CN114578772A - 一种agv集群控制系统设计框架及方法 - Google Patents
一种agv集群控制系统设计框架及方法 Download PDFInfo
- Publication number
- CN114578772A CN114578772A CN202210203294.2A CN202210203294A CN114578772A CN 114578772 A CN114578772 A CN 114578772A CN 202210203294 A CN202210203294 A CN 202210203294A CN 114578772 A CN114578772 A CN 114578772A
- Authority
- CN
- China
- Prior art keywords
- task
- agv
- information
- framework
- map
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013461 design Methods 0.000 title claims abstract description 41
- 238000004891 communication Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 35
- 230000033001 locomotion Effects 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 17
- 238000010276 construction Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 36
- 230000006870 function Effects 0.000 description 29
- 230000002068 genetic effect Effects 0.000 description 20
- 240000007651 Rubus glaucus Species 0.000 description 11
- 235000011034 Rubus glaucus Nutrition 0.000 description 11
- 235000009122 Rubus idaeus Nutrition 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000003016 pheromone Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
- G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种AGV集群控制系统设计框架及方法。提供一种采用模拟交通规则优先级并结合栅格化地图的方法解决了多AGV协同工作时存在的交通冲突。面向AGV集群控制系统实现过程中缺少整体框架和技术细节的现况,本发明旨在提供一种兼容性好、通用性强、具备高度可执行性以及技术参考性的设计框架,从而提高项目开发效率且降低建设成本。在搭建AGV集群系统时,参考本发明可快速部署、推进、拓展,并结合特定业务需求快速聚焦应用场景,且能够大幅度降低开发周期,并节约设计成本。
Description
技术领域
本发明涉及AGV集群控制系统设计与搭建领域,尤其涉及一种AGV集群控制系统设计框架及方法。
背景技术
随着AGV在工业场景中的应用越来越广泛,对于AGV性能的需求也越来越高。在大规模生产中看中的已经不再是单台AGV的性能参数,而是在协同工作中的群体性能。目前关于AGV集群控制技术在实际任务中的部署和搭建领域的研究尚不成熟,市场和科研体系中缺少一种标准化的通用AGV设计框架,还没有相关研究对AGV集群技术进行系统的概括分析。现有的AGV调度技术研究存在以下不足:
1、缺乏落实到实际项目部署的方案指导;
2、缺乏有效可参考的搭建流程;
3、缺乏通用性强的AGV集群系统标准化框架;
4、缺乏具体实现中的关键技术原理分析与介绍;
5、缺乏对AGV控制系统计算性能的简化设计和基于场景规则优化方面的系统设计;
6、缺乏对场景建图的分析和功能设计;
7、缺乏机器视觉系统的技术方案指导。
发明内容
本发明面向的是AGV集群系统搭建过程中缺少整体指导和技术细节支撑的现况,旨在提供一种兼容性好、通用性强、具备高度可执行性以及技术参考性的设计参考框架。任何单位或个人参考本发明可快速部署、推进、拓展,并结合特定业务需求快速聚焦应用场景,且能够大幅度降低开发周期,并节约设计成本。
为了实现上述目的,本发明采用了如下技术方案:
一种AGV集群系统通用技术框架,主要包括以下四个模块:
通信框架:包括通信系统搭建结构和任务分发结构。用于在接受上层任务数据的网络层和AGV执行层之间建立任务分发体系,以及在环境和路况数据以及全局整体路径规划方法之间建立交互中枢。接收数据并且分发任务指令的是服务器,执行AGV运动控制和路况信息采集的是客户端。客户端与服务器之间基于WiFi路由器组建的局域网系统交换信息文本。任务分发结构即信息文本的编码由任务需求和设备条件决定,任务文本的编码包括任务信息的存放层级、各类信息的存储结构、信息交换的符号体系。任务信息的存放层级用于分类每一个执行单元的信息结构体,将所有信息按照层次存为基本单元便于执行器解析。信息的存储结构由部署框架的设备决定,根据实际条件可以存储为:结构体、类、数组、元组、字符串,最终将信息结构转化为文本格式发送至客户端。信息的符号体系是信息的存储介质,其功能是让信息和特定的符号组织方式对应起来,便于服务器和客户端对文本信息进行编码和解码。由计算方式决定,采用字母字符、汉字字符、数字字符、二进制字符、表、词以及由实际部署需求设计的特定符号体系。
任务规划框架:用于对上层任务需求进行编码和数值化,生成待优化任务序列,根据执行任务目标点获取系列目标点的位置,将这些位置按照顺序编号并存放在一个数组中,数组序号代表该坐标位置编号。对于AGV规划任务分析其成本函数,得到对于单一序列的成本评价模型,将整体成本最低规划问题转换为成本最优编码搜索问题。使用基于启发式算法的智能优化方法,对编码优化任务进行求解得到任务规划方案。
AGV执行器框架:每一台AGV小车包括底盘驱动单元、导航单元、通信单元、障碍躲避单元和中控单元。底盘驱动单元用于小车整车运动以执行相关任务。导航单元用于对运动方向和运动轨迹进行约束。对于运动方向,涵括前向和后向的区分以及左偏纠正和右偏纠正;对于轨迹约束,包含前进距离记录和转向控制。通信单元用于和服务器交换数据。客户端上传的数据包括:AGV规划路径、区域拥堵程度、货物识别情况、AGV电量信息、实际搬运速度信息、以及根据特定任务需求采集的其他环境信息。服务器下发的信息包括:AGV待执行任务目标、AGV当前区域拥堵情况、AGV充电指令、货物基本信息、以及其他根据任务需求产生的AGV所需信息。障碍躲避单元用于对突发或预料之外的障碍物进行识别和躲避。中控单元用于对所有模块单元进行控制和工作协同,用于部署需要的软件工具和系统单元。
场景地图框架:整个AGV协同系统必须在特定的地图环境中运行。采用栅格法建立直角坐标系地图,将所有的任务点转化为直角坐标,所有的待执行任务点组成任务空间。任务空间用于为其他模块提供基本的数学模型支撑。场景地图框架包含地图本身和地图处理方法。场景地图包括:用于执行特定指令的标志点、具有坐标含义的单元格、具有路径含义的轨迹线、具有特定含义的运行规则。地图处理方法包括基于人工智能技术的路况语义识别方法、基于传感器采集技术的路况信息搜集整理方法以及基于特定运动需求的场景地图布局方法。
上述单元模块的搭建流程如下:
步骤一:根据任务需求和环境条件建立任务空间和场景地图模型;
步骤二:根据任务要求和设备条件建立通信系统和信息文本编码;
步骤三:根据任务要求建立AGV执行器平台;
步骤四:根据任务特征建立任务规划方法和场景信息采集处理模型;
步骤五:根据环境特征建立运动生成和轨迹控制方法;
步骤六:根据任务特征建立上下级信息交换方法;
步骤七:根据运行特点增加双车道靠右行驶等地图运行规则;
步骤八:根据设备要求进行系统稳定性优化。
进一步,步骤一具体包括:任务空间与地图模型构建。对于地图构建,基本流程是将环境中的关键位置(如拐角、分拣点、投放点或充电点等)用节点表示,两个节点间用线段连通,表示两个位置是可通行的,从而将整个地图环境构建为点线相连的路线网。由这些路线网络的相对位置,采用一般的笛卡尔坐标系对所有点进行标记,所有的标记点组成了任务执行的场景地图,所有的模型和控制均建立在此地图上。
任务空间的建立基于AGV仓库管理系统上层联网任务清单系统。当系统确定某一个货物搬运需求清单之后就会将其按顺序添加到任务列表之后,最后生成一张包括货物各项信息的动态列表。仓储系统出于建设成本考虑并不会配备大量AGV,因而任务生成系统在执行过程中的动态更新列表只能被分割之后执行,最后进行系统优化时的对象就是这些分割之后的子列表。对于AGV调度任务而言,总目标是将任务列表的元素分发到下一级执行器AGV小车上,且使得AGV执行任务时间总成本最低。这些所有的待优化子列表构成任务空间。
进一步,步骤二具体包括:通信框架的搭建和通信功能的实现。框架的搭建采用具备无线WiFi传输的路由设备。将设备的IP地址设置为静态值,保持用于计算和任务分发功能的中央计算机IP地址不变,并将此IP地址预设到所有的AGV中,在实际使用中AGV作为客户端,通过服务器的IP地址访问服务器数据,并和其交换信息。计算机作为服务器端承接以下任务:接受上层任务服务器信息、下发执行下位机任务编码、整体规划计算、处理下层执行器反馈信息、根据任务需求增加的管控措施。
其具体应用过程为:服务器启动并从主机数据库中下载最新的待发送信息。信息存储格式为二维列表形式,信息列表通用格式:
Sent[i]=[x1,x2,x3,x4,x5,x6,…,xj]
X1,x2构成目的点坐标信息,用于客户端判断任务目标;x3,…,xj构成任务相关参数,包括货物性质、大小、重量、二维码识别号码。服务器开启循环进程,读取一张任务子列表,等待客户端连接。每进行一次循环要检测一次是否所有的任务都已经分发完毕,如果分发完毕转回读取新的任务子列表。AGV作为客户端,首先开始初始化,开启场景信息提取程序。客户端向服务器申请通信请求,通信请求以字符形式发送。服务器接受到请求字符后根据其内容为该单位分发任务。信息传输格式采用字符串编码格式,用逗号分隔:
“x1,x2,x3,x4,x5,x6,…,xj”
客户端接收到返回信息,以逗号为分隔符将字符串还原为数据列表。
RECV=[x1,x2,x3,x4,x5,x6,…,xj]
客户端解析信息内容,得到任务目标位置、任务场景信息、目标特征信息。随后AGV根据信息内容执行取送任务。
进一步,步骤三具体实现包括选择控制板、设计驱动电路、结合任务特征布置传感器系统。对于控制板的选择,一般采用带有C\C++\Python控制系统的嵌入式单片机。单片机需要支持图像采集、存储、预处理、路径生成、服务器信息交换、电机控制、轨迹修正各项功能。单片机和中央计算机之间需要具备WiFi通信能力,基于TCP或UDP通信技术实现单片机和计算机之间的信息交互。
电路设计的核心是选择合适的电路模块从而使得AGV具备特定的功能。对于底盘驱动单元,嵌入式控制板输出的控制信号不足以直接驱动直流或步进电机,需采用电路驱动模块将控制信号放大为电机驱动信号。在实际使用中单片机仅能提供微小的μA级信号电流。真正的驱动电流是是由电池电源单独提供给电机。采用此类驱动方式可让电机的驱动方式大大简化。一台电机需占用3个单片机外部I/O口,包括方向和速度信号。根据电机运行要求,可以增加速度检测传感器的传输I/O口,使用最广泛的AGV是四轮结构,一共需要12个IO口用于调节电机的输出。
传感器系统是AGV单元能够执行特定任务的基础。根据任务具体需求,AGV系统需要增加声、光、热、力、电传感器模块。这些模块是场景信息采集接口,通过解析采集到的信息,AGV可以整理货物状况、道路状况、系统工作状况,并应对意外情况。还可集成摄像头、超声波模块、雷达等其他具备复杂数据采集能力的传感设备。
进一步,步骤四包括任务规划编码以及对于编码后任务序列的调度优化。任务规划编码是将任务根据特定的结构方式形成据有顺序和具体位置的数据组织。其基本逻辑是根据任务特征去寻找对应的成本函数,并依据成本函数得到对一个任务安排序列的总成本估计方法。具体操作是结合地图特征和坐标点位置,用距离描述任务执行过程的成本,所有可能的成本都用矩阵提前表示。距离矩阵包含两两节点间的距离,为N×N的对称矩阵。对于一组给定的任务列表,其中所有成本求和即为该组任务的成本函数。任务规划框架中的成本函数对应着优化方法的选择。在本专利中,提出一种采用遗传蚁群混合算法实现任务序列调度优化(也可采用其他启发式优化算法,譬如粒子群算法等),其成本函数是用来判断群体中的个体的优劣程度的指标。
遗传算法将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,遗传算法能够较快地获得较好的优化结果。蚁群算法是模拟蚂蚁根据信息素分布觅食的过程求得最短路径的算法,面对优化问题时蚁群算法有更好的全局收敛能力,但是常常陷入过拟合问题。蚁群遗传混和方法是将两者结合提高综合性能的一种优化方法。根据任务需求选择特定的环境参数作为求解过程的参数,包括路况、货物质量、货物种类、AGV运行状态、道路密度以及由任务特征产生的其他参数。这些由场景信息中提取的参数会影响到成本函数计算,最后影响任务规划问题的求解。
进一步,步骤五的实现包括底盘运动的形成和循迹方法。AGV的运动方式由底盘结构确定。目前通用的驱动轮有麦克纳姆轮底盘、全向轮底盘和普通车轮底盘,底盘的选择将影响运动方式。麦克纳姆轮底盘和全向轮底盘支持AGV横向运动,普通车轮底盘只能前后移动。采用前者底盘设计可让AGV具备不转弯换向运动能力,当运动行程由直行转为左向行驶时可不对车体进行旋转。普通车轮的底盘则需对车体进行角度旋转然后再直行。两种方案由于转弯模式的差别而存在任务规划参数设计的区别。针对不需要整体转弯直接横向移动的由直行变为横行的方式,这种方式转弯耗时低,不需要添加减少转弯次数的约束。另一种是需要转向的,类似汽车那种,转弯会非常耗时,类似路口转弯,需要增加减少转弯次数的约束。
对于轨迹控制方法,具体实现为偏移量的采集和基于反馈的修正。本发明设计的AGV采用灰度传感器,以便将灰度图片返回成数字信息。当识别距离一定时,返回的模拟量大小取决于图片的灰度程度。基于采集到的反馈信号,AGV轨迹的控制由PID反馈过程修正。PID控制根据运动目标输出值r(t)与实际输出值y(t)构成控制偏差:
e(t)=r(t)-y(t)
PID具体表达式为:
是PID控制器的输出给后续环节的值,PID调节环节的工作输入是系统输入与系统输出的偏差。经过PID调节后,AGV运动系统轨迹得到修正。
进一步,步骤六的实现包括建立具体的通信连接技术和通信逻辑。其目标是服务器将信息有序分发到所有AGV,并且接受整合所有AGV上行数据。
系统通信结构采用星型拓扑网络结构。本发明提出的设计框架即采用TCP协议,以连接上层任务清单的计算机作为server服务器,以连接与统一局域网的AGV作为client客户端,以无线工业路由器作为传输层,实现集群系统的任务分发和信息反馈工作。服务器工作过程采用轮询机制处理集群AGV通信请求,具体为:主机通过对上层服务器发送的总任务序列计算得到优化序列后进入应答循环,等待客户端访问,接收到客户端访问请求后,主机新建子线程用于接受客户端所发送文本指令,根据文本指令和基于实际任务特征的预设通信规则,返回AGV采集的场景信息用于更新规划方法。传送命令为一串报文段,各客户端AGV收到字符串后按照规则截取本机对应的命令段,按照规则执行命令。服务器根据接受报文类型,可回传响应报文。主机处理响应报文,并将各服务器运行信息反映给上位机。
对于步骤七,具体实现是根据场景特点指定交通规则,以减少规划的复杂度并剪除特定的无解或完全堵塞情况。在实际的分拣场景中通常会需要多辆AGV同时执行分拣任务,此时,AGV间可能会发生路径冲突。传统的规划算法只能解决单AGV路径规划问题,而多AGV路径规划问题本质上就是各AGV相互协作,在保证不发生碰撞的前提下完成被分配的任务,因此需要改进传统的规划算法使之能够解决多AGV路径规划问题。规划方法的改进本质仍然无法解决不停车情况下实现AGV无冲突运行,实际应用时一般采用传感器检测技术。
本发明提出一种AGV集群技术通用框架:
在步骤四的基础上,本发明提出一种基于卷积神经网络的机器视觉避障方案,采用卷积神经网络作为语义识别分类器,对OpenCV采集处理后的图像进行分类,分类结果满足条件的返回允许前进的指令,不满足条件的执行停车等待的指令。这种避障方案的设计是为了应对突发情况,比如前车故障停车、人员进入、货物散落等意外。
卷积神经网络先对图像进行卷积和池化操作生成向量,再在后面接全连接层进行网络优化工作。其中卷积这一步操作可以提取出图像特征,包括边缘特征与轮廓特征信息,池化可以在卷积基础上对数据进一步压缩降维。当图像二维像素矩阵被降成向量形式之后就可以采用神经网络进行学习。只有卷积神经网络分类的结果允许AGV前进,该对象才能前进。
本发明提出一种AGV集群技术通用框架:
在建立机器视觉的基础上,本发明引入交通规则进一步简化控制方法。在多AGV环境中,不同的运行情况会引发不同的冲突类型。实际测试过程中主要存在两种冲突类型:1)当两辆AGV在同一路段上相向行驶时会发生相向冲突;2)当两辆AGV位于十字路口处且行驶方向垂直时会发生节点冲突。假设所有AGV的行驶速度始终保持匀速,则不会发生赶超等冲突类型。因此本发明采用双车道规则,即所有的轨迹两条一组形成一条双向道路,AGV前进时必须依赖右边的道路,此种规则消除了相向冲突,从而为规划任务解决了一半的冲突情况。交通规则下的地图只剩下节点冲突,使用CNN避障和基于任务条件的优先级设计可以解决此冲突。
对于步骤八,其具体实现在于结合任务需求采用更加合理具体的结构设计和电路性能。优化的过程在于对以下指标进行分析:运行稳定性、运行速度、通信时长、AGV运行故障率、系统整体耗电量、中央计算机成本、通信框架搭建成本、AGV运行维护频率、有人物特点产生的其他指标。
优化的具体方法有:通信程序的优化,包括访问服务器的速度、参数整理速度、数据存储格式;规划方法的优化,包括优化算法的参数调整、AGV执行过程的参数筛选、数据打包的格式简化、参数整理的方法优化;AGV运行能力优化,包括PID调节优化、避障精度优化、轨迹线种类设计、场景路面清洁、搬运装置简化以及其他实际工作环境优化。
本发明的优点:
提出了AGV集群控制系统所有结构功能分析和搭建过程。针对目前市场上繁杂的集群控制技术,本发明提出了一套完整可行的AGV系统通用框架。任何单位都可以依托此框架按照步骤或者改进某个步骤搭建一套完整的具备特定功能的AGV系统。在目前国内AGV技术发展仍存在较大发展空间的前提下,能够显著降低项目开发成本、设计周期、方案设计复杂度。本发明给出了AGV技术的关键点和重要技术支持,对于其他相关行业开发者能提供技术指导,还给出了一条具体可行的实际部署方案参考体系,以便于系统的二次创新和发展。本发明提出了对AGV控制系统计算性能的简化设计和系统优化设计,包括场景建图分析和机器视觉系统等。
本发明旨在为行业提供一种标准化设计的框架和设计思路,降低各单位重复开发和资源浪费的可能,为全行业AGV集群控制技术发展提供全局框架,协助其他单位明确开发目标,减少项目资源的无效和低效使用,从关联的视角为更多技术细节的发展创新应用和二次开发提供了一套指导流程。
附图说明
图1:本发明AGV集群系统通用框架图;
图2:本发明AGV集群框架搭建实际流程图;
图3:本发明步骤一介绍图;
图4:本发明步骤二介绍图;
图5:本发明步骤三介绍图;
图6:本发明步骤四介绍图;
图7:本发明步骤五介绍图;
图8:本发明步骤六介绍图;
图9:本发明步骤七介绍图;
图10:本发明双车道规则示意图。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明提出了一种通用AGV集群控制技术框架,一种实际部署方案,按照此框架搭建AGV集群流程包括如下:
步骤一:根据任务需求和环境条件建立任务空间和场景地图模型;
步骤二:根据任务要求和设备条件建立通信系统和信息文本编码;
步骤三:根据任务要求制作或采购AGV执行器平台;
步骤四:根据任务特征建立任务规划方法和场景信息采集处理模型;
步骤五:根据环境特征建立运动生成和轨迹控制方法;
步骤六:根据任务特征建立上下级信息交换方法;
步骤七:根据运行特点增加其他地图运行规则;
步骤八:根据设备要求进行系统稳定性优化。
进一步对于所述步骤一包括:
建立任务空间:以开源语言平台Python作为开发环境,以遗传算法为基本原理建立多目标全局规划方法,以A*算法为例作为AGV路径生成原理,以任务序列完成总时长最短作为规划目标。
对于问题空间的距离度量和成本计算:
建立TSP问题和多AGV调度问题的映射关系,在AGV匀速行驶的假设下,适应度函数为总距离,设车行驶到货物的距离为,在网格地图模型下任意两点i和j之间的曼哈顿距离距离为:
Lij=|xi-xj|+|yi-yj|
以此可以得到所有节点间的距离。对于包含n个任务的序列[p1,p2,p3,…,pn],得到成本函数
即第i辆车去访问pi这个点,取倒数是为了在优化中保持向降低成本这一目标优化的数学描述一致性。后续的求解和TSP访问所有城市的求解过程采取一样的过程。序列优化采用遗传算法。在设定的测试场景中n=3.
建立场景地图框架:以笛卡尔坐标系建立6×6直角坐标体系,场景中包含三台AGV小车,每一组任务序列包含三个待完成任务。小车的初始起点固定,每一次完成取件任务后需要到达任务规定的特定地点。地图由白底黑线组成,预设目标点在若干交界点处。
进一步对于所述步骤二包括:
建立通信框架:由华为路由器作为局域网TCP通信服务基站,路由器负责整个局域网通信系统的带宽网络、IP地址分发、AGV和服务器的通信连接。由带有WiFi连接功能的笔记本电脑作为计算中心和任务分发服务器,以搭载Linux系统和Wifi连接功能的树莓派开发板作为客户端。采用英文字符和阿拉伯数字组合形成信息编码体系。采用列表形式存储任务列表,通信网络采用单中心星型结构,以路由器为中心,向外联接服务器和客户端。Linux系统基于Python提供的Socket工具建立服务器线程,当服务器接收到访问指令时分出一个子线程用于处理申请和信息对话。
进一步对于所述步骤三包括:
(1)主控板选型
树莓MCU是一种搭载了Linux系统的微型计算机装置,其内存已达到8GB,和普通家用计算机持平。尽管没有显卡和显存架构,但是基于内存技术也可以正常流畅的处理图像信息。一般的单片机只能支持单线程开发,在实际工作中是对循环体的反复调用。树莓派的多核结构可以支持多线程工作,从而可以分开执行各个部分:图像采集和图像处理、图像识别与图像读取、任务优化和系统通信、运动路径更新和任务执行,从而降低了开发难度且显著提高了AGV运行效率。基于操作系统的AGV系统在性能和成本两个方面都远胜基于开发板的AGV设备。
本发明基于树莓派设计的AGV可以实现图像采集、存储、预处理、路径生成、服务器信息交换、电机控制、轨迹修正等功能。
(2)电机驱动和稳压模块选择
电机驱动为12V直流电机提供足够驱动电压。“树莓派”允许电压为3.3V,无法带动大电压元件。在实际使用中单片机仅能提供一个微小的μA级信号电流,真正的驱动电流是由12V电源单独提供给电机。采用两个TB6621FNG电机驱动芯片作为电流放大器,一台电机需要占用3个控制板I/O口。本发明设计的AGV为四轮结构,一共需要12个IO口用于调节电机的输出。
稳压模块为各个部件提供稳定的工作的电压。电机工作电压是12V,MCU需要的工作电压是5V/3.3V,传感器需要的工作电压是5V。各个部件需要在同一电源的前提下工作于不同的电压情况,必须通过稳压模块来满足实际工作条件。
(3)传感器布局设计
AGV采用目前应用比较广泛的灰度传感器,从而将灰度图片返回成数字信息。当识别距离一定时,返回的模拟量大小取决于图片的灰度程度。实现时采用白色背景的黑色轨迹线作为轨迹依据,当固定的传感器发生偏离时,由于采集范围中的黑色比例发生变化,返回值的大小也会对应的变化。
传感器的布局会直接影响到AGV的轨迹修正能力。正前方传感器的间距,实现时在前方布置4个传感器,左侧2个用于循迹,最右侧的1个传感器用于记录前进格数,剩下的1个传感器用于传感器失效时临时起刹车标志作用的情况。两个用于循迹的传感器间距越近,其巡线能力越弱,因为当传感器过近时,发生偏斜后虽然传感器检测到了误差,可是由于电机惯性此时并不能马上开始修正,经过延迟后可能此时小车已经完全冲出了轨迹从而彻底失控。为了避免偏离时的前进计数传感器误读数,需要将该传感尽量分配得远离中线,两个循迹传感器采用了3cm间距,可以用于循4cm的轨迹线。
进一步对于所述步骤四,包括求解算法的选择、设计、对实际问题的信息选择以及求解步骤:
对于优化方法设计本发明提出一种基于遗传蚁群混合算法的解决方案。在蚁群算法中加入遗传算子有利于提高算法的局部搜索能力且能减小算法陷入局部最优的概率。还有一种将遗传算法中最优路径的适应度初始化为蚁群算法中各点的信息素进行进一步优化的方法以减小迭代次数和时间。遗传蚁群混合算法可以解决遗传算法和蚁群算法的一部分缺陷,对路径优化问题的求解提供新的思路。
本发明采用了前一种混合的思路作为案例,以蚂蚁形成一个初始化的解集,然后以该解集作为遗传算法的初始种群进行遗传优化,后续采取选择、交叉、变异、迭代优化得到新的最优解然后再以这一组最优解更新蚁群的信息素重新优化,采用的是以假设初值搜索最优初值的设计思路。
进一步介绍蚁群过程和遗传过程的步骤以及解释:
对于蚁群过程,包括以下步骤:
假如蚁群中所有蚂蚁的数量为m,所有城市之间的信息素用矩阵pheromone表示,最短路径为best-Length,最佳路径为best-Tour。每只蚂蚁都有自己的内存,内存中用一个禁忌表(Tabu)来存储该蚂蚁已经访问过的城市,表示其在以后的搜索中将不能访问这些城市;还有用另外一个允许访问的城市表(Allowed)来存储它还可以访问的城市;另外还用一个矩阵(Delta)来存储它在一个循环(或者迭代)中给所经过的路径释放的信息素;还有另外一些数据,例如一些控制参数(α,β,ρ,Q),该蚂蚁行走玩全程的总成本或距离(tourLength),等等。假定算法总共运行MAX_GEN次,运行时间为t。
蚁群算法计算过程如下:
(1)初始化。
(2)为每只蚂蚁选择下一个节点。
(3)更新信息素矩阵。
(4)检查终止条件
如果达到最大代数MAX_GEN,算法终止,转到第(5)步;否则,重新初始化所有的蚂蚁的Delt矩阵所有元素初始化为0,Tabu表清空,Allowed表中加入所有的城市节点。随机选择它们的起始位置(也可以人工指定)。在Tabu中加入起始节点,Allowed中去掉该起始节点,重复执行(2),(3),(4)步。
(5)输出最优值
对于遗传过程:
遗传算法涉及的术语主要包括适应度函数(Fitnessfunction)、选择(selection)、交叉(crossover)、变异(mutation)
(1)适应度函数
遗传算法的适应度函数也叫评价函数,是用来判断群体中的个体的优劣程度的指标,它是根据所求问题的目标函数来进行评估的
(2)选择
一代优秀的个体或解到下一代或通过配对交叉产生新的个体再遗传到下一代。判断解或体是否优秀应由设定的适应度函数决定。
(3)交叉
所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉,有几率获得更好的解。
(4)变异
通过对个体中的个体串的某些基因座上的基因值作变动,使遗传算法具有局部的随机搜索能力,加速向最优解收敛或使遗传算法可维持群体多样性,以防止出现未成熟收敛现象。
根据上述过程确定算法框架之后进入下一步求解过程的设计,本发明提供一种基于TSP问题求解的开源启发式算法工具箱的求解过程:
TSP问题是NP-hard的问题,很难快速得到大规模实例的最优解,一般需要借助一些启发式算法求解。在本发明涉及的问题中,城市与城市之间的线路变成了小车坐标与任务点坐标之间的距离,目标由所有线路的长度加起来最短变成了所有的小车坐标与任务点坐标之间的距离加起来最短。
本发明基于传统TSP问题延伸出来设计了一套快速求解N辆小车取M件货物问题的计算方法。基于Python的SKO启发式算法包,调用遗传蚁群混合算法求出“N辆车取N件货物”总路程最小所对应的最优序列。解以列表形式保存,列表序列号表示AGV序号,例如:
RSUL=[x1,x2,x3,…,xN]
该列表含义为第N辆车去取第“RSUL[]”号货物。
针对步骤五,进一步详细操作如下:
实例场景为白底黑线的6×6网格地图,在实际运动中需要解决前进距离统计、转弯角度控制两个基本问题。基于步骤三描述的底盘传感器设计,采用前置侧面传感器作为计数传感器,当AGV经过一条黑线则程序计数器加1,当达到规定的计数值之后进行其他的特征动作,譬如转弯和停车。转弯的目的是实现折线轨迹运动,停车的目的是模拟取件和发件的动作。前置的其他传感器通过黑白检测用于循迹功能和转向功能。
进一步对于循迹功能,利用两个灰度传感器,当轨迹正确时二者返回值均为全黑色信号;当AGV发生偏离时,其中一个传感器开始产生由黑转白的过程,另外一个传感器则仍保持黑色。例如两个传感器左右分布,当AGV左偏时,左侧传感器先离开轨道,于是开始返回信号显示开始变白,另一个仍为黑色,此时可根据偏离值控制底盘四驱轮进行左右差速调整AGV运动方向。
进一步在运动过程中要使用PID程序技术对偏离量进行纠偏。
控制程序作为AGV的运动中枢,通过控制电机PWM输出调节小车运行速度。对电机的调节与PWM输出有关系,而把PWM输出与速度值联系起来,需要PID控制,因此控制程序设计主要围绕着PID控制方案。
PID控制以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当被控对象的结构和参数不能完全掌握,或得不到精确的数学模型时,系统控制器的结构和参数必须依靠经验和现场调试来确定,这时应用PID控制技术最为方便。PID控制就是根据系统的误差,利用比例(P)、积分(I)、微分(D)计算出控制量进行控制。
PID解决了自动控制理论所要解决的最基本问题,既电机系统的稳定性、快速性和准确性。调节PID的参数,可实现在系统稳定的前提下,兼顾系统的带载能力和抗扰能力,同时,在PID调节器中引入积分项,系统增加了一个零积点,使之成为一阶或一阶以上的系统,这样系统阶跃响应的稳态误差就为零。PID控制的基本原理为
式中,u(t)为控制量,KP为比例系数,Ti为积分时间常数,Td为微分时间常数。
将上式离散化,即将描述连续系统的微分方程代之以等效的描述离散系统的差分方程,就可以得到相应的数字PID调节器。当控制周期也就是积分时间足够小的时候,利用矩形法进行数值积分,即以求和代替积分,以差分代替微分,可得到数字形式的PID控制方程如下式所示:
通过对偏离量进行PID纠正实现AGV轨迹控制能力。
进一步对于步骤六,实际AGV通信搭建过程需要解决TCP服务器和客户端的工作流程问题。
主机接收上位机发来的控制命令,并通过TCP协议向各客户端机器人发送命令。发送命令时,服务器不断询问各客户端机器人是否空闲,并在空闲时建立连接发送命令。传送的命令为一串报文段,各客户端机器人接收到字符串后按照规则截取本机对应的命令段,按照规则执行命令。服务器根据接受报文类型,可回传响应报文。主机处理响应报文,并将各服务器运行信息反映给上位机。
对于服务器,本发明提供的工作步骤如下:
S1、服务器采用一台单独的计算机,上面运行服务器程序,服务器和所有的树莓派平台客户端工作在相同无线网络环境中,采用一台工业路由器搭建。
S2、服务器从计算机存储数据的txt文档中下载最新的待发送信息,信息以二维列表形式存储,信息列表的通用格式如下:
Sent[6]=[x1,x2,x3,x4,x5,x6]
x1,x2是整型格式,它们构成目的点的坐标信息(x,y)用于客户端判断任务目标,x3,…,x6构成任务参数,包括货物性质(例如序号1~9代表九种商品)、大小(基本尺寸体积cm3)、重量(克)、可识别QR二维码(物流代码)。
S3、计算机运行服务器,开启套接字循环进程,等待客户端连接,进行一次循环要检测一次是否所有的任务都已经分发完毕,如果分发完毕转回步骤S1。
S4、树莓派机器人开机,客户端程序初始化,开启套接字。
S5、客户端向服务器申请通信请求,通信请求以字符形式发送
S6、服务器接受到请求字符后根据其内容为该单位分发任务。信息传输格式为字符串,用逗号分隔:
“x1,x2,x3,x4,x5,x6”
S7、客户端接收到返回信息,以逗号为分隔符将字符串还原为数据列表
RECV=[x1,x2,x3,x4,x5,x6]
S8、客户端解析信息内容,得到任务目标位置、货物性质(例如序号1~9代表九种商品)、大小(基本尺寸体积cm3)、重量(克)、可识别QR二维码(物流代码),然后树莓派机器人根据信息内容执行取件任务。
S9、客户端机器人完成取件任务之后返回步骤S5。
针对步骤七,本发明进一步介绍一种基于新增交通规则和视觉避障方法的碰撞解决方案,其具体包括:
视觉避障系统设计:典型机器视觉系统由光源、镜头、相机、图像采集部分和视觉处理部分组成。其中,采用恒定光源使得机器获得较高质量的图像,镜头捕捉图像,由图像采集和视觉处理部分完成对图像的数字化处理和智能判断,进一步通过分析决定对当前操作环境的执行操作。
对于图像采集与处理,采用OpenCV工具。树莓派作为基于Linux操作系统的微型电脑主板,能够完成包括图像处理和程序执行的功能。在AGV集群地图检测系统中,应用OpenCV作为机器视觉智慧识别的软件基础,使得树莓派具有对图像数字化处理和智能判断的功能。
在自动避障方面采用卷积神经网络(CNN)作为语义识别分类器,对OpenCV采集处理后的图像进行分类,分类结果满足条件的返回允许前进的指令,不满足条件的执行停车等待的指令。这种避障方案的设计是为了应对突发情况,比如前车熄火、工作人员进入、货物散落等意外。
CNN的基本步骤是对先对图像进行卷积和池化操作生成向量,再在后面接一个全连接网络进行神经网络优化工作。卷积操作可以提取出图像中的特征,包括边缘特征、轮廓特征信息,池化可以在卷积基础上对数据进行进一步压缩降维。当图像二维像素矩阵被降成向量形式之后就可以采用标准的BP神经网络进行学习过程。
进一步增加基于双车道原理的交通规则。两条黑色轨迹线组成一条轨道,AGV在轨道上循迹前进时靠右侧的那一条轨迹线前进,模拟公交系统的双车道运行,避免在AGV运行过程中产生的相向堵塞冲突。
进一步增加交通优先级规则,假定返程车即已经取件的AGV对于还未取件的AGV具有优势地位,当发生相交冲突时,返程车继续前进,还未取件的AGV等待返程车通过后再前进。
进一步增加转向规则,AGV运行中,转向时须到达靠右轨迹车道方能转向,不能直接左转调头、占据左侧车道,若需要调头转至同轨对向车道须以绕转盘式回转。
进一步增加停车规则,所有特殊点均取交点处,所有因为执行功能停车必须在交点处停止。传感器不得冲出计数轨迹线。
本发明提出一种采取以上交通规则和机器视觉避障规则结合实现无冲突运行的控制方案。
针对步骤八,本发明在实际测试中优化目标集中在提高工作准确性和通信稳定性。对于提高工作准确性,采取降低AGV运行速度和多组传感器相互矫正的计数方式,同时在在不影响巡线极限能力的前提下尽量压缩线宽。对于提高通信稳定性,采取由工业路由器代替普通路由器,由有线连接代替计算机和路由器无线连接,同时采用减少信息显示,AGV数据后台处理。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种AGV集群控制系统设计框架,包括:通信框架、任务规划框架、AGV执行器框架和场景地图框架,其特征在于:
所述通信框架:包括通信系统搭建结构、任务分发结构、用于在接受上层任务数据的网络层、AGV执行层之间建立任务分发体系、在环境和路况数据以及全局整体路径规划方法之间建立交互中枢;
接收数据并且分发任务指令的是服务器,执行AGV运动控制和路况信息采集的是客户端,客户端与服务器之间基于WiFi路由器组建的局域网系统交换信息文本;
任务分发结构即信息文本的编码由任务需求和设备条件决定,任务文本的编码包括任务信息的存放层级、各类信息的存储结构、信息交换的符号体系;
任务信息的存放层级用于分类每一个执行单元的信息结构体,将所有信息按照层次存为基本单元便于执行器解析;
信息的存储结构由部署框架的设备决定,根据实际条件可以存储为:结构体、类、数组、元组、字符串,最终将信息结构转化为文本格式发送至客户端;
信息的符号体系是信息的存储介质,其功能是让信息和特定的符号组织方式对应起来,便于服务器和客户端对文本信息进行编码和解码,由计算方式决定,采用字母字符、汉字字符、数字字符、二进制字符、表、词以及由实际部署需求设计的特定符号体系;
任务规划框架:用于对上层任务需求进行编码和数值化,生成待优化任务序列;
根据执行任务目标点获取系列目标点的位置,将这些位置按照顺序编号并存放在一个数组中,数组序号代表坐标位置编号;
对于AGV规划任务分析其成本函数,得到对于单一序列的总成本评价模型,成本根据实际任务需求包括:时间总成本、AGV系统耗电量成本、以及其他基于实际任务要求设计的成本;
将整体成本最低规划问题转换为成本最优编码搜索问题,使用基于启发式算法的智能优化方法,对编码优化任务进行求解得到任务方案规划;
AGV执行器框架:每一台AGV小车包括底盘驱动单元,用于车辆运动以执行任务;AGV包括导航单元,用于对运动方向和运动轨迹进行约束,对于运动方向,包括前向和后向的区分以及左偏纠正和右偏纠正,对于轨迹约束,包含前进距离记录和转向控制;AGV包括通信单元,用于和服务器交换数据,客户端上传的数据包括:AGV规划路径、区域拥堵程度、货物识别情况、AGV电量信息、实际搬运速度信息、以及根据特定任务需求采集的其他环境信息;
服务器下发的信息包括:AGV待执行任务目标、AGV当前区域拥堵情况、AGV充电指令、货物基本信息、以及其他根据任务需求产生的AGV所需信息;AGV包括障碍躲避单元,用于对突发或预料之外的障碍物进行识别和躲避;AGV包括中控单元,用于对所有模块单元进行控制和工作协同,用于部署需要的软件和系统;
AGV包括控制方法,对于AGV运动控制必须要采用PID控制修正轨迹得到有效运动;
场景地图框架:整个AGV协同系统必须在特定的地图环境中运行,采用栅格法建立直角坐标系地图,将所有的任务点转化为直角坐标,所有的待执行任务点组成任务空间;
任务空间用于为所有的其他模块提供基本的数学模型支撑;
场景地图框架包含地图本身和地图处理方法;
场景地图包括:用于执行特定指令的标志点、具有坐标含义的单元格、具有路径含义的轨迹线、具有特定含义的运行规则;
地图处理方法包括基于人工智能技术的路况语义识别方法、基于传感器采集技术的路况信息搜集整理方法、基于特定运动需求的场景地图布局方法;
采集数据方法包括机器视觉、传感器检测技术;
所述框架包括通信框架的功能定位、实现方法、基本组成;
任何AGV集群控制项目都须包含本模块;
所述框架包含任务规划框架,描述了集群控制的任务调度目标和基本求解原理;
任何AGV控制项目均可采用此逻辑设计。
2.根据权利要求1任意权利要求所述的一种AGV集群控制系统设计框架的方法,其特征在于:
在任务中的部署包括以下步骤:
1)根据任务需求和环境条件建立任务空间和场景地图模型;
2)根据任务要求和设备条件建立通信系统和信息文本编码;
3)根据任务要求制作或采购AGV执行器平台;
4)根据任务特征建立任务规划方法和场景信息采集处理模型;
5)根据环境特征建立运动生成和轨迹控制方法;
6)根据任务特征建立上下级信息交换方法;
7)根据运行特点增加其他地图运行规则;
8)根据设备要求进行系统稳定性优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203294.2A CN114578772B (zh) | 2021-04-16 | 2021-04-16 | 一种agv集群控制系统设计框架及方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409490.0A CN113093765B (zh) | 2021-04-16 | 2021-04-16 | 一种通用的agv集群控制系统设计框架及方法 |
CN202210203294.2A CN114578772B (zh) | 2021-04-16 | 2021-04-16 | 一种agv集群控制系统设计框架及方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409490.0A Division CN113093765B (zh) | 2021-04-16 | 2021-04-16 | 一种通用的agv集群控制系统设计框架及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114578772A true CN114578772A (zh) | 2022-06-03 |
CN114578772B CN114578772B (zh) | 2023-08-11 |
Family
ID=76678122
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210203294.2A Active CN114578772B (zh) | 2021-04-16 | 2021-04-16 | 一种agv集群控制系统设计框架及方法 |
CN202110409490.0A Expired - Fee Related CN113093765B (zh) | 2021-04-16 | 2021-04-16 | 一种通用的agv集群控制系统设计框架及方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409490.0A Expired - Fee Related CN113093765B (zh) | 2021-04-16 | 2021-04-16 | 一种通用的agv集群控制系统设计框架及方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114578772B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578772B (zh) * | 2021-04-16 | 2023-08-11 | 青岛中车四方车辆物流有限公司 | 一种agv集群控制系统设计框架及方法 |
CN113485378B (zh) * | 2021-08-18 | 2024-01-16 | 昆山市工研院智能制造技术有限公司 | 基于交通规则的移动机器人路径规划方法、系统及存储介质 |
CN116592890B (zh) * | 2023-05-17 | 2024-03-26 | 广东海洋大学 | 一种采摘机器人路径规划方法、系统、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1240562A1 (en) * | 1999-11-24 | 2002-09-18 | Personal Robotics Inc. | Autonomous multi-platform robot system |
CN102608998A (zh) * | 2011-12-23 | 2012-07-25 | 南京航空航天大学 | 嵌入式系统的视觉导引agv系统及方法 |
EP2851760A1 (en) * | 2013-09-19 | 2015-03-25 | Rigas Tehniska universitate | Multi-robot system |
US20180267524A1 (en) * | 2016-05-24 | 2018-09-20 | Wuhan University Of Science And Technology | Air-ground heterogeneous robot system path planning method based on neighborhood constraint |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN113093765A (zh) * | 2021-04-16 | 2021-07-09 | 西南交通大学 | 一种通用的agv集群控制系统设计框架及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776483B (zh) * | 2018-08-16 | 2021-06-29 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 |
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN111098301B (zh) * | 2019-12-20 | 2020-08-18 | 西南交通大学 | 一种基于场景知识图谱任务型机器人的控制方法 |
CN111240319B (zh) * | 2019-12-31 | 2023-03-28 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
-
2021
- 2021-04-16 CN CN202210203294.2A patent/CN114578772B/zh active Active
- 2021-04-16 CN CN202110409490.0A patent/CN113093765B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1240562A1 (en) * | 1999-11-24 | 2002-09-18 | Personal Robotics Inc. | Autonomous multi-platform robot system |
CN102608998A (zh) * | 2011-12-23 | 2012-07-25 | 南京航空航天大学 | 嵌入式系统的视觉导引agv系统及方法 |
EP2851760A1 (en) * | 2013-09-19 | 2015-03-25 | Rigas Tehniska universitate | Multi-robot system |
US20180267524A1 (en) * | 2016-05-24 | 2018-09-20 | Wuhan University Of Science And Technology | Air-ground heterogeneous robot system path planning method based on neighborhood constraint |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN113093765A (zh) * | 2021-04-16 | 2021-07-09 | 西南交通大学 | 一种通用的agv集群控制系统设计框架及方法 |
Non-Patent Citations (2)
Title |
---|
YING-CHIN HO 等: "A multiple-attribute method for concurrently solving the pickup-dispatching problem and the load-selection problem of multiple-load AGVs" * |
杨庆; 段海滨: "仿鸿雁编队的无人机集群飞行验证" * |
Also Published As
Publication number | Publication date |
---|---|
CN113093765B (zh) | 2022-04-08 |
CN113093765A (zh) | 2021-07-09 |
CN114578772B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113093765B (zh) | 一种通用的agv集群控制系统设计框架及方法 | |
AlMahamid et al. | Autonomous unmanned aerial vehicle navigation using reinforcement learning: A systematic review | |
CN105043379B (zh) | 一种基于时空约束的景区浏览路径规划方法、装置 | |
Zhao et al. | A path planning method based on multi-objective cauchy mutation cat swarm optimization algorithm for navigation system of intelligent patrol car | |
Rupprecht et al. | A survey for deep reinforcement learning in markovian cyber–physical systems: Common problems and solutions | |
Sislak et al. | Automated conflict resolution utilizing probability collectives optimizer | |
Xu et al. | Local motion simulation using deep reinforcement learning | |
Chang et al. | Autonomous mobile robots for recycling metal shaving at CNC factories | |
Chen et al. | Deep reinforcement learning-based robot exploration for constructing map of unknown environment | |
Politi et al. | Path planning and landing for unmanned aerial vehicles using ai | |
Liu et al. | Intelligent robot motion trajectory planning based on machine vision | |
CN115629609A (zh) | 一种多agv协同工作系统 | |
Geuna et al. | Resilience and Digital Disruption: Regional Competition in the Age of Industry 4.0 | |
Lebedev et al. | Analysis of «Leader–Followers» Algorithms in Problem of Trajectory Planning for a Group of Multi-rotor UAVs | |
Wang et al. | Cooperatively pursuing a target unmanned aerial vehicle by multiple unmanned aerial vehicles based on multiagent reinforcement learning | |
Zhao et al. | A review of unmanned vehicle distribution optimization models and algorithms | |
Wang et al. | Towards optimization of path planning: An RRT*-ACO algorithm | |
Wang et al. | Real-time global path planning for mobile robots with a complex 3-D shape in large-scale 3-D environment | |
Xiong et al. | Research on intelligent path planning technology of logistics robots based on Giraph architecture | |
Ren et al. | A multi-objective optimization model of robot path planning under different scenarios | |
Bi et al. | Dynamic weighted and heat-map integrated scalable information path-planning algorithm | |
Lu et al. | Research on path planning of UAV based on Hybrid A* algorithm | |
Marques Jr et al. | A two-phase multi-objective metaheuristic for a green UAV grid routing problem | |
AL-Kafaf et al. | A three-phase decision making approach for self-adaptive systems using web services | |
Lin et al. | A Review of Path-Planning Approaches for Multiple Mobile Robots. Machines 2022, 10, 773 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230718 Address after: 266000 Gangbei community, Jihongtan street, Chengyang District, Qingdao City, Shandong Province Applicant after: QINGDAO CRRC SIFANG LOGISTICS Co.,Ltd. Address before: 610000 North Section of Second Ring Road, Chengdu City, Sichuan Province Applicant before: SOUTHWEST JIAOTONG University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |