CN114035586B - 改进蚁群算法和动态窗口的车间agv小车路径规划方法 - Google Patents

Abstract

本发明公开一种改进蚁群算法和动态窗口的车间AGV小车路径规划方法，将m只蚂蚁随机地置于n个任务点，添加动态惯性权重保证每只蚂蚁的随机性；蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度以及对应的适应度函数，适应度函数最小值所对应的路径最优全局路径，根据最优全局路径中蚂蚁走过的车间顺序获取任务点序列，按照任务点序列工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径工作过程中规划出一条避开障碍物的局部路径；本发明能在任务点较多时规划出的重复路径减少，改进后的蚁群算法在算法初期增强跳出局部极值能力，在算法后期进行更细致的搜索，提高路径寻优能力，实现最优全局路径规划。

Description

改进蚁群算法和动态窗口的车间AGV小车路径规划方法

技术领域

本发明涉及用于车间配送的自动引导车(AGV)，具体是AGV小车的路径规划方法。

背景技术

自动引导车(Automatic Guided Vehicle，AGV)作为一种自动化程度高，灵活性好，抗干扰能力强的移动机器人，广泛用于物流仓储系统。当车间下达配送任务，需要AGV小车接收任务从起点出发，经过各个任务点仓库，最终到达目标车间。现有的AGV小车在配送过程中，出现重复路径多，总路径较长的问题。随着AGV小车的普及，多个AGV同时工作时还会出现路径干涉及碰撞的问题，无法充分体现出AGV小车的智能性，导致小车配送效率低，因此，对AGV小车的路径规划是达到物料精准配送的重要工作之一。目前，大多数AGV小车路径规划都采用人工现场绘制栅格路径，效率低，精确度低，且改变路径时需要改造基础设施，路径规划成本高，路径规划灵活性差，操作的工作量大，影响路径规划效率。当栅格路线中的一个栅格出现障碍物时，常用的运行方法是使AGV小车退回到起始点，然后需要重新计算、规划新的栅格路径进行运行，显然影响AGV小车的运行效率和物料的配送效率。

现有的蚁群算法(Ant Colony Algorithm，ACA)采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解，但是该算法收敛速度慢，容易陷入局部最优。例如中国专利公开号为CN107272679A的文献公开了一种基于改进的蚁群算法的路径规划方法，通过自适应调整信息素挥发系数来促进蚁群算法的正反馈效应，减少蚁群算法计算时间。中国专利公开号为CN109213157A的文献公开了一种基于改进型蚁群算法的数据中心巡检机器人路径规划方法，将算法与邻域搜索相结合，使得巡检机器人能够在任务点较多时，规划路径的时间控制在一秒之内，重复路径明显减少。但上述两种路径规划方法存在的问题是：1、遇障后只能重新规划新的路线，2、没有涉及对蚁群算法易陷入局部最优时避障方法的改进。因此，运行效率和寻优精确仍然低。

发明内容

本发明的目的是为了解决现有技术中存在的蚁群算法容易陷入局部最优及AGV小车遇到障碍停止配送的缺点，提出的一种基于改进蚁群算法和动态窗口的车间AGV小车路径规划方法，能够在任务点较多时，减少重复路径，提高路径寻优能力，具有更高的寻优精度和稳定性，提高运行效率。

本发明改进蚁群算法和动态窗口的车间AGV小车路径规划方法采用如下技术方案：包括以下步骤：

步骤1)获得起点车间、终点车间以及AGV小车所需到达车间的任务点数量n，

步骤2)：将m只蚂蚁随机地置于n个任务点，添加动态惯性权重p保证每只蚂蚁的随机性；

步骤3)：蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度L_k，k＝1,2,3…m，以及对应的适应度函数F，适应度函数F最小值所对应的路径最优全局路径L；

步骤4)根据所述的最优全局路径L中蚂蚁走过的车间顺序获取任务点序列S，AGV小车按照该任务点序列S的路径工作，将任务点序列S依序进行分解形成多段起始点和目标点；

步骤5)：AGV小车按照任务点序列S工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径L工作过程中规划出一条避开障碍物的局部路径L1。

进一步地，步骤5)中所述的动态窗口法是：先建立AGV小车的运动模型，根据所运动学模型确定AGV小车的线速度v和角速度ω的速度范围V_m，再根据最大、最小的线速度v以及角速度ω共同生成一个速度的动态窗口，然后确定所述的动态窗口内的AGV小车实际达到的速度范围V_d以及AGV小车不与障碍物碰撞的速度范围V_a，得到AGV小车的运动速度空间V＝V_m∩V_d∩V_a，最后结合评价函数G(v,ω)对所述的运动速度空间V中每个速度对应的轨迹进行评价，将评价函数G(v,ω)值最高的轨迹确定为所述的局部路径L1。

进一步地，步骤2)中所述的动态惯性权重：

p＝p_max-a(p_max-p_min)*log_itermaxiter+b*σ*randn()，iter是当前迭代次数，itermax为最大的迭代次数，a为对数控制因子，σ为动态惯性权重p与其均值的偏离程度，randn()为正太分布(0，1)之间的随机数，b为扰动控制因子，p_max，p_min为预设的最大惯性系数，最小惯性系数，一般p_min取0.4，p_max取0.9。

进一步地，步骤3)中，为每只蚂蚁设置一个禁忌表tabu_k，记录其走过的车间，蚂蚁的转移概率按照轮盘赌的方式选择下一任务点，更新禁忌表tabu_k，更新禁忌表tabu_k之后重新计算转移概率/>再选择任务点，再更新禁忌表tabu_k，如此循环，直至遍历所有的任务点一次。

进一步地，步骤3)中，所述的路径长度i表示任务点，n表示任务点数量，(x_i，y_i)，(x_i+1，y_i+1)代表任务点i和任务点i+1在车间拓扑地图中的横纵坐标。

进一步地，步骤3)中，所述的适应度函数F＝δ*f₁+ε*f₂+γ*f₃，δ，ε，γ分别为路径最短函数f₁、惩罚函数f₂和路径平滑函数f₃的权重系数，路径最短函数f₁是L_k的最小值，惩罚函数路径平滑函数/>表示穿过障碍物的惩罚系数，m_ob表示与障碍物碰撞的次数，m₁是路径中转角为0.25π的次数，m₂是路径中转角为0.5π的次数。

本发明采用上述技术方案后的有益效果是：

(1)本发明能够在任务点较多时，规划出的重复路径减少，改进后的蚁群算法提高路径平滑度。

(2)改进后的蚁群算法在算法初期，增强了跳出局部极值的能力，在算法后期，蚂蚁的速度下降，以便进行更细致的搜索，提高了路径寻优能力，实现最优全局路径规划。

(3)本发明将全局路径规划与局部路径规划结合，兼顾了AGV小车的动态避障，两者结合，具有更高的寻优精度和稳定性，有较强的鲁棒性。

(4)AGV小车通过改进后的蚁群算法规划路径，减少路径规划时间，准确度更高，提高AGV小车运输效率，可使AGV小车以较短的时间完成配送任务，提高了AGV小车的智能程度和自主性。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明：

图1为本发明所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法的流程图。

具体实施方式

参照图1，本发明所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法包括以下步骤：

步骤1：结合数据中心的道路信息、车间信息、激光导航的方式的特点，采用拓扑结构对车间地图环境进行数据建模，形成车间拓扑地图，拓扑地图中相邻两点间的距离为现场的实际距离，获得起点车间、终点车间以及AGV小车所需到达车间的任务点数量n信息，任务点数量n就是AGV小车所需到达车间的数量，包括起点车间和终点车间。

步骤2：通过改进的蚁群算法规划AGV小车的最优全局路径L，改进的蚁群算法具有更高的寻优精度与稳定性，其全局路径规划能够减少路径长度，使路径更加平滑，突破现有蚁群算法容易陷入局部最优的局限性，同时解决了目前AGV小车路径规划算法中存在的问题。改进的蚁群算法具体是：

(1)初始化参数：包括蚂蚁数量m，蚂蚁数量一般为任务点数量n的1.5倍，还包括蚂蚁编号k、信息素重要程度因子α(0≤α≤5)、启发函数重要程度因子β(0≤β≤5)、信息素挥发因子ρ(0<ρ<1)、信息素释放总量Q、最大迭代次数itermax等参数的初始化，在搜索空间上定义一个适应度函数F，开始时每条路径的信息素都相等。则在0时刻各路径上的信息素浓度τ_ij＝C，C为常数，在0时刻各路径上的信息素浓度差值Δτ_ij＝0。

(2)构建解空间。

1)将m只蚂蚁随机地置于n个任务点，添加动态惯性权重p保证每只蚂蚁的随机性。

其中，动态惯性权重p保证每只蚂蚁的随机性，在算法初期，蚂蚁群将分布在整个解空间，增强跳出局部极值的能力，在算法后期，蚂蚁个体的速度下降，以便更细致的搜索，为提高算法后期种群的多样性，还需加入正太分布，动态惯性权重p的表达式为：

p＝p_max-a(p_max-p_min)*log_itermaxiter+b*σ*randn() (1)

式中，iter是当前迭代次数，itermax为最大的迭代次数，a为对数控制因子，σ为动态惯性权重p与其均值的偏离程度，randn()为正太分布(0，1)之间的随机数，b为扰动控制因子，p_max，p_min为预设的最大惯性系数，最小惯性系数，一般p_min取0.4，p_max取0.9。

2)为每只蚂蚁设置一个禁忌表tabu_k，记录其走过的车间(防止重复走过车间)，蚂蚁的转移概率按照轮盘赌的方式选择下一任务点，更新禁忌表tabu_k，。

其中，在t时刻，蚂蚁k从任务点i转移到另一个任务点j的概率可由以下方式计算得到：

其中，τ_i，j(t)表示t时刻任务点i到另一个任务点j路径上的信息素浓度，启发式因子n_i，j表示蚂蚁从任务点i转移到另一个任务点j的期望程度，d_i，j表示任务点i，j之间的实际距离，J_k(i)表示在任务点i处蚂蚁k可以选择走的车间的集合，α为信息素重要程度因子，β为启发函数重要程度因子。

3)更新禁忌表tabu_k之后计算重新计算转移概率再选择任务点，再更新禁忌表tabu_k，如此循环，直至遍历所有的任务点一次。

(3)记录当前迭代最优解。蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度L_k(k＝1,2,3…m)以及对应的适应度函数F。

式中，i表示任务点，n表示任务点数量，(x_i，y_i)，(x_i+1，y_i+1)代表任务点i和任务点i+1在车间拓扑地图中的横纵坐标。

计算出蚁群算法总的适应度函数F如下：

F＝δ*f₁+ε*f₂+γ*f₃ (4)

式中，δ，ε，γ分别为路径最短函数f₁、惩罚函数f₂和路径平滑函数f₃的权重系数，可根据实际情况更改权重。

其中，路径最短函数f₁是L_k(k＝1,2,3…m)的最小值。

惩罚函数f₂，用来排除搜索过程中出现障碍物的路径，公式如下：

式中，表示穿过障碍物的惩罚系数，是一个常数，m_ob表示与障碍物碰撞的次数，当路径是无碰撞的安全路径时，m_ob为0。

路径平滑函数f₃，表示AGV小车跟随路径时的转向代价。由于AGV小车转弯时通常会减速，转向角通常为0.25π和0.5π，因此路径平滑度函数的计算公式为：

式中，m₁是路径中转角为0.25π的次数，m₂是路径中转角为0.5π的次数。

(4)更新信息素。通过蚂蚁经过的路径长度L_k和它们本次迭代经过的路径释放信息素对各个车间连接路径上的信息素浓度τ_ij进行更新,清空禁忌表tabu_k，以便进行下一次迭代。当所有蚂蚁完成1次周游后，t+n₁时刻路径(i，j)的信息素为：

τ_i,j(t+n₁)＝(1-ρ)·τ_i，j(t)+Δτ_i，j (7)

表示m只蚂蚁在运行中留在路径L(i，j)上的信息素总量，/>表示第k只蚂蚁放置在路径L(i，j)的信息素强度，信息素强度Q为蚂蚁循环一周时释放在所经路径上的信息素总量，L_k根据公式(3)计算表示第k只蚂蚁在本次周游中所走过的路径的长度和。

(5)迭代步骤(2)到步骤(4)，若步骤(2)到步骤(4)的迭代次数iter<itermax，则令iter＝iter+1，清空禁忌表tabu_k，并返回步骤(2)执行该所有步骤；否则，终止计算，输出适应度函数F最小值所对应的路径作为所求结果，即最优全局路径L。

所述的适应度函数F最小值根据公式(4)进行计算，当路径最短函数f₁，惩罚函数f₂，路径平滑函数f₃为最小时，适应度函数F值最小，所对应的路径即为最优全局路径L。

步骤3：根据最优全局路径L中蚂蚁走过的车间顺序获取任务点序列S，AGV小车需要按照该任务点序列S的路径进行工作，配送物料，将任务点序列S依序进行分解，形成多段起始点和目标点。

步骤4：确定AGV小车根据当前路径的起始点和目标点进行配送物料任务。

具体地，对任务点序列S进行分解时，将起点车间规划为S₁，表示为第一段路径的起始点S₁，任务点序列中的S₂，是第一段路径的目标点，AGV小车将沿着第一段路径运行。当AGV小车到达第一段路径的目标点S₂后，S₂变成第二段路径的起始点，S₃为第二段路径的目标点，以此类推，直至AGV小车到达终点车间S_n，配送工作完成。

步骤5、在AGV小车按照任务点序列S进行配送的全过程中，时刻依靠传感器检测是否有障碍物存在，如果没有遇到障碍物，则执行步骤10；如果有障碍物，执行步骤6；

步骤6、判断是否还有未到达的车间，如果是，则执行步骤7；如果否，则执行步骤10；

步骤7：采用动态窗口法，AGV小车在全局路径L工作过程中规划出一条避开障碍物的局部路径L1，建立AGV小车的运动模型，由运动模型确定出AGV小车的运动速度，对其轨迹进行预测是否碰到障碍物，通过公式(11)到公式(13)限制条件来确定动态窗口内的速度集合V。

其中，建立AGV小车的运动模型的方法是：假设AGV小车不是全向移动的，只能前进和旋转，则AGV小车的运动学模型为：

其中，v表示AGV小车速度(线速度)，ω表示AGV小车角速度，Δt₁表示动态窗口的取样周期，x₂表示AGV小车在x₁位移的基础上经过Δt₁时间后的x轴方向的位移，y₂表示AGV小车在y₁位移的基础上经过Δt₁时间后的y轴方向的位移，θ₂表示AGV小车在θ₁夹角的基础上经过Δt₁时间后与x轴的夹角。

根据运动学模型和AGV小车本身的限制以及环境限制可以将AGV小车的线速度v，角速度ω控制在一定范围内，包括AGV小车最大和最小的线速度和角速度，速度范围为V_m：

V_m＝{v∈[v_min,v_max],ω∈[ω_min，ω_max]} (11)

其中，ω_max，ω_min分别为AGV小车的最大、最小角速度，v_max，v_min分别为AGV小车的最大、最小线速度。

由于AGV小车电机力矩有限，存在最大的加减速限制，由在Δt₁时间内的最大和最小线速度、最大和最小角速度共同生成一个速度的动态窗口，在动态窗口内的AGV小车实际达到的速度范围为：

其中V_d表示在动态窗口内的限制加减速的AGV小车能够达到的速度范围，v_c，ω_c是AGV小车当前速度和角速度，表示当前小车最大线减速度，/>表示最大角减速度，/>表示最大线加速度，/>表示最大角加速度。

基于AGV小车的安全考虑，为了能够碰到障碍物前停下来，在动态窗口内，在最大的减速度条件下，速度有一个范围为：

其中V_a表示AGV小车不与障碍物碰撞的速度范围，dis(v，ω)为AGV小车在当前轨迹上与最近的障碍物之间的距离，和/>表示AGV小车的最大线减速度和最大角减速度。

因此，满足以上约束条件的速度范围为：V＝V_m∩V_d∩V_a，即AGV小车的运动速度V。

步骤8：结合评价函数G(v,ω)对速度空间中每个速度V对应的轨迹进行评价，选择评价函数值最高的轨迹确定为局部路径L1并确定AGV小车避开障碍物的速度和角速度。

其中，在速度空间V中，有若干组轨迹是可行的，采用评价函数的方式为每条轨迹进行评价，评价函数G(v,ω)为：

G(v,ω)＝μ(c*heading(v,ω)+e*dis(v,ω)+f*velocity(v，ω)) (14)

其中，heading(v，ω)为方向角评价，用来评价AGV小车当前设定的采样速度下，达到模拟轨迹末端时朝向和目标之间的角度差距，角度差距值越小，方向角评价越高；dis(v，ω)为障碍物距离评价，代表AGV小车在当前轨迹上与最近的障碍物之间的距离，如果轨迹上无障碍，则设定一个常数，当AGV小车与障碍物的距离越大，则该函数值高；velocity(v，ω)为速度评价，用来评价AGV小车当前轨迹的速度大小，对路径规划而言，显然AGV小车速度越快越好。c，e，f分别为三个因素的权重系数，μ系数表示对三个因素的评分做平滑处理。四个常数均为已知常量，其值可以根据经验调整。

步骤9：AGV小车根据局部路径L1及对应的速度和角速度避开障碍物进行工作，根据AGV小车的遇障位置，更新车间拓扑地图，同时获取AGV小车遇障处的最邻近的一个任务点作为目标点，执行步骤4，AGV小车继续配送物料。

步骤10：判断是否配送物料结束，如果结束，则执行步骤11；如果没有，则执行步骤4；

步骤11、结束，AGV小车停止配送，等待下一步指令。

Claims (7)

1.一种改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是包括以下步骤：

步骤1)获得起点车间、终点车间以及AGV小车所需到达车间的任务点数量n，

步骤2)：将m只蚂蚁随机地置于n个任务点，添加动态惯性权重p保证每只蚂蚁的随机性；

所述的动态惯性权重：

p＝p_max-a(p_max-p_min)*log_itermaxiter+b*σ*randn()，iter是当前迭代次数，itermax为最大的迭代次数，a为对数控制因子，σ为动态惯性权重p与其均值的偏离程度，randn()为正太分布(0，1)之间的随机数，b为扰动控制因子，p_max，p_min为预设的最大惯性系数，最小惯性系数，一般p_min取0.4，p_max取0.9；

步骤3)：蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度L_k，k＝1，2，3…m，以及对应的适应度函数F，适应度函数F最小值所对应的路径最优全局路径L；

所述的适应度函数F＝δ*f₁+ε*f₂+γ*f₃，δ，ε，γ分别为路径最短函数f₁、惩罚函数f₂和路径平滑函数f₃的权重系数，路径最短函数f₁是L_k的最小值，惩罚函数路径平滑函数/> 表示穿过障碍物的惩罚系数，m_ob表示与障碍物碰撞的次数，m₁是路径中转角为0.25π的次数，m₂是路径中转角为0.5π的次数；

步骤4)根据所述的最优全局路径L中蚂蚁走过的车间顺序获取任务点序列S，AGV小车按照该任务点序列S的路径工作，将任务点序列S依序进行分解形成多段起始点和目标点；

步骤5)：AGV小车按照任务点序列S工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径L工作过程中规划出一条避开障碍物的局部路径L1；

所述的动态窗口法是：先建立AGV小车的运动模型，根据所运动学模型确定AGV小车的线速度v和角速度ω的速度范围V_m，再根据最大、最小的线速度v以及角速度ω共同生成一个速度的动态窗口，然后确定所述的动态窗口内的AGV小车实际达到的速度范围V_d以及AGV小车不与障碍物碰撞的速度范围V_a，得到AGV小车的运动速度空间V＝V_m∩V_d∩V_a，最后结合评价函数G(v，ω)对所述的运动速度空间V中每个速度对应的轨迹进行评价，将评价函数G(v，ω)值最高的轨迹确定为所述的局部路径L1。

2.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：AGV小车根据所述的局部路径L1工作，根据AGV小车的遇障位置，更新车间拓扑地图，同时获取AGV小车遇障处的最邻近的一个任务点作为目标点。

3.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：所述的的运动模型为：Δt₁是动态窗口的取样周期，x₂是AGV小车在x₁位移的基础上经过Δt₁时间后的x轴方向的位移，y₂是AGV小车在y₁位移的基础上经过Δt₁时间后的y轴方向的位移，θ₂是AGV小车在θ₁夹角的基础上经过Δt₁时间后与x轴的夹角；

所述的速度范围V_m＝{v∈[v_min，v_max]，ω∈[ω_min，ω_max]}，ω_max，ω_min分别为AGV小车的最大、最小角速度，v_max，v_min分别为AGV小车的最大、最小线速度；

所述的速度范围

v_c，ω_c是AGV小车当前速度和角速度，/>表示当前小车最大线减速度，/>表示最大角减速度，/>表示最大线加速度，/>表示最大角加速度；

所述的速度范围dis(v，ω)为AGV小车在当前轨迹上与最近的障碍物之间的距离，/>和/>表示AGV小车的最大线减速度和最大角减速度；

所述的速度范围评价函数：

G(v，ω)＝μ(c*heading(v，ω)+e*dis(v，ω)+f*velocity(v，ω))，heading(v，ω)为方向角评价，dis(v，ω)为障碍物距离评价，velocity(v，ω)为速度评价，c，e，f分别为三个因素的权重系数，μ系数表示对三个因素的评分做平滑处理。

4.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤3)中，为每只蚂蚁设置一个禁忌表tabu_k，记录其走过的车间，蚂蚁的转移概率按照轮盘赌的方式选择下一任务点，更新禁忌表tabu_k，更新禁忌表tabu_k之后重新计算转移概率/>再选择任务点，再更新禁忌表tabu_k，如此循环，直至遍历所有的任务点一次。

5.根据权利要求4所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：所述的转移概率τ_i，j(t)表示t时刻任务点i到另一个任务点j路径上的信息素浓度，启发式因子/>n_i，j表示蚂蚁从任务点i转移到另一个任务点j的期望程度，d_i，j表示任务点i，j之间的实际距离，J_k(i)表示在任务点i处蚂蚁k可以选择走的车间的集合，α为信息素重要程度因子，β为启发函数重要程度因子。

6.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤3)中，所述的路径长度i表示任务点，n表示任务点数量，(x_i，y_i)，(x_i+1，y_i+1)代表任务点i和任务点i+1在车间拓扑地图中的横纵坐标。

7.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤4)中，对任务点序列S进行分解时，将起点车间规划为S₁，为第一段路径的起始点S₁，任务点序列中的S₂是第一段路径的目标点，AGV小车沿着第一段路径运行，当AGV小车到达第一段路径的目标点S₂后，S₂变成第二段路径的起始点，S₃为第二段路径的目标点，以此类推，直至AGV小车到达终点车间S_n。