CN113325839A - 一种基于改进蚁群算法的智能仓储机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种基于改进蚁群算法的柔性智能仓储机器人路径规划方法。该方法首先将柔性智能仓储环境的突发因素融合栅格法建立电子地图。其次将启发函数和信息素更新方式进行了优化，将路程因素，转弯因素，安全因素纳入启发函数，综合计算蚂蚁的转移概率，通过转移矩阵消除路径尖端现象，并通过信息素更新模型中三个参数分别控制路程因素、转弯因素、安全因素的权重，可以得到基于特定因素下的最优路径。最后，对智能仓储机器人的路径进行转角优化处理，使得智能仓储机器人的路径更加平滑，从而保证智能仓储机器人的运动稳定性。

Description

一种基于改进蚁群算法的智能仓储机器人路径规划方法

技术领域

本发明属于机器人路径规划领域，具体涉及的是一种柔性智能仓储机器人路径规划方法。

背景技术

随着科技的发展和社会的进步，传统的仓储管理库内货位划分不清晰，堆放混乱不利分拣，人工效率低等问题日益突出。通过装备和技术升级，实现人工智能逐步替代人工的战略布局，可以有效解决仓储系统的效率低下的难题。人工智能、大数据挖掘和工业物联网等先进技术，正在仓储系统提升货物运输、处理、存储和配送效率方面发挥越来越重要的作用。

因此，智能物流时代即将到来。智能仓储的发展分为五个阶段：人工仓储阶段、机械化仓储阶段、自动化仓储阶段、集成化仓储阶段、智能化仓储阶段。传统物流模式逐渐向智能物流转型升级，仓储管理在物流管理中占据着核心地位，其中人工智能设备是智能仓储中必不可少的工具，而智能仓储机器人就是最重要的一环。

授权公告号为“CN105467997B”的发明专利公开了一种基于线性时序逻辑理论的仓储机器人路径规划方法，完成了智能仓储机器人货物配送的路径规划任务。但是，此方法仅对货物配送的路径的避障问题进行研究，而未考虑柔性仓储环境中突发因素对路径规划产生的影响。公开号为“CN111982125A”的发明专利公开了一种基于改进蚁群算法的智能机器人路径规划方法，但并未结合具体应用场景。

发明内容

本发明目的在于克服上述现有技术存在的问题和不足，提供一种基于改进蚁群算法的智能仓储机器人路径规划方法，从而解决突发因素影响智能仓储机器人路径规划的问题。

为达到上述目的，本发明所采用的技术方案是：

一种基于改进蚁群算法的智能仓储机器人路径规划方法，包括如下步骤：

S1：根据智能仓储货架排列方式、障碍物的分布位置，结合栅格法，在仿真软件中建立电子地图，并设置相关参数；设置蚂蚁数量m、最大迭代次数N_max、信息启发式因子α、期望启发式因子β、信息素挥发因子ρ、信息素浓度Q、泊松分布参数λ、设置三因素调节系数u，v，w、智能仓储机器人起始点坐标、目标点坐标。

S2：根据S1构建的电子地图中障碍物的分布情况，采用避障函数来计算初始信息素值，并将初始信息素值带入信息素更新模型对信息素及时更新。

S3：判断蚂蚁是否未被放入电子地图，当是，则将蚂蚁放入电子地图的栅格中，执行下一步；否则跳至步骤S6。

S4：利用综合启发函数，计算蚂蚁移向下一个栅格的转移概率，并建立栅格转移矩阵来区分可行栅格和出现尖端现象的栅格，一直循环到蚂蚁选取的节点为目标点或者没有可选节点时停止搜索。

S5：判断蚂蚁是否走到终点，当是，则返回步骤S3；当否，则返回步骤S4，继续进行路径搜索。

S6：根据步骤S3和步骤S5，当全部蚂蚁都进行过路径搜索之后，执行本步骤。根据信息素更新模型，计算包括路径长度，转弯次数以及安全性的综合指标，寻找本次迭代最优路径。

S7：判断路径搜索迭代次数是否到达预设值，当是则执行下一步；当否则跳至步骤2。

S8：比较各代蚂蚁寻找的最优路径，找到当前最优路径，并保存相关信息。

S9：将当前最优路径按照圆弧代替转角的方法处理，并将处理后的路径在电子地图输出。

进一步的，对于步骤S1中所述的建立电子地图，其特征在于将泊松分布函数融入传统黑白二色栅格法，建立黑白灰三色栅格地图来模拟突发因素对仓储环境中路径规划的影响。对于突发因素，包括但不限于由于其他工序的需求，需要人工临时在某块区域进行取货或者堆垛机突然发生故障停留在某栅格等情况。

进一步的，对于步骤S1中所述的泊松分布函数，其表达式为：

参数λ表示物理意义为单位面积内发生突发因素影响的繁忙栅格出现的次数。

进一步的，对于步骤S2中所述的初始信息素，其表达式为：

τ_i,j(0)＝f(s)+f(0)

其中，f(0)为常数，f(s)为避障函数，C_U为补集符号，U为此栅格的相邻栅格集合，即蚂蚁离障碍物越近，初始信息素浓度就越低，反之就越大。

进一步的，对于步骤S2中所述的信息素更新模型，其表达式为：

B_m(t)＝uP_m(t)+vH_m(t)+wT_m(t)；u,v,w∈[1,100]

其中，

表示蚂蚁m第t次迭代过程到q栅格为止所访问过的栅格有序集合；B_m(t)为第t次迭代中蚂蚁m走过路径的信息素综合指标，指标越小，路径越优，P_m(t)为路径长度，H_m(t)为路径安全度，T_m(t)为转弯次数，u,v,w为各因素的调节系数，根据需要取适当值。

进一步的，对于步骤S4中所述的综合启发函数，其表达式如下：

η_ij(t)＝λ(i,j,q)+ω_ij(t)+ζ(i,j)

式中，λ(i,j,q)为路程因素启发函数，

为转弯因素启发函数，ζ(i,j)表示安全因素启发函数。

进一步的，对于步骤S4中所述的蚂蚁移向下一个栅格的转移概率，其表达式如下：

式中：C为蚂蚁下一节点可行域集合；Δτ_ij为路径(i,j)的信息素值；α为信息素启发因子，它决定了信息素浓度对路径的选择程度；β是预期启发因子，它决定了启发信息对路径的选取程度。η_ij(t)为综合启发函数，表示蚂蚁从节点i转移到节点j的期望。

进一步的，对于步骤S4中所述的栅格转移矩阵，其表达式如下：

式中，转移矩阵D(i,j)中的各个元素则分别表示智能仓储机器人从当前位置定向转移到下一位置的距离，变量i表示栅格序号，变量j表示转向序号。栅格边长设定为l，∞表示下一栅格有障碍物或者出界。mod为求余函数，用于判断奇偶性，

表示直向转移栅格的标号，

表示斜向转移矩阵的标号，i′和i″分别表示与斜向栅格垂直的两个直向栅格标号。

进一步的，对于步骤S9所述的圆弧代替转角的方法，其具体步骤如下：

S901在电子地图中提取转弯前的最后一个节点A的坐标以及转弯后的第一个节点B的坐标；

S902在电子地图中提取过点A和点B的路径转角信息θ₁、θ₂。

S903记过点A且与X轴夹角为θ₁的直线为l₁，记过点B且与X轴夹角为θ₂的直线为l₂，线性方程如下：

l₁:tanθ₁·x-y+y₁-tanθ₁·x₁＝0

l₂:tanθ₂·x-y+y₂-tanθ₂·x₂＝0

S904过点A作l₁的垂线，记为l₃，过点B作l₂的垂线，记为l₄，线性方程如式下：

l₃:cotθ₁·x+y-y₁-cotθ₁·x₁＝0

l₄:cotθ₂·x+y-y₂-cotθ₂·x₂＝0

S905直线方程l₃l₄联立即可求得交点O的坐标记为(x_o,y_o)，其表达式如下：

S906以点O为圆心，以R为半径画圆，R的表达式如下：

通过上述S901-S906的改进方式，将路径的转角进行了圆弧优化，便可在电子地图中得到更加平滑的路径。

通过上述S1-S9的步骤，完成了本发明的路径规划方法。

本发明的有益效果是：

本发明针对柔性智能仓储环境中的突发因素引起的路径规划问题，提出一种基于改进蚁群算法的智能仓储机器人的路径规划方法。

该方法首先将泊松分布融入传统栅格法，得到可以模拟智能仓储环境中突发因素影响的电子地图，通过避障函数，将信息素进行非均匀分配，消除前期盲目搜索现象，提高蚂蚁的搜索效率；通过改进信息素更新模型，合理调整三因素的调节系数，可以得到不同约束条件下的最优路径；通过路程、转弯、安全三因素改进启发函数，有效减少死锁蚂蚁数量，使得路径的安全性得以提高；通过用圆弧代替转角的方法，使得智能仓储机器人路径更加平滑，进而保证智能仓储机器人的运动稳定性。公开号为“CN111982125A”的发明专利仅提出一种路径规划方法，却并未结合应用场景；授权公告号为“CN105467997B”的发明中虽然结合了仓储环境，却未考虑复杂的仓储环境中突发因素对路径规划产生造成的影响。而本发明在建立电子地图时，将柔性智能仓储环境中的突发因素以及货架的排列方式都融入电子地图之中，使得路径规划的场景更加具体，通过更改电子地图的相关参数，可以得到货架排列方式不同的电子地图，也可以在电子地图中模拟不同程度的突发因素对路径规划的影响，仿真结果也验证了本发明的可行性。

附图说明

图1为本发明路径规划方法的流程图，

图2为本发明栅格转向与标号，

图3为本发明路径平滑处理原理图，

图4为本发明第一种仓储环境运行结果，

图5为本发明第二种仓储环境运行结果。

具体实施方式

为了更好的说明本发明的路径规划方法，结合图1路径规划方法流程图进行说明。

实例1：仓储地图环境一

S1：根据智能仓储货架排列方式、障碍物的分布位置，结合栅格法，在仿真软件中建立电子地图，并设置相关参数。蚂蚁数量效果较优的取值范围为30≤m≤200；最大迭代次数效果较优的取值范围为10≤N_max≤100；信息启发式因子效果较优的取值范围为0.5≤α≤1、期望启发式因子效果较优的取值范围为3.5≤β≤7；信息素挥发因子效果较优的取值范围为0＜ρ＜1；信息素浓度效果较优的取值范围为100≤Q≤200，泊松分布参数效果较优的取值范围为0＜λ＜3。路程因素调节参数较优的取值范围为1≤u≤100；路程因素调节参数较优的取值范围为1≤v≤100；路程因素调节参数较优的取值范围为1≤w≤100；智能仓储机器人起始点坐标(3.5,1.5),目标点坐标(18.5,15.5)。

S2：根据S1构建的电子地图中障碍物的分布情况，采用避障函数来计算初始信息素值，并根据信息素更新模型对信息素及时更新。

S3：判断蚂蚁是否未被放入电子地图，当是，则将蚂蚁放入电子地图的栅格中，执行下一步；否则跳至步骤S6。

S4：通过上述步骤S3，将蚂蚁放入栅格之后，为了防止蚂蚁走重复的栅格，首先将起点加入禁忌表中，利用综合启发函数，计算蚂蚁移向下一个栅格的转移概率，将遍历过的栅格加入到禁忌表中。建立栅格转移矩阵来区分可行栅格和出现尖端现象的栅格，并将出现尖端现象的栅格也加入到禁忌表中，一直循环到蚂蚁选取的节点为目标点或者没有可选节点时停止搜索。栅格转向与标号如图2所示。中心点表示当前节点，标号1-8分别代表下一节点可能转移的栅格位置，即左上、上、右上、右、右下、下、左下、左8处栅格位置。

S5：判断蚂蚁是否走到终点，当是，则返回步骤S3；当否，则返回步骤S4，继续进行路径搜索。

S6：根据上述步骤S3和步骤S5，当全部蚂蚁都进行过路径搜索之后，执行本步骤。根据信息素更新模型，计算包括路径长度，转弯次数以及安全性的综合指标，寻找本次迭代最优路径。

S7：判断路径搜索迭代次数是否到达预设值，当是则执行下一步；当否则跳至步骤2。

S8：比较各代蚂蚁寻找的最优路径，找到当前最优路径，并保存相关信息。

S9：将当前最优路径按照圆弧代替转角的方法处理，如图3所示。通过圆弧代替转角的方法，并将路径在电子地图输出，如图4所示。

图4中虚线路径为传统蚁群算法路径规划的最优路径，点画线为未考虑突发因素的最优路径，实现路径为本发明改进蚁群算法的最优路径。由此可以看出，传统蚁群算法存在死锁问题以及尖端点碰撞问题，若仅对这两个问题进行改进，规划出的路径又会通过突发因素引起的灰色栅格。而本发明的路径规划方法不仅解决了死锁以及尖端点碰撞问题，而且通过安全性启发函数的引导，规划的路径也避开了图4中矩形标注的突发因素影响区域，通过转角优化处理使得路径更加平滑，从而验证了本发明的可行性。

实例2：仓储地图环境二

S1：根据智能仓储货架排列方式、障碍物的分布位置，结合栅格法，在仿真软件中建立电子地图，并设置相关参数。蚂蚁数量效果较优的取值范围为30≤m≤200；最大迭代次数效果较优的取值范围为10≤N_max≤100；信息启发式因子效果较优的取值范围为0.5≤α≤1、期望启发式因子效果较优的取值范围为3.5≤β≤7；信息素挥发因子效果较优的取值范围为0＜ρ＜1；信息素浓度效果较优的取值范围为100≤Q≤200，泊松分布参数效果较优的取值范围为0＜λ＜3。路程因素调节参数较优的取值范围为1≤u≤100；路程因素调节参数较优的取值范围为1≤v≤100；路程因素调节参数较优的取值范围为1≤w≤100。智能仓储机器人起始点坐标(3.5,1.5)，目标点坐标(17.5,17.5)。

S2：根据S1构建的电子地图中障碍物的分布情况，采用避障函数来计算初始信息素值，并根据信息素更新模型对信息素及时更新。

S3：判断蚂蚁是否未被放入电子地图，当是，则将蚂蚁放入电子地图的栅格中，执行下一步；否则跳至步骤S6。

S4：通过上述步骤S3，将蚂蚁放入栅格之后，为了防止蚂蚁走重复的栅格，首先将起点加入禁忌表中，利用综合启发函数，计算蚂蚁移向下一个栅格的转移概率，将遍历过的栅格加入到禁忌表中。建立栅格转移矩阵来区分可行栅格和出现尖端现象的栅格，并将出现尖端现象的栅格也加入到禁忌表中，一直循环到蚂蚁选取的节点为目标点或者没有可选节点时停止搜索。栅格转向与标号如图2所示。中心点表示当前节点，标号1-8分别代表下一节点可能转移的栅格位置，即左上、上、右上、右、右下、下、左下、左8处栅格位置。

S5：判断蚂蚁是否走到终点，当是，则返回步骤S3；当否，则返回步骤S4，继续进行路径搜索。

S6：根据上述步骤S3和步骤S5，当全部蚂蚁都进行过路径搜索之后，执行本步骤。根据信息素更新模型，计算包括路径长度，转弯次数以及安全性的综合指标，寻找本次迭代最优路径。

S7：判断路径搜索迭代次数是否到达预设值，当是则执行下一步；当否则跳至步骤2。

S8：比较各代蚂蚁寻找的最优路径，找到当前最优路径，并保存相关信息。

S9：本实例是为了验证特定条件下的最优路径，为了便于观察路径的转弯情况，本实例不进行转角优化处理，将u、v、w分别调整三次后的路径在电子地图输出，如图5所示。

图5中三条路径均是本发明路径规划方法所规划出的最优路径。不同之处就在于启发函数中三因素调节系数u、v、w取值不同。虚线路径为路程调节系数v权重最大的路径，它是三种结果中距离最短的路径。点画线为转弯调节系数v权重最大的路径，它是三种运行结果中转弯次数最少的路径。当仓储环境比较简单，障碍物分布少，突发因素影响较小时，可以适当增加路程调节系数u的权重，以保证路径尽可能短；当仓储环境相对简单，障碍物分布较多，突发因素影响较小时，可以适当增加转弯调节系数v的权重，以保证路径转弯数量尽可能少；当仓储环境相对复杂，障碍物分布较多，突发因素影响较大时，可以适当增加安全调节系数w的权重，以保证路径尽可能安全，避开突发因素影响的灰色栅格。通过本发明改进的信息素更新模型，可以合理调整三个系数的取值，得到特定约束条件下的最优路径，仿真结果也验证了本发明的可行性。

Claims (9)

1.一种基于改进蚁群算法的智能仓储机器人路径规划方法，其特征在于，包括以下步骤：

S1：根据智能仓储货架排列方式、障碍物的分布位置，结合栅格法，在仿真软件中建立电子地图，并设置相关参数；

S2：根据S1构建的电子地图中障碍物的分布情况，采用避障函数计算初始信息素值，并将初始信息素值代入信息素更新模型对信息素及时更新；

S3：判断蚂蚁是否未被放入电子地图，当是，则将蚂蚁放入电子地图的栅格中，执行下一步；否则跳至步骤S6；

S4：利用综合启发函数，计算蚂蚁移向下一个栅格的转移概率，并建立栅格转移矩阵来区分可行栅格和出现尖端现象的栅格，一直循环到蚂蚁选取的节点为目标点或者没有可选节点时停止搜索；

S5：判断蚂蚁是否走到终点，当是，则返回步骤S3；当否，则返回步骤S4，继续进行路径搜索；

S6：根据步骤S3和步骤S5，当全部蚂蚁都进行过路径搜索之后，执行本步骤；根据信息素更新模型，计算包括路径长度，转弯次数以及安全性的综合指标，寻找本次迭代最优路径；

S7：判断路径搜索迭代次数是否到达预设值，当是则执行下一步；当否则跳至步骤2；

S8：比较各代蚂蚁寻找的最优路径，找到当前最优路径，并保存相关信息；

S9：将当前最优路径按照圆弧代替转角的方法处理，并将处理后的路径在电子地图输出。

2.根据权利要求1所述的方法，其特征在于，步骤S1所述的建立电子地图是将泊松分布函数融入栅格法，建立可以模拟仓储环境突发因素的电子地图；对于突发因素，包括但不限于由于其他工序的需求，需要人工临时在某块区域进行取货或者堆垛机突然发生故障停留在某栅格等情况。

3.根据权利要求1所述的方法，其特征在于，步骤S1所述仿真软件包括但不限于MATLAB、Python具有编程功能的软件。

4.根据权利要求1所述的方法，其特征在于，步骤S1所述的相关参数为：蚂蚁数量m、最大迭代次数N_max、信息启发式因子α、期望启发式因子β、信息素挥发因子ρ、信息素浓度Q、泊松分布参数λ、因素调节参数u，v，w；智能仓储机器人起始点坐标、目标点坐标。

5.根据权利要求1所述的方法，其特征在于，步骤S2所述初始信息素的表达式为：

τ_i,j(0)＝f(s)+f(0)

其式中，f(0)为常数，f(s)为避障函数，C_U为补集符号，U为此栅格的相邻栅格集合，即蚂蚁离障碍物越近，初始信息素浓度就越低，反之就越大。

6.根据权利要求1所述的方法，其特征在于，步骤S2所述信息素更新模型的表达式为：

B_m(t)＝uP_m(t)+vH_m(t)+wT_m(t)；u,v,w∈[1,100]

其式中，

表示蚂蚁m第t次迭代过程到q栅格为止所访问过的栅格有序集合；B_m(t)为第t次迭代中蚂蚁m走过路径的信息素综合指标，指标越小，路径越优，P_m(t)为路径长度，H_m(t)为路径安全度，T_m(t)为转弯次数，u,v,w为各因素的调节系数，根据需要取适当值。

7.根据权利要求1所述的方法，其特征在于，步骤S4所述的综合启发函数的表达式如下：

其式中，λ(i,j,q)为路程因素启发函数，

为转弯因素启发函数，

表示安全因素启发函数。

8.根据权利要求1所述的方法，其特征在于，步骤S4所述栅格转移矩阵的表达式如下：

式中，转移矩阵D(i,j)中的各个元素则分别表示智能仓储机器人从当前位置定向转移到下一位置的距离，变量i表示栅格序号，变量j表示转向序号；栅格边长设定为l，∞表示下一栅格有障碍物或者出界；mod为求余函数，用于判断奇偶性，

表示直向转移栅格的标号，

表示斜向转移矩阵的标号，i′和i″分别表示与斜向栅格垂直的两个直向栅格标号。

9.根据权利要求1所述的方法，其特征在于，步骤S9所述的圆弧替代转角的方法包括以下步骤：

S901在电子地图中提取转弯前的最后一个节点A的坐标以及转弯后的第一个节点B的坐标；

S902在电子地图中提取过点A和点B的路径转角信息θ₁、θ₂；

S903记过点A且与X轴夹角为θ₁的直线为l₁，记过点B且与X轴夹角为θ₂的直线为l₂，线性方程如下：

l₁:tanθ₁·x-y+y₁-tanθ₁·x₁＝0

l₂:tanθ₂·x-y+y₂-tanθ₂·x₂＝0

S904过点A作l₁的垂线，记为l₃，过点B作l₂的垂线，记为l₄，线性方程如下：

l₃:cotθ₁·x+y-y₁-cotθ₁·x₁＝0

l₄:cotθ₂·x+y-y₂-cotθ₂·x₂＝0

S905直线方程l₃l₄联立即可求得交点O的坐标记为(x_o,y_o)，其表达式如下：

S906记OA的距离为R，以点O为圆心，以R为半径画圆，R的表达式如下：

通过上述S901-S906的改进方式，将路径的转角进行了圆弧优化，便可在电子地图中得到更加平滑的路径。

Images