CN114995405A - 一种基于开放动态环境多目标协同理论的agv协作搬运方法 - Google Patents

一种基于开放动态环境多目标协同理论的agv协作搬运方法 Download PDF

Info

Publication number
CN114995405A
CN114995405A CN202210557695.8A CN202210557695A CN114995405A CN 114995405 A CN114995405 A CN 114995405A CN 202210557695 A CN202210557695 A CN 202210557695A CN 114995405 A CN114995405 A CN 114995405A
Authority
CN
China
Prior art keywords
master
slave
cooperative
agv
vehicle
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
CN202210557695.8A
Other languages
English (en)
Inventor
张涛
董怡
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210557695.8A priority Critical patent/CN114995405A/zh
Publication of CN114995405A publication Critical patent/CN114995405A/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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0293—Convoy travelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet
    • 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
    • Y02P90/60—Electric or hybrid propulsion means for production processes

Abstract

本发明公开了一种基于开放动态环境多目标协同理论的AGV协作搬运方法，包括：建立了包含协同感知、实时通信、轨迹规划、协同控制、主从跟随和协同避障在内的完整协同搬运技术框架。基于本发明的协同搬运技术，主从身份可以根据实际队形与相对位置在AGV之间动态分配，主车规划出由直线阶段和调整阶段组成的分段式最优路径，从车依据不同的主从跟随模式跟随主车进行运动，保持了AGV之间的相对距离不变，从而实现了协作搬运，同时在AGV运行过程中，采用不同策略协同规避动态障碍物。根据本发明，解决了多台AGV在高密度仓储环境下同时实现主从跟随、避碰避障、协同控制多个目标的协作搬运问题。

Description

一种基于开放动态环境多目标协同理论的AGV协作搬运方法
技术领域
本发明涉及多机器人协作搬运的技术领域，特别涉及一种基于开放动态环境多目标协同理论的AGV协作搬运方法。
背景技术
多机器人系统近年来得到了人们的广泛关注，相比于单个机器人系统，其拥有更好的灵活性和可靠性。多机器人协作搬运是其重要的应用之一，旨在解决单个机器人无法完成的更大或更重物体的搬运任务，因此其在生产制造、仓储物流发挥着重要作用。
目前在实际工业场景中，协作搬运技术所使用的AGV数量大多数是两台，采用主从跟随机制，很难做到根据搬运任务的复杂程度更改AGV的数目，并且主从身份在初始分配过后无法随相对位姿的变化而发生改变。现有的协作搬运流程体系大多数针对特定场景，比如单通道路径、固定路径等。
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供一种基于开放动态环境多目标协同理论的AGV协作搬运方法，解决了多台AGV在高密度仓储环境下同时实现主从跟随、避碰避障、协同控制多个目标的协作搬运问题。为了实现根据本发明的上述目的和其他优点，提供了一种基于开放动态环境多目标协同理论的AGV协作搬运方法，包括：
S1、获取实际场景的地图信息与每台AGV的实时位姿信息；
S2、建立实时通讯网络，AGV进行互相交换位姿信息；
S3、进行动态分配主车与从车；
S4、将主车规划进行分段式路线；
S5、AGV执行不同的主从跟随模式；
S6、每台AGV进行不同策略的实现协同避障，进行判断动态障碍物是否消失，当判断障碍物消失时进行之前的避障动作，并进行判断货物是否到达目标点；当判断障碍物为消失时返回步骤S2；当判断货物到达目标点时结束；当判断货物为到达目标点时，返回步骤S5。
优选的，所述步骤S3包括以行驶方向为正向和自身感知范围内其他AGV所占比重最小两个条件为准则，在运行过程中，动态选取一辆AGV作为主车，其余的AGV作为从车，AGV的主从关系根据上述两个条件的满足情况，实时发生变换。
优选的，步骤S2中主车规划行驶路线并将自身位姿和动作状态发送给从车，从车在接收到主车的行驶路线和位姿后，根据映射关系生成相应的跟随路线，并依据主车的动作状态进行跟随运动。
优选的，步骤S4中主车依据环境信息和目标点位置，在全局SLAM地图上规划与静态障碍物不冲突的最优路线方案，路线由直行阶段和调整阶段组成，在直行阶段中所有从车跟随主车做匀速直线运行，在调整阶段中AGV采用不同的主从跟随模式进行旋转运动。
优选的，步骤S5中包括直行阶段与调整阶段，在直行阶段中，存在直行主从跟随模式，所有从车保持和主车相同的速度和车头朝向方向进行直线运动，并且所有AGV之间的相互距离保持不变进而使得初始编队队形不变。
优选的，在调整阶段中，存在原地旋转主从跟随模式、绕编队内部旋转主从跟随模式、绕主车旋转主从跟随模式和绕编队外旋转主从跟随模式，主车根据路径和障碍物信息选取不同的调整模式，在调整模式中，所有AGV之间的相互距离保持不变，每次调整阶段结束后，主车的车头朝向角度指向下一相邻直行阶段的轨迹路线，所有从车的车头朝向角度与主车的车头朝向角度保持一致。
优选的，步骤S6中感应到障碍物的AGV记录感知范围内的障碍物所占比例，并根据不同的比例变化采取不同的策略实现协同避障。
本发明与现有技术相比，其有益效果是：
(1)本发明的协同搬运技术所使用的AGV数目可以变化，适用于不同的实际工作场景。
(2)本发明的动态主从身份分配机制，能够增加AGV主动感知范围，提高了AGV主动规避动态障碍物的能力。
(3)本发明的分段式轨迹路线，使得协同控制难度较低的直行运动占整体运行路线的绝大部分，降低了实践难度，具有良好的实际应用意义。
(4)本发明的多种主从跟随模式，增加了协同控制的多样性和灵活性，提高了多AGV协同搬运在不同环境场景下的适应性。
(5)本发明的协同感知避障决策，实现了多AGV协同动态避障的效果，提高了协同搬运的安全性和鲁棒性。
附图说明
图1为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的流程示意图；
图2为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的分段式轨迹路线示意图；
图3为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的直行阶段中主从跟随模式示意图；
图4为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的调整阶段中原地旋转主从跟随模式示意图；
图5为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的调整阶段中绕编队内部旋转主从跟随模式示意图；
图6为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的调整阶段中绕主车旋转主从跟随模式示意图；
图7为根据本发明的基于开放动态环境多目标协同理论的AGV协作搬运方法的调整阶段中绕编队外部旋转主从跟随模式示意图。
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。
参照图1-7，一种基于开放动态环境多目标协同理论的AGV协作搬运方法，包括：
S1、获取实际场景的地图信息与每台AGV的实时位姿信息，通过基于AGV搭载的传感器设备，结合SLAM算法，获得实际仓储场景的地图；
S2、建立实时通讯网络，AGV进行互相交换位姿信息，所有的AGV使用同一张SLAM地图，在同一个全局坐标系下通过定位算法获得自身位姿信息；
S3、进行动态分配主车与从车，以行驶方向为正向和自身感知范围内其他AGV所占比重最小两个条件为准则，选取一辆AGV作为主车，其余的AGV作为从车。在运行过程中，根据实际运动状态和相对位置关系动态选取主车和从车；
S4、将主车规划进行分段式路线，主车依据环境信息和目标点位置，在全局SLAM地图上规划与静态障碍物不冲突的最优路线方案，分为直行阶段和调整阶段；
S5、AGV执行不同的主从跟随模式；
S6、每台AGV进行不同策略的实现协同避障，所有AGV预先设定相同的安全避障距离L_S和静止避障时间T_S。在运行过程中，当动态障碍物出现在某一或多个AGV感知范围内的行进轨迹路线上，并且相应AGV与该障碍物的距离小于或等于L_S时，所有AGV停止运行。在静止之后，所有AGV进入静止避障时间倒计时，在T_S时间段内，感应到障碍物的AGV记录感知范围内的障碍物所占比例，并根据不同的比例变化采取不同的策略实现协同避障，进行判断动态障碍物是否消失，当判断障碍物消失时进行之前的避障动作，并进行判断货物是否到达目标点；当判断障碍物为消失时返回步骤S2；当判断货物到达目标点时结束；当判断货物为到达目标点时，返回步骤S5。
进一步的，所述步骤S3包括以行驶方向为正向和自身感知范围内其他AGV所占比重最小两个条件为准则，在运行过程中，动态选取一辆AGV作为主车，其余的AGV作为从车，AGV的主从关系根据上述两个条件的满足情况，实时发生变换。
进一步的，步骤S2中主车规划行驶路线并将自身位姿和动作状态发送给从车，从车在接收到主车的行驶路线和位姿后，根据映射关系生成相应的跟随路线，并依据主车的动作状态进行跟随运动。
进一步的，步骤S4中主车依据环境信息和目标点位置，在全局SLAM地图上规划与静态障碍物不冲突的最优路线方案，路线由直行阶段和调整阶段组成，在直行阶段中所有从车跟随主车做匀速直线运行，在调整阶段中AGV采用不同的主从跟随模式进行旋转运动。
进一步的，步骤S5中包括直行阶段与调整阶段，在直行阶段中，存在直行主从跟随模式，所有从车保持和主车相同的速度和车头朝向方向进行直线运动，并且所有AGV之间的相互距离保持不变进而使得初始编队队形不变。
进一步的，在调整阶段中，存在原地旋转主从跟随模式、绕编队内部旋转主从跟随模式、绕主车旋转主从跟随模式和绕编队外旋转主从跟随模式，主车根据路径和障碍物信息选取不同的调整模式，在调整模式中，所有AGV之间的相互距离保持不变，每次调整阶段结束后，主车的车头朝向角度指向下一相邻直行阶段的轨迹路线，所有从车的车头朝向角度与主车的车头朝向角度保持一致。
进一步的，步骤S6中感应到障碍物的AGV记录感知范围内的障碍物所占比例，并根据不同的比例变化采取不同的策略实现协同避障。
实施例1
如图1，步骤一，获得实际场景的地图。
本实例中，选取4台AGV进行协作搬运。首先基于AGV上装载的激光雷达，采用Cartographer算法，得到实际场景的二维SLAM地图，主要包括环境整体结构布局、障碍物位置等其他环境信息。
步骤二，获取每台AGV的位姿信息。
本实例中，所有AGV使用步骤一生成的同一张SLAM地图，并基于激光雷达、里程计等装置，在同一个SLAM全局坐标系下通过自适应蒙特卡洛定位算法获得自身位姿信息：(xi，yi)，θi，i＝1，…，N，其中，对于i＝1，…，N，(xi，yi)是每台AGV中心的笛卡尔坐标、θi是车头朝向角度。
步骤三，建立实时通讯网络，AGV互相交换位姿信息。
本实例中，基于UDP/IP通讯协议，建立起实时通讯网络。每台AGV采用多线程同步机制，并行收发位姿信息，实现实时位姿信息不间断交互。
步骤四，主从关系的动态分配。
本实例中，选取一台AGV作为主车，其余的AGV作为从车跟随主车的运行轨迹进行运动。由于每台AGV的激光雷达固定在车头，其所能感知的范围为正向180度，所以选取主车的首要条件是该AGV行驶方向为正向。其次，在行驶过程中，由于相对位置关系的变化，可能会出现其他AGV遮挡自身感知范围的情况，为了尽可能全面地感知环境信息，选取主车的另一个条件是自身感知范围内其他AGV所占比重最小。在搬运过程中，主车的选取需满足上述两种条件，且随实际情况动态分配。每次主从关系分配后，定义主车自身中心的笛卡尔坐标为(xL，yL)、车头朝向角度为θL；从车自身中心的笛卡尔坐标为(xFi，yFi)、车头朝向角度为θFi，i＝1，…，N-1。
步骤五，主车规划分段式路线。
本实例中，主车在获取了终点信息与各从车的位姿信息之后，结合环境地图和障碍物信息，基于A*或其他路径规划算法，规划出直行阶段和调整阶段，组成分段式轨迹路线，在躲避障碍物的前提下，以最短路径到达目标终点，如图2所示。在整个路线过程中，需要保持每两台AGV之间的相对距离不变，从而保持队形不变。每个调整阶段完成后，所有AGV的车头朝向角度与下一个直行阶段的方向角相等(终点调整阶段除外)。
步骤六，执行不同的主从跟随模式。
由于存在直行阶段和调整阶段，所以存在不同的主从跟随模式。
模式一：直行主从跟随模式。该模式应用于直行阶段，主车与从车保持相同的车头朝向角度，并且以相同的速度前进，如图3所示。每台从车在该模式下的初始静止状态时，跟据主车的实时位置，计算出自身相对于主车的标定位移向量Di＝((xFi-xL)，(yFi-yL))，i＝1，…，N-1，其中，对于i＝1，…，N-1，(xFi，yFi)是从车中心的笛卡尔坐标。在该模式的运行状态下，从车根据主车实时位置，得到当前时刻目标点位置Ti(t)＝(xLt+((xFi-xL)，yLt+(yFi-yL))，i＝1，…，N-1，其中，对于i＝1，…，N-1，(xLt，yLt)是在t时刻，主车中心的笛卡尔坐标。将每辆从车的目标点位置与其自身实际位置比对得到位置偏差，引入控制算法对从车的线速度与角速度进行控制，使得位置偏差快速趋于零，实现直行阶段的主从跟随。
模式二：原地旋转主从跟随模式。该模式应用于调整阶段，适用于能使所运载货物相对于地面保持相对静止的AGV设备，即存在装置，使得AGV底盘与负载货物可以实现差速旋转，比如固定在AGV底盘上可自由旋转的货物托盘等装置。该模式下，每台AGV的位置不会发生变化，所有从车跟随主车车头朝向角度的变化而产生相应的角速度，旋转至其自身车头朝向角度与主车车头朝向角度相等，如图4所示。
模式三：绕编队内部旋转主从跟随模式。该模式应用于调整阶段，所有AGV以编队中心点为圆心，采用相同的角速度和与其旋转半径成正比的线速度做圆周运动，如图5所示。定义编队中心点坐标为(xpc，ypc)，其中，
Figure BDA0003652890340000081
Figure BDA0003652890340000082
在圆周运动开始前，所有AGV需要将车头朝向调整至与其运动圆周相切的角度。每个AGV以相同的角速度w1沿同一方向(顺时针或逆时针)旋转，线速度大小v1i＝w1×||(xpc-xi)，(ypc-yi)||，i＝1，…，N。
模式四：绕主车旋转主从跟随模式。该模式应用于调整阶段，主车保持位置不变，以某一恒定的角速度原地旋转。从车以主车中心点为圆心，采用与其旋转半径成正比的线速度做圆周运动，如图6所示。在圆周运动开始前，从车需要将车头朝向调整至与其运动圆周相切的角度。所有从车采用与主车相同的角速度w2沿同一方向(顺时针或逆时针)旋转，线速度大小v2i＝w2×||(xFi-xL)，(yFi-yL)||，i＝1，…，N-1。
模式五：绕编队外圆心旋转主从跟随模式。该模式应用于调整阶段，根据环境信息，选取编队外某点作为圆心，所有AGV采用相同的角速度和与其旋转半径成正比的线速度做圆周运动，如图7所示。编队外圆心(xrc，yrc)的选取需使每条AGV运行轨迹与障碍物位置不产生冲突，并且确保所有AGV的圆周轨迹上，存在某点的切线方向与下一个相邻直行阶段的方向重合。在圆周运动开始前，所有AGV需要将车头朝向调整至与其运动圆周相切的角度。每个AGV以相同的角速度w3沿同一方向(顺时针或逆时针)旋转，线速度大小v3i＝w3×||(xrc-xi)，(yrc-yi)||，i＝1，…，N。
步骤六，协同感知避障。
本实例中，对于静态障碍物的避障工作已在步骤五的路线规划中完成。AGV在上述两种不同的运行阶段(直行阶段、调整阶段)中，所有AGV预先设定相同的安全避障距离Ls和静止避障时间Ts。当动态障碍物出现在某一或多个AGV感知范围内的行进轨迹路线上，并且相应AGV与该障碍物的距离小于或等于Ls时，所有AGV停止运行。在静止之后，所有AGV进入静止避障时间倒计时，在Ts时间段内，感应到障碍物的AGV记录感知范围内的障碍物所占比例，并根据不同的比例变化采取不同的策略实现协同避障：
1)，如果所有AGV感知范围内动态障碍物所占比例降为0，则该动态障碍物不会对协同搬运产生影响，所有AGV恢复到静止前的运动状态继续运行。
2)如果所有AGV感知范围内动态障碍物所占比例不发生变化，则将该动态障碍物视为新的静态障碍物。首先，从车采取原地旋转主从跟随模式，主车不进行任何动作，所有从车将车头朝向角度调整至和主车车头朝向角度相等。之后，所有AGV重新从步骤三开始执行，进行新一轮的主从分配，路线规划和主从跟随，实现动态避障。
3)如果所有AGV感知范围内动态障碍物所占比例持续一直发生变化，则进入下一个周期的静止避障时间，重新判断动态障碍物的状态。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，包括以下步骤：
S1、获取实际场景的地图信息与每台AGV的实时位姿信息；
S2、建立实时通讯网络，AGV进行互相交换位姿信息；
S3、进行动态分配主车与从车；
S4、将主车规划进行分段式路线；
S5、AGV执行不同的主从跟随模式；
S6、每台AGV进行不同策略的实现协同避障，进行判断动态障碍物是否消失，当判断障碍物消失时进行之前的避障动作，并进行判断货物是否到达目标点；当判断障碍物为消失时返回步骤S2；当判断货物到达目标点时结束；当判断货物为到达目标点时，返回步骤S5。
2.如权利要求1所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，所述步骤S3包括以行驶方向为正向和自身感知范围内其他AGV所占比重最小两个条件为准则，在运行过程中，动态选取一辆AGV作为主车，其余的AGV作为从车，AGV的主从关系根据上述两个条件的满足情况，实时发生变换。
3.如权利要求2所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，步骤S2中主车规划行驶路线并将自身位姿和动作状态发送给从车，从车在接收到主车的行驶路线和位姿后，根据映射关系生成相应的跟随路线，并依据主车的动作状态进行跟随运动。
4.如权利要求3所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，步骤S4中主车依据环境信息和目标点位置，在全局SLAM地图上规划与静态障碍物不冲突的最优路线方案，路线由直行阶段和调整阶段组成，在直行阶段中所有从车跟随主车做匀速直线运行，在调整阶段中AGV采用不同的主从跟随模式进行旋转运动。
5.如权利要求4所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，步骤S5中包括直行阶段与调整阶段，在直行阶段中，存在直行主从跟随模式，所有从车保持和主车相同的速度和车头朝向方向进行直线运动，并且所有AGV之间的相互距离保持不变进而使得初始编队队形不变。
6.如权利要求5所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，在调整阶段中，存在原地旋转主从跟随模式、绕编队内部旋转主从跟随模式、绕主车旋转主从跟随模式和绕编队外旋转主从跟随模式，主车根据路径和障碍物信息选取不同的调整模式，在调整模式中，所有AGV之间的相互距离保持不变，每次调整阶段结束后，主车的车头朝向角度指向下一相邻直行阶段的轨迹路线，所有从车的车头朝向角度与主车的车头朝向角度保持一致。
7.如权利要求5所述的一种基于开放动态环境多目标协同理论的AGV协作搬运方法，其特征在于，步骤S6中感应到障碍物的AGV记录感知范围内的障碍物所占比例，并根据不同的比例变化采取不同的策略实现协同避障。
CN202210557695.8A 2022-05-19 2022-05-19 一种基于开放动态环境多目标协同理论的agv协作搬运方法 Pending CN114995405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210557695.8A CN114995405A (zh) 2022-05-19 2022-05-19 一种基于开放动态环境多目标协同理论的agv协作搬运方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210557695.8A CN114995405A (zh) 2022-05-19 2022-05-19 一种基于开放动态环境多目标协同理论的agv协作搬运方法

Publications (1)

Publication Number Publication Date
CN114995405A true CN114995405A (zh) 2022-09-02

Family

ID=83026366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210557695.8A Pending CN114995405A (zh) 2022-05-19 2022-05-19 一种基于开放动态环境多目标协同理论的agv协作搬运方法

Country Status (1)

Country Link
CN (1) CN114995405A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599065A (zh) * 2022-12-13 2023-01-13 联通（浙江）产业互联网有限公司（Cn） 协同搬运方法和系统、服务器和搬运设备
CN117519213A (zh) * 2024-01-04 2024-02-06 上海仙工智能科技有限公司 一种多机器人协同货运控制方法及系统、存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080027591A1 (en) * 2006-07-14 2008-01-31 Scott Lenser Method and system for controlling a remote vehicle
CN105022399A (zh) * 2015-07-16 2015-11-04 柳州六品科技有限公司 对于作业机构具有改进的地面跟随农机控制系统
CN107092976A (zh) * 2017-03-28 2017-08-25 东南大学 一种多目标模型协同优化多条公交线路发车间隔的方法
CN109974706A (zh) * 2019-03-08 2019-07-05 哈尔滨工程大学 一种基于双运动模型的主从式多auv协同导航方法
CN110989618A (zh) * 2019-12-23 2020-04-10 福建工程学院 一种蜂群式运载车协同运载控制系统及方法
CN111766879A (zh) * 2020-06-24 2020-10-13 天津大学 一种基于自主协同导航的智能车编队系统
CN111813121A (zh) * 2020-07-13 2020-10-23 陕西理工大学 基于距离-角度优先级的多移动机器人编队避障方法
WO2020253316A1 (zh) * 2019-06-18 2020-12-24 中国科学院上海微系统与信息技术研究所 移动机器人的领航跟随系统和领航跟随控制方法
CN112130559A (zh) * 2020-08-21 2020-12-25 同济大学 一种基于uwb与激光雷达的室内行人跟随与避障方法
CN112835333A (zh) * 2020-12-31 2021-05-25 北京工商大学 一种基于深度强化学习多agv避障与路径规划方法及系统
WO2021114888A1 (zh) * 2019-12-10 2021-06-17 南京航空航天大学 一种双agv协同运载控制系统及方法
CN113341905A (zh) * 2021-08-09 2021-09-03 山东华力机电有限公司 基于人工智能的多agv小车协同规划方法及系统
CN113724123A (zh) * 2021-08-20 2021-11-30 深圳技术大学 一种基于多智能体的协同运输方法及其系统
CN113741423A (zh) * 2021-08-03 2021-12-03 上海电机学院 一种基于人工势场法的agv动态避障方法
WO2022063331A1 (zh) * 2020-09-25 2022-03-31 金龙联合汽车工业（苏州）有限公司 一种基于v2x的编队行驶智能网联客车
CN114355885A (zh) * 2021-12-03 2022-04-15 中国信息通信研究院 基于agv小车的协作机器人搬运系统及方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080027591A1 (en) * 2006-07-14 2008-01-31 Scott Lenser Method and system for controlling a remote vehicle
CN105022399A (zh) * 2015-07-16 2015-11-04 柳州六品科技有限公司 对于作业机构具有改进的地面跟随农机控制系统
CN107092976A (zh) * 2017-03-28 2017-08-25 东南大学 一种多目标模型协同优化多条公交线路发车间隔的方法
CN109974706A (zh) * 2019-03-08 2019-07-05 哈尔滨工程大学 一种基于双运动模型的主从式多auv协同导航方法
WO2020253316A1 (zh) * 2019-06-18 2020-12-24 中国科学院上海微系统与信息技术研究所 移动机器人的领航跟随系统和领航跟随控制方法
WO2021114888A1 (zh) * 2019-12-10 2021-06-17 南京航空航天大学 一种双agv协同运载控制系统及方法
CN110989618A (zh) * 2019-12-23 2020-04-10 福建工程学院 一种蜂群式运载车协同运载控制系统及方法
CN111766879A (zh) * 2020-06-24 2020-10-13 天津大学 一种基于自主协同导航的智能车编队系统
CN111813121A (zh) * 2020-07-13 2020-10-23 陕西理工大学 基于距离-角度优先级的多移动机器人编队避障方法
CN112130559A (zh) * 2020-08-21 2020-12-25 同济大学 一种基于uwb与激光雷达的室内行人跟随与避障方法
WO2022063331A1 (zh) * 2020-09-25 2022-03-31 金龙联合汽车工业（苏州）有限公司 一种基于v2x的编队行驶智能网联客车
CN112835333A (zh) * 2020-12-31 2021-05-25 北京工商大学 一种基于深度强化学习多agv避障与路径规划方法及系统
CN113741423A (zh) * 2021-08-03 2021-12-03 上海电机学院 一种基于人工势场法的agv动态避障方法
CN113341905A (zh) * 2021-08-09 2021-09-03 山东华力机电有限公司 基于人工智能的多agv小车协同规划方法及系统
CN113724123A (zh) * 2021-08-20 2021-11-30 深圳技术大学 一种基于多智能体的协同运输方法及其系统
CN114355885A (zh) * 2021-12-03 2022-04-15 中国信息通信研究院 基于agv小车的协作机器人搬运系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
房殿军;周涛;: "自动化立体仓库中智能AGV群体的静态路径规划与动态避障决策研究", 物流技术, no. 06, 25 June 2017 (2017-06-25), pages 177 - 185 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599065A (zh) * 2022-12-13 2023-01-13 联通（浙江）产业互联网有限公司（Cn） 协同搬运方法和系统、服务器和搬运设备
CN117519213A (zh) * 2024-01-04 2024-02-06 上海仙工智能科技有限公司 一种多机器人协同货运控制方法及系统、存储介质
CN117519213B (zh) * 2024-01-04 2024-04-09 上海仙工智能科技有限公司 一种多机器人协同货运控制方法及系统、存储介质

Similar Documents

Publication Publication Date Title
CN114995405A (zh) 一种基于开放动态环境多目标协同理论的agv协作搬运方法
CN104933228B (zh) 基于速度障碍的无人车实时轨迹规划方法
CN112130559A (zh) 一种基于uwb与激光雷达的室内行人跟随与避障方法
Sprunk et al. Online generation of kinodynamic trajectories for non-circular omnidirectional robots
Pierson et al. Weighted buffered voronoi cells for distributed semi-cooperative behavior
US11287799B2 (en) Method for coordinating and monitoring objects
Gul et al. A review of controller approach for autonomous guided vehicle system
Li et al. A practical trajectory planning framework for autonomous ground vehicles driving in urban environments
Xu et al. The mobile robot path planning with motion constraints based on Bug algorithm
Ferrera et al. Decentralized safe conflict resolution for multiple robots in dense scenarios
Wakabayashi et al. Dynamic obstacle avoidance for Multi-rotor UAV using chance-constraints based on obstacle velocity
Rodríguez-Seda Decentralized trajectory tracking with collision avoidance control for teams of unmanned vehicles with constant speed
Yu et al. NPQ-RRT ^∗: An Improved RRT ^∗ Approach to Hybrid Path Planning
de Almeida et al. A global/local path planner for multi-robot systems with uncertain robot localization
CN115268448A (zh) 一种基于冲突搜索和速度障碍的多机器人路径规划方法
Zhang et al. Motion planning and tracking control of a four-wheel independently driven steered mobile robot with multiple maneuvering modes
Medvedev et al. Path planning method for mobile robot with maneuver restrictions
Bucci et al. Decentralized multi-target tracking in urban environments: Overview and challenges
Hoshino et al. End-to-end discrete motion planner based on deep neural network for autonomous mobile robots
Hyla et al. Automated Guided Vehicles–the Survey
Yang et al. ESO-based lateral control for electrical vehicles with unmodeled tire dynamics on uneven road
CN113741412B (zh) 自动驾驶设备的控制方法、装置及存储介质
Haraldsen et al. Reactive collision avoidance for nonholonomic vehicles in dynamic environments with obstacles of arbitrary shape
Zang et al. Optimal path tracking controller of multiple unmanned tracked vehicles: A distributed model predictive control approach
CN114840001A (zh) 一种封闭环境下的多车协同轨迹规划方法

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
CB02 Change of applicant information

Address after: 200092 Siping Road 1239, Shanghai, Yangpu District

Applicant after: TONGJI University

Address before: 200092 Siping Road 1239, Shanghai, Hongkou District

Applicant before: TONGJI University

CB02 Change of applicant information