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 PDF

Info

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
Application number
CN202110345161.4A
Other languages
English (en)
Other versions
CN113064436B (zh
Inventor
翁嘉琦
韦福音
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110345161.4A priority Critical patent/CN113064436B/zh
Publication of CN113064436A publication Critical patent/CN113064436A/zh
Application granted granted Critical
Publication of CN113064436B publication Critical patent/CN113064436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0287—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

一种AGV系统中动态路径规划和去中心化避障方法
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
Figure BDA0003000573980000021
步骤6：从算法暂停的终点开始，向之前的路径回溯
Figure BDA0003000573980000022
个点；把这个点设定为算法开始搜索路径的新的起点；
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
Figure BDA0003000573980000032
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：
Figure BDA0003000573980000031
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；
m：重新规划路径次数
Figure BDA0003000573980000033
m≥1；
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
Figure BDA0003000573980000081
Figure BDA0003000573980000091
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：
Figure BDA0003000573980000092
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；
m：重新规划路径次数
Figure BDA0003000573980000093
，m≥1；
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
Figure BDA0003000573980000101
步骤6：从算法暂停的终点开始，向之前的路径回溯
Figure BDA0003000573980000102
个点；把这个点设定为算法开始搜索路径的新的起点；
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
Figure BDA0003000573980000111
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
Figure BDA0003000573980000121
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
Figure BDA0003000573980000122
Figure BDA0003000573980000131
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
Figure BDA0003000573980000191
Figure BDA0003000573980000201
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
Figure FDA0003000573970000011
步骤6：从算法暂停的终点开始，向之前的路径回溯
Figure FDA0003000573970000012
个点；把这个点设定为算法开始搜索路径的新的起点；
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
Figure FDA0003000573970000021
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：
Figure FDA0003000573970000022
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；
m：重新规划路径次数
Figure FDA0003000573970000023
m≥1；
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。
CN202110345161.4A 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 Active CN113064436B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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