CN114625137A - 一种基于agv的智能停车路径规划方法及系统 - Google Patents

一种基于agv的智能停车路径规划方法及系统 Download PDF

Info

Publication number
CN114625137A
CN114625137A CN202210239872.8A CN202210239872A CN114625137A CN 114625137 A CN114625137 A CN 114625137A CN 202210239872 A CN202210239872 A CN 202210239872A CN 114625137 A CN114625137 A CN 114625137A
Authority
CN
China
Prior art keywords
path
grid
ants
ant
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.)
Withdrawn
Application number
CN202210239872.8A
Other languages
English (en)
Inventor
王忠利
尹强
林颂
张鑫
牛云超
李冬
魏志
陈斌
安鹏飞
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.)
Tangshan Tongbao Parking Equipment Co ltd
Original Assignee
Tangshan Tongbao Parking Equipment Co ltd
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 Tangshan Tongbao Parking Equipment Co ltd filed Critical Tangshan Tongbao Parking Equipment Co ltd
Priority to CN202210239872.8A priority Critical patent/CN114625137A/zh
Publication of CN114625137A publication Critical patent/CN114625137A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能停车技术领域，提出了一种基于AGV的智能停车路径规划方法及系统，包括对停车场的二维空间进行遍历学习，生成网格图；使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径；平滑所述最优路径，删除无效的中间节点；输出最终的停车路径。本发明先通过建立能够表征停车场平面图的网格图，在此基础上采用并行排序蚁群优化算法进行路径的构建，具有更快的收敛速度和更好的稳定性，之后对生成的最优路径进行平滑处理，减少了中间节点，是路径平滑，降低了对AGV的损耗，最终形成的路径能够为AGV提供更加稳定的形式路线。

Description

一种基于AGV的智能停车路径规划方法及系统
技术领域
本发明涉及智能停车技术领域，具体的，涉及一种基于AGV的智能停车路径规划方法及系统。
背景技术
随着汽车保有量的迅速增长，我国各个地方对车位的需求越来越迫切，尤其是在人口密集的城市中心，人们经常面临停车难的问题。为解决停车难问题，新技术不断涌现，其中基于AGV的智能停车库以占地面积少、存车数量多、车辆存取自动化程度高等优点倍受关注。AGV，通常也称为AGV小车。指装备有电磁或光学等自动导航装置，能够沿规定的导航路径行驶，具有安全保护以及各种移载功能的运输车。
蚁群优化算法是一种受蚂蚁觅食行为启发的元启发式算法，用于求解旅行商问题。后来，各种改进的蚁群算法被提出并应用于路径规划问题。
以往关于提高蚁群算法运行效果的方法主要集中在通过干预某些参数来改变蚁群的节点选择模式或影响蚁群的信息素更新模式。迭代过程中较少考虑多个蚁群之间的信息素相互作用和多个亚群的共生长，利用亚群本身的搜索能力来提高蚁群的整体路径搜索能力。并且，大多只追求AGV的最短路径，没有考虑运行过程中转弯过多导致AGV不够平滑的问题。因此，需要解决如何有效地减少AGV行驶过程中的转弯数。
发明内容
本发明提出一种基于AGV的智能停车路径规划方法及系统，解决了现有技术中基于蚁群算法生成的路径转弯过多的问题。
本发明的技术方案如下：
一种基于AGV的智能停车路径规划方法，包括如下步骤，
对停车场的二维空间进行遍历学习，生成网格图，所述网格图包括自由网格和障碍网格，所述自由网格和所述障碍网格的中心均设有节点，所述自由网格表示没有障碍物的区域，所述障碍网格表示含有障碍物的区域；
将停车场入口对应的网格作为初始网格，将车辆停放位置对应的网格作为目标网格；
使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径；
平滑所述最优路径，删除无效的中间节点；
输出最终的停车路径。
进一步，所述使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径，包括，
将蚁群划分为多个子群种，每个子群种中有m个蚂蚁；
所有蚂蚁均进行路径的构建，每只蚂蚁均生成一条路径；
根据每个蚂蚁所构建路径的效用函数对该子群种中的蚂蚁进行排序；
从每个子群种中选择n只效用函数较高的蚂蚁，将其信息素传递给临近的子群种；
每个子群种得到相邻子群种传播的信息素更新数量为，
Figure BDA0003543996980000021
其中，
Figure BDA0003543996980000022
是第一只蚂蚁在其路径上释放的信息素的数量，当边缘(i,j)在蚂蚁r构建的路径上时，则
Figure BDA0003543996980000023
当边缘(i,j)不在蚂蚁k所构建的路径上时，则
Figure BDA0003543996980000024
当边缘(i,j)处于到目前为止处于最优路径上，则
Figure BDA0003543996980000025
否则
Figure BDA0003543996980000026
Figure BDA0003543996980000027
是第一批n-1蚂蚁在其路径上释放的信息素量，此外，
Figure BDA0003543996980000028
是相邻蚁群到目前为止组成的最优解；r为蚂蚁在自身子群种的蚁群中的排序顺序；q是相邻蚂蚁在自己子群种的蚁群中的排序顺序。
进一步，所述所有蚂蚁均进行路径的构建，还包括，
当蚂蚁在路径构建中处于死角状态时，允许蚂蚁后退一步，重新选择一个移动节点并惩罚其边缘的信息素，信息素惩罚函数为τrs＝(1-λ)τrs，。
进一步，所述所有蚂蚁均进行路径的构建，包括，
步骤1：从初始网格或目标网格开始，计算可以向前移动的网格；
步骤2：通过轮盘博弈选择下一个网格，并判断是否到达终点，如否，则执行步骤1，若是，则执行步骤3；
步骤3：记录路径的长度并更新该路径的信息素；
步骤4：判断是否所有的蚂蚁都已经被派遣，若否，则执行步骤1，若是，则执行步骤5；
步骤5：得到所有蚂蚁的路径。
进一步，效用函数的构建包括，
当初始网格与目标网格之间的最优路径满足最短路径时，
Figure BDA0003543996980000031
其中，L(P)为路径长度，L(Pi,Pi+1)是点Pi和Pi+1之间的距离，(xi，yi)和(xi+1，yi+1)是该路径中两个相邻网格的坐标，N(d)为路径的匝数；
当初始网格与目标网格之间的最优路径满足最小匝数时，
Figure BDA0003543996980000032
Figure BDA0003543996980000033
其中，N(d)为路径上的匝数总数，dn为第n个节点上转弯的路径数，(xn，yn)和(xn+1，yn+1)是该路径中两个相邻网格的坐标，k为斜率，n为路径网格中心的序列号；
根据实际情况为所述路径长度和所述匝数总数配置权系数ω1和ω2，则有最优路径的效用函数Z(L，N)＝ω1L(P)+ω2N(d)，其中，L(P)为路径长度，N(d)为路径的匝数。
进一步，所述平滑所述最优路径，删除无效的中间节点，包括，
获取最优路径的转折点序列{Pi}，i＝1,2,3，…，N；
从i＝1开始，执行优化中间节点的操作；所述执行优化中间节点的操作包括：搜索第i个转折点后第二个转折点序列，判断Pi与Pi+2之间是否存在障碍网格，
若否，移除Pi与Pi+2之间的转折点Pi+1，更新最优路径的转折点序列{Pi}，重复执行优化中间节点的操作；
若是，更新i＝i+1，重复执行优化中间节点的操作，直到i＝N；
输出最优路径的转折点序列{Pi}，作为平滑路径节点序列。
一种基于AGV的智能停车路径规划系统，包括，
第一处理模块，用于对停车场的二维空间进行遍历学习，生成网格图；
第一计算模块，用于使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径；
第二处理模块，用于平滑所述最优路径，删除无效的中间节点；
第一输出模块，用于输出最终的停车路径。
进一步，所述第一计算模块包括，
第三处理模块，由于所有蚂蚁均进行路径的构建，每只蚂蚁均生成一条路径；
第二计算模块，用于根据每个蚂蚁所构建路径的效用函数对该子群种中的蚂蚁进行排序；
第四处理模块，用于从每个子群种中选择n只效用函数较高的蚂蚁，将其信息素传递给临近的子群种；
第三计算模块，用于计算更新后的信息素。
进一步，所述第二处理模块包括，
第一获得模块，用于获取最优路径的转折点序列{Pi}，i＝1,2,3，…，N；
第五处理模块，用于搜索第i个转折点后第一个转折点后第一个转折点序列号；
第一判断模块，用于判断Pi与Pi+2之间是否存在障碍网格；
第二输出模块，用于输出平滑路径节点序列。
一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的一种基于AGV的智能停车路径规划方法的步骤。
本发明的工作原理及有益效果为：
本发明先通过建立能够表征停车场平面图的网格图，在此基础上采用并行排序蚁群优化算法进行路径的构建，具有更快的收敛速度和更好的稳定性，之后对生成的最优路径进行平滑处理，减少了中间节点，使路径平滑，降低了对AGV的损耗，最终形成的路径能够为AGV提供更加稳定的行驶路线。
下面结合附图和具体实施方式对本发明作进一步详细的说明。
附图说明
图1为本发明停车场生成网格图示意图；
图2为本发明中单个子群种的算法流程图；
图3为本发明中多个子群种之间的算法流程图；
图4为本发明中构建路径陷入死角示意图；
图5为本发明中路径平滑处理流程图。
具体实施方式
下面将结合本发明实施例，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，都涉及本发明保护的范围。
在智能停车场中，当接收到任务时，需要AGV从起始点出发，绕过障碍完成车辆存取停放任务。为了保证停车过程的运行效率和AGV的行驶稳定性，需要一条匝数最小的最短路径。因此，本发明提出了一种基于AGV的智能停车路径规划方法及系统。
1、停车场环境模型构建
1.1生成表征目标停车场的网格图
针对典型地下车库的抽象拓扑网格法模型，合理的环境表征有利于停车过程中最佳路径的规划。网格法是一种空间地理环境的表示方法。它将地理空间划分为规则的网格，网格具有大小均匀和二值化的特点。网格的大小是一样的，网格大小的选择影响着路径规划的效果。较小的网格增加了存储空间和计算能力。同时，干扰信号也会增加。更大的网格使得环境规划不明确，结果也不可信。将网格尺寸设置为车辆基本步长是可行的；二进制是指每个网格只有两个不同值的值，自由网格和障碍网格，取决于网格中是否有障碍物。
如图1所示，将停车场构建为一个10×10网格。网格地图的使用可以大大降低停车场环境建模的复杂性，因此采用网格法对工作环境进行划分。在仿真程序中，驾驶通道为可通过网格，即白色区域，可通过网格用0标识，障碍物用不可通过网格表示，即黑色网格，不可通过网格用1表示。网格被标记(可通过、不可通过)并使用二维直角坐标进行标识。
S为栅格的标识号，L为栅格的边长。网格号与网格中心坐标的对应关系为
Figure BDA0003543996980000051
1.2.1最小匝数的目标函数
在实际环境中，减少路径匝数可以降低整体机械损耗，延长AGV的使用寿命。目标函数为：
Figure BDA0003543996980000052
Figure BDA0003543996980000053
其中，N(d)为路径上的匝数总数，dn为第n个节点上转弯的路径数，(xn，yn)和(xn+1，yn+1)是该路径中两个相邻网格的坐标，k为斜率，n为路径网格中心的序列号；
1.2.2最短路径的目标函数
在实际环境中，AGV通过寻找最短的行驶路径，可以节省时间，提高整个停车场存取车辆的效率。目标函数为：
Figure BDA0003543996980000061
其中，L(P)为路径长度，L(Pi,Pi+1)是点Pi和Pi+1之间的距离，(xi，yi)和(xi+1，yi+1)是该路径中两个相邻网格的坐标，N(d)为路径的匝数；
1.2.3效用函数
为了简化模型，将网格图中每个网格的长度设置为一个单位长度(在实际应用中，目标函数的维数应根据实际单位长度进行统一)。通过线性加权计算目标函数，使解既满足最短路径又满足最小匝数。建立了上述两个目标函数与效用函数Z(L,N)之间的关系。通过这种协调，将多目标问题转化为传统的单目标求解问题。效用函数为Z(L，N)＝ω1L(P)+ω2N(d)，
其中，N(d)为路径上的匝数总数，dn为第n个节点上转弯的路径数，(xn，yn)和(xn+1，yn+1)是该路径中两个相邻网格的坐标，k为斜率，n为路径网格中心的序列号。
2、并行排序的蚁群优化
蚁群算法作为一种进化算法，在求解组合优化问题方面显示出巨大的潜力。但与其他进化算法一样，该算法在收敛速度和容易陷入局部最小解等方面存在不足。为了解决这些问题，有必要重新设计蚁群的搜索策略。
2.1求解最短路径的算法
在遗传算法中，采用排序选择机制来提高搜索速度。首先，根据适应度对种群进行分类；然后，被选中的概率取决于个体的顺序。适应度越高，个体越好，它在下次迭代中被选中的概率就越高。将遗传算法的排序和选择概念推广到蚁群算法中。在所有的蚂蚁完成一次迭代后，做出一个选择。除了构成最佳解决方案(直到当前迭代)外，还选择在蚁群中排名第一的w-1位蚂蚁，并更新w位蚂蚁路径的信息素。这种算法称为排序蚁群优化算法。
而基于排序优化的蚁群算法很早就在局部区域积累了大量的信息素。虽然速度有所提高，但它降低了每一代解决方案的多样性。因此，算法很容易陷入局部最优。为了解决这个问题，蚁群被分成几个亚群一起生长，一个亚群中较好的个体的信息素被传递到另一个亚群中。
这是通过亚群落之间的信息交互来实现的。这种传播保证了每个子群体信息素的积累有正确的方向。
如图2和图3所示，在路径构建之前，将一个大的蚁群划分为几个子群种，每个子群种中有m个蚂蚁。当每个亚子群种中的蚂蚁构建路径时，蚂蚁通过轮盘赌选择下一个节点。当蚂蚁k在结点i时，选择结点j(结点j未被访问)的概率为：
Figure BDA0003543996980000071
如果该节点已经被访问，那么Pk ij＝0。τij是边缘上的信息素(i，j)，ηij是边缘(i，j)的启发式信息。对于一般的路径搜索问题，ηij取路径长度的倒数，α和β是算法参数。
每只蚂蚁生成一条路径时，会先挥发路径上存在的部分信息素，再更新信息素：即τij←(1-ρ)τij，
其中ρ是信息素挥发因子，根据所构建路径的效用函数(Z1≦Z2≦…Zm)对子群种的蚂蚁进行排序。同时根据子群种中蚂蚁构建的路径长度，从每个亚群中选择n只蚂蚁(即贡献较高的第一个n-1只蚂蚁，以及迄今为止构建的路径最好的一只蚂蚁)，并传递给邻近的子群种蚁群。
此外，从相邻子群种蚁群中获取n个上位蚂蚁的路径信息，这种并行排序的蚁群优化系统允许n个最优蚂蚁在自己的蚁群路径上释放信息素，该系统信息素的释放规律与蚂蚁的顺序和贡献值有关：蚂蚁释放信息素的数量与蚂蚁的排名成正比。另外，根据排名得到邻居所传播的信息素的数量。信息素更新公式为
Figure BDA0003543996980000072
Figure BDA0003543996980000073
是第一只蚂蚁在其路径上释放的信息素的数量。当边缘(i,j)在蚂蚁r构建的路径上时，则
Figure BDA0003543996980000074
当边缘(i,j)不在蚂蚁k所构建的路径上时，则
Figure BDA0003543996980000075
当边缘(i,j)处于到目前为止处于最优路径上，则
Figure BDA0003543996980000076
否则
Figure BDA0003543996980000077
Figure BDA0003543996980000078
是第一批n-1蚂蚁在其路径上释放的信息素量。此外，
Figure BDA0003543996980000079
是相邻蚁群到目前为止组成的最优解；r为蚂蚁在自身子群种的蚁群中的排序顺序；q是相邻蚂蚁在自己子群种的蚁群中的排序顺序。
2.2避免进入“路径上的死胡同”
如图4所示，智能停车场的环境随其功能的复杂性而变化。在复杂环境中，蚂蚁在寻找解的过程中可能会陷入死角状态(即找不到目标点，也没有移动节点)。
蚂蚁在p点处陷入死角。为了解决这一问题，有方案采用了早死的方法，使死角蚂蚁死亡。因此，这条路径上的信息素不会被更新。但是，当更多的蚂蚁在蚁群中陷入死角时，这种方法不利于全局最优解的搜索。有的提出的解决这个问题的一种方法是放弃而重新生成路径，从起点开始新的搜索，但这种方法增加了算法的搜索时间，无法避免算法再次陷入死角。
因此，本发明提出当蚂蚁处于死角状态时，允许蚂蚁后退一步，更新搜索禁忌表，该方法允许当前蚂蚁重新选择一个移动节点并惩罚其边缘的信息素。信息素惩罚函数为τrs＝(1-λ)τrs，该解决方案可以提高算法的全局搜索能力，有效避免蚁群在同一位置陷入死角。
3、路径平滑
在智能停车场的AGV路径规划中，一个平滑的、可执行的、匝数少的路径是重要的组成部分。AGV在运行过程中转数过多会显著增加机器的机械磨损，降低机器的使用寿命。为了减少这种影响，使得到的路径更适用于实际的AGV机器人，需要对路径进行平滑处理。
由于智能停车场地图模型是网格地图，所以第一阶段生成的路径是由直线组成的折线；它们连接着每个网格的中心。在实践中，当道路上没有障碍物时，可以直接穿越多个栅格。不相邻网格的中心点可以相互连接，减少匝数和路径长度，从而提高智能停车场的整体效率。
如图5所示，平滑路径步骤如下：
获取最优路径的转折点序列{Pi}，i＝1,2,3，…，N；
搜索第i个转折点后第一个转折点后第一个转折点序列号，判断Pi与Pi+2之间是否存在障碍网格，若否，移除i和i+2之间的转折点并生成一个新的节点，若是，更新i＝i+1，重复执行上述步骤直到i＝N；
输出平滑路径节点序列。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于AGV的智能停车路径规划方法，其特征在于，包括如下步骤，
对停车场的二维空间进行遍历学习，生成网格图，所述网格图包括自由网格和障碍网格，所述自由网格表示没有障碍物的区域，所述障碍网格表示含有障碍物的区域；
将停车场入口对应的网格作为初始网格，将车辆停放位置对应的网格作为目标网格，在所述网格图上，使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径；
删除无效的中间节点，平滑所述最优路径；
输出所述最优路径，作为最终的停车路径。
2.根据权利要求1所述的一种基于AGV的智能停车路径规划方法，其特征在于，所述使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径，包括，
将蚁群划分为多个子群种，每个子群种中有m个蚂蚁；
所有蚂蚁均进行路径的构建，每只蚂蚁均生成一条路径；
根据每个蚂蚁所构建路径的效用函数对该子群种中的蚂蚁进行排序；
从每个子群种中选择n只效用函数较高的蚂蚁，将其信息素传递给临近的子群种；
每个子群种得到相邻子群种传播的信息素更新数量为，
Figure FDA0003543996970000011
其中，
Figure FDA0003543996970000012
是第一只蚂蚁在其路径上释放的信息素的数量，当边缘(i,j)在蚂蚁r构建的路径上时，则
Figure FDA0003543996970000013
当边缘(i,j)不在蚂蚁k所构建的路径上时，则
Figure FDA0003543996970000014
当边缘(i,j)处于到目前为止处于最优路径上，则
Figure FDA0003543996970000015
否则
Figure FDA0003543996970000016
Figure FDA0003543996970000017
是第一批n-1蚂蚁在其路径上释放的信息素量，此外，
Figure FDA0003543996970000018
是相邻蚁群到目前为止组成的最优解；r为蚂蚁在自身子群种的蚁群中的排序顺序；q是相邻蚂蚁在自己子群种的蚁群中的排序顺序。
3.根据权利要求2所述的一种基于AGV的智能停车路径规划方法，其特征在于，所述所有蚂蚁均进行路径的构建，还包括，
当蚂蚁在路径构建中处于死角状态时，允许蚂蚁后退一步，重新选择一个移动节点并惩罚其边缘的信息素，信息素惩罚函数为τrs＝(1-λ)τrs，。
4.根据权利要求2所述的一种基于AGV的智能停车路径规划方法，其特征在于，所述所有蚂蚁均进行路径的构建，包括，
步骤1：从初始网格或目标网格开始，计算可以向前移动的网格；
步骤2：通过轮盘博弈选择下一个网格，并判断是否到达终点，如否，则执行步骤1，若是，则执行步骤3；
步骤3：记录路径的长度并更新该路径的信息素；
步骤4：判断是否所有的蚂蚁都已经被派遣，若否，则执行步骤1，若是，则执行步骤5；
步骤5：得到所有蚂蚁的路径。
5.根据权利要求2所述的一种基于AGV的智能停车路径规划方法，其特征在于，效用函数的构建包括，
当初始网格与目标网格之间的最优路径满足最短路径时，
Figure FDA0003543996970000021
其中，L(P)为路径长度，L(Pi,Pi+1)是点Pi和Pi+1之间的距离，(xi，yi)和(xi+1，yi+1)是该路径中两个相邻网格的坐标，N(d)为路径的匝数；
当初始网格与目标网格之间的最优路径满足最小匝数时，
Figure FDA0003543996970000022
Figure FDA0003543996970000023
其中，N(d)为路径上的匝数总数，dn为第n个节点上转弯的路径数，(xn，yn)和(xn+1，yn+1)是该路径中两个相邻网格的坐标，k为斜率，n为路径网格中心的序列号；
根据实际情况为所述路径长度和所述匝数总数配置权系数ω1和ω2，则有最优路径的效用函数Z(L，N)＝ω1L(P)+ω2N(d)，其中，L(P)为路径长度，N(d)为路径的匝数。
6.根据权利要求1所述的一种基于AGV的智能停车路径规划方法，其特征在于，所述删除无效的中间节点，平滑所述最优路径，包括，
获取最优路径的转折点序列{Pi}，i＝1,2,3，…，N；
从i＝1开始，执行优化中间节点的操作；所述执行优化中间节点的操作包括：搜索第i个转折点后第二个转折点序列，判断Pi与Pi+2之间是否存在障碍网格，
若否，移除Pi与Pi+2之间的转折点Pi+1，更新最优路径的转折点序列{Pi}，重复执行优化中间节点的操作；
若是，更新i＝i+1，重复执行优化中间节点的操作，直到i＝N；
输出最优路径的转折点序列{Pi}，作为平滑路径节点序列。
7.一种基于AGV的智能停车路径规划系统，其特征在于，包括，
第一处理模块，用于对停车场的二维空间进行遍历学习，生成网格图；
第一计算模块，用于使用并行排序蚁群优化算法得到初始网格与目标网格之间的最优路径；
第二处理模块，用于平滑所述最优路径，删除无效的中间节点；
第一输出模块，用于输出最终的停车路径。
8.根据权利要求7所述的一种基于AGV的智能停车路径规划系统，其特征在于，所述第一计算模块包括，
第三处理模块，用于所有蚂蚁均进行路径的构建，每只蚂蚁均生成一条路径；
第二计算模块，用于根据每个蚂蚁所构建路径的效用函数对该子群种中的蚂蚁进行排序；
第四处理模块，用于从每个子群种中选择n只效用函数较高的蚂蚁，将其信息素传递给临近的子群种；
第三计算模块，用于计算更新后的信息素。
9.根据权利要求7所述的一种基于AGV的智能停车路径规划系统，其特征在于，所述第二处理模块包括，
第一获得模块，用于获取最优路径的转折点序列{Pi}，i＝1,2,3，…，N；
第五处理模块，用于搜索第i个转折点后第一个转折点后第一个转折点序列号；
第一判断模块，用于判断Pi与Pi+2之间是否存在障碍网格；
第二输出模块，用于输出平滑路径节点序列。
10.一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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的一种基于AGV的智能停车路径规划方法的步骤。
CN202210239872.8A 2022-03-12 2022-03-12 一种基于agv的智能停车路径规划方法及系统 Withdrawn CN114625137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210239872.8A CN114625137A (zh) 2022-03-12 2022-03-12 一种基于agv的智能停车路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210239872.8A CN114625137A (zh) 2022-03-12 2022-03-12 一种基于agv的智能停车路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN114625137A true CN114625137A (zh) 2022-06-14

Family

ID=81902051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210239872.8A Withdrawn CN114625137A (zh) 2022-03-12 2022-03-12 一种基于agv的智能停车路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN114625137A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757454A (zh) * 2023-08-21 2023-09-15 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN118387087A (zh) * 2024-04-26 2024-07-26 安徽大学 一种基于自适应避碰约束的自动泊车轨迹规划方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757454A (zh) * 2023-08-21 2023-09-15 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN116757454B (zh) * 2023-08-21 2023-11-17 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN118387087A (zh) * 2024-04-26 2024-07-26 安徽大学 一种基于自适应避碰约束的自动泊车轨迹规划方法和系统

Similar Documents

Publication Publication Date Title
AU2020101761A4 (en) Method for planning path of parking agv based on improved dijkstra algorithm
CN109471444B (zh) 基于改进Dijkstra算法的停车AGV路径规划方法
CN111310999B (zh) 一种基于改进蚁群算法的仓库移动机器人路径规划方法
CN114625137A (zh) 一种基于agv的智能停车路径规划方法及系统
CN110345960B (zh) 一种规避交通障碍的路线规划智能优化方法
CN109949604A (zh) 一种大型停车场调度导航方法、系统以及使用方法
CN105760954A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN110334838B (zh) 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN114964261A (zh) 基于改进蚁群算法的移动机器人路径规划方法
CN112269382A (zh) 一种机器人多目标路径规划方法
CN111709560A (zh) 一种基于改进蚁群算法的解决车辆路径问题方法
CN110490393B (zh) 结合经验与方向的出租车寻客路线规划方法、系统及介质
Yu et al. A novel parallel ant colony optimization algorithm for warehouse path planning
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN115355922A (zh) 一种基于改进蚁群算法的出行路径规划方法及系统
CN113867358A (zh) 多无人车协同遍历任务的智能路径规划方法
Ramasamy et al. Heterogenous vehicle routing: comparing parameter tuning using genetic algorithm and bayesian optimization
Zhao et al. Research on logistics distribution route based on multi-objective sorting genetic algorithm
Wang et al. A scheme library-based ant colony optimization with 2-opt local search for dynamic traveling salesman problem
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN117371895A (zh) 未知环境下多地面无人车路径规划方法、系统及介质
CN117420824A (zh) 一种基于具有学习能力的智能蚁群算法的路径规划方法
Xi et al. Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing
CN112308353A (zh) 一种药品仓库作业调度优化方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220614