CN114815802A - 一种基于改进蚁群算法的无人天车路径规划方法和系统 - Google Patents

一种基于改进蚁群算法的无人天车路径规划方法和系统 Download PDF

Info

Publication number
CN114815802A
CN114815802A CN202210010769.6A CN202210010769A CN114815802A CN 114815802 A CN114815802 A CN 114815802A CN 202210010769 A CN202210010769 A CN 202210010769A CN 114815802 A CN114815802 A CN 114815802A
Authority
CN
China
Prior art keywords
path
unmanned overhead
improved
ant colony
traveling crane
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.)
Pending
Application number
CN202210010769.6A
Other languages
English (en)
Inventor
胡颖
王傲能
王胜勇
卢家斌
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.)
Wisdri Wuhan Automation Co Ltd
Original Assignee
Wisdri Wuhan Automation 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 Wisdri Wuhan Automation Co Ltd filed Critical Wisdri Wuhan Automation Co Ltd
Priority to CN202210010769.6A priority Critical patent/CN114815802A/zh
Publication of CN114815802A publication Critical patent/CN114815802A/zh
Pending 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G05D1/0268—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)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种基于改进蚁群算法的无人天车路径规划方法，包括：对仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；根据设置的仓库信息，采用改进的蚁群算法进行最优路径计算，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；将计算得到的最优作业路径下发给对应无人天车，使无人天车按最优路径规划运行。本发明利用现场仓库的障碍物信息进行地图建模，能够根据实时的物理环境进行路径规划；改进的蚁群算法收敛速度快，避免了局部最优的同时，能够适应较为复杂环境下的路径规划，保证无人天车在仓库中按照最优路径自动作业时避开锁区，且路径最短，使得智能仓储系统稳定运行，提高生产效率。

Description

一种基于改进蚁群算法的无人天车路径规划方法和系统
技术领域
本发明涉及的是路径规划领域，特别涉及一种基于改进蚁群算法的无人天车路径规划方法。
背景技术
目前，随着工业智能技术的持续发展，无人天车智能仓储管理系统被广泛应用，大大降低了人力成本，提高了生产效率。其中，无人天车的作业路径对智能仓储系统的安全稳定性和效率性能有着突出影响。如果无人天车的路径不能合理避开锁区，在自动作业的过程中有可能会发生碰撞，导致重大损失，存在严重的安全隐患；而规划路径的优劣和长短直接决定了无人天车作业的效率，从而影响工厂的生产效率和经济效益。因此，需要一种能够快速规划出无人天车最优作业路径的方法。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于改进蚁群算法的无人天车路径规划方法和系统。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于改进蚁群算法的无人天车路径规划方法，包括：
S100.对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
S200.根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；
S300.将计算得到的最优作业路径下发给对应无人天车，使无人天车按最优路径规划运行。
进一步地，S100中，通过栅格法对无人天车运行的仓库进行建模，生成仓库的栅格地图；栅格法的具体方法为：对实际物理环境进行单元分割，将其用大小相等的方格进行表示；确定预设大小的栅格，使得地图表示的环境信息足够充分，保证后续路径规划算法的计算效率。
进一步地，S100中，建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
进一步地，S200中，采用改进的蚁群算法进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
进一步地，具有n个节点的全连通图上随机放上m只蚂蚁，设t时刻，蚁群中第i个蚂蚁个体q的位置节点为Pt，其可选的后继位置节点集合为APq(t)，t+1时刻，蚂蚁个体q按照伪随机规则从集合APq(t)中选择Pt+1后移动，改进后的状态状态转移函数计算公式为：
Figure BDA0003459012320000031
式中，α,β分别表示信息素强度调节因子和启发式信息调节因子；
Figure BDA0003459012320000032
为t时刻移动到节点Pt+1的信息素浓度，ηP(t)为改进的启发函数。
进一步地，ηP(t)函数定义式如下
Figure BDA0003459012320000033
Figure BDA0003459012320000034
式中，λ为较小的正实数；W(Pt,Pt+1)为路径(Pt,Pt+1)的综合代价值；g(i)(Pt+1)为节点Pt+1到无人天车作业的目标点Ti之前尚未构造完成的路径综合代价预估值。
进一步地，改进后的信息素更新策略计算公式为：
Figure BDA0003459012320000035
Figure BDA0003459012320000036
式中，ρlc为信息素挥发系数；
Figure BDA0003459012320000037
代表本次迭代中蚂蚁q在t时刻所构造路径上的信息素增量，初始时刻的
Figure BDA0003459012320000038
当蚂蚁q构造出对应无人天车完整路径时，
Figure BDA0003459012320000039
否则
Figure BDA00034590123200000310
此时仅对蚂蚁q所经过区域的信息素进行衰减；
Figure BDA00034590123200000311
为初始路径综合代价值。
本发明还公开了一种基于改进蚁群算法的无人天车路径规划系统，包括环境信息设置模块、改进蚁群算法模块、无人天车；其中：
环境信息设置模块，用于对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
改进蚁群算法模块，用于根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径，将计算得到的最优作业路径下发给对应无人天车；
无人天车，用于接收改进蚁群算法模块的最优作业路径，并按最优路径规划运行。
进一步地，环境信息设置模块建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
进一步地，改进蚁群算法模块进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开了一种基于改进蚁群算法的无人天车路径规划方法，包括：对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；根据建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；将计算得到的最优作业路径下发给对应无人天车，无人天车按最优路径规划运行。本发明利用现场仓库的障碍物信息进行地图建模，能够根据实时的物理环境进行路径规划；改进的蚁群算法收敛速度快，避免了局部最优的同时，能够适应较为复杂环境下的路径规划，保证无人天车在仓库中按照最优路径自动作业时避开锁区，且路径最短，使得智能仓储系统稳定运行，提高生产效率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于改进蚁群算法的无人天车路径规划方法的流程图；
图2为本发明实施例1中，环境建模采用的栅格法原理示意图；
图3为本发明实施例1中，障碍物建模连锁处理示意图；
图4为本发明实施例1中，障碍物建模膨胀处理示意图；
图5为本发明实施例1中，路径代价值计算原理示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种基于改进蚁群算法的无人天车路径规划方法和系统。
实施例1
一种基于改进蚁群算法的无人天车路径规划方法，如图1，包括：
S100.对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
在本实施S100中，通过栅格法对无人天车运行的仓库进行建模，生成仓库的栅格地图；栅格法的具体方法为：对实际物理环境进行单元分割，将其用大小相等的方格进行表示；确定预设大小的栅格，使得地图表示的环境信息足够充分，保证后续路径规划算法的计算效率。具体的，通过栅格法对仓库环境进行建模，生成仓库的栅格地图。栅格法的主要思想是对实际物理环境进行单元分割，将其用大小相等的方格进行表示，原理如图2所示。选择合适的栅格大小，使得地图表示的环境信息足够充分，保证后续路径规划算法的计算效率；通过工单信息获取无人天车起始点和目标点的信息，包括无人天车当前坐标(x,y)，工单作业初始地址(x1,y1)，工单作业目的地址(x2,y2)；
在本实施例中，建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
具体的，在障碍物分布较密集的区域，某些障碍物之间的距离不足以让无人天车通过，路径规划过程中即可不考虑这些障碍物之间的空间，则对多障碍物进行优化处理，运用“连锁”方法将距离较近的障碍物联通起来，形成一个大的障碍物，联通后的新障碍物的中心为圆心或球心，半径为R＝lij/2+ri+rj,保证后期路径规划结果的有效性，“连锁”处理的原理示意图如图3所示。
具体的，为保证无人天车能够成功避障，采用“膨胀”思想对障碍物进行扩展处理。在原有的障碍物基础上，将障碍物的边界向外扩展得到新的障碍物，对新的障碍物进行路径规划及避障处理时，能够有效的处理无人天车速度过快等问题。原理示意图如图4所示，其中灰色部分为原有障碍物模型，将其向外膨胀Δr，得到半径为R′＝r0+Δr的新障碍物模型“锁区”，按照新的障碍物大小规划出来的路径离真实障碍物较远，大大降低了无人天车发生碰撞的概率。
S200.根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；蚁群算法的核心思想是，利用每个蚂蚁之间的信息共享，实现信息素的更新，进而根据信息素的浓度实现对最优解的筛选。
在本实施例的S200中，采用改进的蚁群算法进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
具体的，该算法可简单概括为：假设在具有n个节点的全连通图上随机放上m只蚂蚁，设t时刻，蚁群中第i个蚂蚁个体q的位置节点为Pt，其可选的后继位置节点集合为APq(t)，t+1时刻，蚂蚁个体q按照伪随机规则从集合APq(t)中选择Pt+1后移动，改进后的状态转移函数计算公式如下所示
Figure BDA0003459012320000071
式中，α,β分别表示信息素强度调节因子和启发式信息调节因子；
Figure BDA0003459012320000081
为t时刻移动到节点Pt+1的信息素浓度；ηP(t)为改进的启发函数。该函数定义式如下
Figure BDA0003459012320000082
Figure BDA0003459012320000083
式中，λ为较小的正实数；W(Pt,Pt+1)为路径(Pt,Pt+1)的综合代价值；g(i)(Pt+1)为节点Pt+1到无人天车作业的目标点Ti之前尚未构造完成的路径综合代价预估值，计算原理示意图如图5所示。
具体的，蚁群算法完成一次迭代后，可根据蚂蚁的路径选择出当前最短、最优的路径，而蚂蚁在经过路径时会根据所走过的路线长度选择性释放信息素。为了避免路径残留信息素过多干扰启发信息，在寻优过程中释放信息素的同时要对信息素进行更新处理，即信息素更新策略。改进后的信息素更新策略计算公式如下
Figure BDA0003459012320000084
Figure BDA0003459012320000085
式中，ρlc为信息素挥发系数；
Figure BDA0003459012320000086
代表本次迭代中蚂蚁q在t时刻所构造路径上的信息素增量，初始时刻的
Figure BDA0003459012320000087
当蚂蚁q构造出对应无人天车完整路径时，
Figure BDA0003459012320000088
否则
Figure BDA0003459012320000089
此时仅对蚂蚁q所经过区域的信息素进行衰减。
Figure BDA00034590123200000810
为初始路径综合代价值。
S300.将计算得到的最优作业路径下发给对应无人天车，使无人天车按最优路径规划运行。
本实施例还公开了一种基于改进蚁群算法的无人天车路径规划系统，，环境信息设置模块、改进蚁群算法模块、无人天车；其中：
环境信息设置模块，用于对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
改进蚁群算法模块，用于根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径，将计算得到的最优作业路径下发给对应无人天车；
无人天车，用于接收改进蚁群算法模块的最优作业路径，并按最优路径规划运行。
在一些优选实施例中，环境信息设置模块建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
在一些优选实施例中，改进蚁群算法模块进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
本实施例公开了一种基于改进蚁群算法的无人天车路径规划方法，包括：对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；根据建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；将计算得到的最优作业路径下发给对应无人天车，无人天车按最优路径规划运行。本发明利用现场仓库的障碍物信息进行地图建模，能够根据实时的物理环境进行路径规划；改进的蚁群算法收敛速度快，避免了局部最优的同时，能够适应较为复杂环境下的路径规划，保证无人天车在仓库中按照最优路径自动作业时避开锁区，且路径最短，使得智能仓储系统稳定运行，提高生产效率。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，包括：
S100.对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
S200.根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径；
S300.将计算得到的最优作业路径下发给对应无人天车，使无人天车按最优路径规划运行。
2.如权利要求1所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，S100中，通过栅格法对无人天车运行的仓库进行建模，生成仓库的栅格地图；栅格法的具体方法为：对实际物理环境进行单元分割，将其用大小相等的方格进行表示；确定预设大小的栅格，使得地图表示的环境信息足够充分，保证后续路径规划算法的计算效率。
3.如权利要求1所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，S100中，建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
4.如权利要求1所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，S200中，采用改进的蚁群算法进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
5.如权利要求4所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，具有n个节点的全连通图上随机放上m只蚂蚁，设t时刻，蚁群中第i个蚂蚁个体q的位置节点为Pt，其可选的后继位置节点集合为APq(t)，t+1时刻，蚂蚁个体q按照伪随机规则从集合APq(t)中选择Pt+1后移动，改进后的状态状态转移函数计算公式为：
Figure RE-FDA0003710275340000021
式中，α,β分别表示信息素强度调节因子和启发式信息调节因子；
Figure RE-FDA0003710275340000022
为t时刻移动到节点Pt+1的信息素浓度，ηP(t)为改进的启发函数。
6.如权利要求5所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，ηP(t)函数定义式如下
Figure RE-FDA0003710275340000023
Figure RE-FDA0003710275340000024
式中，λ为较小的正实数；W(Pt,Pt+1)为路径(Pt,Pt+1)的综合代价值；g(i)(Pt+1)为节点Pt+1到无人天车作业的目标点Ti之前尚未构造完成的路径综合代价预估值。
7.如权利要求4所述的一种基于改进蚁群算法的无人天车路径规划方法，其特征在于，改进后的信息素更新策略计算公式为：
Figure RE-FDA0003710275340000031
Figure RE-FDA0003710275340000032
式中，ρlc为信息素挥发系数；
Figure RE-FDA0003710275340000033
代表本次迭代中蚂蚁q在t时刻所构造路径上的信息素增量，初始时刻的
Figure RE-FDA0003710275340000034
当蚂蚁q构造出对应无人天车完整路径时，
Figure RE-FDA0003710275340000035
否则
Figure RE-FDA0003710275340000036
此时仅对蚂蚁q所经过区域的信息素进行衰减；
Figure RE-FDA0003710275340000037
为初始路径综合代价值。
8.一种基于改进蚁群算法的无人天车路径规划系统，其特征在于，包括环境信息设置模块、改进蚁群算法模块、无人天车；其中：
环境信息设置模块，用于对无人天车运行的仓库信息进行设置，包括生成栅格地图，确定无人天车起始点和目标点，并建立障碍物模型；
改进蚁群算法模块，用于根据S100中建立的栅格地图、无人车的起始点、目标点和建立的障碍物模型，采用改进的蚁群算法进行最优路径计算，在避开障碍物的前提下，以最短路径为评价指标，通过蚁群算法多次迭代后计算出天车的最优作业路径，将计算得到的最优作业路径下发给对应无人天车；
无人天车，用于接收改进蚁群算法模块的最优作业路径，并按最优路径规划运行。
9.如权利要求8所述的一种基于改进蚁群算法的无人天车路径规划系统，其特征在于，环境信息设置模块建立障碍物模型的方法为：通过对静态障碍物进行连锁和膨胀处理，将障碍物建模为锁区，后续无人天车的路径必须规避锁区。
10.如权利要求8所述的一种基于改进蚁群算法的无人天车路径规划系统，其特征在于，改进蚁群算法模块进行最优路径计算的方法为：
S201.初始化蚁群相关参数,至少包括蚂蚁数量m、信息素强度调节因子α、启发式信息调节因子β和迭代次数上限Nmax；
S202.将蚂蚁q置于起始点，计算下一步可能访问栅格的概率，建立概率分布函数，并按照改进的状态转移规则逐步构造无人天车的路径；
S203.判断蚂蚁q是否到达目标点，若到达则统计当前的局部最优路径；否则，再判断节点集合中是否还存在可选节点，若有则转向S202；若无节点可选，则进行S204；
S204.判断蚂蚁数量是否小于蚁群数量上限m，小于则转向S202；否则，进行S205.
S205.根据改进的信息素更新策略，更新信息素量后迭代数量增加1个，若此时迭代数量大于迭代上限次数Nmax，算法结束，输出最优路径；否则，转至S202。
CN202210010769.6A 2022-01-06 2022-01-06 一种基于改进蚁群算法的无人天车路径规划方法和系统 Pending CN114815802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210010769.6A CN114815802A (zh) 2022-01-06 2022-01-06 一种基于改进蚁群算法的无人天车路径规划方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210010769.6A CN114815802A (zh) 2022-01-06 2022-01-06 一种基于改进蚁群算法的无人天车路径规划方法和系统

Publications (1)

Publication Number Publication Date
CN114815802A true CN114815802A (zh) 2022-07-29

Family

ID=82527202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210010769.6A Pending CN114815802A (zh) 2022-01-06 2022-01-06 一种基于改进蚁群算法的无人天车路径规划方法和系统

Country Status (1)

Country Link
CN (1) CN114815802A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357031A (zh) * 2022-10-19 2022-11-18 武汉理工大学 一种基于改进蚁群算法的船舶路径规划方法及系统
CN116588573A (zh) * 2023-04-28 2023-08-15 北京云中未来科技有限公司 一种仓储智能起重系统的散料抓取控制方法及系统
CN116705679A (zh) * 2023-03-27 2023-09-05 合肥新晶集成电路有限公司 传送路径规划方法、规划系统、天车传送方法及传送系统
CN116757350A (zh) * 2023-08-11 2023-09-15 稳石机器人(深圳)有限公司 一种无人叉车集群调度处理系统
CN117234218A (zh) * 2023-11-13 2023-12-15 成川科技(苏州)有限公司 一种基于天车搬运系统的速度规划方法及系统
CN117308945A (zh) * 2023-08-17 2023-12-29 成川科技(苏州)有限公司 基于准确交通管控的无人天车动态路径规划方法及系统
CN117670162A (zh) * 2023-12-06 2024-03-08 珠海市格努信息技术有限公司 一种场内智能物流解决方法
CN117744909A (zh) * 2024-02-19 2024-03-22 华芯(嘉兴)智能装备有限公司 天车的漫游控制方法及装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357031B (zh) * 2022-10-19 2023-01-03 武汉理工大学 一种基于改进蚁群算法的船舶路径规划方法及系统
CN115357031A (zh) * 2022-10-19 2022-11-18 武汉理工大学 一种基于改进蚁群算法的船舶路径规划方法及系统
CN116705679A (zh) * 2023-03-27 2023-09-05 合肥新晶集成电路有限公司 传送路径规划方法、规划系统、天车传送方法及传送系统
CN116705679B (zh) * 2023-03-27 2023-11-07 合肥新晶集成电路有限公司 传送路径规划方法、规划系统、天车传送方法及传送系统
CN116588573A (zh) * 2023-04-28 2023-08-15 北京云中未来科技有限公司 一种仓储智能起重系统的散料抓取控制方法及系统
CN116588573B (zh) * 2023-04-28 2024-02-02 北京云中未来科技有限公司 一种仓储智能起重系统的散料抓取控制方法及系统
CN116757350A (zh) * 2023-08-11 2023-09-15 稳石机器人(深圳)有限公司 一种无人叉车集群调度处理系统
CN116757350B (zh) * 2023-08-11 2024-04-26 稳石机器人(深圳)有限公司 一种无人叉车集群调度处理系统
CN117308945B (zh) * 2023-08-17 2024-04-09 成川科技(苏州)有限公司 基于准确交通管控的无人天车动态路径规划方法及系统
CN117308945A (zh) * 2023-08-17 2023-12-29 成川科技(苏州)有限公司 基于准确交通管控的无人天车动态路径规划方法及系统
CN117234218A (zh) * 2023-11-13 2023-12-15 成川科技(苏州)有限公司 一种基于天车搬运系统的速度规划方法及系统
CN117234218B (zh) * 2023-11-13 2024-02-23 成川科技(苏州)有限公司 一种基于天车搬运系统的速度规划方法及系统
CN117670162A (zh) * 2023-12-06 2024-03-08 珠海市格努信息技术有限公司 一种场内智能物流解决方法
CN117744909A (zh) * 2024-02-19 2024-03-22 华芯(嘉兴)智能装备有限公司 天车的漫游控制方法及装置
CN117744909B (zh) * 2024-02-19 2024-05-14 华芯(嘉兴)智能装备有限公司 天车的漫游控制方法及装置

Similar Documents

Publication Publication Date Title
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
CN109115226B (zh) 基于跳点搜索的多机器人冲突避免的路径规划方法
CN108664022B (zh) 一种基于拓扑地图的机器人路径规划方法及系统
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
KR101105325B1 (ko) 실제 로봇의 다중 경로계획 방법
CN109489667A (zh) 一种基于权值矩阵的改进蚁群路径规划方法
CN112985408B (zh) 一种路径规划优化方法及系统
CN110345960B (zh) 一种规避交通障碍的路线规划智能优化方法
CN112068588A (zh) 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN102778229A (zh) 未知环境下基于改进蚁群算法的移动Agent路径规划方法
CN113485429B (zh) 空地协同交通巡检的路径优化方法和装置
CN110243373B (zh) 一种动态仓储自动引导车的路径规划方法、装置和系统
CN108665117A (zh) 一种室内空间最短路径的计算方法、装置、终端设备以及存储介质
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN111080786A (zh) 基于bim的室内地图模型构建方法及装置
CN114281084B (zh) 一种基于改进a*算法的智能车全局路径规划方法
CN112344938B (zh) 基于指向和势场参数的空间环境路径生成及规划方法
CN115713856A (zh) 一种基于交通流预测与实际路况的车辆路径规划方法
CN115186446A (zh) 一种基于离散网格结构的交叉口全链路交通仿真方法
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
Lin et al. Niching Pareto ant colony optimization algorithm for bi-objective pathfinding 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
CN112539751A (zh) 一种机器人路径规划方法
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法

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