和避障等问题的研究,对该领域有重要的意义。
目前在市面上的AGV多是通过以A星算法或其他启发式算法为基础的改进算法,为单AGV系统进行路径规划,这种路径规划方法存在大量的计算冗余,会因为计算而浪费空间;而对于多AGV系统,普遍运用设置交通规则的中心化思想以避免AGV小车的相撞,这种路径规划方法在复杂情况下的交通规则过于复杂,且交换的参数多,要求计算精确度高,计算量大,随机性考虑不足,导致AGV接口的信息延时,会发生系统性死锁,不适用于工业4.0背景下的去中心化系统思想。
发明内容
本发明目的是为了克服现有技术的不足而提供一种AGV系统中动态路径规划和去中心化避障方法,改进单AGV系统中路径规划算法,减少算法因为计算而浪费的空间,同时多AGV系统中用去中心化的思想,尽可能少的交换参数和少的计算量,来控制AGV小车。
为达到上述目的,本发明采用的技术方案是:一种单AGV系统中动态路径规划方法,包含以下步骤:
步骤1:随机确定路径的起始点和目标终点;
步骤2:把起始点和目标终点的绝对值距离的值设定为搜索上限s0;这意味着s0是关闭列表中被访问的点的最大数量;通过上限s0的设定可以有效控制闭合列表的大小,防止系统性冗余,避免浪费计算空间;
步骤3:带有α和T的A星改进算法的启发式函数被使用;
步骤4:当算法经过s0个点的访问后,停止搜索;如果此时算法已达到目标终点,则停止搜索,进行步骤10;这意味着算法一次性找到了目标终点,并没有浪费计算成本;如果此时算法未到达目标终点,则进行步骤5;
步骤5:当步骤4的判断是否定的,意味着在过往的搜索中,算法在某一阶段已经偏离了最短距离路径;则进行第一次重新规划路径,此时m=1,且10%n的路径会被回溯;被回溯的点的总数0,1n应该是一个正整数,因此使用了取整计算
步骤7:带有参数β的启发式函数被运用;其中α和β都是权重常数,且α>β;
步骤8:判断此时算法是否达到一开始设立的目标终点;如果已达到目标终点,则算法成功且结束;若未到达目标终点,则进行下一步骤9;
步骤9:一旦步骤9开始,这意味着新的一次重新规划路径流程开始了,则m=2;此时回溯的点的个数为以防算法陷入死循环;于此同时关闭列表的搜索上限sm通过容忍度γm提高20%;随后算法重复步骤6、步骤7和步骤8;提高搜索上限sm的目的是,为已经规划AGV行走方向的场地上避免算法陷入无限循环;
步骤10:算法成功,搜索停止;此时算法确定的最终路径上点的个数是s0。
优选的,该算法包括下列公式:
其中:
x:起始坐标位置;
y:目标坐标位置;
n:当前算法在路径上的步数;
F(n):从初始状态经由状态n到目标状态的代价估计;
G(n):在状态空间中从初始状态到状态n的实际代价;
H(n):从状态n到目标状态的最佳路径的估计代价;
s0:初始上限,起始点于目标点间的绝对距离;
α:权重常数,当重新规划路径未发生时使用;
β:权重常数,当重新规划路径发生后使用;,
T:路径上的转弯次数;
sm:基于关闭列表的搜索上限,每次发生重新规划路径后会增大20%;
γm:描述路径回溯的容忍度。
一种多AGV系统中去中心化避障方法,包含以下步骤:
步骤一:当两个或多个AGV小车在设定范围内时,AGV小车之间的信息交换开始进行;
步骤二:优先考虑道路先行权和非停靠区域在局部范围内的相关规定;
步骤三:索取动态资源,多个AGV小车在局部范围内索取空闲网格资源;
步骤四:判断AGV小车是否获得空闲网格资源;如果获得空闲网格资源,则AGV小车占据该网格资源并继续前进;如果未获得空闲网格资源的AGV小车,则进行步骤五;
步骤五:未获得空闲网格资源的AGV小车前进至已占有网格资源的最后一网格;
步骤六:未获得空闲网格资源的AGV小车将判断自己范围内是否还有其他AGV小车;如果有,则进行步骤七;如果没有,则意味着刚刚与其抢占空闲网格资源的AGV小车已经离开该范围,被抢占的网格资源已被释放,这时该AGV小车可以占据刚刚被释放的网格资源,进行步骤十三;
步骤七:未获得空闲网格资源的AGV小车留一网格,在其网格资源列表中,删除一网格,并前进至网格资源列表中的最后一格;
步骤八:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有空闲网格资源被释放,则该AGV小车将占据该网格资源,进行步骤十三;若AGV小车等待时间在5秒以上,则进行步骤九;
步骤九:未获得空闲网格资源的AGV小车前进一网格;在时间间隔超过设定时间后,AGV小车会随机前进一网格,占据步骤七中留下的空闲网格资源;
步骤十:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留,检查是否可以继续前进一网格资源;若期间如果有因为方法三留一网格而前进的可能,则进行步骤十一;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十一:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有被占据的空闲网格资源被释放,则该AGV小车将占有该资源,进行步骤十三;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十二:未获得空闲网格资源的AGV小车长期不能获得空闲网格资源,等待超过设定时间后,将自动根据动态路径规划算法重新规划路线,随后进行大循环,进行步骤二;
步骤十三:若AGV小车可以占有所需的必要资源,则该AGV小车就不会发生碰撞,实现自动避障。
优选的,步骤二中,所述道路先行权规定指局部范围内,提高某些AGV小车的先行权,降低AGV小车拥堵。
优选的,步骤二中,所述非停靠区域规定指局部网格内不可以停留AGV小车,降低AGV小车拥堵。
优选的,步骤三中,所述索取动态资源指AGV小车根据路径规划占据网格资源,一旦某一网格被其中一个AGV小车占据,则其他AGV小车便不能索取该处网格来同行,避免AGV小车之间发生碰撞。
优选的,步骤七中,所述留一网格指假设AGV小车最多可以占有n网格资源,当一定范围内有其他AGV小车时,其所允许占有的网格资源数量为n-1网格,保留一个网格,避免AGV小车发生拥堵。
优选的,步骤九中,所述前进一网格指当AGV在某一网格内停留时间过长,则可以15秒至25秒的间隔内随机向前移动一个网格,把方法二中保留的一个网格占据,避免AGV小车发生拥堵。
优选的,步骤十二中,所述AGV小车在15秒至25秒的间隔内会随机重新根据动态路径规划算法规划路径。
由于上述技术方案的运用,本发明与现有技术相比具有下列优点:
1、本发明的动态路径规划算法,在单AGV系统的路径规划上,相比以往的算法可控,所需计算成本低,速度快,准确,效率高;
2、本发明的去中心化避障方法,以纯去中心化的思想而构建的,所需交换的信息数量少,计算量小,可以有效防止系统性死锁,意外情形,并可以局部设定任务优先级,灵活性强。
附图说明
下面结合附图对本发明技术方案作进一步说明:
附图1为本发明中分拣仓库的模拟示意图;
附图2为本发明中SASI算法的流程图;
附图3为本发明中平均闭合列表的大小与权重常数的关系图;
附图4为本发明中平均转弯次数与权重常数的关系图;
附图5为本发明中5辆AGV小车运动的示意图;
附图6为本发明方法一中动态资源索取的示意图;
附图7为本发明方法二中AGV小车循环拥堵的示意图;
附图8为本发明方法二中留一网格的效果图;
附图9为本发明方法三中前进一网格的示意图;
附图10为本发明方法四中道路先行权规定的示意图;
附图11为本发明方法五中非停靠区域的流程图;
附图12为本发明中DRC&SPP方法的流程;
附图13为本发明中SASI算法和DRC&SPP方法模拟仿真程序用户界面;
附图14为本发明中平均闭合列表的大小与alpha取值的对比图;
附图15为本发明中平均转弯次数与alpha取值的对比图;
附图16为本发明中AGV完成任务总量和总等待时间图;
附图17为本发明中单个AGV完成任务情况和其效率图。
其中:黑色网格代表AGV投放包裹的投递口,也就是AGV的目标坐标;
白色网格代表AGV可以在场地上行走的网格;
A网格代表包裹进入系统的入口;
B网格代表扫描区域,一个包裹会被放在AGV上,同时包裹上的条形码会被扫描仪扫描,AGV则获得一个在分拣场地的目标坐标点;
C网格代表AGV等待任务的区域。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明以图1所示的分拣仓库为例,展示了本发明所选用的具体应用范例,该分拣仓库场地横向40个网格,纵向53个网格,总计2120个网格;每个网格的尺寸为边长60cm的正方形,整个场地面积为763.2平方米。
本发明所述的一种AGV系统中动态路径规划和去中心化避障方法,包含动态路径规划算法(以下简称SASI算法,即分段式A星改进算法英文:Segmented A-Star ImprovedAlgorithm)和去中心化避障方法(以下简称DRC&SPP方法,即动态资源索取和特殊先行权方法英文:Dynamic Resource Claim and Special Priority Planning Method),其中SASI算法为单AGV系统提供路径规划支持,而DRC&SPP方法是一种去中心化思想的算法,为多AGV系统提供的路径控制提供支持,可以防止系统性死锁。
本发明所述的SASI算法在南京邮电大学李红的《多AGV的多任务分配与路径规划研究》的A星改进算法上发展而来,李红的算法在A星算法上做了改进(下文统称A星改进算法);下表1对李红的A星改进算法和SASI算法进行了对比:
表1
从表1可见,李红的算法在原有A星算法的基础上,增加了多项式αT,该多项式的目的是减少AGV路径上转弯次数;在李红的文章中,α等于1.5,T为转弯次数;经过模拟仿真发现α的取值大小和场地大小息息相关,当α越大的时,闭合列表越大,这意味着算法考虑的路径过多,浪费了很大的计算空间。
如图2所示,本发明所述的SASI算法包含下列公式:
其中:
x:起始坐标位置;
y:目标坐标位置;
n.当前算法在路径上的步数;
F(n):从初始状态经由状态n到目标状态的代价估计;
G(n):在状态空间中从初始状态到状态n的实际代价;
H(n):从状态n到目标状态的最佳路径的估计代价;
s0:初始上限,起始点于目标点间的绝对距离;
α:权重常数,当重新规划路径未发生时使用;
β:权重常数,当重新规划路径发生后使用;,
T:路径上的转弯次数;
sm:基于关闭列表的搜索上限,每次发生重新规划路径后会增大20%;
γm:描述路径回溯的容忍度。
进一步,如图2所述的一种单AGV系统中动态路径规划方法(SASI算法),包括以下步骤:
步骤1:路径的起始点和目标终点在是随机确定的;
步骤2:把起始点和目标终点的绝对值距离的值设定为搜索上限s0;这意味着s0是关闭列表中被访问的点的最大数量;通过上限s0的设定可以有效控制闭合列表的大小,防止系统性冗余,避免浪费计算空间;
步骤3:带有α和T的A星改进算法的启发式函数被使用;
步骤4:当算法经过s0个点的访问后,停止搜索;如果此时算法已达到目标终点,则停止搜索,进行步骤10;这意味着算法一次性找到了目标终点,并没有浪费计算成本;如果此时算法未到达目标终点,则进行步骤5;
步骤5:当步骤4的判断是否定的,意味着在过往的搜索中,算法在某一阶段已经偏离了最短距离路径;则进行第一次重新规划路径,此时m=1,且10%n的路径会被回溯;被回溯的点的总数0,1n应该是一个正整数,因此使用了取整计算
步骤7:带有参数β的启发式函数被运用;尽管α和β都是权重常数,且α>β;
步骤8:判断此时算法是否达到一开始设立的目标终点;如果已达到目标终点,则算法成功且结束;若未到达目标终点,则进行下一步骤9;
步骤9:一旦步骤9开始,这意味着新的一次重新规划路径流程开始了,则m=2;此时回溯的点的个数为以防算法陷入死循环;于此同时关闭列表的搜索上限sm通过容忍度γm提高20%;随后算法重复步骤6、步骤7和步骤8;提高搜索上限sm的目的是,为已经规划AGV行走方向的场地上避免算法陷入无限循环;
步骤10:算法成功,搜索停止;此时算法确定的最终路径上点的个数是s0。
如图3-4所示,展示了SASI算法与A星改进算法的8万次模拟对比结果;该图的模拟仿真结果,清晰的展示了权重常数α和β对于闭合列表大小以及转弯次数多少的影响;α值在[0,100]范围内,间距为1,β值在[0,30]范围内,间距为5;每个α值和每个β值有100个随机目标;此结果基于8万次模拟仿真实验(100个随机目标*100个α值)*8个β值);从图3中可以看出,A星改进算法随着α变大,闭合列表的大小无限变大,这意味着其浪费的计算空间无限大且不可控;相比之下SASI算法计算空间是收敛的,可控的;从图4中可以看出,A星改进算法和SASI算法在转弯次数上在2.5次到3次之间;通过该模拟仿真实验,可以总结出,在2120个网格的场地上,α最优的取值范围是[50,100],β的最优取值是5。
本发明所述的DRC&SPP方法,去中心化的核心思想是在一定范围内,AGV小车之间有信息交换,从而可以实时做出路径避让或者重新规划路径的决断;如图5所示,有5辆AGV小车,它们的位置、速度、加速度完全是随机的,传统的方法是设定交通规则,规则从2辆AGV小车开始,然后设定3辆AGV小车的交通规则,依次是4辆,5辆,甚至更多;这种传统的方法有两个显著的缺点:其一,设定规则要极其全面,考虑全部可能性,包括AGV小车数量,意外情况,两个小范围的互相交互等等;其二,交换的信息多,计算量大,这些信息用来预测未来的路径,精准预测难度较大;下表2对传统的方法和DRC&SPP方法进行了对比。
表2 DRC&SPP方法与传统算法对比
本发明所述的DRC&SPP方法,运用了6种独特的控制方法,来整体上,有效预防系统死锁,在局部,优化AGV的先行权;从而实现了整体上的系统通畅,以及细节上的灵活调控;该6种方法如下表3所示;值得一提的是,在DRC&SPP方法中,路径规划使用的是SASI算法。
表3 DRC&SPP方法概况
方法一:动态资源索取
如图6所示,AGV小车AO和BC即将在路口相遇,灰色圆点代表AGV小车已经占据的资源;一旦某一网格处被灰色圆点标记,其他AGV小车便不能索取该处网格来同行;第1幅图中显示此时两小车都需要标记所示的空闲资源;第2幅图中,因为AO率先索取空闲资源,所以该处资源被AO占据;第3幅图中,AO继续索取向前进的资源,而BC无法获取新的资源,因为该处资源依旧被占据;第4幅图中,AO继续前进,而BC被迫停下来等待;第5幅图中,AO经过了空闲资源处,释放了该处资源,此时BC索取该处资源,以及前方空闲资源;第6幅图中显示,两AGV小车经过改路过,碰撞被避免。
值得一提的是,第2幅图中,AO率先获得空闲资源,是因为AO率先索取了该处资源;该过程中两辆AGV小车的位置,速度,加速度并没有交换或者对比,因此节省了大量的数字计算和逻辑判断;仅仅只有AGV的名字,AGV当前位置,AGV所占有资源列表,以及任务序列号4个信息进行了交换。
方法二:留一网格
实际中,AGV小车可能会因为在局部数量过多,而发生如图7所示的循环拥堵;这种情况多发生在系统入口处,因为AGV会在该区域的停留时间普遍较长;一旦毫无缝隙的拥堵形成,会导致AGV无法在某一方向通过,从而形成更大的拥堵;方法二留一网格可以有效的避免这个情形;如图8所述,大灰色矩形方框展示了方法二的效果;AGV小车不会在相邻的网格子处做停留。这样横向还是有空间为其他AGV做穿行。
方法二有两个规则:
规则1:当AGV已经占有了所需资源,则AGV允许移动到最后一网格所占有的资源处。
规则2:假设AGV小车最多可以占有n网格资源,当一定范围内有其他AGV小车时,其所允许占有的资源数量为n-1网格。
方法三:前进一网格
当AGV在某一网格内停留时间过长,则可以向前移动一网格,把方法二种的保留一个网格占有。
规则是,在与前AGV之间存在网格间隙的AGV,将在5秒到15秒的时间范围内随机向前移动一网格,效果如图9所示。
在方法二种,第二行,第四行及偶数行的网格因为方法二一直是空着的。将方法二和方法三配合起来使用,偶数行会有在特定情形下转移成奇数行,大大增加了算法的灵活性。
方法四:道路先行权规定
该方法的目的是在某一范围内,提高某些AGV的优先级;比如在系统入口处,一般是AGV数量最多的区域;刚刚获得任务的AGV应该给予更高的优先级,以降低在系统入口处形成拥堵的概率。
该方法有两条规则,如图10所示:
规则1:当AGV通过D标记的网格时,则该AGV获得先行权并可以优先预定所需要的资源;这时方法一的争夺资源规则则不再适用于该AGV。
规则2:AGV通过E标记的网格时,则该AGV丧失先行权;这时该AGV必须等到其他AGV不索取资源的时候,它才可以预定自己所需的资源。
方法五:非停靠区域
路口的交叉处,往往是系统最繁忙的地方,因此交叉处并不是AGV可以停留的好的选择;通过方法五,可以指定哪些网格处不可以停留AGV;该方法是一种预判性的方法。
其规则有三条。
规则1:假设AGV小车最多可以占有n网格资源,第n格资源不允许落在非停靠区域。
规则2:特例条款,若AGV刚刚获得任务,所处位置在前5格时,允许第n格资源落在非停靠区域;目的是保障系统入口处的AGV获得更高的优先级,尽快进入主分拣区域。
规则3:特例条款,当AGV刚刚完成投递任务后,允许第n格资源落在非停靠区域。
如图11所示,灰色标记的网格被定义为非停靠区域;第1幅图中显示AA小车最多可以占有4网格资源;第2幅图中,因为第四格所需资源落在了非停靠区域,所以AA在此时不允许占有第三格和第四格资源;第3幅图中,AA小车又向前前进了一格,此刻第四格所需资源落在了可停靠区域,所以AA现在占据了4格资源。
方法六:路径重新规划
由于去中心化系统是非常随机的,因此某些事故很难预测;为了避免不可预测的系统性死锁,严重的拥堵和不可预测的事故,例如AGV小车在道路上损坏不动,方法六是非常必要的;路径重规划的方法是基于SASI算法。
该方法的规则是,等待了16秒以上的AGV将根据SASI算法重新规划其路线;重新计划的时间范围是16秒到25秒,这增加了系统的灵活性。
进一步,如附图12所述的一种多AGV系统中去中心化避障方法(DRC&SPP方法),包括以下步骤:
步骤一:当两个或多个AGV小车在设定范围内时,AGV小车之间的信息交换开始进行;
步骤二:方法四和方法五在局部范围内的相关先行权规定被优先考虑;
步骤三:使用方法一,多个AGV小车在局部范围内索取空闲网格资源;
步骤四:判断AGV小车是否获得空闲网格资源;如果获得空闲网格资源,则AGV小车占据该网格资源并继续前进;如果未获得空闲网格资源的AGV小车,则进行步骤五;
步骤五:未获得空闲网格资源的AGV小车前进至已占有网格资源的最后一网格;
步骤六:未获得空闲网格资源的AGV小车将判断自己范围内是否还有其他AGV小车;如果有,则进行步骤七;如果没有,则意味着刚刚与其抢占空闲网格资源的AGV小车已经离开该范围,被抢占的网格资源已被释放,这时该AGV小车可以占据刚刚被释放的网格资源,进行步骤十三;
步骤七:未获得空闲网格资源的AGV小车实施方法二,在其网格资源列表中,删除一网格,并前进至网格资源列表中的最后一格;
步骤八:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有空闲网格资源被释放,则该AGV小车将占据该网格资源,进行步骤十三;若AGV小车等待时间在5秒以上,则进行步骤九;
步骤九:未获得空闲网格资源的AGV小车实施方法三;在时间间隔5秒至15秒的范围内,AGV小车会随机前进一网格,占据步骤七中留下的空闲网格资源;
步骤十:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留,检查是否可以继续前进一网格资源;若期间如果有因为方法三留一网格而前进的可能,则进行步骤十一;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十一:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有被占据的空闲网格资源被释放,则该AGV小车将占有该资源,进行步骤十三;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十二:未获得空闲网格资源的AGV小车长期不能获得空闲网格资源,在15秒至25秒的间隔内,该AGV小车会随机重新根据动态路径规划算法规划路径,随后进行大循环,进行步骤二;
步骤十三:若AGV小车可以占有所需的必要资源,则该AGV小车就不会发生碰撞,实现自动避障。
如图13所示,右上角可以输入关于SASI算法和AGV本身的不同的参数。右下角显示了实时的分拣仓库的状态。
下表4讲解了在仿真程序中不同颜色和字母的网格代表着不同的功能;因为场地的对称性较好,因此所有的字母在上图13中未全部标记。
表4 基于网格法的仿真场地地图设计
序号 | 颜色(RGB)或者字母 | 功能 | 位置 |
0 | 白(255,255,255) | 可行走网格 | 场地上大部分的网格 |
1 | 黑(0,0,0) | 投递目标点 | 目标坐标 |
2 | B | 扫描点 | 第0行和39行 |
4 | N | 非停靠区域 | 交叉路口处 |
5 | D | 获得更高先行权 | 第3行和第36行 |
6 | E | 丧失先行权 | 第4行和第35行 |
7 | C | AGV等待任务区域 | 第0行和39行 |
由于上述技术方案的运用,本发明与现有技术相比具有下列优点:
第一、单AGV系统中,SASI算法的效率远远比A星改进算法高。
如图14-15所述,更加清晰的展示了当β=5时,SASI算法和A星改进算法的对比结果;SASI算法的闭合列表数量是收敛的,可控的;这意味着SASI算法在寻找最优路径的时候,考虑了更少的可能性,大大降低了计算空间;而A星改进算法的闭合列表数量几乎是单调递增的,且该闭合列表的大小是不可预测,不可控的;SASI算法在计算效率上更优秀。
第二:多AGV系统中,DRC&SPP方法和SASI算法的应用在模拟仿真中,有着极佳的表现。
如图16-17所示,分别展示了15分钟模拟实验,不同AGV数量的算法表现;从图中可以看出,当AGV的数量超过70时,数据将发生明显波动,系统效率开始下降;当AGV的数量在60到70之间时,已完成的任务总数为每小时6498至7302,并且AGV伴随任务运行的时间百分比为89%至87%;在该场地下,AGV数量在60和70之间,是一个相对最优解。
这里的默认参数为:去程α=50,β=5,回程α=15,β=5,AGV最大速度2m/s,AGV加速度1m/s2,AGV刹车加速度2m/s2,投递任务时间1.5s,新任务接收时间2.5s。
第三:本专利的模拟仿真结果与实际案例对比,结果更好。
在浙江立镖机器人公司的官网上,有一些现实案例数据,如下表5所示:
表5为京东案例与本专利方案对比
京东南方分拣中心 | 京东济南中心 | 本专利方案 | |
场地面积(m<sup>2</sup>) | 1084 | 1700 | 763.2 |
AGV最大速度(m/s) | 3 | 3 | 2 |
投递口数量 | 179 | 258 | 200 |
AGV数量 | 200-280 | 370 | 60-70 |
每小时分拣能力 | 7500-12000 | 16000 | 6500 to 7300 |
因为场地面积的大小不同,上表的结果很难直接看出优劣;因此所有数据都将等比例换算成同一场地面积,如下表6所示:
表1为京东案例与本专利方案等比例换算后对比
从表6中可以看出,本专利在AGV的最大速度是京东方案的三分之二的前提下,仅仅使用不到京东方案一半数量的AGV小车,就已经实现了几乎同样的分拣能力。
SASI算法和DRC&SPP方法的综合性解决方案,经过大量的仿真模拟实验,稳定性高。效率上对比于已实现的案例,在使用更少AGV小车以及更慢的AGV最大速度的前提下,已经达到市场标准。
以上仅是本发明的具体应用范例,对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (9)
1.一种单AGV系统中动态路径规划方法,其特征在于:包含以下步骤:
步骤1:随机确定路径的起始点和目标终点;
步骤2:把起始点和目标终点的绝对值距离的值设定为搜索上限s0;这意味着s0是关闭列表中被访问的点的最大数量;通过上限s0的设定可以有效控制闭合列表的大小,防止系统性冗余,避免浪费计算空间;
步骤3:带有α和T的A星改进算法的启发式函数被使用;
步骤4:当算法经过s0个点的访问后,停止搜索;如果此时算法已达到目标终点,则停止搜索,进行步骤10;这意味着算法一次性找到了目标终点,并没有浪费计算成本;如果此时算法未到达目标终点,则进行步骤5;
步骤5:当步骤4的判断是否定的,意味着在过往的搜索中,算法在某一阶段已经偏离了最短距离路径;则进行第一次重新规划路径,此时m=1,且10%n的路径会被回溯;被回溯的点的总数0,1n应该是一个正整数,因此使用了取整计算
步骤7:带有参数β的启发式函数被运用;其中α和β都是权重常数,且α>β;
步骤8:判断此时算法是否达到一开始设立的目标终点;如果已达到目标终点,则算法成功且结束;若未到达目标终点,则进行下一步骤9;
步骤9:一旦步骤9开始,这意味着新的一次重新规划路径流程开始了,则m=2;此时回溯的点的个数为以防算法陷入死循环;于此同时关闭列表的搜索上限sm通过容忍度γm提高20%;随后算法重复步骤6、步骤7和步骤8;提高搜索上限sm的目的是,为已经规划AGV行走方向的场地上避免算法陷入无限循环;
步骤10:算法成功,搜索停止;此时算法确定的最终路径上点的个数是s0。
2.根据权利要求1所述的单AGV系统中动态路径规划方法,其特征在于:包括下列公式:
其中:
x:起始坐标位置;
y:目标坐标位置;
n:当前算法在路径上的步数;
F(n):从初始状态经由状态n到目标状态的代价估计;
G(n):在状态空间中从初始状态到状态n的实际代价;
H(n):从状态n到目标状态的最佳路径的估计代价;
s0:初始上限,起始点于目标点间的绝对距离;
α:权重常数,当重新规划路径未发生时使用;
β:权重常数,当重新规划路径发生后使用;,
T:路径上的转弯次数;
sm:基于关闭列表的搜索上限,每次发生重新规划路径后会增大20%;
γm:描述路径回溯的容忍度。
3.一种多AGV系统中去中心化避障方法,其特征在于:包含以下步骤:
步骤一:当两个或多个AGV小车在设定范围内时,AGV小车之间的信息交换开始进行;
步骤二:优先考虑道路先行权和非停靠区域在局部范围内的相关规定;
步骤三:索取动态资源,多个AGV小车在局部范围内索取空闲网格资源;
步骤四:判断AGV小车是否获得空闲网格资源;如果获得空闲网格资源,则AGV小车占据该网格资源并继续前进;如果未获得空闲网格资源的AGV小车,则进行步骤五;
步骤五:未获得空闲网格资源的AGV小车前进至已占有网格资源的最后一网格;
步骤六:未获得空闲网格资源的AGV小车将判断自己范围内是否还有其他AGV小车;如果有,则进行步骤七;如果没有,则意味着刚刚与其抢占空闲网格资源的AGV小车已经离开该范围,被抢占的网格资源已被释放,这时该AGV小车可以占据刚刚被释放的网格资源,进行步骤十三;
步骤七:未获得空闲网格资源的AGV小车留一网格,在其网格资源列表中,删除一网格,并前进至网格资源列表中的最后一格;
步骤八:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有空闲网格资源被释放,则该AGV小车将占据该网格资源,进行步骤十三;若AGV小车等待时间在5秒以上,则进行步骤九;
步骤九:未获得空闲网格资源的AGV小车前进一网格;在时间间隔超过设定时间后,AGV小车会随机前进一网格,占据步骤七中留下的空闲网格资源;
步骤十:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留,检查是否可以继续前进一网格资源;若期间如果有因为方法三留一网格而前进的可能,则进行步骤十一;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十一:未获得空闲网格资源的AGV小车在网格资源列表最后一格处停留;若期间如果有被占据的空闲网格资源被释放,则该AGV小车将占有该资源,进行步骤十三;若AGV小车等待时间在15秒以上,则进行步骤十二;
步骤十二:未获得空闲网格资源的AGV小车长期不能获得空闲网格资源,等待超过设定时间后,将自动根据动态路径规划算法重新规划路线,随后进行大循环,进行步骤二;
步骤十三:若AGV小车可以占有所需的必要资源,则该AGV小车就不会发生碰撞,实现自动避障。
4.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤二中,所述道路先行权规定指局部范围内,提高某些AGV小车的先行权,降低AGV小车拥堵。
5.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤二中,所述非停靠区域规定指局部网格内不可以停留AGV小车,降低AGV小车拥堵。
6.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤三中,所述索取动态资源指AGV小车根据路径规划占据网格资源,一旦某一网格被其中一个AGV小车占据,则其他AGV小车便不能索取该处网格来同行,避免AGV小车之间发生碰撞。
7.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤七中,所述留一网格指假设AGV小车最多可以占有n网格资源,当一定范围内有其他AGV小车时,其所允许占有的网格资源数量为n-1网格,保留一个网格,避免AGV小车发生拥堵。
8.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤九中,所述前进一网格指当AGV在某一网格内停留时间过长,则可以15秒至25秒的间隔内随机向前移动一个网格,把方法二中保留的一个网格占据,避免AGV小车发生拥堵。
9.根据权利要求3所述的多AGV系统中去中心化避障方法,其特征在于:步骤十二中,所述AGV小车在15秒至25秒的间隔内会随机重新根据动态路径规划算法规划路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345161.4A CN113064436B (zh) | 2021-03-31 | 2021-03-31 | 一种agv系统中动态路径规划和去中心化避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345161.4A CN113064436B (zh) | 2021-03-31 | 2021-03-31 | 一种agv系统中动态路径规划和去中心化避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064436A true CN113064436A (zh) | 2021-07-02 |
CN113064436B CN113064436B (zh) | 2022-12-23 |
Family
ID=76565089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110345161.4A Active CN113064436B (zh) | 2021-03-31 | 2021-03-31 | 一种agv系统中动态路径规划和去中心化避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064436B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568408A (zh) * | 2021-07-28 | 2021-10-29 | 福勤智能科技(昆山)有限公司 | 一种分布式agv系统 |
CN116976535A (zh) * | 2023-06-27 | 2023-10-31 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划算法 |
Citations (4)
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 |
CN108829105A (zh) * | 2018-06-21 | 2018-11-16 | 浙江工业大学 | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 |
CN110174111A (zh) * | 2019-05-31 | 2019-08-27 | 山东华锐智能技术有限公司 | 基于时间窗的任务分段式的多agv路径规划算法 |
CN111982142A (zh) * | 2020-07-31 | 2020-11-24 | 华南理工大学 | 一种基于改进a星算法的智能车全局路径规划方法 |
-
2021
- 2021-03-31 CN CN202110345161.4A patent/CN113064436B/zh active Active
Patent Citations (4)
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 |
CN108829105A (zh) * | 2018-06-21 | 2018-11-16 | 浙江工业大学 | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 |
CN110174111A (zh) * | 2019-05-31 | 2019-08-27 | 山东华锐智能技术有限公司 | 基于时间窗的任务分段式的多agv路径规划算法 |
CN111982142A (zh) * | 2020-07-31 | 2020-11-24 | 华南理工大学 | 一种基于改进a星算法的智能车全局路径规划方法 |
Non-Patent Citations (1)
Title |
---|
许建波等: "基于动态加权A*算法的AGV路径规划研究", 《中国科技论文在线精品论文》, 30 June 2020 (2020-06-30), pages 116 - 126 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568408A (zh) * | 2021-07-28 | 2021-10-29 | 福勤智能科技(昆山)有限公司 | 一种分布式agv系统 |
CN116976535A (zh) * | 2023-06-27 | 2023-10-31 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划算法 |
CN116976535B (zh) * | 2023-06-27 | 2024-05-17 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113064436B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110989570B (zh) | 一种多agv防碰撞协同路径规划方法 | |
CN113064436B (zh) | 一种agv系统中动态路径规划和去中心化避障方法 | |
CN112833905B (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
Zhou et al. | Integrated optimization on yard crane scheduling and vehicle positioning at container yards | |
CN111596658A (zh) | 一种多agv无碰撞运行的路径规划方法及调度系统 | |
CN110530369A (zh) | 基于时间窗的agv任务调度方法 | |
CN107727099A (zh) | 一种工厂内物料运输多agv调度及路径规划方法 | |
CN108764579B (zh) | 一种基于拥塞控制的仓储多机器人任务调度方法 | |
EP3591487B1 (en) | An agv system and a method of controlling an agv system | |
CN111638717A (zh) | 一种分布式自主机器人交通协调机制的设计方法 | |
Hu et al. | Multi-AGV dispatching and routing problem based on a three-stage decomposition method | |
Sun et al. | AGV-based vehicle transportation in automated container terminals: A survey | |
Shi et al. | Task allocation and path planning of many robots with motion uncertainty in a warehouse environment | |
Solichudin et al. | Conflict-free dynamic route multi-agv using dijkstra Floyd-warshall hybrid algorithm with time windows | |
Yu et al. | Reliability oriented multi-AGVs online scheduling and path planning problem of automated sorting warehouse system | |
CN117151590B (zh) | 基于平移时间窗和任务路径规划的agv调度方法 | |
CN115638804B (zh) | 一种无死锁的无人车辆在线路径规划方法 | |
Hao et al. | Hybrid genetic algorithm based dispatch and conflict-free routing method of agv systems in unmanned underground parking lots | |
CN116755401A (zh) | 包含路径规划和车辆通行策略的多无人叉车调度控制方法 | |
CN116719312A (zh) | 一种单行道场景下基于折返避让的多agv解锁方法 | |
CN116339257A (zh) | Agv多车调度系统以及相关调度方法 | |
Liu et al. | Path scheduling for multi-AGV system based on two-staged traffic scheduling scheme and genetic algorithm | |
CN115167457A (zh) | 一种考虑电量约束的多agv调度与协同路径规划方法和装置 | |
Guo et al. | Warehouse AGV path planning based on Improved A* algorithm | |
Hanif et al. | Artificial Bee colony algorithm for optimization in energy-saving elevator group control system |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Weng Jiaqi Inventor after: Wei Fuyin Inventor after: Ulavit utaman Inventor before: Weng Jiaqi Inventor before: Wei Fuyin |
|
GR01 | Patent grant | ||
GR01 | Patent grant |