CN114895690A - 基于动态加权及热力图算法的机器人路径规划方法及系统 - Google Patents

基于动态加权及热力图算法的机器人路径规划方法及系统 Download PDF

Info

Publication number
CN114895690A
CN114895690A CN202210740192.4A CN202210740192A CN114895690A CN 114895690 A CN114895690 A CN 114895690A CN 202210740192 A CN202210740192 A CN 202210740192A CN 114895690 A CN114895690 A CN 114895690A
Authority
CN
China
Prior art keywords
robot
grid
algorithm
path
tasks
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
Application number
CN202210740192.4A
Other languages
English (en)
Other versions
CN114895690B (zh
Inventor
毕淑慧
李志豪
王磊
申涛
徐元
李健
赵钦君
王秋阳
罗好峰
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.)
Shandong Specification Intelligent Technology Co ltd
University of Jinan
Original Assignee
Shandong Specification Intelligent Technology Co ltd
University of Jinan
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 Shandong Specification Intelligent Technology Co ltd, University of Jinan filed Critical Shandong Specification Intelligent Technology Co ltd
Priority to CN202210740192.4A priority Critical patent/CN114895690B/zh
Publication of CN114895690A publication Critical patent/CN114895690A/zh
Application granted granted Critical
Publication of CN114895690B publication Critical patent/CN114895690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)
  • Manipulator (AREA)

Abstract

本发明属于机器人路径规划领域，提供了基于动态加权及热力图算法的机器人路径规划方法及系统，该方法基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；基于A*算法代价估算函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。达到同时避免顶点冲突、边缘冲突的目的。

Description

基于动态加权及热力图算法的机器人路径规划方法及系统
技术领域
本发明属于机器人路径规划领域，尤其涉及基于动态加权及热力图算法的机器人路径规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
多机器人的无冲突调度是智能仓储系统的核心，现有的仓库规模不断扩大，机器人数量逐渐增多，系统运行流程复杂，问题之间联系紧密，单个机器人的最佳路线、单个问题的最优策略在系统全局运行时并非最优。出入库时对订单的分配是影响仓库效率的因素之一。与此同时，也要考虑到多个机器人的协同配合避免碰撞，在此前提下，寻找最短路径。
由于仓库内不只一辆机器人，多辆机器人之间会造成冲突，最短路径可能有其他机器人频繁经过，产生严重的冲突问题，且冲突具有强动态性和交错性，容易造成连环冲突和拥堵，甚至造成死锁现象。同时若随机存储物资，会大大降低仓库使用效率、管理困难，且会在机器人运输物资出库时造成较大混乱。
发明人发现，现有方法多从路径规划上尽量减少冲突范围，但却不能从全局的角度出发彻底优化冲突，只能定性减少冲突而不能定量消除冲突，多个机器人运动过程会频繁发生冲突并引发大量启停。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于动态加权及热力图算法的机器人路径规划方法及系统，其针对仓储系统中多机器人的顶点和边缘碰撞问题及机器人与订单及拣选台的匹配规则问题，提出一种运算效率高、动态自适应的基于动态加权及热力图算法的多机器人路径规划方法。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供基于动态加权及热力图算法的机器人路径规划方法，包括如下步骤：
获取待运输的订单任务；
基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
基于A*算法代价估算函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。
本发明的第二个方面提供基于动态加权及热力图算法的机器人路径规划系统，包括：任务获取模块，用于获取待运输的订单任务；
任务分配模块，用于基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
路径规划模块，用于基于A*算法代价估算函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明提出一种较为标准的适用于多种存储模式的小型仓储模型，可以应对多种场景的仓储要求，合理的环境表示有利于建立规划方法和选择合适的搜索算法，最终实现较少的时间开销而规划出较为满意的路径。
2.本发明针对智能仓储系统中的多车调度问题，改进了预约表，大大降低了预约表占用的存储空间的同时提高了运行效率。对A*算法做出了改进，达到同时避免顶点冲突、边缘冲突的目的。
3.本发明针对不可避免的冲突增加了动态加权表，对高优先级货物进行优先排序，提高了仓库的运送效率。
4.本发明增加了热力图算法，将周围的巷道拥堵程度反应到对应的货架组和拣选台上，对任务进行合理分配，避开了拥堵区域，实现任务的动态分配。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例基于动态加权及热力图算法的多机器人路径规划方法流程图；
图2为本发明实施例建立的小型仓库栅格模型图；
图3为本发明实施例货架分配示意图；
图4为本发明实施例反映拥堵程度的热力图示意图；
图5为本发明实施例预约表示意图；
图6(a)-图6(d)为本发明实施例中使用动态加权表前后的效率对比图；
图7(a)-图7(b)为本发明实施例中使用热力图算法前后的效率对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供基于动态加权及热力图算法的机器人路径规划方法，包括如下步骤：
步骤1：获取待运输的订单任务；
本实施例中，所述待输运订单任务可以根据查询到的订单剩余情况确定。获取任务的起始点和目标点信息，并存储到States元胞数组的StartStates矩阵和GoalStates矩阵中。初始状态时预约表中信息为空。
步骤2：基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
作为一种或多种实施例，步骤2基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值，进行任务的优先级排序具体包括：
步骤201：调用一定时间段的预约表数据，计算每个巷道在此时间段通过机器人的数量，并以此作为每个巷道的拥堵程度值，参与到每个货架组的热力值计算中，如图4所示。
每条巷道的拥堵程度计算公式如下：
Figure BDA0003717600600000051
其中，RI为调用预约表范围，Congestion为巷道在记录范围为RI时的拥堵程度，k表示当前时刻对应的预约表张数，预约表按照时间顺序排列，时间间隔为机器人从栅格中心位置移动到相邻栅格中心位置的消耗时间Δt，N(k-RI·Δt,k)为从k-RI·Δt时刻到当前k时刻，此巷道通过的机器人数量。
步骤202：为方便热力值的计算，对货架组及巷道进行坐标编号，均使用自上而下、自左而右的编号方式，左上方第一个货架的坐标为(1，1)，以此类推，得到每个货架组的热力值计算公式如下：
Wh(i,j)＝Cw(i,j)+Cw(i,j+1)+Cl(i,j)+Cl(i+1,j) (2)
其中，Wh(i,j)为坐标(i,j)的货架组的热力值，Cw(i,j)与Cl(i,j)均通过公式(1)计算而来，Cw(i,j)为该货架组左侧的短巷道的拥堵程度值，Cl(i,j)为该货架组前方的长巷道的拥堵程度值。
步骤203：将未分配的任务与其目标点所在的货架组一一对应，根据所在货架组的热力值进行升序排序，热力值越小的任务点越靠前，若热力值相同，则与匹配的运输机器人距离最近的任务点优先。重新排序后的任务列表，避开了处在拥堵范围内货架的货物的订单，以及选择避开等待时间较长的拣选台，实现任务的动态分配。
作为一种或多种实施例，步骤2中，图2为建立的小型仓库栅格模型图，所述小型仓库栅格模型的构建过程包括：
按照货架的拣选台位置、仓库货架以及运输通道的相对位置关系以及货物的使用频率，以一定的规则构建小型仓库栅格模型。
本实施例中，例如构建一个长25米、宽26米的小型仓储模型；
首先使用栅格法对地图进行分割，每个栅格长1米、宽1米，地图被分割成650个栅格，如图2所示。
左侧区域为拣选台位置，将拣选台布置在仓库的最左侧两列的位置，每个拣选台占用两个栅格，黑色区域为仓库货架的摆放位置，仓库货架以货架组的形式排布在仓库中，每组货架组占用8个栅格，以2行4列的形式排列。
货架组之间均保持宽为一个栅格的间隔，作为机器人的运输通道，白色区域位置即为运输通道，如图2所示，机器人可以通过运输通道将货物送至指定货架。
本实例忽略不同货物大小不一造成托盘尺寸不同的问题，设定每个货位托盘均为长为1米、宽为1米的标准模块，且机器人每次任务只运输一个托盘。
可以理解的是，本实施例中的相应的尺寸可以根据具体的需求进行设置。
将货架组根据货物使用频率分成3个部分，分别为高频货架、中频货架及低频货架，如图3所示，方便货物摆放及运输。
步骤3：基于改进的A*算法估算函数为目标函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
作为一种或多种实施例，所述基于改进的A*算法估算函数为目标函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径，具体包括：
步骤301：机器人从起始栅格点出发，在当前栅格点扩展周围的栅格。
本实施例中仓库中的机器人只进行上、下、左、右的移动，因此选用四邻域搜索方式。
当前位置称为父节点，计算周围四个方向栅格的估算代价，并放入存储扩展节点候选表格，周围所有节点完成估算代价后，选择估算代价最小的栅格作为新的移动位置，此位置成为新的父节点。
步骤302：以新的父节点为中心继续扩展栅格，循环进行此步骤，直至机器人到达目标点。
其中，所述A*算法改进的代价估算函数的表达式为：
Figure BDA0003717600600000081
式中，g(n)表示从起始栅格移动到当前栅格n的实际代价，实际代价一般由路程或时间表示，本发明以时间为统一标量来比较函数f(n)的代价大小。
Figure BDA0003717600600000082
为机器人在从起始栅格到当前栅格过程中转向额外花费的时间总和，p为从起始栅格到当前栅格过程中的转向次数，
Figure BDA0003717600600000083
为机器人从起始栅格到当前栅格过程中因为路径冲突原地等待额外花费的时间，q为从起始栅格到当前栅格过程中的原地等待次数。g(n)的表达式为：
Figure BDA0003717600600000084
其中，d为机器人从起始栅格到当前栅格n的实际移动距离，v为机器人匀速行驶的速度。
h(n)表示从当前栅格n到目标栅格点的启发式估计代价，表达式为：
Figure BDA0003717600600000085
其中，dn为机器人从当前栅格n到目标栅格点的估计最短距离，这里使用哈曼顿距离计算估计距离，表示为当前节点n与目标点的横向距离与纵向距离之和。
dn＝abs(n.x-goal.x)+abs(n.y-goal.y) (6)
最终得到一条从起始点到目标点的代价最小的最优路径，包括x轴位置、y轴位置、车头方向、当前时间，将这些特征信息组成的路径信息存储到元胞数组AllPath中对应的机器人编号的矩阵中。
步骤4：将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则按照步骤5，利用动态加权表，确定冲突点的通过顺序，若不存在冲突，则直接按照最优路径执行当前订单运输任务。
作为一种或多种实施例，步骤4中，所述预约表的构建过程包括：
获取每一时刻每个机器人的位置信息，并将位置信息统一存储。
将元胞数组AllPath中的信息按照时间调用，形成预约表。
建立的预约表如图5所示，k表示当前时刻对应的预约表张数，预约表按照时间顺序排列，时间间隔为机器人从栅格中心位置移动到相邻栅格中心位置的消耗时间Δt，系统每隔Δt记录一次预约表，第k张预约表中记录着k·Δt时刻所有机器人的位置状态，第k-c张预约表记录着(k-c)·Δt时刻的信息，第k张预约表中的rix表示机器人ri在k·Δt时刻所处仓库位置的横坐标，riy表示机器人ri在此时刻所处位置的纵坐标。
当机器人更新路径时，预约表中的位置信息将会同步更新。
作为一种或多种实施例，步骤4中，将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突，利用动态加权表，确定冲突点的通过顺序，否则按照最优路径执行当前订单运输任务，具体包括：
步骤401：调用预约表，查询每一时刻的预约表中是否出现相同的坐标，若有，即可确定此扩展节点会发生顶点冲突，利用动态加权表，确定冲突点的通过顺序；如果没有则进入步骤402。
步骤402：交叉调用预约表，并带入判定公式，确定两机器人在相邻两个时刻恰好对调位置。判定公式如下：
Fpoint(x,y)∈R(k+1)∩Npoint(x,y)∈R(k) (7)
其中Fpoint(x,y)表示父节点的坐标，Npoint(x,y)表示扩展节点的坐标，R(k)表示父节点所在时刻的预约表矩阵，R(k+1)表示扩展节点所在时刻的预约表矩阵。
若满足判定公式，即可确定此扩展节点会发生相向冲突，则按照步骤5确定冲突点的通过顺序；如果没有则直接按照寻优的路线执行当前订单任务。
步骤5：利用动态加权表，确定冲突点的通过顺序。
步骤501：对运送的货物类型需求度、机器人当前所处运输状态、机器人当前任务剩余运输时间等进行查询，存储形成以机器人标号和对应的动态权重构成矩阵的动态加权表，如表1所示。
表1动态加权表
Figure BDA0003717600600000101
动态权重用wi表示，指机器人ri在当前时刻的权重，权重wi的矩阵构成如下：
wi＝[Ri，Ji，h(n)i] (8)
其中，Ri表示机器人ri当前执行的运输任务中物资的优先等级，机器人在接到任务后根据货物类型获得权重Ri，直到此任务结束。根据图3中货架的分类，此处把货物同样分为三个类型，高频、中频、低频使用的货物Ri分别赋值为1、2、3，Ji表示机器人ri在当前时刻是否有载货物，有则表示机器人ri此时处于出货阶段，赋值为1，没有则表示机器人ri此时处于拿货阶段，赋值为2。h(n)i表示机器人ri当前位置到达目标点的启发时间。
步骤502：遇到冲突时，中央控制器调用动态加权表，通过比较处在冲突情况中的机器人的动态权重，确定通过的先后顺序。
在本实例的仓库模型中，选择权重优先级如下：首先，物资需求越频繁，对应机器人越优先通过，且占主导因素；其次，发生冲突的机器人若是同类物资运输时，处于出货状态的机器人优先级高于处于拿货状态的机器人；第三，相同物资类别、相同拿货/出货状态的机器人发生冲突时，剩余启发时间越短越优先通过。
优先级高的机器人路径保持不变；优先级低的机器人需返回步骤3，重新计算运输路线。
步骤6：查询当前批次订单是否完成，若完成，返回步骤1再次获取执行上述路径规划，若未完成，继续执行。
为了验证动态加权算法的有效性，在本实例建立的仓库栅格地图模型中，将基于预约表的A*算法与本发明设计的动态加权表优化算法(简称优化算法)进行了比较。并进行仿真实验，仿真实验如下：在本文建立的栅格地图中，布置了8个机器人。通过模拟每组40个物料运输任务，比较了A*算法和优化算法的运行效率。本文通过比较高频物资运输效率、高频物资拾取效率、中频物资拾取效率以及算法的时间来判断提出算法的效率。仿真结果如图6(a)-图6(b)所示。图6(a)-图6(b)为五组运输任务中两种算法各指标完成时间的比较。与A*算法相比，优化算法的四个实验指标都有不同程度的改进。优化算法的平均出货效率提高了14.89％，平均高频取货效率提高了2.89％，平均中频取货效率提高了15.1％。在优化算法中加入动态加权表对中频货物没有负面影响，同时它提高了高频货物的优先度。另外，由于增加了动态加权表，使得机器人在遇到冲突时能够快速做出决策，避免了不必要的路径规划。结果表明，优化算法的运行效率比A*算法提高了75.05％。
为了验证热力图算法的有效性，在本实例建立的仓库栅格地图模型中，将基于预约表的A*算法与本文设计的基于热力图算法的改进A*算法(以下简称为优化算法)进行了比较。并进行仿真实验，仿真实验如下：
(1)对比相同机器人数量下运输不同数量的任务订单的情况，机器人数量设置为8，订单数量依次为50，100，150，200，250。仿真结果如图7(a)所示，与A*算法相比，优化算法下的订单完成效率均有较大提升，订单数量越多，优化算法的效率提升越明显，从50组任务7.91％的提升，逐渐增加至250组任务19.36％的提升。
(2)对比相同订单下不同数量机器人运送货物的情况，货物数量设置为100，机器人数量依次为2、5、8、12。仿真结果如图7(b)示，与A*算法相比，优化算法下的订单完成时间均有缩短，2台机器人时优化算法的效率较A*算法提升了38.28％，12台机器人提升了15.06％，虽然提出的优化算法效果随着机器人数量的增加有所降低，但提升效果依然显著。
实施例二
本实施例提供基于动态加权及热力图算法的机器人路径规划系统，包括：
任务获取模块，用于获取待运输的订单任务；
任务分配模块，用于基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
路径规划模块，用于基于改进的A*算法估算函数为目标函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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.基于动态加权及热力图算法的机器人路径规划方法，其特征在于，包括如下步骤：
获取待运输的订单任务；
基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
基于A*算法代价估算函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。
2.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，所述基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值包括：
调用一定时间段的预约表数据，计算每个巷道在此时间段通过机器人的数量，并以此作为每个巷道的拥堵程度值；
对货架组及巷道进行坐标编号，基于每个巷道的拥堵程度值计算得到每个货架组的热力值。
3.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，所述每条巷道的拥堵程度计算公式如下：
Figure FDA0003717600590000011
其中，RI为调用预约表范围，k表示当前时刻对应的预约表张数，预约表按照时间顺序排列，Δt为机器人从栅格中心位置移动到相邻栅格中心位置的消耗时间，N(k-RI·Δt,k)为从k-RI·Δt时刻到当前k时刻，此巷道通过的机器人数量。
4.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，所述每个货架组的热力值计算公式为：
Wh(i,j)＝Cw(i,j)+Cw(i,j+1)+Cl(i,j)+Cl(i+1,j)
其中，Wh(i,j)为坐标(i,j)的货架组的热力值，Cw(i,j)为该货架组左侧的短巷道的拥堵程度值，Cl(i,j)为该货架组前方的长巷道的拥堵程度值。
5.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径包括：
从起始栅格点出发，在当前栅格点扩展周围的栅格，当前位置称为父节点，计算周围四个方向栅格的估算代价，周围所有节点完成估算代价后，选择估算代价最小的栅格作为新的移动位置，此位置成为新的父节点；
以新的父节点为中心继续扩展栅格，直至机器人到达目标点。
6.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，所述A*算法代价估算函数的表达式为：
Figure FDA0003717600590000021
式中，g(n)表示从起始栅格移动到当前栅格n的实际代价，
Figure FDA0003717600590000022
为机器人在从起始栅格到当前栅格过程中转向额外花费的时间总和，p为从起始栅格到当前栅格过程中的转向次数，
Figure FDA0003717600590000023
为机器人从起始栅格到当前栅格过程中因为路径冲突原地等待额外花费的时间，q为从起始栅格到当前栅格过程中的原地等待次数。
7.如权利要求1所述的基于动态加权及热力图算法的机器人路径规划方法，其特征在于，所述将该最优路径和预约表进行对比，具体包括：调用预约表，查询每一时刻的预约表中是否出现相同的坐标，若不同，调用交叉调用预约表，并带入判定公式，确定两机器人在相邻两个时刻恰好对调位置。
8.基于动态加权及热力图算法的机器人路径规划系统，其特征在于，包括：
任务获取模块，用于获取待运输的订单任务；
任务分配模块，用于基于构建的小型仓库栅格模型和热力图算法，计算货架组的热力值，将待运输的订单任务与其目标点所在的货架组一一对应，根据货架组的热力值进行任务的优先级排序并将其分配给对应的机器人；
路径规划模块，用于基于A*算法代价估算函数，对有订单运输任务的机器人进行路径寻优，得到从起始点到目标点的代价最小的最优路径；
将该最优路径和预约表进行对比，查询是否存在路径冲突，若存在冲突则利用动态加权表，确定冲突点的通过顺序，若不存在冲突，直接按照最优路径执行当前订单运输任务。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于动态加权及热力图算法的机器人路径规划方法中的步骤。
CN202210740192.4A 2022-06-28 2022-06-28 基于动态加权及热力图算法的机器人路径规划方法及系统 Active CN114895690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210740192.4A CN114895690B (zh) 2022-06-28 2022-06-28 基于动态加权及热力图算法的机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210740192.4A CN114895690B (zh) 2022-06-28 2022-06-28 基于动态加权及热力图算法的机器人路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN114895690A true CN114895690A (zh) 2022-08-12
CN114895690B CN114895690B (zh) 2024-05-03

Family

ID=82729765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210740192.4A Active CN114895690B (zh) 2022-06-28 2022-06-28 基于动态加权及热力图算法的机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN114895690B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293711A (zh) * 2022-10-08 2022-11-04 南通海隼信息科技有限公司 一种用于智能仓储的优化方法
CN116483086A (zh) * 2023-04-26 2023-07-25 西安电子科技大学广州研究院 一种边冲突和点冲突解耦的长期多智能体路径规划方法
CN116542413A (zh) * 2023-04-28 2023-08-04 北京大数据先进技术研究院 基于时间坐标的任务处理方法、装置、设备及存储介质
CN116542412A (zh) * 2023-04-28 2023-08-04 北京大数据先进技术研究院 处理多任务运行路径冲突的方法、装置、设备及介质
CN116562481A (zh) * 2023-04-06 2023-08-08 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN117094631A (zh) * 2023-10-19 2023-11-21 南通虎神金属制品有限公司 一种基于物联网的货物运输管理方法及系统
CN117273590A (zh) * 2023-10-19 2023-12-22 苏州大学 一种求解车辆路径优化问题的神经组合优化方法及系统
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091443A (zh) * 2014-06-26 2014-10-08 北京计算机技术及应用研究所 一种基于射频识别计算交通拥堵程度的方法及其系统
CN106952472A (zh) * 2017-03-28 2017-07-14 北京博研智通科技有限公司 基于多元数据的城市之间拥堵程度排序方法和系统
CN110231040A (zh) * 2018-03-05 2019-09-13 北京京东尚科信息技术有限公司 一种路径规划的方法和装置
CN113031603A (zh) * 2021-03-05 2021-06-25 湖南大学 一种基于任务优先级的多物流机器人协同路径规划方法
CN113075927A (zh) * 2021-03-22 2021-07-06 哈尔滨理工大学 基于预约表的仓储潜伏式多agv路径规划方法
US20220108621A1 (en) * 2020-09-08 2022-04-07 City University Of Hong Kong Grid based path search method for uav delivery operations in urban environment

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091443A (zh) * 2014-06-26 2014-10-08 北京计算机技术及应用研究所 一种基于射频识别计算交通拥堵程度的方法及其系统
CN106952472A (zh) * 2017-03-28 2017-07-14 北京博研智通科技有限公司 基于多元数据的城市之间拥堵程度排序方法和系统
CN110231040A (zh) * 2018-03-05 2019-09-13 北京京东尚科信息技术有限公司 一种路径规划的方法和装置
US20220108621A1 (en) * 2020-09-08 2022-04-07 City University Of Hong Kong Grid based path search method for uav delivery operations in urban environment
CN113031603A (zh) * 2021-03-05 2021-06-25 湖南大学 一种基于任务优先级的多物流机器人协同路径规划方法
CN113075927A (zh) * 2021-03-22 2021-07-06 哈尔滨理工大学 基于预约表的仓储潜伏式多agv路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOFENG LUO，等: "Seeker Optimization Algorithm based Path Planning of Warehouse Robot", MULTIMEDIA TECHNOLOGY AND ENHANCED LEARNING, 27 November 2022 (2022-11-27), pages 3528 - 3533 *
ZHIHAO LI, 等: "Collaborative Path Optimization Method for Flood Control Material Storage", IOT AND BIG DATA TECHNOLOGIES FOR HEALTH CARE, 18 June 2022 (2022-06-18), pages 440 - 450 *
王学林，等: "机器人柔性抓取试验平台的设计与抓持力跟踪阻抗控制", 农业工程学报, vol. 31, no. 1, 31 January 2015 (2015-01-31), pages 58 - 63 *
许建波，宋豫川，封声飞: "基于动态加权A*算法的AGV 路径规划研究", 中国科技论文在线精品论文, vol. 13, no. 2, 30 June 2020 (2020-06-30), pages 115 - 126 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293711A (zh) * 2022-10-08 2022-11-04 南通海隼信息科技有限公司 一种用于智能仓储的优化方法
CN116562481B (zh) * 2023-04-06 2023-12-15 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN116562481A (zh) * 2023-04-06 2023-08-08 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN116483086A (zh) * 2023-04-26 2023-07-25 西安电子科技大学广州研究院 一种边冲突和点冲突解耦的长期多智能体路径规划方法
CN116483086B (zh) * 2023-04-26 2024-03-26 西安电子科技大学广州研究院 一种边冲突和点冲突解耦的长期多智能体路径规划方法
CN116542412A (zh) * 2023-04-28 2023-08-04 北京大数据先进技术研究院 处理多任务运行路径冲突的方法、装置、设备及介质
CN116542412B (zh) * 2023-04-28 2024-02-06 北京大数据先进技术研究院 处理多任务运行路径冲突的方法、装置、设备及介质
CN116542413A (zh) * 2023-04-28 2023-08-04 北京大数据先进技术研究院 基于时间坐标的任务处理方法、装置、设备及存储介质
CN116542413B (zh) * 2023-04-28 2024-04-16 北京大数据先进技术研究院 基于时间坐标的任务处理方法、装置、设备及存储介质
CN117094631A (zh) * 2023-10-19 2023-11-21 南通虎神金属制品有限公司 一种基于物联网的货物运输管理方法及系统
CN117273590A (zh) * 2023-10-19 2023-12-22 苏州大学 一种求解车辆路径优化问题的神经组合优化方法及系统
CN117094631B (zh) * 2023-10-19 2023-12-22 南通虎神金属制品有限公司 一种基于物联网的货物运输管理方法及系统
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法
CN117455100B (zh) * 2023-12-26 2024-03-15 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Also Published As

Publication number Publication date
CN114895690B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN114895690B (zh) 基于动态加权及热力图算法的机器人路径规划方法及系统
CN109784566B (zh) 一种订单排序优化方法及装置
CN106875090B (zh) 一种面向动态任务的多机器人分布式任务分配形成方法
Roodbergen et al. A survey of literature on automated storage and retrieval systems
CN109597304B (zh) 基于人工蜂群算法的模具库智能分区存储方法
CN110245890A (zh) 货品分拣方法及货品分拣系统
CN109947120B (zh) 仓储系统中的路径规划方法
CN110471418B (zh) 智能停车场中的agv调度方法
CN110989582A (zh) 基于路径预先占用的多agv自动避让式智能调度方法
CN110503260A (zh) 一种基于动态路径规划的agv调度方法
CN106773686B (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN114489062B (zh) 面向车间物流的多自动导引车分布式动态路径规划方法
CN113075927A (zh) 基于预约表的仓储潜伏式多agv路径规划方法
CN113516429B (zh) 一种基于网络拥堵模型的多agv全局规划方法
CN115237135A (zh) 一种基于冲突的移动机器人路径规划方法及系统
CN112070412A (zh) 一种立体库多提升机的配置方案及任务调度方法
CN107341628B (zh) 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法
CN113570025B (zh) 一种基于离散粒子群算法的电商仓储中心货位分配方法
CN115328113A (zh) 基于改进时间窗算法的多物流机器人路径规划方法
CN114626794B (zh) 基于物联网的仓储立库穿梭车路径规划方法及系统
CN111626516B (zh) 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法
CN115557144A (zh) 用于搬运机器人的调度方法、调度系统和计算机程序产品
CN112785132A (zh) 一种用于智能仓库的多机器人移动货架任务分配方法
CN116258308A (zh) 一种基于混合遗传算法的动态柔性作业车间调度方法
CN113408988B (zh) 仓储系统的调度优化方法、电子设备及存储介质

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
GR01 Patent grant