CN113467473B - 一种基于自主移动机器人的物料存储方法及装置 - Google Patents
一种基于自主移动机器人的物料存储方法及装置 Download PDFInfo
- Publication number
- CN113467473B CN113467473B CN202110859899.2A CN202110859899A CN113467473B CN 113467473 B CN113467473 B CN 113467473B CN 202110859899 A CN202110859899 A CN 202110859899A CN 113467473 B CN113467473 B CN 113467473B
- Authority
- CN
- China
- Prior art keywords
- optimal
- autonomous mobile
- function
- storage
- ant
- 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
- 239000000463 material Substances 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 239000003016 pheromone Substances 0.000 claims description 46
- 230000007704 transition Effects 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 37
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 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, 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0276—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种基于自主移动机器人的物料存储方法及装置,物料存储方法包括:响应于物料存储指令,选择最优存储库位;初始化环境参数和自主移动机器人的参数;依据蚁群算法计算所有自主移动机器人的最优路径。本申请综合考虑了存储库位的选择和移动机器人的路径规划,降低了移动机器人的长周期工作强度,提高了长周期工作效率,并对生产过程中物料的存取效率和生产效率起到了积极的作用。
Description
技术领域
本申请涉及物料存储技术领域,更具体地,涉及一种基于自主移动机器人的物料存储方法及装置。
背景技术
随着移动机器人在智能仓储系统中被广泛应用,移动机器人的路径规划成为系统的关键技术之一。路径规划即在一定障碍物和多种约束条件环境下,按照一定的评价准则,搜索出一条从指定起点到终点的无碰撞路径。依据移动机器人的工作环境信息和目标范围,路径规划可分为两种:一种是基于环境建模的全局路径规划,即移动机器人的运行环境信息全部都是已知的,或者称为静态路径规划或者离线路径规划;另一种是根据传感器返回环境信息的局部路径规划,又称为在线路径规划,或者动态路径规划。其中,局部路径规划考虑的环境信息比全局路径规划更加复杂。路径规划可采取多种优化准则,如:最短距离、通行费用、最少行驶时间或能源消耗等,并根据实际需求选择不同的准则,目的是求解在一定网络空间中寻找总费用最少的路径方法问题。
许多国内外学者在此方面均做出深入研究,如当前比较常用的传统最短路径求解算法有迪杰斯特拉(Dijkstra)算法、蚁群(Ant Colony System,ACS)算法及其改进算法、基于分割的多层算法和双向启发式算法等。
物料在仓库内的存储策略对移动机器人的路径规划有直接关系,并且对移动机器人的长周期工作强度和工作效率有很大影响,其决定了生产过程中物料的存取效率和生产效率。但是,尚不存在综合考虑存储库位的选择和移动机器人的路径规划的公开方案。
发明内容
本申请提供一种基于自主移动机器人的物料存储方法及装置,综合考虑了存储库位的选择和移动机器人的路径规划,降低了移动机器人的长周期工作强度,提高了长周期工作效率,并对生产过程中物料的存取效率和生产效率起到了积极的作用。
本申请提供了一种基于自主移动机器人的物料存储方法,包括:
响应于物料存储指令,选择最优存储库位;
初始化环境参数和自主移动机器人的参数;
依据蚁群算法计算所有自主移动机器人的最优路径。
优选地,初始化环境参数时,采用多层栅格法建立环境模型,并利用栅格的位置初始化仓库内的库位和障碍物信息以及生产设备的工位信息。
优选地,所述依据蚁群算法计算所有自主移动机器人的最优路径,包括如下步骤:
初始化蚁群算法的参数,包括蚂蚁数量、信息素重要程度因子、启发函数重要程度因子、信息素挥发系数、信息素强度系数、迭代次数;
初始化信息素浓度和初始启发信息,其中,将栅格中相邻边的中点连接而成的并且与所述自主移动机器人的起始位置和所述最优存储库位之间的连线平行的线作为第一线,第一线之外的线作为第二线,所述第一线的初始化信息素浓度大于所述第二线的初始化信息素浓度;
重复如下步骤,直至达到最大迭代次数:
依据状态转移概率为每个蚂蚁选择下一步路径;
修改每个蚂蚁的禁忌表;
若蚂蚁的下一步路径可行并且该蚂蚁未到达目标位置,则更新该蚂蚁的信息素并返回选择下一步路径的步骤;
完成同一次迭代后,为所有自主移动机器人选择最优路径。
优选地,完成一次完整路径搜索后对每个蚂蚁的信息素强度进行优化。
优选地,依据适应度函数为所有自主移动机器人选择最优路径,所述适应度函数依据所述蚂蚁的路径长度约束函数、与固定障碍物的安全距离函数、动态障碍物的预测位置函数以及路径平滑度目标函数确定。
优选地,最优存储库位的选择依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定。
本申请还提供一种基于自主移动机器人的物料存储装置,包括最优存储库位确定模块、初始化模块和最优路径获得模块;
所述最优存储库位确定模块响应于物料存储指令,选择最优存储库位;
所述初始化模块初始化环境参数和自主移动机器人的参数;
所述最优路径获得模块依据蚁群算法计算所有自主移动机器人的最优路径。
优选地,初始化环境参数时,采用多层栅格法建立环境模型,并利用栅格的位置初始化仓库内的库位和障碍物信息以及生产设备的工位信息。
优选地,所述最优存储库位确定模块依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定所述最优存储库位。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的基于自主移动机器人的物料存储方法。
通过以下参照附图对本申请的示例性实施例的详细描述,本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且连同其说明一起用于解释本申请的原理。
图1为本申请提供的基于自主移动机器人的物料存储方法的流程图;
图2为本申请提供的计算自主移动机器人的最优路径的流程图;
图3为本申请提供的基于自主移动机器人的物料存储装置的结构图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
本申请提供一种基于自主移动机器人的物料存储方法及装置,综合考虑了存储库位的选择和移动机器人的路径规划,降低了移动机器人的长周期工作强度,提高了长周期工作效率,并对生产过程中物料的存取效率和生产效率起到了积极的作用。
如图1所示,本申请提供的基于自主移动机器人的物料存储方法包括如下步骤:
S110:响应于物料存储指令,选择最优存储库位。
本申请中,生产环境中存在多个自主移动机器人(Autonomous Mobile Robots,AMR)。
本申请采用多层栅格法建立环境模型,对仓库区域进行数字化划分,对物料仓库进行责任划分,区分临时存储库区,持久存储库区,生产等待库区等库区。优先将入库物料分配到临时存储区;对于近期没有生产计划的物料,根据入库时间及批次信息集中移库到持久存储区;对存在生产计划的物料,集中移库到生产等待区。根据库位信息动态调整,将物料生产后的空箱集中存储到更接近出库口的库区中,以便空箱出库。
将AMR的行驶区域标记视为无障碍区域。对所有的库位及设备工位进行动态监控,只有当物料调度任务将该库位或设备工位分配为调度起始位置,并且承担相应调度任务的AMR到达时,该库位或设备工位被标记为无障碍区域,否则一律视为障碍区域。
根据生产设备的分布情况和生产任务的需求,对每个库区内的库位进行优先级划分。物料入库时,根据库区分布、库位优先级等因素选取高优先级库位进行存储,并且满足相同入库时间、相同批次信息等条件的物料集中存储。出库时,根据物料生产计划进行物料移库,实现不同物料的分布存储,并且根据生产计划、入库时间、生产批次等信息将相应物料移库至生产等待区。移库时,为接近升降机的库位分配更高的优先级,以便移库时提高运输效率;物料被出库时,为接近生产设备的库位分配更高的优先级,以便提高生产效率。
本申请通过对各种类型的物料进行合理拣选,最大化空间使用率,避免出入库操作中的混乱或作业中断、等待情形,提高物流过程的工作效率。
本申请中,设定仓库有A列*B排货架,货架第x列、第y排的物料坐标表示为(x,y)。每个库位只能储存一个物料,且库位的长宽高都相等,设为L。AMR的运行速度恒定,AMR的运输速度恒定设V,忽略AMR启动和制动的时间。
作为一个实施例,本申请通过建立库位多目标分配模型来选择最优存储库位。定义(x,y,Pk)表示待存储物料的入库信息,其中:(x,y)表示待存储物料的目标库位的位置信息,Pk表示物料的出入库频率。
该实施例中,最优存储库位的选择依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定,具体地,包括如下步骤:
S1101:建立最优存储库位的目标函数。
一方面,建立以出入库效率为目标的第一函数F1。物料出入库时,一方面要尽可能的缩短物料到库位的距离,进而缩短AMR的运行时间,同时,还要考虑物料的周转频率。也就是说,需要达到AMR运送物料到目标库位的时间与物料的周转率的乘积最小,则第一函数为
其中,表示AMR的存取货时间。
另一方面,建立以物料相关性为目标的第二函数F2。同种类型的物料尽可能存放在相邻或相近的库位,可降低相关性高的物料的储存距离,减少AMR的运行距离。所以,同一批待存储物料进行存储时,在空余库位中确定一个位置为中心库位,使待存放物料距离中心库位的距离尽可能短,这样可减少AMR存取同类物料的运行时间。当有W个库位供第l类物料进场存储时,定义此时的中心库位坐标为(xl,yl),则待存储物料(x,y)距离中心库位的距离为:
其中
其中,(xw,yw)为第w个库位的坐标。
为使所有待存储物料距离中心库位的距离最短,则第二函数为:
由此,最优存储库位的目标函数Fmin(x,y)为
其中,μ1表示第一函数对目标函数的相关系数,μ2表示第二函数对目标函数的相关系数。
S1102:求解最优值,获得最优存储库位。
作为一个实施例,采用改进混合蛙跳(Improve Shuffled Frog LeadingAlgorithm,ISFLA)算法进行优化,输出全局最优解,并输出对应的目标函数值。解码之后,得到最优存储库位的坐标。
本申请通过对物料库位做动态的合理拣选,考虑到各类物料的出入库频率、自动化设备的使用频率和耗时,缓解作业瓶颈,加快出入库操作速度。
S120:初始化环境参数和自主移动机器人的参数。
该步骤中,利用上述的环境模型中的栅格的位置,初始化的环境参数至少包括仓库内的库位和障碍物信息以及生产设备的工位信息。
根据物料存储指令和上述的最优存储库位,初始化自主移动机器人的参数至少包括自主移动机器人的初始位置、速度,并将步骤S110获得的最优存储库位作为目标位置。
S130:依据蚁群算法计算所有自主移动机器人的最优路径。
作为一个实施例,如图2所示,计算自主移动机器人的最优路径包括如下步骤:
S210:初始化蚁群算法的参数,包括蚂蚁数量m,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发系数ρ,信息素强度Q、迭代次数等。
S220:初始化信息素浓度和初始启发信息。
由于最优路径大部分情况下存在于起始位置和目标位置之间的连线的附近,因此,需增强该连线附近的位置的初始信息素。
具体地,将栅格中相邻边的中点连接而成的并且与所述自主移动机器人的起始位置和目标位置之间的连线平行的线作为第一线。也就是说,取栅格地图中各边的中点,连接相邻边的中点,得到与起始位置和目标位置之间的连线平行的两条直线,作为第一线。第一线之外的线作为第二线,所述第一线的初始化信息素浓度大于所述第二线的初始化信息素浓度,增强第一线的初始信息素。即
其中,τij(0)表示从栅格i与栅格j之间的初始信息素;τ0为信息素基础值,C为大于τ0的常数。
将所有蚂蚁放置起点处,计算初始启发信息。本申请中,作为一个实施例,将A*算法加入到蚁群算法的启发式信息中,通过估价函数f0来指导节点的扩展与搜索,搜索从起始位置到目标位置之间使得估价函数f0最小的路径,以提高算法的收敛速度并获得更优的全局路径。将估价函数f0作为初始启发信息。估价函数方程为:
f0=g(n)+h(n) (6)
其中,g(n)为从起始位置s到栅格(或节点)n的最小路径成本值;h(n)为从栅格n到目标位置g的最小路径成本估计值,nx和ny是栅格n的坐标,gx和gy是目标位置g的坐标,sx和sy是初始位置s的坐标。
S230:执行一次迭代。需要说明的是,所有的AMR同时完成一次迭代。
包括如下步骤:
S2301:针对每个AMR,依据状态转移概率为每个蚂蚁选择下一步路径。
在寻找路径的过程中依据路径上的信息量和启发信息计算状态转移概率:
其中,表示t时刻蚂蚁k从栅格i转移到栅格j的转移概率;τij(t)表示t时刻栅格i到栅格j之间的信息素含量;ηij(t)表示t时刻栅格i与栅格j之间的启发函数;α表示信息素重要程度因子;β表示启发函数重要程度因子;Aallowed表示蚂蚁k的禁忌表外的栅格;τis(t)表示t时刻栅格i到栅格s之间的信息素含量;ηis(t)表示t时刻栅格i与栅格s之间的启发函数;dij表示栅格i与栅格j之间的欧式距离;dis表示栅格i与栅格s之间的欧式距离。
将状态转移概率最大的路径作为蚂蚁的下一步路径(即下一步的目标栅格)。
S2302:针对每个AMR,每个蚂蚁每完成一步后,修改其禁忌表,将该蚂蚁的当前节点添加到禁忌表中。
S2303:针对每个AMR,若蚂蚁的下一步路径可行并且该蚂蚁未到达目标位置,则更新该蚂蚁的信息素并返回S2301,继续选择下一步路径。
当蚂蚁在遍历了所有栅格之后,对遗留的信息素进行更新处理,选用Ant-Cycle模型来更新信息素,由此(t+Δt)时刻在路径(i,j)(即栅格i与栅格j之间的路径)上的信息素τij(t+Δt)为
τij(t+Δt)=(1-ρ)·τij(t)+Δτij(t) (12)
其中:ρ为信息素挥发系数,ρ∈(0,1);Δτij(t)为本次循环后路径(i,j)上的信息素增量;表示蚂蚁k在本次循环中留在路径(i,j)上的信息量;Lk为蚂蚁k在本次循环中所走路径的总长度,Q是蚂蚁完成一次完整路径搜索(即一次迭代)后释放的信息素强度。
优选地,完成一次完整路径搜索后对信息素强度进行优化。
对于传统的蚁群算法,完成一次完整路径搜索后所释放的信息素强度是一个定值。极大可能性存在随着迭代次数的增加,后期路径上的信息素浓度易积累过高,导致蚂蚁一定程度上失去搜索优质解能力,信息素浓度在挥发因子的作用下降低,增加陷入局部最优解的概率。因此,本申请提出了对信息素强度Q进行自适应调整的机制,随着迭代次数的增加信息素强度Q逐步降低,大大降低陷入局部最优解的概率。
其中Niter表示迭代次数,NC,iter是当前的迭代数,QC-1是上一次迭代后所释放的信息素强度。
S2304:完成同一次迭代后,为所有自主移动机器人选择最优路径。如果所有AMR的所有蚂蚁都完成了一个完整的路径搜索,则本次迭代结束。
由于本申请的生产环境中存在多个AMR,因此,每个自主机器人的最优路径应考虑其他AMR的路径,使得该生产环境的整体路径规划处于最优状态。
优选地,通过适应度函数为所有自主移动机器人选择最优路径,通过使用适应度函数的最小化来获取本次迭代后所有AMR的最优路径。
适应度函数依据所有AMR的路径长度约束函数、与固定障碍物的安全距离函数、动态障碍物的预测位置函数以及路径平滑度目标函数确定。
路径长度影响自主移动机器人的运输时间,为更快完成任务,通过建立约束函数f1使得所有AMR从初始位置到目标位置的总路径长度最小,并且避开障碍物。约束公式为:
其中,为在本次迭代中第z个AMR获得的路径的初始位置的坐标,为在本次迭代中第z个AMR获得的路径的目标位置的坐标,/>为第z个AMR的速度,θz为第z个AMR的初始位置与目标位置的连线与标准线之间的夹角,Z为生产环境中AMR的总数量。
为防止自主移动机器人与障碍物碰撞,定义了每个障碍物的排斥场,即自主移动机器人与障碍物的安全距离函数f2
其中,η0是障碍物的影响范围,o是常数;γ≥2,形成电位的径向轮廓;dmin(Xp)为生产环境中的节点Xp到障碍物的最小距离。
多个AMR互为动态障碍物。不同AMR的路径中可能存在重合节点,因此,为了避免存在至少两个AMR同时经过某重合节点,建立动态障碍物的预测位置函数f3
其中,(xco,yco)是重合节点的坐标。
为了使得路线平滑度最大,减少机器磨损,提升AMR的运行稳定性,建立路径平滑度目标函数f4
其中,代表上一次迭代获得的全局最优位置。
由上,获得适应度函数fit
fit=λ1f1+λ2f2+λ3f3+λ4f4 (20)
其中,λ1、λ2、λ3、λ4是4个函数的权重,满足条件式(21):
λ1+λ2+λ3+λ4=1. (21)
优选地,λ1=0.3、λ2=0.3、λ3=0.3、λ4=0.1。
S240:每次迭代后,判断是否达到最大迭代数。若是,则结束流程。否则,返回S230。
本申请通过蚁群算法和适应度函数进行路径规划,避免AMR之间的相互冲突,引导AMR多走直线、任务一步到位,有效减少物料的装卸、搬运所花的时间,以更少的AMR完成同样的任务,减少能源消耗,进而降低仓库的整体运营成本。
基于上述的物料存储方法,本申请还提供一种基于自主移动机器人的物料存储装置。
作为一个实施例,如图3所示,物料存储装置包括最优存储库位确定模块310、初始化模块320和最优路径获得模块330。
所述最优存储库位确定模块310响应于物料存储指令,选择最优存储库位。
所述初始化模块320初始化环境参数和自主移动机器人的参数。
所述最优路径获得模块330依据蚁群算法计算所述自主移动机器人的最优路径。
虽然已经通过例子对本申请的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本申请的范围。本领域的技术人员应该理解,可在不脱离本申请的范围和精神的情况下,对以上实施例进行修改。本申请的范围由所附权利要求来限定。
Claims (5)
1.一种基于自主移动机器人的物料存储方法,其特征在于,包括:
响应于物料存储指令,依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定最优存储库位;
初始化环境参数和自主移动机器人的参数;
依据蚁群算法计算所有自主移动机器人的最优路径;
初始化环境参数时,采用多层栅格法建立环境模型,并利用栅格的位置初始化仓库内的库位和障碍物信息以及生产设备的工位信息;
其中,所述依据蚁群算法计算所有自主移动机器人的最优路径,包括如下步骤:
初始化蚁群算法的参数,包括蚂蚁数量、信息素重要程度因子、启发函数重要程度因子、信息素挥发系数、信息素强度系数、迭代次数;
初始化信息素浓度和初始启发信息,其中,将栅格中相邻边的中点连接而成的并且与所述自主移动机器人的起始位置和所述最优存储库位之间的连线平行的线作为第一线,第一线之外的线作为第二线,所述第一线的初始化信息素浓度大于所述第二线的初始化信息素浓度;
重复如下步骤,直至达到最大迭代次数:
依据状态转移概率为每个蚂蚁选择下一步路径;
修改每个蚂蚁的禁忌表;
若蚂蚁的下一步路径可行并且该蚂蚁未到达目标位置,则更新该蚂蚁的信息素并返回选择下一步路径的步骤;
完成同一次迭代后,为所有自主移动机器人选择最优路径;
其中,依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定最优存储库位,具体包括:
建立最优存储库位的目标函数,包括以出入库效率为目标的第一函数和以物料相关性为目标的第二函数;
求解最优值,获得所述最优存储库位;
其中,第一函数为
其中,L表示库位的长、宽、高,V表示自主移动机器人的运输速度,表示自主移动机器人的存取货时间,(x,y)表示待存储物料的目标库位的位置信息,Pk表示物料的出入库频率;
第二函数为
其中,(xl,yl)为中心库位坐标;
目标函数为Fmin(x,y):
其中,μ1表示第一函数对目标函数的相关系数,μ2表示第二函数对目标函数的相关系数。
2.根据权利要求1所述的基于自主移动机器人的物料存储方法,其特征在于,完成一次完整路径搜索后对每个蚂蚁的信息素强度进行优化。
3.根据权利要求2所述的基于自主移动机器人的物料存储方法,其特征在于,依据适应度函数为所有自主移动机器人选择最优路径,所述适应度函数依据所述蚂蚁的路径长度约束函数、与固定障碍物的安全距离函数、动态障碍物的预测位置函数以及路径平滑度目标函数确定。
4.一种基于自主移动机器人的物料存储装置,其特征在于,包括最优存储库位确定模块、初始化模块和最优路径获得模块;
所述最优存储库位确定模块响应于物料存储指令,依据待存储物料的出入库效率和待存储物料与已存储物料之间的相关性确定最优存储库位;
所述初始化模块初始化环境参数和自主移动机器人的参数;
所述最优路径获得模块依据蚁群算法计算所有自主移动机器人的最优路径;
其中,初始化环境参数时,采用多层栅格法建立环境模型,并利用栅格的位置初始化仓库内的库位和障碍物信息以及生产设备的工位信息;
所述最优路径获得模块执行如下步骤来计算所有自主移动机器人的最优路径:
初始化蚁群算法的参数,包括蚂蚁数量、信息素重要程度因子、启发函数重要程度因子、信息素挥发系数、信息素强度系数、迭代次数;
初始化信息素浓度和初始启发信息,其中,将栅格中相邻边的中点连接而成的并且与所述自主移动机器人的起始位置和所述最优存储库位之间的连线平行的线作为第一线,第一线之外的线作为第二线,所述第一线的初始化信息素浓度大于所述第二线的初始化信息素浓度;
重复如下步骤,直至达到最大迭代次数:
依据状态转移概率为每个蚂蚁选择下一步路径;
修改每个蚂蚁的禁忌表;
若蚂蚁的下一步路径可行并且该蚂蚁未到达目标位置,则更新该蚂蚁的信息素并返回选择下一步路径的步骤;
完成同一次迭代后,为所有自主移动机器人选择最优路径;
其中,所述最优存储库位确定模块执行如下步骤来确定最优存储库位:
建立最优存储库位的目标函数,包括以出入库效率为目标的第一函数和以物料相关性为目标的第二函数;
求解最优值,获得所述最优存储库位;
其中,第一函数为
其中,L表示库位的长、宽、高,V表示自主移动机器人的运输速度,表示自主移动机器人的存取货时间,(x,y)表示待存储物料的目标库位的位置信息,Pk表示物料的出入库频率;
第二函数为
其中,(xl,yl)为中心库位坐标;
目标函数为fmin(x,y):
其中,μ1表示第一函数对目标函数的相关系数,μ2表示第二函数对目标函数的相关系数。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-3中任一项所述的基于自主移动机器人的物料存储方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859899.2A CN113467473B (zh) | 2021-07-28 | 2021-07-28 | 一种基于自主移动机器人的物料存储方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859899.2A CN113467473B (zh) | 2021-07-28 | 2021-07-28 | 一种基于自主移动机器人的物料存储方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113467473A CN113467473A (zh) | 2021-10-01 |
CN113467473B true CN113467473B (zh) | 2023-09-15 |
Family
ID=77883072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859899.2A Active CN113467473B (zh) | 2021-07-28 | 2021-07-28 | 一种基于自主移动机器人的物料存储方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467473B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN109839935A (zh) * | 2019-02-28 | 2019-06-04 | 华东师范大学 | 多agv的路径规划方法及设备 |
CN109858863A (zh) * | 2019-03-21 | 2019-06-07 | 上海烟草集团有限责任公司 | 高架库货物出入库调度方法、装置与电子设备 |
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN110673604A (zh) * | 2019-10-31 | 2020-01-10 | 北京洛必德科技有限公司 | 移动机器人自动入库控制方法、系统及移动机器人 |
CN110733824A (zh) * | 2019-10-21 | 2020-01-31 | 广东嘉腾机器人自动化有限公司 | 基于wms系统的agv任务生成方法、agv出入库方法及存储装置 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN111310999A (zh) * | 2020-02-14 | 2020-06-19 | 西安建筑科技大学 | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
CN112100861A (zh) * | 2020-09-22 | 2020-12-18 | 河南中烟工业有限责任公司 | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 |
CN112308315A (zh) * | 2020-10-29 | 2021-02-02 | 广西中烟工业有限责任公司 | 一种多点智能路径规划方法及系统 |
CN113008232A (zh) * | 2019-12-22 | 2021-06-22 | 陈娅莉 | 一种基于蚁群算法的仓储机器人路径寻优方法 |
-
2021
- 2021-07-28 CN CN202110859899.2A patent/CN113467473B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN109839935A (zh) * | 2019-02-28 | 2019-06-04 | 华东师范大学 | 多agv的路径规划方法及设备 |
CN109858863A (zh) * | 2019-03-21 | 2019-06-07 | 上海烟草集团有限责任公司 | 高架库货物出入库调度方法、装置与电子设备 |
CN110733824A (zh) * | 2019-10-21 | 2020-01-31 | 广东嘉腾机器人自动化有限公司 | 基于wms系统的agv任务生成方法、agv出入库方法及存储装置 |
CN110673604A (zh) * | 2019-10-31 | 2020-01-10 | 北京洛必德科技有限公司 | 移动机器人自动入库控制方法、系统及移动机器人 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN113008232A (zh) * | 2019-12-22 | 2021-06-22 | 陈娅莉 | 一种基于蚁群算法的仓储机器人路径寻优方法 |
CN111310999A (zh) * | 2020-02-14 | 2020-06-19 | 西安建筑科技大学 | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
CN112100861A (zh) * | 2020-09-22 | 2020-12-18 | 河南中烟工业有限责任公司 | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 |
CN112308315A (zh) * | 2020-10-29 | 2021-02-02 | 广西中烟工业有限责任公司 | 一种多点智能路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113467473A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264062B (zh) | 分布式多agv动态任务分配及其路径规划方法与系统 | |
CN113222293B (zh) | 一种智能立体仓库优化调度方法 | |
CN113074728B (zh) | 基于跳点寻路与协同避障的多agv路径规划方法 | |
CN105469201A (zh) | 一种物流配送中心作业任务处理与调度的方法 | |
CN113031603A (zh) | 一种基于任务优先级的多物流机器人协同路径规划方法 | |
CN109784566A (zh) | 一种订单排序优化方法及装置 | |
CN106773686B (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
CN112833905A (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
CN108921464A (zh) | 一种拣货路径生成方法、存储介质及终端设备 | |
CN113075927A (zh) | 基于预约表的仓储潜伏式多agv路径规划方法 | |
CN106651086B (zh) | 一种考虑组装工艺的自动化立体仓库调度方法 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
CN113408988B (zh) | 仓储系统的调度优化方法、电子设备及存储介质 | |
CN104346658A (zh) | 基于改进银行家算法的自动小车存取系统动态调度方法 | |
CN111985683B (zh) | 一种多目标离散装配车间物料配送的路径优化方法 | |
Khojasteh et al. | A travel time model for order picking systems in automated warehouses | |
CN115237137A (zh) | 一种多agv调度与协同路径规划方法和装置 | |
CN113467473B (zh) | 一种基于自主移动机器人的物料存储方法及装置 | |
Klaas et al. | Simulation aided, knowledge based routing for AGVs in a distribution warehouse | |
CN113960969A (zh) | 一种基于大数据的物流仓储的调度方法及系统 | |
CN111160654B (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
Hameed et al. | Automatic storage and retrieval system using the optimal path algorithm | |
CN116629734A (zh) | 仓储系统物品拣选路径的规划方法、装置、设备及介质 | |
CN114757591B (zh) | 基于行为依赖图的多车型协同分拣调度方法 | |
CN115877838A (zh) | 一种仓储系统的出入库控制方法和装置 |
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 |