CN114879674B - 一种预制构件堆场中巡检机器人调度与路径规划方法 - Google Patents
一种预制构件堆场中巡检机器人调度与路径规划方法 Download PDFInfo
- Publication number
- CN114879674B CN114879674B CN202210515083.2A CN202210515083A CN114879674B CN 114879674 B CN114879674 B CN 114879674B CN 202210515083 A CN202210515083 A CN 202210515083A CN 114879674 B CN114879674 B CN 114879674B
- Authority
- CN
- China
- Prior art keywords
- inspection
- inspection robot
- scheduling
- robots
- shelf
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002023 wood Substances 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
-
- 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
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Manipulator (AREA)
Abstract
本发明涉及建筑工业领域,公开了一种预制构件堆场中巡检机器人调度与路径规划方法,首在建模时充分考虑了预制构件堆场环境条件,并考虑了局部带有避障效果的路径规划方法;其次在获得避障条件下的货架距离矩阵后,将每个货架的停留时间窗作为约束条件考虑在内,使用粒子群优化算法计算同时满足成本最低和效率最高的巡检机器人调度与路径规划方法;本发明对硬件的性能要求较低,系统的实时性好,因而能够实现在云端对巡检机器人进行调度和路径规划,能够实现巡检机器人最优巡检方案。
Description
技术领域
本发明涉及建筑工业领域,具体涉及一种预制构件堆场中巡检机器人调度与路径规划方法。
背景技术
装配式建筑主要包括预制装配式混凝土结构、钢结构、现代木结构建筑等,因为采用标准化设计、工厂化生产、装配化施工、信息化管理、智能化应用,是现代工业化生产方式的代表。
在整个装配式建筑工厂中,堆场作为生产线与装配现场中间的缓冲池,其地位异常重要。现阶段国内装配式建筑处于刚起步,在巨大的堆场中,有很多人工管理问题,比如内运数据谎报等。如何使用巡检机器人替代人工进行自动化巡检以及内运数据的核查,如何使用最低的成本和最高的效率进行巡检机器人的调度和路径规划,这是个急需解决的问题。
现有一些堆场使用巡检机器人进行巡检,但是仅仅只是铺设固定的轨道,让巡检机器人按轨道顺序巡检费时费力,巡检效率较低,成本较大,很容易出现漏巡检和内运数据不核查的情况,没有较好的巡检机器人调度和路径规划方法。
综上,对于预制构件堆场巡检机器人调度与路径规划的问题,还需要开发新的方法,不仅要实现巡检机器人自动化巡检货架,还要及时进行内运数据的核查,以降低堆场内运成本,提高堆场管理效率。
发明内容
为解决上述技术问题,本发明提供一种预制构件堆场中巡检机器人调度与路径规划方法。
为解决上述技术问题,本发明采用如下技术方案:
一种预制构件堆场中巡检机器人调度与路径规划方法,对巡检机器人在堆场货架间的巡检过程生成调度与路径规划方案,包括以下步骤:
步骤一:根据堆场中障碍物的尺寸以及内部道路的尺寸对堆场进行建模,巡检机器人工作时需要位于内部道路上且不能与障碍物发生运动干涉;
步骤二:获取堆场中待巡检的货架的位置信息,以及货架上的构件在堆场中的停留时间窗;
步骤三:将货架的位置信息输入到A*算法中,计算出任意两个货架在避障的情况下的最短距离矩阵以及全局路径规划数据;A*算法的估价函数为:f(n)=g(n)+h(n),f(n)是货架n的综合优先级,g(n)是货架n距离起点的代价,h(n)是货架n距离终点的预计代价;A*算法的计算结果既包含最短距离矩阵,还包括每两个货架之间应该怎么走的路径信息,即全局路径规划数据。
步骤四:通过粒子群优化算法求解目标函数得出巡检机器人的调度与路径规划方案,具体包括:通过贪婪策略并依据最短距离矩阵和货架的位置信息,构造目标函数的初始解,通过粒子群优化算法计算路径距离,输出巡检机器人的路径以及适应度,经过迭代后,将得到的全局最优路径和最佳适应度值作为巡检机器人的调度与路径规划方案;其中,Z为巡检机器人路径,C0为巡检机器人启动的固定成本,C1为巡检机器人单位距离的行驶成本,N为货架的数量,K为需要使用的巡检机器人数量,dij为货架之间的最短距离,xijk表示巡检机器人k是否从货架i行驶到货架j,Pi表示惩罚成本,Pi包括巡检机器人早于最早巡检时间到达货架所产生的等待成本、巡检机器人晚于最晚巡检时间到达产生的惩罚成本;C0、C1、N、K、Pi均为已知量。
具体地,生成调度与路径规划方案时还包括巡检机器人的防碰撞方法,包括以下步骤:
在巡检机器人机身上不同方位上粘结Apriltag标识码,并将同一个巡检机器人机身上的所有Apriltag标识码与巡检机器人自身的ID绑定;
巡检机器人具有单目摄像头,巡检机器人通过单目摄像头识别运动路径上其他巡检机器人的Apriltag标识码,得到其他巡检机器的方位数据以及本巡检机器人与其他巡检机器人之间的距离变化趋势,判断碰撞风险;
根据碰撞风险制定防碰撞规则。
具体地,防碰撞规则包括:
情况一,任意两个巡检机器人对向而行时,双方各向右偏转45度行驶1米后再反向偏转90度行驶1米,然后再反向偏转135度回正。
情况二:巡检机器人存在侧向碰撞风险时:
(1)目标货架的停留时间窗较早的巡检机器人优先通过,其余巡检机器人停车等待;
(2)运行时间较长的巡检机器人优先通过,其余巡检机器人停车等待;
情况三:巡检机器人同向而行时,速度保持一致。
具体地,步骤四中目标函数的约束条件包括:
调度中心约束:所有的巡检机器人都从调度中心出发,完成巡检任务后返回调度中心;
巡检货架流量平衡:进出货架询价区域的巡检机器人数量相等;
货架巡检约束:在一个周期内每个货架只能被巡检一次;
巡检机器人续航约束,每个巡检机器人的巡检距离不超过最大续航距离。
具体地,构件运输与巡检最小粒度为一层楼的构件,即一层楼的构件放置在同一个货架内,则该货架为最小巡检粒度。
具体地,步骤三中使用A*算法计算出任意两个货架的最短距离矩阵时,A*算法的启发函数使用欧几里得距离式中,(x1,x2)、(y1,y2)为分别两个货架的坐标。
在粒子群算法中,惯性因子用于平衡全局和局部搜索能力,较大的惯性权重更倾向于全局搜索,而较小的惯性权重适于局部搜索,为了平衡巡检机器人调度的效果,经实验将惯性因子设为0.2时效果较好;其次,为了更好的平衡算法运行速度与效果,将粒子设置为50个。
与现有技术相比,本发明的有益技术效果是:
1.首先,本发明在建模时充分考虑了预制构件堆场环境条件,并考虑了局部带有避障效果的路径规划方法;其次在获得避障条件下的货架距离矩阵后,将每个货架的停留时间窗作为约束条件考虑在内,使用粒子群优化算法计算同时满足成本最低和效率最高的巡检机器人调度和路径规划方法。本发明对硬件的性能要求较低,系统的实时性好,因而可以在云端对巡检机器人进行调度和路径规划,能够实现巡检机器人巡检最优方案。
2.本发明在巡检机器人不同方位上粘贴Apriltag标识码,通过识别多个不同方位的Apriltag标识码,进而得到两个巡检机器人之间的方向、位置、距离变化趋势,进而可以判断碰撞风险并制定防碰撞规则。
3.本发明还可以人为控制约束条件,可调整优先成本最低或效率最高,使巡检方案更加灵活。
附图说明
图1本发明调度与路径规划方法的流程图。
具体实施方式
下面将结合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做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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例1
本实施例的操作环境为搭载WINDOWS10系统的PC,运行算法的程序设计语言为python 3.7。
如图1所示,本发明公开了一种预制构件堆场中巡检机器人调度与路径规划方法,该包括以下步骤:
S1:根据堆场中障碍物以及内部道路的尺寸对堆场进行建模,巡检机器人工作时需要位于内部道路上且不能与障碍物发生运动干涉;对堆场进行建模,确定货架桁车等障碍物位置规模尺寸,以及堆场内部道路尺寸,并规定巡检机器人不能紧贴货架等障碍物边缘行驶。我们将预制构件堆场设定为300平方米*200平方米的区域,其中分为四个货场,每个货场包含两列货架,每列货架尺寸一致为100米长、25米宽、2米高。
货架数量设置为30个,巡检机器人最大行驶距离为1000米,巡检机器人行驶速度为1km/h,巡检机器人启动的固定成本为10单位/辆,巡检机器人单位距离的行驶成本为1单位/米,巡检机器人早于最早巡检时间到达货架所产生的等待成本为20单位/min,巡检机器人晚于最晚巡检时间到达产生的惩罚成本为200单位/min。
S2:获取堆场中待巡检的货架的位置信息,以及货架上的构件在堆场中的停留时间窗;根据构件生产线排产计划以及构件发货单,汇总出每一批构件内运进堆场时间和从堆场发货的时间,即构件在堆场的停留时间窗。
S3:将货架的位置信息输入到A*算法中,计算出任意两个货架在避障的情况下的最短距离矩阵以及全局路径规划数据;A*算法的估价函数为:f(n)=g(n)+h(n),f(n)是货架n的综合优先级,当选择下一个要遍历的货架时,选取综合优先级最高(值最小)的节点;g(n)是货架n距离起点的代价;h(n)是货架n距离终点的预计代价,也就是A*算法的启发函数;A*算法在决策中同时考虑了距离起点的实际距离以及距离终点的预估距离。
由于事先已经获取到待巡检货架的位置信息,将其输入到A*算法中,即可计算出任意两个货架在避障的情况下的最短距离矩阵。为了在堆场环境中巡检机器人局部路径规划距离最短,A*算法的启发函数使用欧几里得距离上式中,(x1,x2)、(y1,y2)为分别两个货架的坐标。
S4:预制构件堆场中巡检机器人调度与路径规划问题可以抽象为VRP问题,VRP问题的目标函数为:其中,Z为巡检机器人路径,C0为巡检机器人启动的固定成本,C1为巡检机器人单位距离的行驶成本,N为货架的数量,K为需要使用的巡检机器人数量,dij为货架之间的最短距离,xijk表示巡检机器人k是否从货架i行驶到货架j,Pi表示惩罚成本,惩罚成本包括巡检机器人早于最早巡检时间到达货架所产生的等待成本、巡检机器人晚于最晚巡检时间到达产生的惩罚成本;C0、C1、N、K、Pi均为已知量;粒子群优化算法中,粒子群的每一个粒子都代表巡检机器人调度和路径规划的可能解,通过粒子个体的简单行为、群体内的信息交互实现问题求解的智能性。具体实现步骤如下:首先输入货架坐标与最短距离矩阵,贪婪策略构造初始解;然后输入最短距离矩阵、巡检机器人最大行驶距离、巡检机器人单位距离的行驶成本、停留时间窗、巡检机器人早于最早巡检时间到达货架所产生的等待成本、巡检机器人晚于最晚巡检时间到达产生的惩罚成本,贪婪策略分配车辆,此外,将惯性因子设为0.2,将粒子设置为50个,可计算路径距离,输出调度后巡检机器人的路径以及适应度,经过迭代之后得到全局最优解和最佳适应度值,即为巡检机器人食物调度与路径规划方案。
VRP问题的约束条件包括:
调度中心约束:所有的巡检机器人都从调度中心出发,完成巡检任务后返回调度中心;
巡检货架流量平衡:进出货架区域的巡检机器人数量相等;
货架巡检约束:在一个周期内每个货架只能被巡检一次;
巡检机器人续航约束,每个巡检机器人的巡检距离不超过最大续航距离。
生成调度与路径规划方案时还包括巡检机器人的防碰撞方法,包括以下步骤:
S51:在巡检机器人机身四周粘贴Apriltag标识码,同一个巡检机器人机身四周粘贴的Apriltag标识码要绑定同一个巡检机器人的ID,即机身四周粘贴的Apriltag标识码统一标注为同一个巡检机器人的ID,通过机身上的Apriltag标识码可以识别出巡检机器人ID。
S52:机器人上携带单目广角摄像头,在巡检机器人巡检时,通过单目广角摄像头实时获取附近巡检机器人图像,再将带有巡检机器人机身上Apriltag标识码的图像进行对比度、亮度、噪点处理,再对Apriltag标识码进行边缘检测,找出需要的四边形图案并进行筛选,最后进行编码、匹配、解码、检查,得到本巡检机器人与其他巡检机器人之间的方位数据,以及Apriltag标识码对应的巡检机器人ID;由于巡检机器人机身上四周皆有Apriltag标识码,当同时识别到同一个机器人身上的多个Apriltag标识码时,将识别到的方位数据中的角度数据进行取中,即可得到对应的巡检机器人位置,根据当前巡检机器人巡检路径与附近其他巡检机器人之间的距离变化趋势,可得出两者的预计碰撞时间和地点。
S53:在预制构件堆场中,由于内部道路比较空旷没有杂物遮挡,而巡检机器人本身体积较小,故当巡检机器人预计即将碰撞时制定如下防碰撞规则:
情况一,任意两个巡检机器人对向而行时,双方各向右偏转45度行驶1米后再反向偏转90度行驶1米,然后再反向偏转135度回正。
情况二:巡检机器人存在侧向碰撞风险时:
(1)目标货架的停留时间窗较早的巡检机器人优先通过,其余巡检机器人停车等待;
(2)运行时间较长的巡检机器人优先通过,其余巡检机器人停车等待;
情况三:巡检机器人同向而行时,速度保持一致。
经实验表明,本发明中巡检机器人调度与路径规划方法在预制构件堆场中可行,比使用轨道顺序巡检成本可减少50%以上、效率可提升60%以上,可有效优化堆场中巡检机器人工作效率和成本。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (6)
1.一种预制构件堆场中巡检机器人调度与路径规划方法,对巡检机器人在堆场货架间的巡检过程生成调度与路径规划方案,包括以下步骤:
步骤一:根据堆场中障碍物的尺寸以及内部道路的尺寸对堆场进行建模,巡检机器人工作时需要位于内部道路上且不能与障碍物发生运动干涉;
步骤二:获取堆场中待巡检的货架的位置信息,以及货架上的构件在堆场中的停留时间窗;
步骤三:将货架的位置信息输入到A*算法中,计算出任意两个货架在避障的情况下的最短距离矩阵以及全局路径规划数据;A*算法的估价函数为:f(n)=g(n)+h(n),f(n)是货架n的综合优先级,g(n)是货架n距离起点的代价,h(n)是货架n距离终点的预计代价;
步骤四:通过粒子群优化算法求解目标函数得出巡检机器人的调度与路径规划方案,具体包括:通过贪婪策略并依据最短距离矩阵和货架的位置信息,构造目标函数的初始解,通过粒子群优化算法计算路径距离,输出巡检机器人的路径以及适应度,经过迭代后,将得到的全局最优路径和最佳适应度值作为巡检机器人的调度与路径规划方案;其中,Z为巡检机器人路径,C0为巡检机器人启动的固定成本,C1为巡检机器人单位距离的行驶成本,N为货架的数量,K为需要使用的巡检机器人数量,dij为货架之间的最短距离,xijk表示巡检机器人k是否从货架i行驶到货架j,Pi表示惩罚成本,Pi包括巡检机器人早于最早巡检时间到达货架所产生的等待成本、巡检机器人晚于最晚巡检时间到达产生的惩罚成本;C0、C1、N、K、Pi均为已知量。
2.根据权利要求1所述预制构件堆场中巡检机器人调度与路径规划方法,其特征在于,生成调度与路径规划方案时还包括巡检机器人的防碰撞方法,包括以下步骤:
在巡检机器人机身上不同方位上粘结Apriltag标识码,并将同一个巡检机器人机身上的所有Apriltag标识码与巡检机器人自身的ID绑定;
巡检机器人具有单目摄像头,巡检机器人通过单目摄像头识别运动路径上其他巡检机器人的Apriltag标识码,得到其他巡检机器的方位数据以及本巡检机器人与其他巡检机器人之间的距离变化趋势,判断碰撞风险;
根据碰撞风险制定防碰撞规则。
3.根据权利要求1所述的预制构件堆场中巡检机器人调度与路径规划方法,其特征在于,防碰撞规则包括:
情况一,任意两个巡检机器人对向而行时,双方各向右偏转45度行驶1米后再反向偏转90度行驶1米,然后再反向偏转135度回正;
情况二:巡检机器人存在侧向碰撞风险时:
(1)目标货架的停留时间窗较早的巡检机器人优先通过,其余巡检机器人停车等待;
(2)运行时间较长的巡检机器人优先通过,其余巡检机器人停车等待;
情况三:巡检机器人同向而行时,速度保持一致。
4.根据权利要求1所述的预制构件堆场中巡检机器人调度与路径规划方法,其特征在于,步骤四中目标函数的约束条件包括:
调度中心约束:所有的巡检机器人都从调度中心出发,完成巡检任务后返回调度中心;
巡检货架流量平衡:进出货架询价区域的巡检机器人数量相等;
货架巡检约束:在一个周期内每个货架只能被巡检一次;
巡检机器人续航约束,每个巡检机器人的巡检距离不超过最大续航距离。
5.根据权利要求1所述的预制构件堆场中巡检机器人调度与路径规划方法,其特征在于:一层楼的构件放置在同一个货架内,构件巡检的最小粒度为一个货架。
6.根据权利要求1所述的预制构件堆场中巡检机器人调度与路径规划方法,其特征在于:步骤三中使用A*算法计算出任意两个货架的最短距离矩阵时,A*算法的启发函数使用欧几里得距离式中,(x1,x2)、(y1,y2)为分别两个货架的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515083.2A CN114879674B (zh) | 2022-05-12 | 2022-05-12 | 一种预制构件堆场中巡检机器人调度与路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515083.2A CN114879674B (zh) | 2022-05-12 | 2022-05-12 | 一种预制构件堆场中巡检机器人调度与路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114879674A CN114879674A (zh) | 2022-08-09 |
CN114879674B true CN114879674B (zh) | 2024-06-07 |
Family
ID=82675062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210515083.2A Active CN114879674B (zh) | 2022-05-12 | 2022-05-12 | 一种预制构件堆场中巡检机器人调度与路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822826A (zh) * | 2023-03-13 | 2023-09-29 | 广东博嘉拓建筑科技有限公司 | 一种多机协同的施工路径规划方法、介质及建筑机器人 |
CN118012078B (zh) * | 2024-04-08 | 2024-06-18 | 江苏小兆科技有限公司 | 基于物联网的无人驾驶车辆行驶路径规划方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130116730A (ko) * | 2012-04-16 | 2013-10-24 | 한국과학기술원 | 로봇 편대 제어 방법, 그 시스템, 및 기록 매체 |
CN110717684A (zh) * | 2019-10-15 | 2020-01-21 | 西安工程大学 | 一种基于任务分配协调策略与粒子群算法的任务分配方法 |
CN111123936A (zh) * | 2019-12-26 | 2020-05-08 | 河海大学常州校区 | 一种面向智慧车间的多移动机器平台系统任务分配方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
CN111338350A (zh) * | 2020-03-10 | 2020-06-26 | 青岛蓝海未来海洋科技有限责任公司 | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 |
CN111504325A (zh) * | 2020-04-29 | 2020-08-07 | 南京大学 | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 |
CN111915074A (zh) * | 2020-07-25 | 2020-11-10 | 宁波工程学院 | 一种基于改进粒子群算法的冷链物流车辆路径选择方法 |
CN112230678A (zh) * | 2020-10-29 | 2021-01-15 | 皖江工学院 | 基于粒子群算法的三维无人机路径规划方法及规划系统 |
CN114115286A (zh) * | 2021-12-06 | 2022-03-01 | 国网山东省电力公司汶上县供电公司 | 变电站机器人巡检系统与方法 |
CN114169832A (zh) * | 2021-12-15 | 2022-03-11 | 中国建设银行股份有限公司 | 一种物流配送调度的方法、装置及存储介质、处理器 |
CN114397896A (zh) * | 2022-01-10 | 2022-04-26 | 贵州大学 | 一种改进粒子群算法的动态路径规划方法 |
-
2022
- 2022-05-12 CN CN202210515083.2A patent/CN114879674B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130116730A (ko) * | 2012-04-16 | 2013-10-24 | 한국과학기술원 | 로봇 편대 제어 방법, 그 시스템, 및 기록 매체 |
CN110717684A (zh) * | 2019-10-15 | 2020-01-21 | 西安工程大学 | 一种基于任务分配协调策略与粒子群算法的任务分配方法 |
CN111123936A (zh) * | 2019-12-26 | 2020-05-08 | 河海大学常州校区 | 一种面向智慧车间的多移动机器平台系统任务分配方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
CN111338350A (zh) * | 2020-03-10 | 2020-06-26 | 青岛蓝海未来海洋科技有限责任公司 | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 |
CN111504325A (zh) * | 2020-04-29 | 2020-08-07 | 南京大学 | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 |
CN111915074A (zh) * | 2020-07-25 | 2020-11-10 | 宁波工程学院 | 一种基于改进粒子群算法的冷链物流车辆路径选择方法 |
CN112230678A (zh) * | 2020-10-29 | 2021-01-15 | 皖江工学院 | 基于粒子群算法的三维无人机路径规划方法及规划系统 |
CN114115286A (zh) * | 2021-12-06 | 2022-03-01 | 国网山东省电力公司汶上县供电公司 | 变电站机器人巡检系统与方法 |
CN114169832A (zh) * | 2021-12-15 | 2022-03-11 | 中国建设银行股份有限公司 | 一种物流配送调度的方法、装置及存储介质、处理器 |
CN114397896A (zh) * | 2022-01-10 | 2022-04-26 | 贵州大学 | 一种改进粒子群算法的动态路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Path Planning for Unmanned Underwater Vehicle Based on Improved Particle Swarm Optimization Method;Xu, JH等;《INTERNATIONAL JOURNAL OF ONLINE ENGINEERING》;20181231;第14卷(第12期);全文 * |
仓储多AGV系统的动态调度与避碰决策研究;朱孟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210815(第08期);全文 * |
基于粒子群算法的车身焊接生产线机器人路径规划研究;卢沈阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200815(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114879674A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114879674B (zh) | 一种预制构件堆场中巡检机器人调度与路径规划方法 | |
Hussein et al. | Modelling in off-site construction supply chain management: A review and future directions for sustainable modular integrated construction | |
CN113486293B (zh) | 全自动化边装卸集装箱码头的智能水平运输系统及方法 | |
Hussein et al. | Crane operations and planning in modular integrated construction: Mixed review of literature | |
CN107167154B (zh) | 一种基于时间代价函数的时间窗路径规划冲突解决方法 | |
CN107816996B (zh) | 时变环境下agv流时空干涉检测与规避方法 | |
Le-Anh et al. | A review of design and control of automated guided vehicle systems | |
CN111596658A (zh) | 一种多agv无碰撞运行的路径规划方法及调度系统 | |
CN108829105A (zh) | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 | |
Hussein et al. | Sustainable logistics planning in modular integrated construction using multimethod simulation and Taguchi approach | |
CN113848888B (zh) | 一种agv叉车路径规划方法、装置、设备及存储介质 | |
CN112465192B (zh) | 任务调度的方法、装置、设备及介质 | |
CN113899383B (zh) | 基于短路径的多车防死锁方法、系统、设备及存储介质 | |
Sun et al. | AGV-based vehicle transportation in automated container terminals: A survey | |
CN113592158A (zh) | 多agv路径规划和多agv智能生产线中agv与机器联合调度方法 | |
Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
CN115796418A (zh) | 一种考虑道路通行约束的应急物资调度方法 | |
Solichudin et al. | Conflict-free dynamic route multi-agv using dijkstra Floyd-warshall hybrid algorithm with time windows | |
CN108985510B (zh) | 基于人工智能的大规模智能物流路径判定系统 | |
Klaas et al. | Simulation aided, knowledge based routing for AGVs in a distribution warehouse | |
Zhao et al. | A review of unmanned vehicle distribution optimization models and algorithms | |
Xia et al. | A multi-AGV optimal scheduling algorithm based on particle swarm optimization | |
CN115638804B (zh) | 一种无死锁的无人车辆在线路径规划方法 | |
Gao et al. | A digital twin-based decision support approach for AGV scheduling | |
Luo et al. | Path planning for automated guided vehicles system via interactive dynamic influence diagrams with communication |
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 |