CN113671965B - 路径规划方法及装置 - Google Patents

路径规划方法及装置 Download PDF

Info

Publication number
CN113671965B
CN113671965B CN202110974724.6A CN202110974724A CN113671965B CN 113671965 B CN113671965 B CN 113671965B CN 202110974724 A CN202110974724 A CN 202110974724A CN 113671965 B CN113671965 B CN 113671965B
Authority
CN
China
Prior art keywords
robot
path
robots
collision
deadlock
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
Application number
CN202110974724.6A
Other languages
English (en)
Other versions
CN113671965A (zh
Inventor
单逸凡
董怡
李莉
孙迪
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110974724.6A priority Critical patent/CN113671965B/zh
Publication of CN113671965A publication Critical patent/CN113671965A/zh
Application granted granted Critical
Publication of CN113671965B publication Critical patent/CN113671965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种路径规划方法及装置，包括以下步骤：获取机器人组当前的位置状态；当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径。本发明的路径规划方法及装置能够高效地检测出机器人间的碰撞、死锁现象，进而更准确地规划机器人路径；在实际应用中不占用物理机和虚拟机资源，在软件中即可运行，提高执行效率；此外应用场景广泛，可满足仿真环境下数千码点内的各种路径规划需求。

Description

路径规划方法及装置
技术领域
本发明涉及智能仓储交通控制与设计领域，特别是涉及一种路径规划方法及装置。
背景技术
智能仓储的建设是现代物流业发展的重要一环，其理念在于利用自动化设备和智能的管理方法，建立更加高效、柔性和精确的仓储系统，以满足消费者趋于多样化和个性化的需求转变。智能仓储承担的主要任务是在少数工作人员辅助、多种自动化设备协同工作的条件下，按照客户下达的订单内容将仓库内种类繁多的商品以正确的种类和数量分别拣选出来，再各自装进纸箱打包封箱，最后送达到物流公司的快递揽收点装车运出仓库，其中，最主要的协同工作的自动化设备是自动引导工具(Automated Guided Vehicle，AGV)机器人。
现有技术中基于机器人的路径规划以及与此相关的智能仓储布局都是基于售前规划直接生成的，由于仿真验证时间消耗成本大，无法形成对实际应用的有效借鉴，易导致实际智能仓储模式下的运输效率并不高。
因此，如何高效地规划机器人执行任务的路径以便于快速地仿真验证是一个亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种路径规划方法及装置，用于解决现有技术中未能高效地规划机器人执行任务的路径以便于快速地仿真验证的问题。
为实现上述目的及其他相关目的，本发明提供一种路径规划方法及装置，包括以下步骤：获取机器人组当前的位置状态；当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人；基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径。
于本发明的一实施例中，所述基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测，包括：基于所述碰撞信息列表，创建机器人的碰撞关系有向图；基于所述碰撞关系有向图，确定入度为0的机器人；基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
于本发明的一实施例中，所述当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径，包括：当存在所述死锁环时，对所述死锁环中的机器人进行标记；将标记后的机器人移至预设的机器人冲突解决区；基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径。
于本发明的一实施例中，所述获取机器人组当前的位置状态之前，还包括：预先对机器人所在区域按X轴和Y轴坐标等间距划分，并设定划分后各网格节点的通行方向；基于划分后的区域、所述各网格节点的通行方向以及预设有起始位置和终止位置的任务，应用基于边关系的A星算法，确定所述机器人组中各机器人执行相应任务的最短路径；基于预设的时间间隔，遍历正在按所述最短路径执行相应任务的所述各机器人，获取所述机器人组当前的所述位置状态；所述位置状态包括所述各机器人的X轴坐标、Y轴坐标以及所述通行方向。
于本发明的一实施例中，所述当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径之后，还包括：基于预设的时间和任务，统计所述机器人组各机器人在所述时间内完成的任务数；基于所述任务数，评定机器人路径规划的优劣结果。
对应地，本发明提供一种路径规划装置，包括：获取模块，用于获取机器人组当前的位置状态；确定模块，用于当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人；第一处理模块，用于基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；第二处理模块，用于当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径。
于本发明的一实施例中，所述第一处理模块，具体用于：基于所述碰撞信息列表，创建机器人的碰撞关系有向图；基于所述碰撞关系有向图，确定入度为0的机器人；基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
于本发明的一实施例中，所述第二处理模块，具体用于：当存在所述死锁环时，对所述死锁环中的机器人进行标记；将标记后的机器人移至预设的机器人冲突解决区；基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的路径规划方法。
本发明提供一种路径规划平台，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现上述的路径规划方法。
如上所述，本发明的路径规划方法及装置，具有以下有益效果：
(1)能够高效地检测出机器人间的碰撞、死锁现象，进而更准确地规划机器人路径。
(2)通过这种路径规划方法，无需额外导入数据库，仅依靠仿真中给定的任务数据即可实现智能仓储布局设计的快速仿真。
(3)实际应用中不占用物理机和虚拟机资源，在软件中即可运行，提高执行效率。
(4)应用场景广泛，可满足仿真环境下数千码点内的各种路径规划需求。
附图说明
图1显示为本发明的路径规划方法于一实施例中的流程图。
图2a显示为本发明的路径规划方法于一实施例中的机器人所在区域示意图。
图2b显示为本发明的路径规划方法于一实施例中的通行方向示意图。
图3显示为本发明的路径规划方法于一实施例中的死锁示意图。
图4a显示为本发明的路径规划方法于一实施例中的布局比对图中的S型工作站进站路线图。
图4b显示为本发明的路径规划方法于一实施例中的布局比对图中的背靠背式工作站设计图。
图5显示为本发明的路径规划装置于一实施例中的结构示意图。
图6显示为本发明的路径规划装置于一实施例中的路径规划平台。
元件标号说明
51 获取模块
52 确定模块
53 第一处理模块
54 第二处理模块
61 处理器
62 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的路径规划方法及装置能够高效地检测出机器人间的碰撞、死锁现象，进而更准确地规划机器人路径；并且无需额外导入数据库，仅依靠仿真中给定的任务数据即可实现智能仓储布局设计的快速仿真，在实际应用中不占用物理机和虚拟机资源，在软件中即可运行，提高执行效率；此外应用场景广泛，可满足仿真环境下数千码点内的各种路径规划需求。如图1所示，于一实施例中，本发明的路径规划方法包括以下步骤：
步骤S1、获取机器人组当前的位置状态。
具体地，所述位置状态包括所述各机器人的X轴坐标、Y轴坐标以及所述通行方向。
进一步具体地，获取机器人组当前的位置状态之前，还包括：
预先对机器人所在区域按X轴和Y轴坐标等间距划分，并设定划分后各网格节点的通行方向；基于划分后的区域、所述各网格节点的通行方向以及预设有起始位置和终止位置的任务，应用基于边关系的A星算法，确定所述机器人组中各机器人执行相应任务的最短路径；基于预设的时间间隔，遍历正在按所述最短路径执行相应任务的所述各机器人，获取所述机器人组当前的所述位置状态。
其中，预先对机器人所在区域按X轴和Y轴坐标等间距划分，并设定划分后各网格节点的通行方向的处理包括：机器人所在区域预先对应有相应的地图元素文件，该地图元素文件中按照数字来表示相应的地图元素，比如，0表示禁用点，1表示路径点等；各网格节点的通行方向包括上、下、左、右四个方向中的任一个，根据地图元素文件设定当前网格节点能够通行的方向,如图2a所示，于本实施例中的机器人所在区域示意图和如图2b所示，于本实施例中的通行方向示意图。
之后，基于划分后的区域、所述各网格节点的通行方向以及预设有起始位置和终止位置的任务，应用基于边关系的A星算法，确定所述机器人组中各机器人执行相应任务的最短路径的处理包括：预先对不同的机器人设定不同的任务，每个机器人都设定有多个任务，同时设定了机器人在网格节点按照上、下、左、右四个方向通行时的成本代价；再应用基于边关系的A星算法，确定机器人组中各机器人执行相应任务的最短路径。其中，最短路径的确定分为如下2种情况。
情况一、机器人处于起始位置时，比如起始位置为任务货架，这时直接计算起始位置至终止位置的距离，比如终止位置为任务工作站，在计算距离时，应用基于边关系的A星算法，考虑机器人在网格节点的4个方向通行时的成本代价，在计算出的包含4个通行方向的成本代价的路径长度中选择路径长度最短的作为机器人执行该任务的最短路径。
情况二、在后续步骤S4中的解除死锁环并重新规划机器人路径时，机器人处于执行当前任务的过程中，即当前位置并非起始位置，这时在计算至终止位置的距离时，在情况一的计算基础上，还需要考虑当前位置至起始位置的距离计算，最终综合计算并选出最短路径。
在根据上述方法得到机器人执行某一任务的最短路径后，即可获取机器人执行该任务时每一步所在的网格节点以及下一步的通行方向，在执行过程中，若遇到下一步的网格节点有其他机器人或为工作站、换向点时，等待预设时间，再移动至该网格节点；若没有出现上述情况，则为正常路径点，无需等待，直接执行下一步，移动至该网格节点。
步骤S2、当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人。
具体地，在获取机器人组当前的位置状态后，根据位置状态中的机器人X轴坐标、Y轴坐标，对应4个通行方向，判断第一机器人和除第一机器人外的其他机器人的距离是否小于第一阈值，当比较结果为小于第一阈值时，将两个机器人的位置状态记录在碰撞信息列表中，其中，碰撞信息列表包括：机器人号、机器人的通行方向、碰撞的机器人号。
步骤S3、基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测。
具体地，基于所述碰撞信息列表，创建机器人的碰撞关系有向图；基于所述碰撞关系有向图，确定入度为0的机器人；基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
其中，碰撞关系有向图中的节点为碰撞信息列表中的机器人，碰撞关系有向图中的有向边的指向设定为当A机器人按照通行方向执行下一步时碰撞到B机器人，则A机器人指向B机器人；在创建完成后，选出碰撞关系有向图中入度为0的机器人号，将选出的机器人号按照堆栈的方式压入堆栈列表中，每从堆栈中弹出一个入度为0的机器人号，即遍历碰撞关系有向图，将与入度为0的机器人关联的其他机器人的有向边删除，直至所有入度为0的机器人号都从堆栈中弹出，更新碰撞关系有向图，当碰撞关系有向图中仍存在机器人的节点时，这些机器人的节点构成了死锁环，如图3所示，于本实施例中的死锁示意图。
步骤S4、当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径。
具体地，当存在所述死锁环时，对所述死锁环中的机器人进行标记；将标记后的机器人移至预设的机器人冲突解决区；基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径；其中，机器人冲突解决区可以设置在任务工作站旁，用于隔离避免影响其他机器人的正常任务执行；在将死锁环中的机器人都引至该区域后，机器人组中的其他机器人按照步骤S1中情况二中的最短路径计算法重新规划这些机器人的最短路径。
进一步具体的，在解除死锁环并重新规划机器人路径后，清空碰撞信息列表，并在预设的时间间隔后，再次遍历正在按所述最短路径执行相应任务的所述各机器人，获取所述机器人组当前的所述位置状态，并进行上述步骤的碰撞信息的判断检测、死锁环的解锁以及路径的重新规划。
进一步具体地，在解除所述死锁环并重新规划机器人路径之后，还包括：基于预设的时间和任务，统计所述机器人组各机器人在所述时间内完成的任务数；基于所述任务数，评定机器人路径规划的优劣结果。比如，设置相关计时器的统计时间为1小时，当统计时间到时，返回当前各机器人完成任务数并统计，根据各机器人在1小时内完成的任务总数的多少来评判机器人路径规划的优劣结果，从而可以测试得出更优的智能仓储布局，如图4a所示，于本实施例中的布局比对图中的S型工作站进站路线图；如图4b所示，于本实施例中的布局比对图中的背靠背式工作站设计图，不同的机器人在这两种布局下完成的任务数如下表一所示。
表一
由上述步骤S1至S4可知，本发明的路径规划方法及装置能够高效地检测出机器人间的碰撞、死锁现象，进而更准确地规划机器人路径；并且无需额外导入数据库，仅依靠仿真中给定的任务数据即可实现智能仓储布局设计的快速仿真，在实际应用中不占用物理机和虚拟机资源，在软件中即可运行，提高执行效率；此外应用场景广泛，可满足仿真环境下数千码点内的各种路径规划需求。
如图5所示，于一实施例中，本发明的路径规划装置包括：
获取模块51，用于获取机器人组当前的位置状态；
确定模块52，用于当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人；
第一处理模块53，用于基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；
第二处理模块54，用于当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径。
其中，所述第一处理模块53，具体用于：
基于所述碰撞信息列表，创建机器人的碰撞关系有向图；
基于所述碰撞关系有向图，确定入度为0的机器人；
基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；
当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
所述第二处理模块54，具体用于：
当存在所述死锁环时，对所述死锁环中的机器人进行标记；
将标记后的机器人移至预设的机器人冲突解决区；
基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径。
本实施例的路径规划装置具体实现的技术特征与实施例1中路径规划方法中的各步骤的原理基本相同，方法和装置之间可以通用的技术内容不作重复赘述。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的路径规划方法。
如图6所示，于一实施例中，本发明的路径规划平台包括：处理器61及存储器62。
所述存储器62用于存储计算机程序。
所述存储器62包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器61与所述存储器62相连，用于执行所述存储器62存储的计算机程序，以使所述路径规划平台执行上述的路径规划方法。
优选地，上述的处理器61可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的路径规划方法及装置能够高效地检测出机器人间的碰撞、死锁现象，进而更准确地规划机器人路径；并且无需额外导入数据库，仅依靠仿真中给定的任务数据即可实现智能仓储布局设计的快速仿真，在实际应用中不占用物理机和虚拟机资源，在软件中即可运行，提高执行效率；此外应用场景广泛，可满足仿真环境下数千码点内的各种路径规划需求。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种路径规划方法，其特征在于，所述路径规划方法包括以下步骤：
预先对机器人所在区域按X轴和Y轴坐标等间距划分，并设定划分后各网格节点的通行方向；
基于划分后的区域、所述各网格节点的通行方向以及预设有起始位置和终止位置的任务，应用基于边关系的A星算法，确定机器人组中各机器人执行相应任务的最短路径；
基于预设的时间间隔，遍历正在按所述最短路径执行相应任务的所述各机器人，获取所述机器人组当前的位置状态；所述位置状态包括所述各机器人的X轴坐标、Y轴坐标以及所述通行方向；
当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人；
基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；
当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径；
所述最短路径的确定包括：
情况一：机器人处于起始位置时，计算起始位置至终止位置的距离，并计算机器人在网格节点的4个方向通行时的成本代价，根据包含4个通行方向的成本代价的路径长度，选择路径长度最短的一条作为机器人执行任务的最短路径；
情况二:当机器人解除所述死锁环并重新规划机器人路径时，机器人在当前任务的执行过程中，在计算情况一中所述最短路径的基础上计算当前位置至起始位置的距离，最终综合计算并选出所述最短路径。
2.根据权利要求1所述的方法，其特征在于，所述基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测，包括：
基于所述碰撞信息列表，创建机器人的碰撞关系有向图；
基于所述碰撞关系有向图，确定入度为0的机器人；
基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；
当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
3.根据权利要求2所述的方法，其特征在于，所述当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径，包括：
当存在所述死锁环时，对所述死锁环中的机器人进行标记；
将标记后的机器人移至预设的机器人冲突解决区；
基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径。
4.根据权利要求1所述的方法，其特征在于，所述当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径之后，还包括：
基于预设的时间和任务，统计所述机器人组各机器人在所述时间内完成的任务数；
基于所述任务数，评定机器人路径规划的优劣结果。
5.一种路径规划装置，其特征在于，包括：
获取模块，预先对机器人所在区域按X轴和Y轴坐标等间距划分，并设定划分后各网格节点的通行方向；基于划分后的区域、所述各网格节点的通行方向以及预设有起始位置和终止位置的任务，应用基于边关系的A星算法，确定机器人组中各机器人执行相应任务的最短路径；基于预设的时间间隔，遍历正在按所述最短路径执行相应任务的所述各机器人，获取所述机器人组当前的位置状态；所述位置状态包括所述各机器人的X轴坐标、Y轴坐标以及所述通行方向；
确定模块，用于当第一机器人和所述机器人组中除所述第一机器人外的其他机器人的距离小于第一阈值时，将比较结果为小于所述第一阈值的两个机器人的位置状态记录在碰撞信息列表中；所述第一机器人为所述机器人组中的任一机器人；
第一处理模块，用于基于所述碰撞信息列表，应用拓扑排序法进行死锁环检测；
第二处理模块，用于当存在所述死锁环时，应用预设的避障区规划法，解除所述死锁环并重新规划机器人路径；
所述最短路径的确定包括：
情况一：机器人处于起始位置时，计算起始位置至终止位置的距离，并计算机器人在网格节点的4个方向通行时的成本代价，根据包含4个通行方向的成本代价的路径长度，选择路径长度最短的一条作为机器人执行任务的最短路径；
情况二:当机器人解除所述死锁环并重新规划机器人路径时，机器人在当前任务的执行过程中，在计算情况一中所述最短路径的基础上计算当前位置至起始位置的距离，最终综合计算并选出所述最短路径。
6.根据权利要求5所述的装置，其特征在于，所述第一处理模块，具体用于：
基于所述碰撞信息列表，创建机器人的碰撞关系有向图；
基于所述碰撞关系有向图，确定入度为0的机器人；
基于所述入度为0的机器人，遍历所述碰撞关系有向图，依次将与所述入度为0的机器人关联的机器人的入度减1，确定更新后的所述碰撞关系有向图；
当所述碰撞关系有向图中存在机器人的节点时，所述机器人的节点构成所述死锁环。
7.根据权利要求6所述的装置，其特征在于，所述第二处理模块，具体用于：
当存在所述死锁环时，对所述死锁环中的机器人进行标记；
将标记后的机器人移至预设的机器人冲突解决区；
基于除所述死锁环中机器人外的所述机器人组的其他机器人，应用基于边关系的A星算法，重新规划机器人路径。
8.一种存储介质，存储有程序指令，其中，所述程序指令被执行时实现如权利要求1至权利要求4任一项所述的路径规划方法的步骤。
9.一种路径规划平台，其特征在于：包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如权利要求1至权利要求4任一权利要求所述的路径规划方法的步骤。
CN202110974724.6A 2021-08-24 2021-08-24 路径规划方法及装置 Active CN113671965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974724.6A CN113671965B (zh) 2021-08-24 2021-08-24 路径规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974724.6A CN113671965B (zh) 2021-08-24 2021-08-24 路径规划方法及装置

Publications (2)

Publication Number Publication Date
CN113671965A CN113671965A (zh) 2021-11-19
CN113671965B true CN113671965B (zh) 2024-03-12

Family

ID=78545712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974724.6A Active CN113671965B (zh) 2021-08-24 2021-08-24 路径规划方法及装置

Country Status (1)

Country Link
CN (1) CN113671965B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114674322A (zh) * 2022-03-30 2022-06-28 同济大学 一种单通道场景下的启发式路径规划方法、设备及介质
CN114815857B (zh) * 2022-06-28 2022-10-11 广东邦盛北斗科技股份公司 基于北斗导航的智能化农机管理方法、系统及云平台
CN115167411A (zh) * 2022-07-01 2022-10-11 安徽机电职业技术学院 一种移动机器人的局部路径优化方法及系统
CN115683120B (zh) * 2022-12-30 2023-04-14 湖北凯乐仕通达科技有限公司 机器人多车互锁检测、解锁方法和装置

Citations (10)

* 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
KR20110026776A (ko) * 2009-09-08 2011-03-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
KR20130107062A (ko) * 2012-03-21 2013-10-01 한국과학기술원 복수의 이동체의 경로를 계획하는 장치 및 방법
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN108279675A (zh) * 2018-01-19 2018-07-13 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
CN110058586A (zh) * 2019-03-12 2019-07-26 浙江大华技术股份有限公司 一种自动导引运输车路径冲突的避让方法及装置
CN111487983A (zh) * 2020-06-11 2020-08-04 上海振华重工(集团)股份有限公司 一种封闭式自动化物流园区的多台agv调度方法
CN112362063A (zh) * 2020-11-13 2021-02-12 四川大学 基于碰撞类型划分的多机器人路径规划方法和系统
CN112835364A (zh) * 2020-12-30 2021-05-25 浙江大学 一种基于冲突检测的多机器人路径规划方法
CN112833905A (zh) * 2021-01-08 2021-05-25 北京大学 基于改进a*算法的分布式多agv无碰撞路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10642282B2 (en) * 2017-04-12 2020-05-05 X Development Llc Roadmap annotation for deadlock-free multi-agent navigation

Patent Citations (11)

* 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
KR20110026776A (ko) * 2009-09-08 2011-03-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
KR20130107062A (ko) * 2012-03-21 2013-10-01 한국과학기술원 복수의 이동체의 경로를 계획하는 장치 및 방법
CN108279675A (zh) * 2018-01-19 2018-07-13 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
WO2019141218A1 (zh) * 2018-01-19 2019-07-25 库卡机器人(广东)有限公司 多移动机器人的冲突管理方法及系统
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN110058586A (zh) * 2019-03-12 2019-07-26 浙江大华技术股份有限公司 一种自动导引运输车路径冲突的避让方法及装置
CN111487983A (zh) * 2020-06-11 2020-08-04 上海振华重工(集团)股份有限公司 一种封闭式自动化物流园区的多台agv调度方法
CN112362063A (zh) * 2020-11-13 2021-02-12 四川大学 基于碰撞类型划分的多机器人路径规划方法和系统
CN112835364A (zh) * 2020-12-30 2021-05-25 浙江大学 一种基于冲突检测的多机器人路径规划方法
CN112833905A (zh) * 2021-01-08 2021-05-25 北京大学 基于改进a*算法的分布式多agv无碰撞路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于TI-A~*的多机器人动态规划协调方法研究;赵萍;雷新宇;陈波芝;杨矫云;;系统仿真学报;20190508(05);全文 *
基于改进A~*算法的多机器人动态路径规划;董朝瑞;郭欣;李宁;邵谢宁;;高技术通讯(01);全文 *
智慧工厂中多移动机器人路径规划研究;梁爽;《中国优秀硕士学位论文全文数据库信息科技辑》;第3-4章 *
自动化立体仓库中智能AGV群体的静态路径规划与动态避障决策研究;房殿军;周涛;;物流技术(06);全文 *

Also Published As

Publication number Publication date
CN113671965A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113671965B (zh) 路径规划方法及装置
US10210212B2 (en) Dynamic layout management for robotics warehouse system
US10860750B2 (en) Model driven layout design for robotics warehouse
CN107766965B (zh) 一种基于自动引导车的快递分拣方法
CN116588569B (zh) 一种仓储物资出入库控制方法及其控制系统
JP2023501307A (ja) 車両スケジューリング方法、装置、およびシステム
CN116540656A (zh) 一种基于数字孪生的制造车间多agv无冲突路径调度方法
Dharmasiri et al. Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach
Dotoli et al. Deadlock detection and avoidance strategies for automated storage and retrieval systems
Shah et al. Colored Petri net model for significant reduction of invariants in flexible manufacturing systems
Hoshino et al. Hybrid design methodology and cost-effectiveness evaluation of AGV transportation systems
Saren et al. Review of flexible manufacturing system based on modeling and simulation
Zhou et al. Introduction to Petri nets in flexible and agile automation
CN109408921A (zh) 基于物流路径网络的复杂离散制造系统物流建模仿真方法
US20080183321A1 (en) Methods, systems, and computer program products for product randomization and analysis in a manufacturing environment
Fazlollahtabar et al. A Monte Carlo simulation to estimate TAGV production time in a stochastic flexible automated manufacturing system: a case study
Beamon et al. Performability-based fleet sizing in a material handling system
CN113588195B (zh) 碰撞堵塞检测方法及装置
CN111487962B (zh) 一种应用于仓储环境下多机器人路径快速规划方法
Berndt et al. Real-Time Task Scheduling and Multi-Vehicle Navigation for Intra-Logistics
Nazzal et al. Expected response times for closed-loop multivehicle amhs
Rivas et al. Auction model for transport order assignment in AGV systems
JP7469947B2 (ja) ピッキングシステム及びピッキング作業の制御方法
CN114919907B (zh) 道口进箱模拟控制方法、终端以及介质
Sen et al. Optimal minimal-contact routing of randomly arriving agents through connected networks

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