CN113566840B - 封闭式、密网型、自动化物流园区的多车路径规划方法 - Google Patents
封闭式、密网型、自动化物流园区的多车路径规划方法 Download PDFInfo
- Publication number
- CN113566840B CN113566840B CN202110900186.6A CN202110900186A CN113566840B CN 113566840 B CN113566840 B CN 113566840B CN 202110900186 A CN202110900186 A CN 202110900186A CN 113566840 B CN113566840 B CN 113566840B
- Authority
- CN
- China
- Prior art keywords
- path
- vehicle
- time
- conflict
- node
- 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 91
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种封闭式、密网型、自动化物流园区的多车路径规划方法,对二维空间地图进行建模,得到有向连通图G(V,E),包括以下步骤:1)创建初始集;2)将路径扩展到时间维;3)计算冲突与分类;4)构建候选路径集合;5)求解更好的路径组合;6)评价是否达到结束条件;7)根据步骤6)的结果和迭代次数决定是否退出,若未退出,则迭代步骤2)至步骤6)。本发明该方法在二维空间的基础上,考虑时间维度、车辆维度综合解决行车冲突,不仅解决车辆综合可行性问题,在此基础上做到近似路径综合最佳。
Description
技术领域
本发明涉及物流园区车辆自动驾驶技术,更具体地说,涉及一种封闭式、密网型、自动化物流园区的多车路径规划方法。
背景技术
封闭式自动化物流园区是指只采用自动水平搬运设备(比如自动导引车)将货物在限定范围内进行水平搬运工作的工作区域。此类园区设计了通行道路、交互节点等空间资源,道路上通常允许搬运设备采用直行、变道、转弯、原地旋转等动作,道路之间允许存在交叉,交叉点不设红绿灯通行控制措施。因为道路空间资源有限,所以设计上道路之间的空间冲突较多,尤其有些应用中,其道路呈现密网型交叉设计。
在封闭式、密网型、自动化物流园区的日常运营中,几十台到上百台搬运设计同时行驶的情况经常出现。系统需要保证设备安全的基础上,尽可能追求作业的高效性,但是考虑到作业调度系统经常会发生实时变更,比如取消任务、追加任务目标、变更任务目标等,这就导致设备之间的冲突具有实时性、不确定性。业内主要解决的问题是车辆的安全问题、拥堵问题、任务死锁问题,但是对于任务动态变更问题解决的不是很好。尤其是车辆在选择最佳路径时,需要考虑与其它车辆在未来路径上的冲突问题,即多车最短路径规划问题MSRP,在难度上这是一个NP问题。本文旨在描述一种可以解决多车路径规划的工程应用方法,可以用来解决封闭式、密网型、自动化物流园区内的动态路径变更问题。
结合图1所示,是对物流园区进行的有相向连通图建模,场地内的空间可以进行栅格化处理,其中每一个栅格空间可以用来存放自动化搬运车,图1中以圆点表示,即有向连通图的顶点;车辆可以在栅格之间进行移动,但是需要遵从预设的交通流向,图1中以箭头来描述,即有向连通图的边。
对于一个有向连通图G(V,E)而言,V(Vi)为顶点集合,E(Ei)为有向边集合,任意的边Ei(Vi→vj)表示车辆从Vi出发经过Ei到达Vj,图G中任意的顶点Vi和Vj是可达的,即车辆从Vi出发,经过有限条边可以到达Vj,系统需要在满足如下约束:
1)对于任意的顶点Vi而言,同一时刻只允许被一个车辆占用;
2.对于任意的边Ei(Vi→Vj)而言,同一时刻只有Vi和Vj都被同一辆车占用时,才可以通过。
此情况下,满足批量行车任务需求T(T1(V1j,V1k),T2(V2j,V2k)...Tn(Vnj,Vnk)),其中Ti(Vij,Vik)表示即车辆i需要从顶点Vij前往顶点Vik,其中(V1j,V2j...Vnj)和(V1k,V2k...Vnk)分别在各自的集合中不存在重复元素。
一般地,这样的任务可以分成路径规划和循路行驶两部分来完成,例如对于任意的任务Ti(Vij,Vik),都需要规划出最佳路径Ri(Vij,Vik...Vin),当所有车辆有了行车路径后,需要控制车辆按计划执行,最终都要到达目标地。
在此基础上,需要解决如下几个重要问题:
1、综合路径可行性
当多辆车通过同一个区域时,会发生空间冲突,需要依次通行,这种工况定义为等待,如图2所示为两车等待,可以通过让部分车辆停车等待,依次通过冲突区,虽然会损失一定的效率,但是可以通过停车避让综合完成行车任务。
如果车辆之间的等待,而等待关系是不可消除的,则表示多车发生死锁,导致多车综合路径不可通行。如图3显示,1号车辆在顶点B,2号车辆在顶点A,分别按照空心三角箭头、实心三角箭头所示最短路径前往目标点。此时两车是无法通过停车避让进行消除的,此时综合路径是不可行的。
2、路径综合最佳
车辆在行驶时,从自身任务出发存在最佳路径,但是考虑到与其它车辆的影响,可能需要绕路避让、停车避让,虽然于单个任务存在效率损失,但是综合而言,其效率得到极大提升。如图4所示,1号车辆从A到B,2号车辆从C到D,各自的最短路径(实心三角箭头、空心三角箭头所示)冲突过大,等待避让时间过长。如果将空心三角箭头所示路径调整为人字箭头所示路径,则两者的等待时间大为缩短,综合通行效率更高。
为了解决这些问题,业内常用的做法或多或少都存在着明显的缺陷,试分析如下:
1)从单个车辆出发的最短路径规划方法,通常采用以Dijkstra、A*为代表的路径规划算法,以及在此基础上的变种如D*、D*Lite等。此类方法计算速度快,能够生成单车最优路径,但是因为只考虑了自身的需求,难以兼顾其他车辆的工况,所以不能保证综合路径可行,更不用说综合路径最优了。
2)在第1类的基础上,业内发展出了一些改良型的方法,依然从单个车辆出发,但是考虑到其它车辆对自身的影响。比如人工势场法、时间窗方法,此类方法都考虑到其它车辆对本车辆的影响,但是其刻画时,很难兼顾到其它车辆在未来时刻对自身的影响,就算考虑了这一点,也无法协同多车一起完成复杂的避让操作,毕竟在规划自身路径时不能改变其它车辆的路径。
3)综合前两类方法有缺点之后,业内也发展出了另辟跷径的方法。此类方法是在基于单车规划路径,只考虑其它车辆当前或者最近状态对本车的影响,对于未来的影响考虑到其不确定性,在规划时选择忽略或者淡化。然后在后续执行路径的过程中再进行冲突预判与消解,其中较为突出的方法有基于图论中Tarjan的死锁消解法,还有基于时间窗和启发式算法的冲突预判与消解方法。但是此类方法集中关注在行路过程的等待控制,也就是从时间维度解决冲突,而没有从调整路径的角度即空间角度加以优化,所以也有这明显的局限性。
4)基于动态路径规划的方法,即根据车辆的运行状态,实时调整路径,可以做到在空间和时间上做调整,但是计算复杂度较高,所以普遍考虑的空间冲突和时间冲突不会太远,即考虑眼前一段路,未来一段时间内的情况,这就导致车辆会出现先前进,再倒退的现象。
综上所述,业内这些方法的缺陷都是因为没有真正意义上从多车共同规划路径的角度出发解决问题。
发明内容
针对现有技术中存在的上述缺陷,本发明的目的是提供一种封闭式、密网型、自动化物流园区的多车路径规划方法,该方法在二维空间的基础上,考虑时间维度、车辆维度综合解决行车冲突,不仅解决车辆综合可行性问题,在此基础上做到近似路径综合最佳。
为实现上述目的,本发明采用如下技术方案:
一方面,一种封闭式、密网型、自动化物流园区的多车路径规划方法,对二维空间地图进行建模,得到有向连通图G(V,E),包括以下步骤:
1)创建初始集;
2)将路径扩展到时间维;
3)计算冲突与分类;
4)构建候选路径集合;
5)求解更好的路径组合;
6)评价是否达到结束条件;
7)根据步骤6)的结果和迭代次数决定是否退出,若未退出,则迭代步骤2)至步骤6)。
较佳的,所述步骤1)具体如下:
对于给定的批量任务集合T(Ti),i∈[1,n],n为任务数目,对其中每一个任务Ti,采用单车路径规划方法生成初始最佳路径集合R(Ri),i∈[1,n],对于任意的路径Ri(Vj,Vk...Vn)而言,Vx,x∈[j,k...n]表示依次通过的所述图G(V,E)中的顶点,即Vx∈V。
较佳的,所述步骤2)具体如下:
对每一条路径Ri,使用路径上的时间窗计算方法对每一个空间节点Vx,Vx∈Ri创建时间窗Ti(Vx,Mk,ts,te),其中Vx表示路径上的节点,Mk表示车辆编号,ts表示开始占用时间,te表示释放时间。
较佳的,所述步骤3)具体如下:
使用路径冲突计算与分类方法检查所有路径上的时间窗,对于同一个节点上的时间窗而言,只要存在交叉,记录所有存在冲突的车辆集合M。
较佳的,所述步骤4)具体如下:
使用构建备选路径方法对每一条路径根据不同的策略构建多条最佳路径;
对未有冲突的路径,不必进行调整;
对有冲突的路径,则分别采用时间避让、不变线空间避让、变线空间避让,分别计算最佳路径,做为待选路径集合。
较佳的,所述步骤5)具体如下:
使用求解最佳策略组合方法在步骤4)中求解更好策略;
采用启发式方法,分别计算可能的路径结合。
较佳的,所述步骤6)具体如下:
使用评价路径组合方法,对步骤5)的求解结果进行评分。
较佳的,所述单车路径规划方法包括以下步骤:
1)将起点的距离设置为0,加入待处理集合,设置已处理结合为空,终点加入终点集合;
2)判断待处理集是否为空,若是,则说明路径不存在,若否,则进入步骤3);
3)从待处理集中取距离起点最近的点;
4)判断该点是否在终点集,若是,则根据父节点关系回溯到起点,输出路径,若否,则进入步骤5);
5)根据该点沿着边取下一个可到达的节点;
6)判断节点是否存在,若是,则进入步骤7),若否,则返回步骤2);
7)判断节点是否在已处理点集合,若否,则进入步骤8),若是,则返回步骤5);
8)判断节点是否在待处理点集合,若是,则进入步骤9),若否,则将节点存入待处理集,保留父节点关系和起点距离;
9)进行松弛处理,计算与起点的距离;
10)判断距离是否小于候选点中存储的距离,若是,则进入步骤11),若否,则返回步骤5);
11)更新候选点钟的距离和父节点关系,并重复步骤2)至步骤11)。
较佳的,所述路径上的时间窗计算方法包括以下步骤:
1)起点的时间窗开始时间为当前时刻,终点时刻为节点距离/车速;
2)将所有的路径节点依次加入待处理集合;
3)取下一个待处理的节点;
4)计算开始占用时间=前一个节点离开时间-前一个节点距离/车速;
5)判断是否到达终点,若是,则进入步骤6),若否,则计算离开时间=前一个节点离开时间+前一个节点距离/车速,并再返回步骤2);
6)离开时间为预估停靠时间。
较佳的,所述路径冲突计算与分类方法包括以下步骤:
1)判断是否取下一条路径,若是,则进入步骤2),若否,则结束;
2)取下一条路径;
3)判断是否取下一个节点,若是,则进入步骤4),若否,则返回步骤1);
4)两两计算时间窗之间的冲突;
5)计算冲突关系:直行+直行+方向相同=跟随冲突,直行+直行+方向相反=相向冲突,非直行+直行或非直行+非直行或方向不同=交叉冲突;
6)记录冲突车辆、路段、冲突类型,并重复步骤3)至步骤6)。
较佳的,所述构建备选路径方法包括以下步骤:
1)判断路径集是否为空,若是,则结束,若否,则进入步骤2);
2)取下一条路径;
3)判断是否存在冲突,若是,则进入步骤4),若否,则返回步骤1);
4)针对本路径的第一个冲突区在时间维度上进行调整尝试避让,得到避让后的新路径;
5)如果冲突节点包含本车的起点位置,则尝试退让避让,即先倒退至冲突区外,再规划出新的路径,并计算时间维度,得到退让新路径;
6)在第一个冲突区之前,寻找可以变线的节点,再规划出路径;
7)保持所有候选路径,并重复步骤1)至步骤7)。
较佳的,所述求解最佳策略组合方法包括以下步骤:
1)将所有路径的候选集按照车辆进行分组,并记录每辆车可选的路径数目上限,构成一个序列;
2)每辆车随机选择一个可选路径,构成一个解;
3)随机生成N条初始解,构成初始族群;
4)对每一个解计算其评分;
5)判断评分是否达标或次数足够,若是,则结束,若否,则进入步骤6);
6)将初始族群按照评分排序后,进行繁衍操作:以最优解为基础,分别与后续的N-K个解进行交叉,排名越靠前,则交换越多,但最多不超过50%;
7)对最优解进行编译操作,即随机选择K辆车,对这些车分别随机选择路径,K值越大则收敛速度越慢,加上之前的N-K个解,重新构建N条候选解;并重复步骤4)至步骤7)。
较佳的,所述评价路径组合方法包括以下步骤:
1)对所有路径,计算冲突与分类;
2)对于不同种类的冲突设置不同的权重;
3)对于每一辆车而言,计算当前组合中的候选路径的耗时与理想路径的耗时差,作为牺牲时间;
4)每条路径的惩罚分和牺牲时间进行加权映射处理;
5)累加所有路径的评分,则获得该组合的最终评分。
另一方面,一种计算机存储介质,包括存储器和处理器,所述存储器用以存储计算机指令,所述处理器用以在运行所述计算机指令时,执行所述的封闭式、密网型、自动化物流园区的多车路径规划方法。
本发明所提供的一种封闭式、密网型、自动化物流园区的多车路径规划方法,可以同时从空间、时间、多车协同多个维度寻求近似最优的解决方案,能够解决车辆综合路径可行性和综合路径最佳的问题。对于行业内普遍应用方案的缺点(详情见本文技术背景部分)有这良好的改进作用,并且本方案并不局限于某些特殊行业和领域,具有一定的普适性,在有限场地内能够实现更高密度、更高灵活的车辆控制,从而达到更高的效率、更低的成本。
附图说明
图1是密网型园区局部有向连通图模型的示意图;
图2是车辆通行等待的示意图;
图3是双车路径死锁的示意图;
图4是综合驾驶最佳的示意图;
图5是本发明多车路径规划方法的流程示意图;
图6是离散路径时间窗的示意图;
图7a是跟随冲突的示意图;
图7b是跟随冲突解除的示意图;
图8a是交叉冲突的示意图;
图8b是交叉冲突解除的示意图;
图9a是相向冲突的示意图;
图9b是相向冲突空间避让的示意图;
图10是本发明多车路径规划方法中单车路径规划的流程示意图;
图11是本发明多车路径规划方法中路径上的时间窗计算的流程示意图;
图12是本发明多车路径规划方法中路径冲突计算与分类的流程示意图;
图13是本发明多车路径规划方法中构建备选路径的流程示意图;
图14是本发明多车路径规划方法中求解最佳策略组合的流程示意图;
图15是本发明多车路径规划方法中评价路径组合的流程示意图;
图16是本发明多车路径规划方法实施例的示意图。
具体实施方式
为了能更好地理解本发明的上述技术方案,下面结合附图和实施例进一步说明本发明的技术方案。
结合图5所示,本发明所提供的一种封闭式、密网型、自动化物流园区的多车路径规划方法,对二维空间地图进行建模,得到有向连通图G(V,E),包括以下步骤:
1)创建初始集。对于给定的批量任务集合T(Ti),i∈[1,n],n为任务数目,对其中每一个任务Ti,采用单车路径规划方法生成初始最佳路径集合R(Ri),i∈[1,n],对于任意的路径Ri(Vj,Vk...Vn)而言,Vx,x∈[j,k...n]表示依次通过的图G(V,E)中的顶点,即Vx∈V。
2)将路径扩展到时间维。对每一条路径Ri,使用路径上的时间窗计算方法对每一个空间节点Vx,Vx∈Ri创建时间窗Ti(Vx,Mk,ts,te),其中Vx表示路径上的节点,Mk表示车辆编号,ts表示开始占用时间,te表示释放时间。
3)计算冲突与分类。使用路径冲突计算与分类方法检查所有路径上的时间窗,对于同一个节点上的时间窗而言,只要存在交叉,记录所有存在冲突的车辆集合M。
4)构建候选路径集合。使用构建备选路径方法对每一条路径根据不同的策略构建多条最佳路径;对未有冲突的路径,不必进行调整;对有冲突的路径,则分别采用时间避让、不变线空间避让、变线空间避让,分别计算最佳路径,做为待选路径集合。
5)求解更好的路径组合。使用求解最佳策略组合方法在步骤4)中求解更好策略;采用启发式方法,分别计算可能的路径结合。
6)评价是否达到结束条件。使用评价路径组合方法,对步骤5)的求解结果进行评分。
7)根据步骤6)的结果和迭代次数决定是否退出,若未退出,则迭代步骤2)至步骤6)。
其中,本发明所涉及空间最佳路径:对每辆车而言,在二维地图上使用A*算法,计算到达目标点的空间最短路径。
时空最佳路径:在二维地图上加上时间维,同时将时间维度按照固定值(比如10秒每段)进行离散化,然后再每辆车的空间最短路径的基础上计算每个路段的时间窗,如图6所示,两条路径R1(B-C-D)和R2(G-C-H)在时空上转换表述。
时空路径冲突:多个车辆路径,在时空维度上发生重叠,则认为是路径冲突。其中相向冲突、交叉冲突、跟随冲突。其中跟随冲突表示车辆同一时间段在同一条直行路段上行驶,如图7a所示,1号车和2号车两条路径都通向经过B、C、D节点,但是在时间维度上有重叠;交叉冲突表示车辆在同一时间段从不同的方向经过同一块区域,如图8a所示,2号路径直行通过D->C->B,1号车转弯通过B、C、D,一次性占用,依次释放;相向冲突指车辆在同一时间段从相反的方向经过同一段区域,如图9a所示1号和2号路径分别从相反方向通过直行B、C、D区域。
避让策略:1、不改变空间路径,仅通过调整时间维度,解决跟随路径冲突,如图7b所示;2、调整车辆路径空间,但是不会变线来避开交叉冲突,如图8b所示,1号车辆后退让开B节点,从而2号车辆通过冲突区后,1号车再通过B、C、D区;3、调整车辆路径空间,采用变线方式来避开相向冲突,如图9b所示,1号车辆采用绕路策略不再经过BCD区域;4、综合采用1、2、3多次处理解决复杂冲突。
结合图10所示,在步骤1)中,单车路径规划方法包括以下步骤:
1)将起点的距离设置为0,加入待处理集合,设置已处理结合为空,终点加入终点集合;
2)判断待处理集是否为空,若是,则说明路径不存在,若否,则进入步骤3);
3)从待处理集中取距离起点最近的点;
4)判断该点是否在终点集,若是,则根据父节点关系回溯到起点,输出路径,若否,则进入步骤5);
5)根据该点沿着边取下一个可到达的节点;
6)判断节点是否存在,若是,则进入步骤7),若否,则返回步骤2);
7)判断节点是否在已处理点集合,若否,则进入步骤8),若是,则返回步骤5);
8)判断节点是否在待处理点集合,若是,则进入步骤9),若否,则将节点存入待处理集,保留父节点关系和起点距离;
9)进行松弛处理,计算与起点的距离;
10)判断距离是否小于候选点中存储的距离,若是,则进入步骤11),若否,则返回步骤5);
11)更新候选点钟的距离和父节点关系,并重复步骤2)至步骤11)。
结合图11所示,步骤2)中,路径上的时间窗计算方法包括以下步骤:
1)起点的时间窗开始时间为当前时刻,终点时刻为节点距离/车速;
2)将所有的路径节点依次加入待处理集合;
3)取下一个待处理的节点;
4)计算开始占用时间=前一个节点离开时间-前一个节点距离/车速;
5)判断是否到达终点,若是,则进入步骤6),若否,则计算离开时间=前一个节点离开时间+前一个节点距离/车速,并再返回步骤2);
6)离开时间为预估停靠时间(一般以一个较大的时间代替,表达长时间占用)。
结合图12所示,步骤3)中,路径冲突计算与分类方法包括以下步骤:
1)判断是否取下一条路径,若是,则进入步骤2),若否,则结束;
2)取下一条路径;
3)判断是否取下一个节点,若是,则进入步骤4),若否,则返回步骤1);
4)两两计算时间窗之间的冲突(通过[ts,te]时间段是否重叠);
5)计算冲突关系:直行+直行+方向相同=跟随冲突,直行+直行+方向相反=相向冲突,非直行+直行或非直行+非直行或方向不同=交叉冲突;
6)记录冲突车辆、路段、冲突类型,并重复步骤3)至步骤6)。
结合图13所示,步骤4)中,构建备选路径方法包括以下步骤:
1)判断路径集是否为空,若是,则结束,若否,则进入步骤2);
2)取下一条路径;
3)判断是否存在冲突,若是,则进入步骤4),若否,则返回步骤1);
4)针对本路径的第一个冲突区在时间维度上进行调整尝试避让,得到避让后的新路径(空间不变,时间窗变化);
5)如果冲突节点包含本车的起点位置,则尝试退让避让,即先倒退至冲突区外(只考虑路径上冲突的第一辆车),再规划出新的最佳路径,并计算时间维度,得到退让新路径;
6)在第一个冲突区之前,寻找可以变线的节点,再规划出最佳路径,如果存在多个可选方案,则保留最佳的一个或者多个;
7)保持所有候选路径,并重复步骤1)至步骤7)。
结合图14所示,步骤5)中,求解最佳策略组合方法包括以下步骤:
1)将所有路径的候选集按照车辆进行分组,并记录每辆车可选的路径数目上限,构成一个序列。例如[1,2,3,4]表示1号车选择第1个候选路径,2号车选择第2条候选路径,依次类推;
2)每辆车随机选择一个可选路径,构成一个解;
3)随机生成N条初始解,构成初始族群;
4)对每一个解计算其评分;
5)判断评分是否达标或次数足够,若是,则结束,若否,则进入步骤6);
6)将初始族群按照评分排序后,进行繁衍操作:以最优解为基础,分别与后续的N-K(K<N)个解进行交叉,排名越靠前,则交换越多,但最多不超过50%;
7)对最优解进行编译操作,即随机选择K辆车(K<车辆总数),对这些车分别随机选择路径,K值越大则收敛速度越慢,加上之前的N-K个解,重新构建N条候选解;并重复步骤4)至步骤7)。
结合图15所示,步骤6)中,评价路径组合方法包括以下步骤:
1)对所有路径,计算冲突与分类;
2)对于不同种类的冲突设置不同的权重。例如相向冲突为100,交叉冲突为10,跟随冲突为1,分别乘以冲突发生的个数,作为惩罚分(权重系数可根据实际调整);
3)对于每一辆车而言,计算当前组合中的候选路径的耗时与理想路径(初始解)的耗时差,作为牺牲时间;
4)每条路径的惩罚分和牺牲时间进行加权映射处理。例如权重比分为1:3,那么惩罚分则映射到[0,1],牺牲时间则映射到[0,3]再相加;
5)累加所有路径的评分,则获得该组合的最终评分。
实施例
结合图16所示,在双向交叉的十字路口,A和B,C和D分别交换所在的位置。此时最佳路径都是直行,但是彼此之间形成了相向冲突。此时根据本方法,经过多轮迭代分别依次生成状态(a)至(h)的解,其中状态(b)将A和B的相向冲突转换成交叉冲突,同时增加了A和C、A和D的交叉冲突,状态(c)则在状态2的基础上解除了B的冲突,状态(d)则解除了A的冲突;同理(e)至(h)解决了C和D的冲突。这是一个通过时间、空间、多车协调变更路径最终达到通行目标的案例,只是这样的过程较步骤较多,如果车辆数目也较多的话,在实际应用中需要花费更多的计算时间。
综上所述,本发明多车路径规划方法,在二维空间的基础上,考虑时间维度、车辆维度综合解决行车冲突,不仅解决车辆综合可行性问题,在此基础上做到近似路径综合最佳。其核心思想是利用图论的高效路径规划结果作为参考依据,并综合时空优点提供次优路径选择集合,避免选择范围过大,效率低的问题,再利用启发式算法在有限的解空间上进行多轮迭代检索,从而求出近似最优解,满足工程应用。因为求解结果与数据量有关,求解过程消耗时间不稳定,所以求出的解效果与实际工程应用场景要求相关:场景比较简单,可计算的时间比较长,则效果较好,反之则效果相对差一些。本文提出的方案尤其适用于自动化集装箱码头、自动化空港、自动化仓储、自动化停车库领域,随着自动化技术的发展,其应用越来越广。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (12)
1.一种封闭式、密网型、自动化物流园区的多车路径规划方法,对二维空间地图进行建模,得到有向连通图G(V,E),其特征在于,包括以下步骤:
1)创建初始集;
2)将路径扩展到时间维;
3)计算冲突与分类;
4)构建候选路径集合;
5)求解更好的路径组合;
6)评价是否达到结束条件;
7)根据步骤6)的结果和迭代次数决定是否退出,若未退出,则迭代步骤2)至步骤6);
所述步骤5)具体如下:
使用求解最佳策略组合方法在步骤4)中求解更好策略;
采用启发式方法,分别计算可能的路径结合;
所述求解最佳策略组合方法包括以下步骤:
1)将所有路径的候选集按照车辆进行分组,并记录每辆车可选的路径数目上限,构成一个序列;
2)每辆车随机选择一个可选路径,构成一个解;
3)随机生成N条初始解,构成初始族群;
4)对每一个解计算其评分;
5)判断评分是否达标或次数足够,若是,则结束,若否,则进入步骤6);
6)将初始族群按照评分排序后,进行繁衍操作:以最优解为基础,分别与后续的N-K个解进行交叉,排名越靠前,则交换越多,但最多不超过50%;
7)对最优解进行编译操作,即随机选择K辆车,对这些车分别随机选择路径,K值越大则收敛速度越慢,加上之前的N-K个解,重新构建N条候选解;并重复步骤4)至步骤7)。
2.根据权利要求1所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述步骤1)具体如下:
对于给定的批量任务集合T(Ti),i∈[1,n],n为任务数目,对其中每一个任务Ti,采用单车路径规划方法生成初始最佳路径集合R(Ri),i∈[1,n],对于任意的路径Ri(Vj,Vk...Vn)而言,Vx,x∈[j,k...n]表示依次通过的所述图G(V,E)中的顶点,即Vx∈V。
3.根据权利要求1所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述步骤2)具体如下:
对每一条路径Ri,使用路径上的时间窗计算方法对每一个空间节点Vx,Vx∈Ri创建时间窗Ti(Vx,Mk,ts,te),其中Vx表示路径上的节点,Mk表示车辆编号,ts表示开始占用时间,te表示释放时间。
4.根据权利要求1所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述步骤3)具体如下:
使用路径冲突计算与分类方法检查所有路径上的时间窗,对于同一个节点上的时间窗而言,只要存在交叉,记录所有存在冲突的车辆集合M。
5.根据权利要求1所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述步骤4)具体如下:
使用构建备选路径方法对每一条路径根据不同的策略构建多条最佳路径;
对未有冲突的路径,不必进行调整;
对有冲突的路径,则分别采用时间避让、不变线空间避让、变线空间避让,分别计算最佳路径,做为待选路径集合。
6.根据权利要求1所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述步骤6)具体如下:
使用评价路径组合方法,对步骤5)的求解结果进行评分。
7.根据权利要求2所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述单车路径规划方法包括以下步骤:
1)将起点的距离设置为0,加入待处理集合,设置已处理结合为空,终点加入终点集合;
2)判断待处理集是否为空,若是,则说明路径不存在,若否,则进入步骤3);
3)从待处理集中取距离起点最近的点;
4)判断该点是否在终点集,若是,则根据父节点关系回溯到起点,输出路径,若否,则进入步骤5);
5)根据该点沿着边取下一个可到达的节点;
6)判断节点是否存在,若是,则进入步骤7),若否,则返回步骤2);
7)判断节点是否在已处理点集合,若否,则进入步骤8),若是,则返回步骤5);
8)判断节点是否在待处理点集合,若是,则进入步骤9),若否,则将节点存入待处理集,保留父节点关系和起点距离;
9)进行松弛处理,计算与起点的距离;
10)判断距离是否小于候选点中存储的距离,若是,则进入步骤11),若否,则返回步骤5);
11)更新候选点钟的距离和父节点关系,并重复步骤2)至步骤11)。
8.根据权利要求3所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述路径上的时间窗计算方法包括以下步骤:
1)起点的时间窗开始时间为当前时刻,终点时刻为节点距离/车速;
2)将所有的路径节点依次加入待处理集合;
3)取下一个待处理的节点;
4)计算开始占用时间=前一个节点离开时间-前一个节点距离/车速;
5)判断是否到达终点,若是,则进入步骤6),若否,则计算离开时间=前一个节点离开时间+前一个节点距离/车速,并再返回步骤2);
6)离开时间为预估停靠时间。
9.根据权利要求4所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述路径冲突计算与分类方法包括以下步骤:
1)判断是否取下一条路径,若是,则进入步骤2),若否,则结束;
2)取下一条路径;
3)判断是否取下一个节点,若是,则进入步骤4),若否,则返回步骤1);
4)两两计算时间窗之间的冲突;
5)计算冲突关系:直行+直行+方向相同=跟随冲突,直行+直行+方向相反=相向冲突,非直行+直行或非直行+非直行或方向不同=交叉冲突;
6)记录冲突车辆、路段、冲突类型,并重复步骤3)至步骤6)。
10.根据权利要求5所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述构建备选路径方法包括以下步骤:
1)判断路径集是否为空,若是,则结束,若否,则进入步骤2);
2)取下一条路径;
3)判断是否存在冲突,若是,则进入步骤4),若否,则返回步骤1);
4)针对本路径的第一个冲突区在时间维度上进行调整尝试避让,得到避让后的新路径;
5)如果冲突节点包含本车的起点位置,则尝试退让避让,即先倒退至冲突区外,再规划出新的路径,并计算时间维度,得到退让新路径;
6)在第一个冲突区之前,寻找可以变线的节点,再规划出路径;
7)保持所有候选路径,并重复步骤1)至步骤7)。
11.根据权利要求6所述的封闭式、密网型、自动化物流园区的多车路径规划方法,其特征在于,所述评价路径组合方法包括以下步骤:
1)对所有路径,计算冲突与分类;
2)对于不同种类的冲突设置不同的权重;
3)对于每一辆车而言,计算当前组合中的候选路径的耗时与理想路径的耗时差,作为牺牲时间;
4)每条路径的惩罚分和牺牲时间进行加权映射处理;
5)累加所有路径的评分,则获得该组合的最终评分。
12.一种计算机存储介质,其特征在于:包括存储器和处理器,所述存储器用以存储计算机指令,所述处理器用以在运行所述计算机指令时,执行如权利要求1-11任一项所述的封闭式、密网型、自动化物流园区的多车路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900186.6A CN113566840B (zh) | 2021-08-06 | 2021-08-06 | 封闭式、密网型、自动化物流园区的多车路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900186.6A CN113566840B (zh) | 2021-08-06 | 2021-08-06 | 封闭式、密网型、自动化物流园区的多车路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113566840A CN113566840A (zh) | 2021-10-29 |
CN113566840B true CN113566840B (zh) | 2024-03-19 |
Family
ID=78170647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110900186.6A Active CN113566840B (zh) | 2021-08-06 | 2021-08-06 | 封闭式、密网型、自动化物流园区的多车路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113566840B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999163B (zh) * | 2022-08-04 | 2022-10-25 | 北京科技大学 | 一种封闭区域无人驾驶车辆集群优化控制方法 |
CN116576880B (zh) * | 2023-05-11 | 2024-01-02 | 国汽大有时空科技(安庆)有限公司 | 一种车道级道路规划方法、装置、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
CN110530369A (zh) * | 2019-08-22 | 2019-12-03 | 北京交通大学 | 基于时间窗的agv任务调度方法 |
WO2019228081A1 (zh) * | 2018-06-01 | 2019-12-05 | 上海西井信息科技有限公司 | 基于时间窗的多车路径规划方法、系统、设备及存储介质 |
CN111932000A (zh) * | 2020-07-28 | 2020-11-13 | 太原科技大学 | 一种应用于大型物流系统的多agv调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019214115A1 (de) * | 2019-09-17 | 2021-03-18 | Robert Bosch Gmbh | Verfahren zur Verteilung von Navigationskartendaten an eine Mehrzahl von Arbeitsmaschinen |
-
2021
- 2021-08-06 CN CN202110900186.6A patent/CN113566840B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
WO2019228081A1 (zh) * | 2018-06-01 | 2019-12-05 | 上海西井信息科技有限公司 | 基于时间窗的多车路径规划方法、系统、设备及存储介质 |
CN110530369A (zh) * | 2019-08-22 | 2019-12-03 | 北京交通大学 | 基于时间窗的agv任务调度方法 |
CN111932000A (zh) * | 2020-07-28 | 2020-11-13 | 太原科技大学 | 一种应用于大型物流系统的多agv调度方法 |
Non-Patent Citations (1)
Title |
---|
考虑路径冲突的AGV 配置与调度优化;范厚明等;《运筹与管理》;第29卷(第5期);43-51 * |
Also Published As
Publication number | Publication date |
---|---|
CN113566840A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11900797B2 (en) | Autonomous vehicle planning | |
US20210341920A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US20230124864A1 (en) | Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules | |
US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
US10769525B2 (en) | Decision making for autonomous vehicle motion control | |
CN113566840B (zh) | 封闭式、密网型、自动化物流园区的多车路径规划方法 | |
Zhan et al. | Probabilistic prediction from planning perspective: Problem formulation, representation simplification and evaluation metric | |
Edison et al. | Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms | |
US20220135072A1 (en) | Method and system for data-driven and modular decision making and trajectory generation of an autonomous agent | |
Kheterpal et al. | Flow: Deep reinforcement learning for control in sumo | |
Zhang et al. | A bi-level cooperative operation approach for AGV based automated valet parking | |
Grether et al. | Simulation of urban traffic control: A queue model approach | |
Schulz et al. | Estimation of collective maneuvers through cooperative multi-agent planning | |
Liu et al. | Deep structured reactive planning | |
Khalil et al. | Exploiting multi-modal fusion for urban autonomous driving using latent deep reinforcement learning | |
CN115455718A (zh) | 面向自动驾驶系统仿真测试的关键场景生成方法及系统 | |
Deshpande et al. | Navigation in urban environments amongst pedestrians using multi-objective deep reinforcement learning | |
Jiang et al. | A reinforcement learning benchmark for autonomous driving in general urban scenarios | |
Hubmann | Belief state planning for autonomous driving: Planning with interaction, uncertain prediction and uncertain perception | |
Vasic et al. | A discrete flow simulation model for urban road networks, with application to combined car and single-file bicycle traffic | |
Zhao et al. | FLUIDS: A first-order lightweight urban intersection driving simulator | |
CN114117944B (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
Mirzaei et al. | Fine-grained acceleration control for autonomous intersection management using deep reinforcement learning | |
Zhao et al. | Fluids: A first-order local urban intersection driving simulator | |
CN115246416B (zh) | 轨迹预测方法、装置、设备及计算机可读存储介质 |
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 |