CN113848888B - 一种agv叉车路径规划方法、装置、设备及存储介质 - Google Patents
一种agv叉车路径规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113848888B CN113848888B CN202111053954.5A CN202111053954A CN113848888B CN 113848888 B CN113848888 B CN 113848888B CN 202111053954 A CN202111053954 A CN 202111053954A CN 113848888 B CN113848888 B CN 113848888B
- Authority
- CN
- China
- Prior art keywords
- rerouting
- change
- path
- model
- agv
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 37
- 239000002245 particle Substances 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 11
- 239000000463 material Substances 0.000 abstract description 2
- 238000013213 extrapolation Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000006698 induction Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 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
- G05D1/0212—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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Forklifts And Lifting Vehicles (AREA)
Abstract
本发明公开了一种AGV叉车路径规划方法、装置、设备及存储介质,包括:获取AGV叉车的初始移动受限区域;根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;基于几何算法,根据多个所述工作负荷建立改换路径模型;采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。本发明能够既避免了在运输过程中出现AGV小车与障碍物相撞,提高了物料运输效率,又减少了运输时间,节约成本提高企业净盈利利润。
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叉车路径规划方法、装置、设备及存储介质。
背景技术
AGV叉车(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。由于工厂里摆放的货物具有流动性,充当了AGV叉车前进路线的障碍物,导致AGV叉车与货物之间发生碰撞,使得运输物料受到损失。因此,在AGV叉车运输过程中,如何使AGV叉车完成运输任务的时间较短且能避免AGV叉车和其他货物之间发生碰撞,尤为重要。
目前常用的路径规划算法存在以下问题:当AGV叉车在原定前进的道路上出现货物堵塞时,不能及时调整AGV叉车前进路线,从而导致AGV叉车与障碍物发送碰撞。
发明内容
本发明提供一种AGV叉车路径规划方法、装置、设备及存储介质,以解决现有技术术不能及时调整AGV叉车前进路线,从而导致AGV叉车与障碍物发送碰撞的问题,本发明能够当AGV叉车在原前进道路受到障碍阻挡时,计算出一条耗时较短,运送效率较高的改换路径,使AGV叉车及时调整前进路线,既避免了在运输过程中出现AGV叉车与障碍物相撞,提高了物料运输效率,又减少了运输时间,节约成本提高企业净盈利利润。
本发明实施例提供了一种AGV叉车路径规划方法,包括:
获取AGV叉车的初始移动受限区域;
根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
基于几何算法,根据多个所述工作负荷建立改换路径模型;
采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。
进一步地,所述根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域,包括:
根据当前时刻的所述初始移动受限区域的质心位置和前一时刻的所述初始移动受限区域的质心位置,计算预设时间段内的每时刻的预测移动受限区域的预测质心位置;
根据当前时刻的所述初始移动受限区域的每一顶点位置和前一时刻的所述初始移动受限区域的每一顶点位置,计算所述预设时间段内的每时刻的所述预测移动受限区域的每一预测顶底位置,以得到所述预设时间段内的每时刻的初始预测移动受限区域;
将所述预设时间段内的每时刻的初始预测移动受限区域向外推预设距离,得到所述预设时间段内的每时刻的外推预测移动受限区域;
将所述预设时间段内的每时刻的外推预测移动受限区域合并,得到所述预设时间段内的总预测移动受限区域。
进一步地,所述基于几何算法,根据多个所述工作负荷建立改换路径模型,包括:
根据AGV叉车的原路径和所述总预测移动受限区域,确定改换起点和改换末点;
根据所述改换起点和所述改换末点,确定至少一个中间转弯点,以得到满足预设改换约束条件的多条改换路径;
根据多条所述改换路径和多个所述工作负荷,建立改换路径模型。
进一步地,所述预设改换约束条件包括:最大偏向角度约束、改换路径的有效性约束和中间转弯点数量约束。
进一步地,所述根据多条所述改换路径和多个所述工作负荷,建立改换路径模型,包括:
以多AGV叉车条件下改换路径距离最短和改换路径所在区域的总工作负荷最小为目标,建立改换路径模型:
f1(x)=ΕsWLs=α1WLs1+α2WLs2+α3WLs3
f2=L
式中,min f为改换路径模型的目标函数,wi为惯性权重,WLs为改换路径所在区域S的总工作总负荷,WLs1为监视工作负荷,WLs2为冲突工作负荷,WLs3为叉车距离改变工作负荷,α1为监视工作负荷的权重系数,α2为冲突工作负荷的权重系数,α3为叉车距离改变工作负荷的权重系数,L为改换路径的距离。
进一步地,所述改换路径模型的约束条件包括:改换时间约束、障碍物数量约束和路径优先级约束。
进一步地,所述采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径,包括:
确定粒子编码;将一个粒子定义为一辆AGV叉车,对至少一个所述中间转弯点进行编码,得到编码后的每个粒子的改换路径;
生成初始种群;将基于几何算法得到的多条所述改换路径中的AGV叉车走向作为改进的DPSO算法的初始解;
计算每个粒子的适应度函数;将适应度函数定义为所述目标函数,计算多AGV叉车条件下的改换路径距离和改换路径所在区域的总工作负荷;
获取个体最优位置;对每一个粒子,根据当前位置的适应度函数和历史最优位置对应的适应度函数的比较结果,获取个体最优位置;
获取群体最优位置;对每一个粒子,根据当前位置的适应度函数与全局最优位置对应的适应度函数的比较结果,获取群体最优位置;
更新位置;根据所述个体最优位置和所述群体最优位置,更新每个粒子的位置和速度;
获取路径;当满足预设迭代次数时,获得AGV叉车的优化改换路径。
本发明实施例还提供了一种AGV叉车路径规划装置,包括:
初始移动受限区域获取模块,用于获取AGV叉车的初始移动受限区域;
总预测移动受限区域获取模块,用于根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
TAAM仿真模型建立模块,用于基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
改换路径模型建立模块,用于基于几何算法,根据多个所述工作负荷建立改换路径模型;
优化改换路径获取模块,用于采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。
本发明实施例还提供了一种AGV叉车路径规划设备,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叉车路径规划方法。
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叉车路径规划方法。
与现有技术相比,本发明实施例提供的一种AGV叉车路径规划方法、装置、设备及存储介质,通过获取AGV叉车的初始移动受限区域;根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;基于几何算法,根据多个所述工作负荷建立改换路径模型;采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。由此可见,本发明实施例通过对路径规划算法进行优化,为AGV叉车路径规划出一条耗时较短,运送效率较高的改换路径,相比于现有的路径规划,有效避免了AGV叉车与工厂内障碍物的相撞,提高了运输效率,同时解放人力资源节约企业成本。
附图说明
图1是本发明实施例提供的一种AGV叉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一种AGV叉车的原路径和总预测移动受限区域的几何结构图。
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。
实施例一
参见图1,本发明实施例提供了一种AGV叉车路径规划方法,包括:
S11、获取AGV叉车的初始移动受限区域;
在本实施例中,在每个区域放置一感应传感器,通过感应传感器获取AGV叉车的初始移动受限区域;具体地,对工厂内以磁北方向设为y轴正方向,磁北偏东90°为x轴正方向,对工厂内的各区域进行区域划分命名,划分方式为以工厂的地面通道线为基准,工厂流水线摆放位置为主要参考,使划分出来的货物摆放区域既有条不紊,又对工厂流水线加工过程不产生影响。在每个区域的中心处放置一个感应传感器,感应该区域是否有货物摆放,并将传感数据统一录入主机中,主机通过在主机面板上用不同颜色显示不同区域以表示该区域是否放置有货物,如假设工厂某区域K1,倘若在该区域上没有货物摆放,则在主机显示屏上该区域用白色表示,倘若有货物摆放,则用红色表示。通过该方法可以对工厂进行实时监控,在主机显示屏上可以得到散点状分布的多个初始叉车移动受限区域。
本发明实施例基于无线传感网络,运用感应传感器与主机、主机显示屏之间的配合,构建工厂的改换环境网络,实现工厂内摆放货物的实时图像化显示,方便AGV叉车改换路线的选择,为智慧工厂的构建打下基础。
S12、根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
S13、基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
S14、基于几何算法,根据多个所述工作负荷建立改换路径模型;
S15、采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。
作为上述方案的改进,所述根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域,包括:
根据当前时刻的所述初始移动受限区域的质心位置和前一时刻的所述初始移动受限区域的质心位置,计算预设时间段内的每时刻的预测移动受限区域的预测质心位置;
根据当前时刻的所述初始移动受限区域的每一顶点位置和前一时刻的所述初始移动受限区域的每一顶点位置,计算所述预设时间段内的每时刻的所述预测移动受限区域的每一预测顶底位置,以得到所述预设时间段内的每时刻的初始预测移动受限区域;
将所述预设时间段内的每时刻的初始预测移动受限区域向外推预设距离,得到所述预设时间段内的每时刻的外推预测移动受限区域;
将所述预设时间段内的每时刻的外推预测移动受限区域合并,得到所述预设时间段内的总预测移动受限区域。
在一具体实施例中,由于在工厂里货物摆放具有流动性与随机性,因此,需要对叉车移动受限区域进行预测,通过简化质心位置,对边界坐标进行计算,优化外推边界的方法,不仅简化计算,使货物的摆放呈现得更加动态化,同时缩小叉车移动受限区域的范围。
1)确定观察时刻Ti(i=1,2,…,s):以AGV叉车行驶过程中的某一时刻为当前时刻T1。根据前一时刻和当前时刻的初始移动受限区域,以20分钟为时间尺度T,则前一时刻为T0=T1-20,下一时刻为T2=T1+20,第Ti+k时刻为第Ti+k=Ti+20k,预测未来2小时内的总预测移动受限区域。
2)确定质心位置:
式中,vx=(xi-xi-1)/T,vy=(yi-yi-1)/T;(xi,ti)为当前时刻的初始移动受限区域的质心位置,(xi-1,yi-1)为前一时刻的所述初始移动受限区域的质心位置,T为预设时间尺度,vx,vy分别为初始移动受限区域内障碍物在x轴和y轴方向的相应的运动速度,(xi+k,yi+k)为第Ti+k时刻的预测移动受限区域的预测质心位置,k为任意数;
3)确定边界坐标:
式中, 分别为当前时刻的初始移动受限区域边界顶点的横坐标和纵坐标,分别为前一时刻的初始移动受限区域边界顶点的横坐标和纵坐标,T为预设时间尺度,/>分别为第Ti+k时刻的预测移动受限区域边界顶点的横坐标和纵坐标;
4)确定外推边界:
式中,
其中,σ为安全裕度,由管理系统所在环境决定,倘若工厂面积大,可以适当增大σ以满足条件;m为AGV叉车数量,B为边界顶点与质心所在直线的斜率;分别为第Ti+k时刻的外推预测移动受限区域边界顶点的横坐标和纵坐标,按照顺时针方向依次连接外推预测移动受限区域的各个边界顶点;
通过(1)-(4)的公式可以得到,在观察时刻Ti时,初始预测移动受限区域的外推边界坐标,即可得到在该观察时刻预测得到的外推预测移动受限区域
5)合并外推预测移动受限区域:
对各外推预测移动受限区域进行合并即按照顺时针方向依次连接不同时刻外推预测移动受限区域各个边界顶点,得到总预测移动受限区域;
作为上述方案的改进,所述基于几何算法,根据多个所述工作负荷建立改换路径模型,包括:
根据AGV叉车的原路径和所述总预测移动受限区域,确定改换起点和改换末点;
根据所述改换起点和所述改换末点,确定至少一个中间转弯点,以得到满足预设改换约束条件的多条改换路径;
根据多条所述改换路径和多个所述工作负荷,建立改换路径模型。
作为上述方案的改进,所述预设改换约束条件包括:最大偏向角度约束、改换路径的有效性约束和中间转弯点数量约束。
在一具体实施例中,参见图2,通过以下步骤,获取多条改换路径;
1)确定改换起点和改换末点
确定AGV叉车的原路径和总预测移动受限区域A′的交点ge、gl,在原路径中选取距离交点ge、gl最近,且在总预测移动受限区域A′之外的路径点作为改换起点go和改换末点gf;
2)确定中间改弯点:
步骤1:将交点连线作为分割线,取的中点gm;/>将总预测移动受限区域A′分为两部分,分别连接两部分距离gm最远的点p1、p2,并分别将此距离记为dl,dr;
步骤2:选取rmin=min{dl,dr},过点gm作垂直于的朝向rmin区域的射线,以gm为圆心,rmin为半径作圆弧,取圆弧和射线的交点为gr,过gr作平行于原路线的直线lr,其中gr(xr,yr)公式如下:
式中:kr=(yl-ye)/(xl-xe);
Q=(xlye-xeyl)/(xl-xe);
若xl=xe,则xr=xe±rmin,yr=(ye+yl)/2;若yl=ye,则xr=(xe+xl)/2,yr=ye±rmin。当gr在dl一侧时,br和rmin共同取“-”号,反之,br和rmin共同取“+”号,(xl,yl)为交点gl为坐标位置,(xe,ye)为交点ge为坐标位置。
步骤3:若步骤2触发了预设改换约束条件即当由中间转弯点。gr构成的改换路径不满足预设改换约束条件时,选取rmax=max{dl,dr},过点gm作垂直于的朝向rmax区域的射线,以gm为圆心,rmax为半径作圆弧,取圆弧和射线的交点为gr1,得到新的中间转弯点gr1。
所述预设改换约束条件具体为:
最大偏向角度约束:最大偏向角度不大于90°;
改换路径的有效性约束:改换路径不与总预测移动受限区域相交;
中间转弯点数量约束:中间转弯点数量不超过预设第一数量阈值,具体地,中间转弯点数量可以为2、3或4个。
作为上述方案的改进,所述根据多条所述改换路径和多个所述工作负荷,建立改换路径模型,包括:
以多AGV叉车条件下改换路径距离最短和改换路径所在区域的总工作负荷最小为目标,建立改换路径模型:
f1(x)=∑sW Ls=α1WLs1+α2WLs2+α3WLs3
f2=L
式中,min f为改换路径模型的目标函数,wi为惯性权重,WLs为改换路径所在区域S的总工作总负荷,WLs1为监视工作负荷,WLs2为冲突工作负荷,WLs3为叉车距离改变工作负荷,α1为监视工作负荷的权重系数,α2为冲突工作负荷的权重系数,α3为叉车距离改变工作负荷的权重系数,L为改换路径的距离。
作为上述方案的改进,所述改换路径模型的约束条件包括:改换时间约束、障碍物数量约束和路径优先级约束。
在一具体实施例中,所述改换路径模型具体为:
f1(x)=∑sW Ls=α1WLs1+α2WLs2+α3WLs3
式中,min f为改换路径模型的目标函数,wi为惯性权重,WLs为改换路径所在区域S的总工作总负荷,WLs1为监视工作负荷,WLs2为冲突工作负荷,WLs3为叉车距离改变工作负荷,α1为监视工作负荷的权重系数,α2为冲突工作负荷的权重系数,α3为叉车距离改变工作负荷的权重系数,L为改换路径的距离,go为改换起点,gf为改换末点,gr,gr+1均为中间转弯点,d(go,gr)表示改换起点go与中间转弯点gr的距离,d(gr,gr+1)表示中间转弯点gr与中间转弯点gr+1的距离,d(gr,gf)表示中间转弯点gr与改换末点gf的距离。
可以理解的,监视工作负荷是指管制员员工在监视AGV叉车的改换路径运输过程中的工作负荷;冲突工作负荷是指AGV叉车的改换路径运输过程中发生AGV叉车被碰撞时,管制员员工需要工作的工作负荷;叉车距离改变工作负荷是指管制员员工判断改换路径是否是最优的工作负荷。
所述改换路径模型的约束条件包括:
改换时间约束:改换时间不超过预设时间阈值;
根据障碍物的影响范围,预估改换所需的总时间t。设Dof为AGV叉车改换始末点的距离,vc为AGV叉车移动速度,α为改换后所需增加路程的最大百分比:
t=Tf-To≤[(1+α)×Dof]/vc
障碍物数量约束:障碍物数量不超过预设第二数量阈值,由工厂环境决定,倘若工厂摆放的货物多,可以适当提高约束限制以避免运输过程中出现AGV叉车与货物相撞。
路径优先级约束:低复杂度路径优先,复杂度定义为路径的路径点数量。数量越少复杂度越低,反之,复杂度越高。
作为上述方案的改进,所述采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径,包括:
步骤1,确定粒子编码;将一个粒子定义为一辆AGV叉车,对至少一个所述中间转弯点进行编码,得到编码后的每个粒子的改换路径;
在一具体实施例中,每辆AGV叉车视为一个粒子,令第i(i=1,2,…,N)个粒子的位置向量为Xi=(Xi1,Xi2,…,Xiw),式子中Xi1,Xi2…Xiw为W辆AGV叉车的移动走向。第i辆AGV叉车第q次运输任务的走向可表示为:
式中,分别为第i辆AGV叉车第q次运输任务的走向的路径点。
对改换路径中的对至少一个所述中间转弯点进行编码,以简化运算;如对上式中的中间转弯点进行编码,则第i个粒子的第q次运输任务改换路径编码为
式中,分别为第i辆AGV叉车第q次运输任务的走向的路径点的编码。
步骤2,生成初始种群;将基于几何算法得到的多条所述改换路径中的AGV叉车走向作为改进的DPSO算法的初始解;
步骤3,计算每个粒子的适应度函数;将适应度函数定义为所述目标函数,计算多AGV叉车条件下的改换路径距离和改换路径所在区域的总工作负荷;
在一具体实施例中,令适应度函数fit(x)=min f,其中min f为改换路径模型的目标函数。
步骤4,获取个体最优位置;对每一个粒子,根据当前位置的适应度函数和历史最优位置对应的适应度函数的比较结果,获取个体最优位置;
步骤5,获取群体最优位置;对每一个粒子,根据当前位置的适应度函数与全局最优位置对应的适应度函数的比较结果,获取群体最优位置;
步骤6,更新位置;根据所述个体最优位置和所述群体最优位置,更新每个粒子的位置和速度;
在一具体实施例中,第i个粒子在DPSO算法中速度和位置的向量公式为:
式中,Vi为粒子i的速度向量,i=1,2,…,m;k为当前迭代次数;r1,r2为学习因子,取[0,1]之间的随机数,pb为粒子i的个体最优位置,gb为粒子i的群体最优位置。
第i个粒子的第q次运输任务,在第j个移动受限区域中可用改换路径的速度和位置的向量公式,公式如下:
式中,为当随机数r1小于或等于预设固定值C时,即不更新改换路径,保持上一次选择的改换路径;当随机数r1大于预设固定值C时,/>即从当前改换路径k和最好个体的改换路径pb中选取距离最短的改换路径。
的具体运算步骤同上,从而得到全局最优改换路径。此外,表示从两个改换路径中选择距离更长的改换路径。
步骤7,获取路径;当满足预设迭代次数时,获得AGV叉车的优化改换路径。
在本发明实施例中,至少具有以下优点:
1、采用无线传感网络建立工厂改换环境网络的方法,对工厂里货物的摆放进行24小时实时监测,实时更新在主机显示屏上,数据清晰准确透明,一目了然,方便AGV叉车改换路径的判断与选择。
2、通过结合TAAM(Total Airspace&Airport Modeller)仿真算法、几何算法、DPSO(Discrete Particle Swarm Optimization Algorithm)算法获取AGV叉车的路径规划,为AGV叉车路径规划出一条耗时较短,运送效率较高的改换路径,相比于现有的路径规划,有效避免了AGV叉车与工厂内障碍物的相撞,提高了运输效率。
3、采用AGV叉车代替人工叉车的机动装置管理系统,不仅提高运输效率,解放人力资源节约企业成本,而且未来发展前景巨大;采用更多高精度,智能化,成本低的智能管理控制系统既是未来社会发展热点,更是智能工厂构建中必不可缺的一部分。
实施例二
本发明实施例还提供了一种AGV叉车路径规划装置,包括:
初始移动受限区域获取模块,用于获取AGV叉车的初始移动受限区域;
总预测移动受限区域获取模块,用于根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
TAAM仿真模型建立模块,用于基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
改换路径模型建立模块,用于基于几何算法,根据多个所述工作负荷建立改换路径模型;
优化改换路径获取模块,用于采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径。
需要说明的是,本发明实施例二提供的一种AGV叉车路径规划装置用于执行上述实施例一的一种AGV叉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的AGV叉车路径规划方法。
本发明实施例还提供了一种AGV叉车路径规划设备,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的AGV叉车路径规划方法。
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,所述处理器是所述设备的控制中心,利用各种接口和线路连接所述电子设备的各个部分。
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。
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 (7)
1.一种AGV叉车路径规划方法,其特征在于,包括:
获取AGV叉车的初始移动受限区域;
根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
基于几何算法,根据多个所述工作负荷建立改换路径模型;
采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径;
所述基于几何算法,根据多个所述工作负荷建立改换路径模型,包括:
根据AGV叉车的原路径和所述总预测移动受限区域,确定改换起点和改换末点;
根据所述改换起点和所述改换末点,确定至少一个中间转弯点,以得到满足预设改换约束条件的多条改换路径;
根据多条所述改换路径和多个所述工作负荷,建立改换路径模型;
所述根据多条所述改换路径和多个所述工作负荷,建立改换路径模型,包括:
以多AGV叉车条件下改换路径距离最短和改换路径所在区域的总工作负荷最小为目标,建立改换路径模型:
f1(x)=ΣsWLs=α1WLs1+α2WLs2+α3WLs3
f2=L
式中,min f为改换路径模型的目标函数,wi为惯性权重,WLs为改换路径所在区域S的总工作总负荷,WLs1为监视工作负荷,WLs2为冲突工作负荷,WLs3为叉车距离改变工作负荷,α1为监视工作负荷的权重系数,α2为冲突工作负荷的权重系数,α3为叉车距离改变工作负荷的权重系数,L为改换路径的距离;
所述采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径,包括:
确定粒子编码;将一个粒子定义为一辆AGV叉车,对至少一个所述中间转弯点进行编码,得到编码后的每个粒子的改换路径;
生成初始种群;将基于几何算法得到的多条所述改换路径中的AGV叉车走向作为改进的DPSO算法的初始解;
计算每个粒子的适应度函数;将适应度函数定义为所述目标函数,计算多AGV叉车条件下的改换路径距离和改换路径所在区域的总工作负荷;
获取个体最优位置;对每一个粒子,根据当前位置的适应度函数和历史最优位置对应的适应度函数的比较结果,获取个体最优位置;
获取群体最优位置;对每一个粒子,根据当前位置的适应度函数与全局最优位置对应的适应度函数的比较结果,获取群体最优位置;
更新位置;根据所述个体最优位置和所述群体最优位置,更新每个粒子的位置和速度;
获取路径;当满足预设迭代次数时,获得AGV叉车的优化改换路径。
2.如权利要求1所述的AGV叉车路径规划方法,其特征在于,所述根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域,包括:
根据当前时刻的所述初始移动受限区域的质心位置和前一时刻的所述初始移动受限区域的质心位置,计算预设时间段内的每时刻的预测移动受限区域的预测质心位置;
根据当前时刻的所述初始移动受限区域的每一顶点位置和前一时刻的所述初始移动受限区域的每一顶点位置,计算所述预设时间段内的每时刻的所述预测移动受限区域的每一预测顶底位置,以得到所述预设时间段内的每时刻的初始预测移动受限区域;
将所述预设时间段内的每时刻的初始预测移动受限区域向外推预设距离,得到所述预设时间段内的每时刻的外推预测移动受限区域;
将所述预设时间段内的每时刻的外推预测移动受限区域合并,得到所述预设时间段内的总预测移动受限区域。
3.如权利要求1所述的AGV叉车路径规划方法,其特征在于,所述预设改换约束条件包括:最大偏向角度约束、改换路径的有效性约束和中间转弯点数量约束。
4.如权利要求1所述的AGV叉车路径规划方法,其特征在于,所述改换路径模型的约束条件包括:改换时间约束、障碍物数量约束和路径优先级约束。
5.一种AGV叉车路径规划装置,其特征在于,包括:
初始移动受限区域获取模块,用于获取AGV叉车的初始移动受限区域;
总预测移动受限区域获取模块,用于根据所述初始移动受限区域计算预设时间段内的总预测移动受限区域;
TAAM仿真模型建立模块,用于基于体积比的TAAM仿真算法,建立所述总预测移动受限区域的TAAM仿真模型,以计算多个工作负荷;
改换路径模型建立模块,用于基于几何算法,根据多个所述工作负荷建立改换路径模型;
优化改换路径获取模块,用于采用改进的DPSO算法对所述改换路径模型进行仿真,以获得AGV叉车的优化改换路径;
所述改换路径模型建立模块,包括:
根据AGV叉车的原路径和所述总预测移动受限区域,确定改换起点和改换末点;
根据所述改换起点和所述改换末点,确定至少一个中间转弯点,以得到满足预设改换约束条件的多条改换路径;
根据多条所述改换路径和多个所述工作负荷,建立改换路径模型;
所述根据多条所述改换路径和多个所述工作负荷,建立改换路径模型,包括:
以多AGV叉车条件下改换路径距离最短和改换路径所在区域的总工作负荷最小为目标,建立改换路径模型:
f1(x)=ΣsWLs=α1WLs1+α2WLs2+α3WLs x
f2=L
式中,min f为改换路径模型的目标函数,wi为惯性权重,WLs为改换路径所在区域S的总工作总负荷,WLs1为监视工作负荷,WLs2为冲突工作负荷,WLs3为叉车距离改变工作负荷,α1为监视工作负荷的权重系数,α2为冲突工作负荷的权重系数,α3为叉车距离改变工作负荷的权重系数,L为改换路径的距离;
所述优化改换路径获取模块,包括:
确定粒子编码;将一个粒子定义为一辆AGV叉车,对至少一个所述中间转弯点进行编码,得到编码后的每个粒子的改换路径;
生成初始种群;将基于几何算法得到的多条所述改换路径中的AGV叉车走向作为改进的DPSO算法的初始解;
计算每个粒子的适应度函数;将适应度函数定义为所述目标函数,计算多AGV叉车条件下的改换路径距离和改换路径所在区域的总工作负荷;
获取个体最优位置;对每一个粒子,根据当前位置的适应度函数和历史最优位置对应的适应度函数的比较结果,获取个体最优位置;
获取群体最优位置;对每一个粒子,根据当前位置的适应度函数与全局最优位置对应的适应度函数的比较结果,获取群体最优位置;
更新位置;根据所述个体最优位置和所述群体最优位置,更新每个粒子的位置和速度;
获取路径;当满足预设迭代次数时,获得AGV叉车的优化改换路径。
6.一种AGV叉车路径规划设备,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至4中任一项所述的AGV叉车路径规划方法。
7.一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至4中任一项所述的AGV叉车路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053954.5A CN113848888B (zh) | 2021-09-08 | 2021-09-08 | 一种agv叉车路径规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053954.5A CN113848888B (zh) | 2021-09-08 | 2021-09-08 | 一种agv叉车路径规划方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113848888A CN113848888A (zh) | 2021-12-28 |
CN113848888B true CN113848888B (zh) | 2023-09-15 |
Family
ID=78973626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111053954.5A Active CN113848888B (zh) | 2021-09-08 | 2021-09-08 | 一种agv叉车路径规划方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113848888B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115113624B (zh) * | 2022-07-08 | 2023-03-10 | 东莞康视达自动化科技有限公司 | 一种基于视觉引导的叉车运行控制方法 |
CN116703016B (zh) * | 2023-04-28 | 2023-12-26 | 北京大数据先进技术研究院 | 一种运输任务路径的存储、使用方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN107450563A (zh) * | 2017-09-21 | 2017-12-08 | 景德镇陶瓷大学 | 一种基于多子群的自适应信息反馈粒子群机器人路径选择方法及系统 |
CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
CN111522335A (zh) * | 2020-03-23 | 2020-08-11 | 南方电网科学研究院有限责任公司 | 基于改进粒子群算法的机器人路径优化方法及系统 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
CN111708356A (zh) * | 2019-03-02 | 2020-09-25 | 周口师范学院 | 一种起重机自动规划路径系统与方法 |
CN112147960A (zh) * | 2020-09-17 | 2020-12-29 | 武汉理工大学 | 一种柔性制造系统优化调度方法及装置 |
CN112161630A (zh) * | 2020-10-12 | 2021-01-01 | 北京化工大学 | 适用于大型仓储系统的agv在线无碰撞路径规划方法 |
CN112734324A (zh) * | 2020-12-25 | 2021-04-30 | 哈尔滨工业大学 | 基于蚁群算法和改进型遗传算法的仓储物流agv路径规划算法 |
CN113075927A (zh) * | 2021-03-22 | 2021-07-06 | 哈尔滨理工大学 | 基于预约表的仓储潜伏式多agv路径规划方法 |
-
2021
- 2021-09-08 CN CN202111053954.5A patent/CN113848888B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN107450563A (zh) * | 2017-09-21 | 2017-12-08 | 景德镇陶瓷大学 | 一种基于多子群的自适应信息反馈粒子群机器人路径选择方法及系统 |
CN111708356A (zh) * | 2019-03-02 | 2020-09-25 | 周口师范学院 | 一种起重机自动规划路径系统与方法 |
CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
CN111522335A (zh) * | 2020-03-23 | 2020-08-11 | 南方电网科学研究院有限责任公司 | 基于改进粒子群算法的机器人路径优化方法及系统 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
CN112147960A (zh) * | 2020-09-17 | 2020-12-29 | 武汉理工大学 | 一种柔性制造系统优化调度方法及装置 |
CN112161630A (zh) * | 2020-10-12 | 2021-01-01 | 北京化工大学 | 适用于大型仓储系统的agv在线无碰撞路径规划方法 |
CN112734324A (zh) * | 2020-12-25 | 2021-04-30 | 哈尔滨工业大学 | 基于蚁群算法和改进型遗传算法的仓储物流agv路径规划算法 |
CN113075927A (zh) * | 2021-03-22 | 2021-07-06 | 哈尔滨理工大学 | 基于预约表的仓储潜伏式多agv路径规划方法 |
Non-Patent Citations (2)
Title |
---|
基于Petri 网的物流仓库多AGV 调度方法的研究;李圣男等;《高技术通讯》;第29卷(第5期);第494-502页 * |
改进粒子群算法在移动机器人路径规划中的应用研究;孙东等;《河南工学院学报》;第28卷(第6期);第19-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113848888A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
US11403526B2 (en) | Decision making for autonomous vehicle motion control | |
CN107861508B (zh) | 一种移动机器人局部运动规划方法及装置 | |
CN110955242B (zh) | 机器人导航方法、系统、机器人及存储介质 | |
CN113848888B (zh) | 一种agv叉车路径规划方法、装置、设备及存储介质 | |
CN108009587A (zh) | 一种基于强化学习和规则确定驾驶策略的方法与设备 | |
Lei et al. | Algorithm for mobile crane walking path planning in congested industrial plants | |
Deng et al. | Multi-obstacle path planning and optimization for mobile robot | |
CN109978272B (zh) | 一种基于多个全向移动机器人的路径规划系统及方法 | |
US11275387B2 (en) | Coach apparatus and cooperative operation controlling method for coach-driven multi-robot-cooperative operation system | |
KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
CN105241464A (zh) | 一种吊车轨迹地图快速匹配方法 | |
Sun et al. | AGV-based vehicle transportation in automated container terminals: A survey | |
US20230230475A1 (en) | Method and apparatus for coordinating multiple cooperative vehicle trajectories on shared road networks | |
JP2020077110A (ja) | デッドロック検出装置、情報処理装置、デッドロック検出方法及びコンピュータプログラム | |
Wang et al. | Driving line-based two-stage path planning in the AGV sorting system | |
WO2023174096A1 (zh) | 自主移动机器人的调度方法、系统、电子设备和存储介质 | |
WO2019155589A1 (ja) | 搬送作業制御装置、搬送システム、搬送作業制御方法、及び記録媒体 | |
Lin et al. | Lift path planning for tower cranes based on environmental point clouds | |
US20220300002A1 (en) | Methods and systems for path planning in a known environment | |
CN114879674A (zh) | 一种预制构件堆场中巡检机器人调度与路径规划方法 | |
Wang et al. | Multi AGV simulation system of intelligent workshop based on Digital Twin | |
Gan et al. | Scheduling problems of automated guided vehicles in automated container terminals using a genetic algorithm | |
Diehl et al. | Conditional behavior prediction for automated driving on highways | |
Zhang et al. | Build simulation platform in real logistics scenario and optimization based on reinforcement learning |
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 |