CN113759915B - 一种agv小车路径规划方法、装置、设备及存储介质 - Google Patents
一种agv小车路径规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113759915B CN113759915B CN202111052691.6A CN202111052691A CN113759915B CN 113759915 B CN113759915 B CN 113759915B CN 202111052691 A CN202111052691 A CN 202111052691A CN 113759915 B CN113759915 B CN 113759915B
- Authority
- CN
- China
- Prior art keywords
- square
- obstacle
- agv
- path
- agv trolley
- 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 37
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 241000282461 Canis lupus Species 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 18
- 241000282421 Canidae Species 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001290864 Schoenoplectus Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G05D1/0214—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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种AGV小车路径规划方法、装置、设备及存储介质。包括：采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。能够适用于动态环境下的路径规划，同时提高了收敛速度，进而使AGV小车在配送中具有路径规划速度快且稳定的特点。
Description
技术领域
本发明涉及路径规划技术领域，尤其涉及一种AGV小车路径规划方法、装置、设备及存储介质。
背景技术
AGV小车(Automated Guided Vichel，自动导引运输车)广泛应用在现代工厂中，具有运输效率高、节能、工作可靠、能实现柔性运输等许多优点，极大地提高了自动化程度和生产效率。因此，如何规划AGV小车的行驶路径，使得AGV小车能够较快地完成配送任务，显得尤为重要。然而，目前常用的路径规划算法适用范围较小，不能较好地适用于动态环境下的路径规划。
发明内容
本发明提供一种AGV小车路径规划方法、装置、设备及存储介质，以解决现有技术适用范围较小的问题，本发明能够适用于动态环境下的路径规划，同时提高了收敛速度，进而使AGV小车在配送中具有路径规划速度快且稳定的特点。
本发明实施例提供了一种AGV小车路径规划方法，包括：
采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。
进一步地，所述当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径，包括：
当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径。
进一步地，所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,a)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
本发明实施例还提供了一种AGV小车路径规划装置，包括：
图像采集模块，用于采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
初始路径获取模块，用于采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
最优路径获取模块，用于当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。
进一步地，所述最优路径获取模块包括：
障碍物邻近方格获取单元，用于当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算单元，用于计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
最优路径获取单元，用于根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径。
进一步地，所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,a)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
本发明实施例还提供了一种AGV小车路径规划设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述的AGV小车路径规划方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述的AGV小车路径规划方法。
与现有技术相比，本发明实施例提供的一种AGV小车路径规划方法、装置、设备及存储介质，通过采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。由此可见，本发明实施例基于灰狼算法和基于正向搜索的路径规划算法，能够在AGV小车配送过程中进行全局搜索、局部搜索、动态调整，完成整个配送过程的路径优化，同时提高了收敛速度，进而使AGV小车在配送中具有路径规划速度快且稳定的特点。
附图说明
图1是本发明实施例提供的一种AGV小车路径规划方法的流程示意图；
图2是本发明实施例提供的灰狼算法更新位置图；
图3是本发明又一实施例提供的一种AGV小车路径规划方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的一种AGV小车路径规划方法的流程示意图，包括：
S11、采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
可以理解的，采用栅格法将所述图像分割成预设的同等大小的方格，具体地，所述方格的大小是与AGV小车的长宽相适应的。
S12、采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
S13、当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。
需要说明的是，灰狼算法包括社会等级分层、包围、捕猎和攻击三种行为，分别对应AGV小车配送环境、定位方位、确定路径。
在一具体实施例中，所述灰狼算法包括：
(1)首先进行社会等级分层，计算种群中灰狼个体的适应度，假设灰狼个体中适应度最好的三只狼为K、M、N，这三个个体中K个体负责对整个狼群进行管理和决策，是社会等级的第一层，K狼是支配狼。M个体服从于K个体，协助K个体做出决策的同时支配下层所有狼群。N个体是适应度次于K、M个体的灰狼个体，它服从K、M两狼并支配剩余层级的灰狼，构建灰狼社会等级层次模型；可以理解的，通过在整个狼群中随机分配有一定可行域的随机数，然后再将其中适应度最好的三只狼提取出来，得到适应度最好的三只狼K、M、N；
(2)其次是包围步骤，灰狼对猎物进行包围，包围猎物之后即将捕猎猎物，假设个体K、M、N分别为第一狩猎者、第二狩猎者、第三狩猎者，对包围行为进行数学建模，得到包围模型：
其中，是狼群和猎物的距离；/>为猎物所在位置、/>为灰狼所在位置；/> 是系数向量，/>为[0,1]之间的随机向量；b为[2,0]之间的线性递减数，t为当前迭代次数；
(3)之后是捕猎步骤，灰狼具有识别潜在猎物(最优解)位置的能力，搜索过程主要靠K、M、N三只灰狼的指引来完成。但是很多问题的解空间特征是未知的，灰狼是无法确定猎物(最优解)的精确位置。为了模拟灰狼(候选解)的搜索行为，假设K、M、N三者具有较强识别潜在猎物位置的能力。因此，在每次迭代过程中，保留当前种群中的最好三只灰狼(K、M、N)，然后根据它们的位置信息来更新其它搜索代理的位置。对捕猎行为进行数学建模，得到捕猎模型：
其中，为K、M、N这三只灰狼与当前解/>的近似距离，/>为当前K、M、N这三只灰狼的位置；/>为随机向量。
根据下式更新灰狼位置：
其中，为当前K、M、N这三只灰狼的位置，/>均为随机向量，/>表示灰狼对猎物最终的攻击位置，/>表示K、M、N这三只灰狼的包围步长。如图2所示，候选解的位置最终都落在被K、M、N定义的随机圆中，总的来说，K、M、N需先预测出猎物(潜在最优解)的大致位置，然后其他候选狼在当前最优狼的牵引下随机更新它们的位置。
(4)捕猎成功后是攻击步骤，这是最后一个步骤，这个过程需要通过调节参数E来实现，在|E|小于1时，狼群选择狩猎，当|E|大于1时，狼群选择远离猎物；
可以理解的，调节参数E是一个取值范围在-b到b的均匀随机数，且为常数，初始值为2，一般不会变化，只有在预测到猎物后会降到1以下。
可以理解的，灰狼优化算法，是一种通过模仿灰狼等级划分和捕食行为来进行路径规划和搜索的一种群智能优化算法。该算法具有比较强大的收敛性能，参数少、易实现使其在机器学习、函数寻优、图像分类、数据挖掘、电力调度、控制器设计调优等方面得到广泛应用。在AGV小车配送过程中面临容量限制、配送需求和成本等问题，有多个不确定因素，一般算法难以解决，本发明实施例通过灰狼算法，能够减少控制参数，计算简单，动态规划稳定。
可以理解的，考虑到灰狼算法的静态场景处理能力强而动态处理可能力不从心，面对在动态环境下因出现障碍物导致路径无法通行的情况，则需要进行障碍排除，重新规划路径。本发明实施例在灰狼优化算法三个环节结束后，AGV小车的初始路径已经定好，先按初始路径运送，直至遇到障碍，通过基于正向搜索的路径规划算法，获取AGV小车的最优路径。
作为上述方案的改进，所述当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径，包括：
当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径。
可以理解的，因为方格即正方形有四条边，理论上来说是需要取与障碍物方格邻接的四块方格，但由于障碍物方格四边相邻的四个方格与目标终点所在方格连线组成的路径中，一边短，另一边距离就比它长，直接舍弃。比如以障碍物为圆心，假设终点在右上角，那么障碍物相邻的四个方格中左边方格一定会比右边方格距离终点更远。一般先取与障碍物方格邻接的方格，然后如果邻接的方格中也出现障碍的话，则另外再在这个邻接方格的三个邻接方格中进行选择。
在本发明实施例中，将障碍物所在的障碍物方格标记为zi，i≥1，i为整数，i为路径规划中某块障碍，从数字1排起并往下递增。当所述AGV小车在所述初始路径上遇到障碍物时，标记所述障碍物所在的障碍物方格Z1，并标记靠近所述障碍物方格Z1的三个方格，比较三个方格与配送目的地的距离(rhs)，选取最短的距离进行配送，在余下的路径中出现障碍物则继续标记选优，动态调整得出路径规划，最后进行路径检验，开始配送。本发明实施例采用正向搜索方式，能够顺利解决在未知环境下AGV小车的路径规划需求，首先假设未知空间都是自由空间，再最小化rhs值找终点到各个障碍点的最短距离，最后在正向搜索中排除障碍点更新地图。
作为上述方案的改进，所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,a)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
可以理解的，在AGV小车次遇到障碍物时，标记为障碍物方格为z1，分别标记邻接障碍物方格z1三条边的三个邻接最近方格z11、z12、z13，若z11存在障碍物，标记z11三条边的三个邻接最近方格z111、z112、z113，则g*(a′)表示z111、z112、z113分别到z11之间的距离。其他方格遇到障碍物也是同样处理，因而不再赘述。
示例性，如图3所示，在智慧工厂内AGV小车开始配送物料时，首先会初始化狼群，即将配送空间内所有的AGV小车初始化，调节整理灰狼算法参数，包括种群规模Y和迭代次数。在正式开始时先计算各个体的适应度，保存适应度最好的前三只狼K、M、N，即适应度最好的且离终点综合因素最好的三台AGV小车。下一步骤是进行包围，对包围行为进行数学建模并计算得出结果，不断迭代不断更新，可以在AGV小车出发前需要进行路径随机试错，缩小可能出现的错误范围。之后就是进行捕猎，捕猎过程中更新参数后再计算灰狼适应度，对捕猎行为进行数学建模并更新灰狼K、M、N所在位置同时更新灰狼K、M、N的适应度，不断循环更新直到发现猎物，即AGV小车进行捕猎模型的计算以调整路径，直到路径上发现终点为止，获得初始路径，AGV小车会按照初始路径前往捕猎，进行攻击，即到达终点。最后是动态调整，在实际情况下，完全静态的工厂环境是难以存在的，多数存在动态因素，灰狼算法的路径规划会出现规划路线不是最优、路上有障碍难以越过的问题，采用动态环境应用效果极佳的基于正向搜索的路径规划算法进行动态调整，先进行初始化，其次要计算障碍点到终点的距离rhs(a)、起点到靠近障碍点的三个方格的代价值g(a)，然后舍弃灰狼算法得到的初始路径出现障碍后的所有路径，并重新规划出现障碍后的路径，获取AGV小车的最优路径。
本发明实施例提供的一种AGV小车路径规划方法，在AGV小车配送过程中进行全局搜索、局部搜索、动态调整，完成整个配送过程的路径优化。相比于普遍的算法，该算法在控制参数数量上进行抑制，克服了配送过程中繁琐的工作量及运算中高额成本，并且提高了收敛速度和数据挖掘的深度，进而使AGV小车在配送中具有路径规划速度快且稳定的特点。同时，因为路径规划考虑动态因素，所以在动态环境下仍然能够运行，适应性更广，路径规划较优，节省了在错误路径下的浪费成本。
本发明实施例还提供了一种AGV小车路径规划装置，包括：
图像采集模块，用于采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
初始路径获取模块，用于采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
最优路径获取模块，用于当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径。
优选地，所述最优路径获取模块包括：
障碍物邻近方格获取单元，用于当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算单元，用于计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
最优路径获取单元，用于根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径。
优选地，所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,a)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
需要说明的是，本发明实施例提供的一种AGV小车路径规划装置用于执行上述实施例的一种AGV小车路径规划方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本发明实施例还提供了一种AGV小车路径规划设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一实施例所述的AGV小车路径规划方法。
本发明实施例还提供了一种AGV小车路径规划设备，所述AGV小车路径规划设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的AGV小车路径规划方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述AGV小车路径规划设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述AGV小车路径规划设备的控制中心，利用各种接口和线路连接所述AGV小车路径规划设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述AGV小车路径规划设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，并不构成对AGV小车路径规划设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一实施例所述的AGV小车路径规划方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种AGV小车路径规划方法，其特征在于，包括：
采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径；
所述当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径，包括：
当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径；
所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,zi)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
2.一种AGV小车路径规划装置，其特征在于，包括：
图像采集模块，用于采集AGV小车所在环境的图像，将所述图像分割成预设的同等大小的方格，并在所述图像上设置起点方格和终点方格；
初始路径获取模块，用于采用灰狼算法，得到所述AGV小车从所述起点方格到所述终点方格的初始路径；
最优路径获取模块，用于当所述AGV小车在所述初始路径上遇到障碍物时，采用基于正向搜索的路径规划算法，获取AGV小车的最优路径；
所述最优路径获取模块包括：
障碍物邻近方格获取单元，用于当所述AGV小车在所述初始路径上遇到障碍物时，获取所述障碍物所在的障碍物方格，并获取靠近所述障碍物方格的第一方格、第二方格与第三方格；
计算单元，用于计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值；
最优路径获取单元，用于根据所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，获取AGV小车的最优路径；
所述计算所述障碍物方格到所述终点方格的距离、所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值，包括：
根据下式计算所述障碍物方格到所述终点方格的距离：
rhs(zi)＝min(g(a′)-z(a′,zi))
式中，z(a′,zi)表示起点a′到障碍物方格zi的距离，g(a′)表示从起点方格到终点方格的距离，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数；
根据下式计算所述起点方格分别到所述第一方格、所述第二方格、所述第三方格的代价估计值：
g(zi)＝min(z(a′,zi)+g*(a′))
式中，z(a′,zi)表示起点方格a′到障碍物方格zi的距离，g*(a′)表示第二次邻接最近方格到第一次邻接最近方格之间的距离，第一次邻接最近方格为当第一次在初始路径上遇到障碍物时，获取到的靠近障碍物的方格，第二次邻接最近方格为当第一次邻接最近方格存在障碍物时，获取到的靠近第一次邻接最近方格的方格，i表示AGV小车遇到的第i个障碍物，i≥1，i为整数。
3.一种AGV小车路径规划设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1所述的AGV小车路径规划方法。
4.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1所述的AGV小车路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052691.6A CN113759915B (zh) | 2021-09-08 | 2021-09-08 | 一种agv小车路径规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052691.6A CN113759915B (zh) | 2021-09-08 | 2021-09-08 | 一种agv小车路径规划方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113759915A CN113759915A (zh) | 2021-12-07 |
| CN113759915B true CN113759915B (zh) | 2023-09-15 |
Family
ID=78794068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052691.6A Active CN113759915B (zh) | 2021-09-08 | 2021-09-08 | 一种agv小车路径规划方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759915B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115469673B (zh) * | 2022-11-02 | 2023-03-14 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息协同的无人车路径规划方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102520718A (zh) * | 2011-12-02 | 2012-06-27 | 上海大学 | 一种基于物理建模的机器人避障路径规划方法 |
| WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
| CN107990903A (zh) * | 2017-12-29 | 2018-05-04 | 东南大学 | 一种基于改进a*算法的室内agv路径规划方法 |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| CN112082567A (zh) * | 2020-09-05 | 2020-12-15 | 上海智驾汽车科技有限公司 | 基于改进Astar和灰狼算法结合的地图路径规划方法 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
| CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
-
2021
- 2021-09-08 CN CN202111052691.6A patent/CN113759915B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102520718A (zh) * | 2011-12-02 | 2012-06-27 | 上海大学 | 一种基于物理建模的机器人避障路径规划方法 |
| WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
| CN107990903A (zh) * | 2017-12-29 | 2018-05-04 | 东南大学 | 一种基于改进a*算法的室内agv路径规划方法 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| CN112082567A (zh) * | 2020-09-05 | 2020-12-15 | 上海智驾汽车科技有限公司 | 基于改进Astar和灰狼算法结合的地图路径规划方法 |
| CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
| CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 1种机器人工作区域协同搜索避障巡检策略;李靖 等;《中国安全生产科学技术》;第16卷(第6期);第23-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113759915A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109724612B (zh) | 一种基于拓扑地图的agv路径规划方法及设备 | |
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| CN110135644B (zh) | 一种用于目标搜索的机器人路径规划方法 | |
| CN107766405A (zh) | 自动车辆道路模型定义系统 | |
| CN108827311B (zh) | 一种制造车间无人搬运系统路径规划方法 | |
| CN113252027B (zh) | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 | |
| CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
| CN109581987B (zh) | 一种基于粒子群算法的agv调度路径规划方法及系统 | |
| CN113759915B (zh) | 一种agv小车路径规划方法、装置、设备及存储介质 | |
| Yang et al. | A novel path planning algorithm for warehouse robots based on a two-dimensional grid model | |
| CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
| CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
| CN117093009B (zh) | 一种基于机器视觉的物流agv小车导航控制方法及系统 | |
| CN114427866A (zh) | 路径规划方法、电子设备以及存储介质 | |
| Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
| CN114494329A (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
| CN116817958B (zh) | 一种基于障碍物分组的参考路径生成方法、装置和介质 | |
| CN116698069A (zh) | 一种基于混沌粒子群优化算法的拣货路径优化方法 | |
| CN110647162B (zh) | 一种导游无人机路径规划方法、终端设备及存储介质 | |
| CN115979295A (zh) | 基于几何a星的叉车路径规划方法、系统、设备及介质 | |
| CN110749325A (zh) | 航迹规划方法和装置 | |
| CN115824216A (zh) | 一种养猪场喂食车自适应控制方法及系统 | |
| Hirashima et al. | A new reinforcement learning for group-based marshaling plan considering desired layout of containers in port terminals |
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 |