CN115328113A - 基于改进时间窗算法的多物流机器人路径规划方法 - Google Patents

基于改进时间窗算法的多物流机器人路径规划方法 Download PDF

Info

Publication number
CN115328113A
CN115328113A CN202210562275.9A CN202210562275A CN115328113A CN 115328113 A CN115328113 A CN 115328113A CN 202210562275 A CN202210562275 A CN 202210562275A CN 115328113 A CN115328113 A CN 115328113A
Authority
CN
China
Prior art keywords
logistics
path
robot
priority
time window
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
CN202210562275.9A
Other languages
English (en)
Inventor
刘想德
唐文
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210562275.9A priority Critical patent/CN115328113A/zh
Publication of CN115328113A publication Critical patent/CN115328113A/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
    • G05D1/0214—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, 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

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)
  • Warehouses Or Storage Devices (AREA)

Abstract

本发明涉及一种基于改进时间窗算法的多物流机器人路径规划方法，属于机器人路径规划技术领域。该方法按照任务优先级和机器人优先级，有序将搬运任务分配给每辆物流机器人；根据任务优先级分配机器人，然后利用蚁群算法根据搬运任务的起始坐标和目标坐标完成路径规划，再采用改进的时间窗算法计算物流机器人在个路径段上的时间窗，将时间窗在各条路径上有序排列，检测出存在时间窗冲突的路径，根据时间窗冲突规避策略调整或路径重规划，直到所有路径不存在时间窗冲突。本发明能有效解决在物流场景中多物流机器人之间的路径冲突问题，保证多辆物流机器人可以更安全高效地完成预定的搬运任务。

Description

基于改进时间窗算法的多物流机器人路径规划方法
技术领域
本发明属于机器人路径规划技术领域，涉及一种基于改进时间窗算法的多物流机器人路径规划方法。
背景技术
多机器人的路径规划问题为：室内仓库中有多辆物流机器人在等待区等待搬运任务分配，数辆物流机器人得到搬运任务，再利用设定的全局路径规划算法为各辆机器人完成路径规划，由于多辆物流机器人会同时运行并且运行环境有限，所以各台物流机器人的运行路径会在某些节点存在路径冲突。因此需要考虑在冲突节点由哪辆物流机器人先通过、哪辆机器人避让，才能保证各辆物流机器人无碰撞地完成搬运任务，这就需要考虑各辆物流机器人的规划优先级问题以及搬运任务的优先级问题。多辆物流机器人的路径规划就是对机器人的运行时间和空间进行合理分配，完成所有物流机器人的协调运行，保证各辆物流机器人有序无碰撞地完成搬运任务。
目前常用的基于时间窗算法的路径规划，具体是计算每辆物流机器人的路径在各条路径上的占用时间段，包含物流机器人在栅格上的进入时间和离开时间，将各辆物流机器人的时间窗按照路径顺序排布，再检测每条路径在同一时间段是否只有一辆物流机器人通过，若是路径上同一时间段有多辆物流机器人需要通过，则会导致多辆物流机器人之间存在路径冲突，通过分析各条路径上的时间窗占用情况，根据各辆物流机器人的任务优先级进行时间窗重新排布，使任意路径上同一时刻只有一辆物流机器人通过。该时间窗算法的运算复杂度会随着栅格地图规模增大、物流机器人数量增多而增加。
当检测到某条路径上存在时间窗冲突时，常通过时间窗的平移、拉伸和压缩三种处理措施来解决时间窗冲突。平移操作是使低优先级机器人在冲突节点之间停车等待或是减速直到高优先级机器人通过冲突节点，对低优先级机器人的冲突时间窗进行拉伸，并将后续的时间窗按时间顺序向后平移，最终，保证各条路径上时间窗不存在冲突。而压缩操作则需要机器人进行加速运动缩短某段路径上的运行时间，该操作会增加算法的计算量，导致运行情况的波动性增大。
在仓储环境的实际使用中，多辆物流机器人协同运行时，还存在物流机器人运行情况导致的路径占用、路径冲突等问题。
因此，亟需一种能够同时解决现有方法中路径冲突问题和时间窗算法问题的多物流机器人路径规划方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进时间窗算法的多物流机器人路径规划方法，有效解决在物流场景中多物流机器人之间的路径冲突问题，保证多辆物流机器人可以更安全高效地完成预定的搬运任务。
为达到上述目的，本发明提供如下技术方案：
一种基于改进时间窗算法的多物流机器人路径规划方法，该方法按照任务优先级和机器人优先级，有序将搬运任务分配给每辆物流机器人；将高优先级的搬运任务分配给高优先级的机器人，低优先级的搬运任务分配给低优先级的物流机器人，然后利用蚁群算法根据搬运任务的起始坐标和目标坐标完成路径规划，再采用改进的时间窗算法计算物流机器人在个路径段上的时间窗，将时间窗在各条路径上有序排列，检测出存在时间窗冲突的路径，根据时间窗冲突规避策略调整或路径重规划，直到所有路径不存在时间窗冲突。
该方法具体包括以下步骤：
S1：根据任务优先级按顺序分配给物流机器人；
S2：使用蚁群算法为物流机器人完成路径规划，并根据改进的时间窗算法完成各辆物流机器人时间窗计算；
S3：判断当前最高优先级的物流机器人与次高优先级物流机器人的时间窗是否存在重叠，若不存在，跳转到步骤7；若存在时间窗重叠，则执行步骤S4；
S4：判断存在时间重叠的路径冲突类型是否为节点冲突，若是则低优先级物流机器人在冲突节点的前一节点停车等待，直到高优先级物流机器人通过该节点，并完成时间窗更新；否则执行步骤S5；
S5：判断存在时间重叠的路径冲突类型是否为相向冲突，若是相向冲突，则计算低优先级物流机器人从进入冲突路径的前一节点停车等待时间，再将冲突路径从搜索列表中去除，以该节点为起点重新规划到目标点的路径所需的运行时间，最终选择时间消耗最短方案，更新该方案的时间窗并跳转至步骤S3；若不存在相向冲突，执行步骤S6；
S6：判断存在时间重叠的路径冲突类型是否为追赶冲突，若是追赶冲突，对两辆物流机器人进行路权分析，若两者的行驶顺序不会给对方到达目标点造成障碍，则跳转到步骤S3；若是将会造成障碍，则将两辆物流机器人存在冲突的路径节点从搜索列表中去除，使用蚁群算法重新为低优先级物流机器人搜索次优路径，并完成时间窗更新，跳转至步骤S3；
S7：判断是否完成所有任务，若完成全部任务，则继续执行步骤S8；若未完成，则跳转步骤S3；
S8：结束。
进一步，步骤S1中，任务优先级的分配规则为：(1)搬运任务按照优先级从高到低依次分配；(2)每辆物流机器人同一时间只能分配一个任务；(3)每个搬运任务只能分配给一辆物流机器人。
进一步，步骤S1中，每辆物流机器人都有固定的ID号，物流机器人的优先级由ID号决定，优先级高的机器人可以优先获得搬运任务，ID号越小，优先级越高；
物流机器人状态分为：取货状态、运行状态、空闲状态、充电状态、故障状态；处于充电状态和故障状态的物流机器人不会出现在搬运任务分配的列表中；处于取货状态的物流机器人表明正在货架区域等待货物拣选，便不存在任务分配的序列中；处于运行状态的机器人表明已经完成任务分配去往拣货区域或是完成拣货去往目标区域运送货物；空闲状态的机器人便会出现在任务分配的机器人列表中，列表排位顺序按照ID号大小排列；处于空闲状态的物流机器人的ID号来确定机器人的优先级，ID号越小优先级越高，优先搬运任务分配。
进一步，改进的时间窗算法包括：考虑完物流机器人状态后，如果两辆物流机器人优先级相同，通过路径占用权的关系确定物流机器人的优先级；
如果物流机器人R1的目标点在物流机器人R2最优路径上，则应该满足ρ1<ρ2，R2拥有优先路径规划的权利，避免出现死锁；其中，ρ1为R1的路径占用权，ρ2为R2的路径占用权；
如果物流机器人R1的起点在物流机器人R2的最优路径上，则应该满足ρ1>ρ2，R1拥有优先路径规划的权利，避免出现死锁。
当出现多个物流机器人优先级形成互相占用时，根据不同的冲突类型采取不同的冲突规避策略。
进一步，在完成任务分配和路径规划之后，使用时间窗算法对任务路径进行时间窗检测，判断各条路径之间是否存在时间窗冲突，若是不存在冲突，则按照任务路径执行即可，若是存在冲突，则根据相应的冲突类型采取对应的冲突规避策略完成时间窗排布，解决时间窗冲突，时间窗算法的冲突规避策略一般有停车等待、路径重规划、速度调节几种类型。对应的就是对时间窗进行平移、拉伸和压缩三种操作方法。时间窗平移操作是指低优先级的机器人在冲突节点前停车等待高优先级机器人先行通过，低优先级机器人再通过该节点，需要对低优先级机器人的时间窗进行拉伸和向后平移。若是时间窗拉伸和压缩两种操作涉及到机器人加速和减速行驶，则会导致计算量和系统的不可控因素增加。
在时间窗冲突的规避策略中常采用的是停车等待和路径重规划两种措施，多辆机器人同时工作时，路径情况较为复杂，仅采用停车等待策略，则会导致各条路径上发生堵塞，影响物流系统的工作效率。而采用路径重规划策略，则会导致搬运任务无法完成的情况，因为按照任务优先级开始进行时间窗冲突规避，高优先级机器人占用的路径过多，后续的机器人则会陷入无路径可走的问题。针对路径冲突节点死锁和堵塞的问题，本发明设计了停车等待和路径重规划结合的冲突规避策略，并且路径重规划分为一级重规划和二级重规划。
通过优先级划分得到物流机器人的路径规划顺序，并根据不同的冲突类型采取不同的冲突规避策略。若是节点冲突仅需要停车等待便可以完成路径冲突规避。对于追赶冲突、相向冲突便需要对低优先级机器人进行路径重规划才能解决冲突问题，尤其是机器人之间的路径还存在相互占用的情况，更需要对路权进行分析，选取合适的规避策略。一级路径重规划指检测到存在时间窗冲突，便将存在冲突的节点从搜索列表中去除，使用蚁群算法对低优先级机器人重新规划从起点到目标点的路径，若是重规划路径的时间窗不存在冲突，则表明重规划成功，若是仍然存在时间窗冲突，则表明重规划失败，需要等待其他机器人的位置发生改变之后，再进行路径重规划。二级路径重规划是指通过遍历路径信息，找到冲突节点的前一节点，为低优先级机器人从该节点重新规划到目标点的路径，对比停车等待和重规划措施的时间成本，选择时间短的方案执行。
本发明的有益效果在于：本发明基于改进时间窗算法的局部路径规划算法，还综合考虑路径占用情况重新制定了任务优先级、机器人优先级分配规则，可以有效解决在物流场景中多物流机器人之间的路径冲突问题，保证多辆物流机器人可以更安全高效地完成预定的搬运任务。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为行驶路径示意图；
图2为基本时间窗算法中的时间窗示意图；
图3为路径冲突示意图；
图4为改进时间窗算法中时间窗示意图；
图5为路径规划后时间窗示意图，其中，图5(a)为延伸前时间窗，图5(b)为延伸后时间窗；
图6为本发明基于改进时间窗算法的多物流机器人路径规划方法流程图；
图7为仓储物流作业环境栅格地图；
图8为基于改进蚁群算法的路径规划图；
图9为R1、R2的时间窗示意图；
图10为规划后R1、R2的时间窗示意图；
图11为R3、R4的时间窗示意图；
图12为规划后R3、R4的时间窗示意图；
图13为基于改进时间窗算法规划后的路径。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图13，本发明提供一种基于改进时间窗算法的多物流机器人路径规划方法，基于改进的时间窗算法进行局部路径规划。其中，改进的世界时间窗算法从优先级分配方法和时间窗冲突规避策略两方面进行改进。
1、优先级分配方法的改进
时间窗算法通常采用分配任务优先级和物流机器人优先级两种方式，可以保证货物搬运任务及时有效地处理完成。物流系统在任务分配时预先为任务分配优先级。搬运任务的优先级越高，任务则优先分配。若是在物流机器人执行该任务过程中出现路径冲突时，可以根据任务的优先级来确定路径规划的顺序，在出现路径冲突或者相互避障时，最终以执行高优先级任务的物流机器人保持正常运行，执行低优先级任务的机器人采取避让或者停止运行等措施，来保证各辆物流机器人无碰撞运行。任务优先级分配过程中遵循以下规则：
(1)搬运任务按照优先级从高到低依次分配；
(2)每辆物流机器人同一时间只能分配一个任务；
(3)每个搬运任务只能分配给一辆物流机器人。
每辆物流机器人都有固定的ID号，物流机器人的优先级由ID号决定，优先级高的机器人可以优先获得搬运任务，ID号越小，优先级越高。物流机器人状态分为：取货状态、运行状态、空闲状态、充电状态、故障状态。处于充电状态和故障状态的物流机器人不会出现在搬运任务分配的列表中；处于取货状态的物流机器人表明正在货架区域等待货物拣选，便不存在任务分配的序列中；处于运行状态的机器人表明已经完成任务分配去往拣货区域或是完成拣货去往目标区域运送货物；空闲状态的机器人便会出现在任务分配的机器人列表中，列表排位顺序按照ID号大小排列。处于空闲状态的物流机器人的ID号来确定机器人的优先级，ID号越小优先级越高，优先搬运任务分配。
本发明将在基本时间窗算法的基础上，根据任务优先级得到机器人的局部路径规划顺序，若出现同优先级的物流机器人，则根据机器人与冲突栅格的距离远近考虑规划顺序，并且在规划过程中，机器人可以偏离最优路径进行避让，待高优先级的机器人先通过冲突节点，低优先级的机器人再重新规划路径驶向目标位置，以此提高局部路径规划的成功概率。
基本时间窗算法为：假设物流系统中有n辆物流机器人同时在等待区等待任务分配协同运行，物流机器人集合为R＝{R1,R2,R3,R4......Rn}。其中，有m辆物流机器人分配得到运输任务，任务集合为M＝{M1,M2,M3,M4......Mm}，每个任务Mi都有优先级，完成搬运任务分配后，采用全局路径规划算法为每辆物流机器人完成最优路径规划，每辆物流机器人的路径段集合为L＝{l1,l2,l3,l4......lk}。首先将路径按栅格分为路径段，对路径中包含的栅格进行时间窗初始化。以li的第一个栅格(物流机器人当前所在位置)，假设R1进入路径l1栅格gi的时间为
Figure BDA0003656715830000061
(1为物流机器人标号，i表示栅格编号，in表示进入栅格时刻)，离开l1到达栅格gj的时间为
Figure BDA0003656715830000062
则定义路径l1栅格gi→gj被R1预约的时间窗为
Figure BDA0003656715830000063
表明R1在该路径段l1的占用时间。经过时间窗初始化操作之后，可以得到各辆物流机器人路径在每条路径段上的时间窗，时间窗集合为
Figure BDA0003656715830000071
再将时间窗按照顺序插入在各条路径段上，排序后的R1的时间窗集合为T1＝{t1,1,t1,2,t1,3,…,t1,n}，R1的进入时间集合表示为
Figure BDA0003656715830000072
R1的离开时间集合表示为
Figure BDA0003656715830000073
由于每个栅格或者每段路径同时只允许被一辆物流机器人占用，因此每个栅格或者每段路径时间窗不应该有重叠，得到时间窗的数学关系为：
Figure BDA0003656715830000074
以两辆物流机器人的搬运任务作为示例来详细论述时间窗数学模型计算过程，物流机器人的工作环境地图表示为M＝{g1,g2,g3,g4,…,gn}，其中gi表示栅格序号。物流机器人行驶路径示意图如图1所示，R1的起始位置为栅格g1，目标点为栅格g8，R2的起始位置为栅格g6，目标点为栅格g7。使用蚁群算法为两辆物流机器人各自规划路径，R1的最优路径为g1→g2→g3→g8，R2的最优路径为g6→g5→g4→g3→g7。
在完成全局路径规划之后，物流机器人开始按照最优路径行驶，设置物流机器人的启动和制动时间均为t，行驶速度恒定为V，转向速度恒定为Vt，则物流机器人在每个栅格间行驶时间可以通过计算得到。假设R1进入gi的时间为
Figure BDA0003656715830000075
离开栅格gj的时间为
Figure BDA0003656715830000076
则定路径段被R1预约的时间窗为
Figure BDA0003656715830000077
所有预约的时间窗集合表示为
Figure BDA0003656715830000078
根据路径信息和物流机器人的行驶速度，可以计算得到在每段路径上的占用时间，R1栅格间停留时间如表1所示。
表1 R1栅格间停留时间
Figure BDA0003656715830000079
同理，可以得到R2在每段路径间的停留时间，如表2所示。
表2 R2栅格间停留时间
Figure BDA0003656715830000081
将各个物流机器人在各条路径上的时间窗按路径顺序进行排序，结果如图2所示。
排序后R1的时间窗集合为
Figure BDA0003656715830000082
进入时间表示为
Figure BDA0003656715830000083
离开时间表示为
Figure BDA0003656715830000084
得到R1时间窗的数学关系如式(2)。排序后R2的时间窗集合为
Figure BDA0003656715830000085
进入时间表示为
Figure BDA0003656715830000086
离开时间表示为
Figure BDA0003656715830000087
得到R2时间窗的数学关系如式(3)。由于每个栅格或者每段路径同时只允许被一个机器人占用，因此每个栅格或者每段路径时间窗不应该有重叠。
Figure BDA0003656715830000088
Figure BDA0003656715830000089
当检测到某条路径上存在时间窗冲突时，可以通过时间窗的平移、拉伸和压缩三种处理措施来解决时间窗冲突。平移操作是使低优先级机器人在冲突节点之间停车等待或是减速直到高优先级机器人通过冲突节点，对低优先级机器人的冲突时间窗进行拉伸，并将后续的时间窗按时间顺序向后平移，最终，保证各条路径上时间窗不存在冲突。而压缩操作则需要机器人进行加速运动缩短某段路径上的运行时间，该操作会增加算法的计算量，导致运行情况的波动性增大。
两辆物流机器人存在路径冲突的示例如图3所示。分别为两辆物流机器人完成任务分配，R1的目标点为g5、R2的目标点为g6，使用蚁群算法为两辆物流机器人完成路径规划，得到R1路径为g1→g2→g3→g4→g5，R2的路径为g5→g4→g3→g6。
根据路径规划得到的路径，完成两辆物流机器人在每段路径上的占用时间进行计算，将两辆物流机器人的时间窗按路径顺序进行排序，如图4所示。图4可以看出在栅格g3会出现时间窗重叠，表明两辆物流机器人会出现路径冲突。两辆机器人便会出现相向冲突，由于机器人自身配备避障传感器，尽管两辆物流机器人不会出现相互碰撞的情况，但是会因为两辆物流机器人相向行驶，到达避障距离后，会陷入死锁情况，需要采取相应措施解决两辆物流机器人的死锁情况，保证两辆物流机器人正常运行，完成货物搬运任务。
根据优先级划分规划顺序，则需要优先级低的R2采取停车等待或是绕行措施避免碰撞，但是R2会对R1到达目标点造成影响，则需要交换规划顺序，R1在节点g2等待2s，待R2通过冲突节点之后再行驶即可避免碰撞。规划后的时间窗如图5所示，图5(a)为延伸前时间窗，图5(b)为延伸后时间窗。
如果两辆物流机器人优先级相同，且距离冲突栅格g3的距离相同。无法确定哪辆机器人先进行路径规划，则陷入死锁状态。对于规划失败的情况，需要对各个物流机器人路权进行更清晰的划分，需要在综合所有物流机器人最优路径的情况下，调整路径规划顺序。不仅仅以空载、满载等情况为物流机器人进行优先级划分，还应该考虑机器人之间路径的相互占用情况，R1的路径占用权为ρ1，R2的路径占用权为ρ2，通过路径占用权的关系确定物流机器人的优先级。
如果R1的目标点在R2最优路径上，则应该满足ρ1<ρ2，R2拥有优先路径规划的权利，避免出现死锁。
如果R1的起点在R2的最优路径上，则应该满足ρ1>ρ2，R1拥有优先路径规划的权利，避免出现死锁。
根据以上两个条件，本发明可以对规划的所有物流机器人进行路权分析，可以得到各辆机器人优先权之间的关系，在实际规划中，对高优先级的物流机器人优先规划，再优化低优先级的物流机器人，在一定程度上提高规划的成功率。
当出现多个物流机器人优先级形成互相占用时，则无法仅根据优先级高低得到规划顺序。当出现这种情况，则需要某些物流机器人暂时偏离最优路径，对其他机器人进行避让，待其他机器人驶过之后，再回到最优路径上继续执行任务。若同一条路径上需要通过的物流机器人重复路段较多，两辆优先级相同或不同的机器人存在多个时间窗冲突，低优先级物流机器人重新规划路径，并将存在路径冲突的路径段从搜索列表中去除，避免在一段路径上出现多辆物流机器人存在追赶冲突问题，使低优先级物流机器人需要长时间等待高优先级物流机器人。
2、时间窗冲突规避策略
在完成任务分配和路径规划之后，使用时间窗算法对任务路径进行时间窗检测，判断各条路径之间是否存在时间窗冲突，若是不存在冲突，则按照任务路径执行即可，若是存在冲突，则根据相应的冲突类型采取对应的冲突规避策略完成时间窗排布，解决时间窗冲突，时间窗算法的冲突规避策略一般有停车等待、路径重规划、速度调节几种类型。对应的就是对时间窗进行平移、拉伸和压缩三种操作方法。时间窗平移操作是指低优先级的机器人在冲突节点前停车等待高优先级机器人先行通过，低优先级机器人再通过该节点，需要对低优先级机器人的时间窗进行拉伸和向后平移。若是时间窗拉伸和压缩两种操作涉及到机器人加速和减速行驶，则会导致计算量和系统的不可控因素增加。
在时间窗冲突的规避策略中常采用的是停车等待和路径重规划两种措施，多辆机器人同时工作时，路径情况较为复杂，仅采用停车等待策略，则会导致各条路径上发生堵塞，影响物流系统的工作效率。而采用路径重规划策略，则会导致搬运任务无法完成的情况，因为按照任务优先级开始进行时间窗冲突规避，高优先级机器人占用的路径过多，后续的机器人则会陷入无路径可走的问题。针对路径冲突节点死锁和堵塞的问题，本发明设计了停车等待和路径重规划结合的冲突规避策略，并且路径重规划分为一级重规划和二级重规划。
通过优先级划分得到物流机器人的路径规划顺序，并根据不同的冲突类型采取不同的冲突规避策略。若是节点冲突仅需要停车等待便可以完成路径冲突规避。对于追赶冲突、相向冲突便需要对低优先级机器人进行路径重规划才能解决冲突问题，尤其是机器人之间的路径还存在相互占用的情况，更需要对路权进行分析，选取合适的规避策略。一级路径重规划指检测到存在时间窗冲突，便将存在冲突的节点从搜索列表中去除，使用蚁群算法对低优先级机器人重新规划从起点到目标点的路径，若是重规划路径的时间窗不存在冲突，则表明重规划成功，若是仍然存在时间窗冲突，则表明重规划失败，需要等待其他机器人的位置发生改变之后，再进行路径重规划。二级路径重规划是指通过遍历路径信息，找到冲突节点的前一节点，为低优先级机器人从该节点重新规划到目标点的路径，对比停车等待和重规划措施的时间成本，选择时间短的方案执行。
3、本发明设计的基于改进时间窗算法的多物流机器人路径规划方法，按照搬运任务优先级和机器人优先级，有序将搬运任务分配给每辆物流机器人。将高优先级的搬运任务分配给高优先级的机器人，低优先级的搬运任务分配给低优先级的物流机器人，然后利用蚁群算法根据搬运任务的起始坐标和目标坐标完成路径规划，再采用时间窗算法计算物流机器人在个路径段上的时间窗，将时间窗在各条路径上有序排列，检测出存在时间窗冲突的路径，分析路径冲突类型，再使用相应措施完成时间窗调整或是路径重规划，直到所有路径不存在时间窗冲突。如图6所示，该路径规划方法具体包括以下步骤：
步骤1：根据任务优先级按顺序分配给物流机器人。
步骤2：使用蚁群算法为物流机器人完成路径规划，并完成各辆物流机器人时间窗计算。
步骤3：判断当前最高优先级的物流机器人与次高优先级物流机器人的时间窗是否存在重叠，若是不存在，跳转到步骤7，若是存在时间窗重叠，则执行下一步骤。
步骤4：判断路径冲突类是否是为节点冲突，若是则低优先级物流机器人在冲突节点的前一节点停车等待直到高优先级物流机器人通过该节点，并完成时间窗更新，否则执行下一步骤。
步骤5：判断存在时间重叠的路径冲突类型是否为相向冲突，若是相向冲突，计算低优先级物流机器人从进入冲突路径的前一节点停车等待时间，再将冲突路径从搜索列表中去除，以该节点为起点重新规划到目标点的路径所需的运行时间，最终选择时间消耗最短方案，更新该方案的时间窗并跳转至步骤3，若不存在相向冲突，执行下一步骤。
步骤6：判断存在时间重叠的路径冲突类型是否为追赶冲突，若是追赶冲突，对两辆物流机器人进行路权分析，若是两者的行驶顺序不会造成对方到达目标点造成障碍则跳转到步骤3；若是将会造成障碍，则将两辆物流机器人存在冲突的路径节点从搜索列表中去除，使用蚁群算法重新为低优先级物流机器人搜索次优路径，并完成时间窗更新，跳转至步骤3。
步骤7：判断是否完成所有任务，若完成全部任务，则继续执行下一步骤，若未完成，则跳转步骤3。
步骤8：算法结束。
4、实验仿真及结果分析：
为了验证改进时间窗算法在物流仓储环境栅格地图中能否解决多物流机器人协同运行时出现的路径冲突问题。首先采用栅格法对仓储物流环境进行环境建模，再利用MATLAB2016b上对各种路径冲突类型进行仿真实验，用于验证改进算法的可行性。室内仓储的工作环境中，通常布置有货物投递点、充电站、拣选台、待机区域，仓储物流作业环境栅格地图如图7所示。每个栅格坐标取栅格左下角坐标表示；工作区域中投递点、拣选台等静态障碍物位置已知，在环境建模时动态障碍物不在考虑范围内；在栅格地图模型中物流机器人视为质点，其起始位置、目标位置的坐标信息由搬运任务分配得到。
栅格地图模拟真实物流场景建模，地图中各个功能区域划分如物流仓库一致。整个栅格地图为长16m，宽16m的正方形，设置4个货物拣选台可供十二辆物流机器人同时完成货物拣选，4个充电站可以满足8辆物流机器人同时充电，36个货物投递点，物流机器人尺寸规格为长60cm，宽60cm，高30cm，稳定行驶速度为1m/s，可以原地旋转360°旋转，主要负责完成货物的搬运工作。每个物流机器人在投递点和拣选台的工作时间为5s完成货物投递和取货。拣选台位于地图的上下两侧，负责货物分拣，再由物流机器人搬运到指定的投放点。充电站位于等待区域，空闲物流机器人在此区域等待任务分配，当物流机器人电量低于设定阈值时，则停止任务接受，并自行行驶到空闲充电站进行充电。
为了便于仿真实验实施，设定物流机器人在地图中为质点，运动速度为1m/s，物流机器人之间的安全距离为一个栅格，原地转向时间为Δt＝0.5s，设置6辆物流机器人同时工作，物流机器人集合为R＝{R1,R2,R3,R4,R5,R6}，任务集合为M＝{M1,M2,M3,M4,M5,M6}，任务优先级按任务编号增大而降低，将6个搬运任务分别分配给6辆物流机器人，如表3所示。表中详细描述了每辆物流机器人对应的任务序号、起始坐标、目标坐标、任务优先级以及出发时间。
表3搬运任务运行参数
Figure BDA0003656715830000121
根据表3中的起始坐标和目标坐标，利用改进蚁群算法对6辆物流机器人进行路径规划，各辆物流机器人的路径结果如图8所示。
由路径规划图可知R1与R2存在追赶冲突且存在目标点不可到达的问题，R3与R4存在相向冲突，虚线路径为物流机器人之间的冲突路径，R5与R6不存在路径冲突，直接按照路径执行搬运任务即可。后续对存在路径冲突的物流机器人进行时间窗计算和路径优化。对R1与R2执行的搬运任务过程进行时间窗计算，R1的时间窗计算结果如表4所示，R2的时间窗计算结果如表5所示。
表4 R1栅格间停留时间
Figure BDA0003656715830000122
Figure BDA0003656715830000131
表5 R2栅格间停留时间
Figure BDA0003656715830000132
根据表4和表5时间窗数据绘制的时间窗示意图，如图9所示，正方形标记处为两辆物流机器人发生时间窗冲突的节点，可以看出R1与R2将路径(5,1)→(6,1)在这段路径上存在时间窗冲突，路径冲突类型为追赶冲突，并且R1还会对R2到达目标点造成影响，需要等到R1完成货物拣选驶离该节点之后，R2才能前往目标点。
由于机器人自身配备避障传感器，在前后行驶过程中不会出现碰撞情况，但是R1目标点处于R2目标点的前一坐标，且R1的任务优先级高于R2，则R2需要等待R1完成货物拣选离开该路径之后再继续执行任务，等待时间为6s，则会导致该路径上存在堵塞情况。若是采取路径重规划措施，R2则不需要停车等待，按照重规划路径执行任务所需时间短于采用停车等待措施所需时间。使用改进蚁群算法重规划后的路径时间窗示意图如图10所示。由图10可知，R2重规划之后的路径，两辆物流机器人的时间窗便不存在冲突，改进时间窗算法成功解决了两辆物流机器人之间的追赶冲突问题。
根据R3与R4的路径信息完成时间窗数据计算，R3的时间窗计算结果如表6所示，R4的时间窗计算结果如表7所示。R3的起始坐标(6,14)，目标点坐标为(3,10)。R4的起始坐标为(5,14)，目标点坐标为(8,10)。
表6 R3栅格间停留时间
Figure BDA0003656715830000141
表7 R4栅格间停留时间
Figure BDA0003656715830000142
根据表6与表7的时间窗数据，完成时间窗示意图的绘制，如图11所示。图11中正方形标记处为两辆物流机器人发生时间窗冲突的节点，R3与R4将在路径(6,10)→(5,10)发生相向冲突，两辆物流机器人相向行驶，由于红外避障传感器的作用不会发生碰撞，但是两辆物流机器人将发生死锁，若是不采取预先避障措施，将会导致该条路径完全堵塞无法通行。根据任务参数可知，R3任务优先级高于R4，按照冲突规避策略低优先级物流机器人可以选择停车等待或是路径重规划两种策略完成冲突规避，后续将分别计算停车等待和路径重规划两种方案的时间成本，选择时间成本较短的路径方案执行。
R3执行的搬运任务优先级高于R4，若是采取停车等待措施，R4将在(5,11)停车等待6s，等待R3通过路径(6,10)→(5,10)之后，R4再继续行驶完成搬运任务，若是R4采取绕行措施，以节点(5,11)为起点重新规划到目标点的路径，则不需要等待6s，只需要等待1s时间，待R3通过节点(6,11)之后，按照重规划路径行驶，所需任务时间短于停车等待再执行任务的时间。使用改进蚁群算法为R4完成路径重规划的时间窗示意图如图12所示。由图12可知，完成重规划好的两辆物流机器人便不存在时间窗冲突。
利用本发明改进的时间窗算法对4条路径的时间窗进行检测，对存在时间窗冲突的路径进行冲突类型分析，再根据路径冲突类型采取相应的规避策略。对蚁群算法为4辆物流机器人规划出的路径进行重规划，规划出的路径如图13所示。R2因为行驶路径被R1占用，所以利用改进蚁群算法为R2重新路径规划，获得的路径与R1不存在任何路径冲突。R3路径并没有发生改变，R4的路径进行了重规划，并需要在节点(5,11)等待1s后按照重规划路径行驶即可，如图13所示，待R3通过冲突节点再继续向目标点行驶。R5与R6路径结果也没有变化。
综上所述，本发明基于改进时间窗算法的局部路径规划算法可以有效解决在物流场景中多物流机器人之间的路径冲突问题，保证多辆物流机器人可以更安全高效地完成预定的搬运任务，通过仿真实验验证了本发明改进时间窗算法的有效性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于改进时间窗算法的多物流机器人路径规划方法，其特征在于，该方法按照任务优先级和机器人优先级，有序将搬运任务分配给每辆物流机器人；将高优先级的搬运任务分配给高优先级的机器人，低优先级的搬运任务分配给低优先级的物流机器人，然后利用蚁群算法根据搬运任务的起始坐标和目标坐标完成路径规划，再采用改进的时间窗算法计算物流机器人在个路径段上的时间窗，将时间窗在各条路径上有序排列，检测出存在时间窗冲突的路径，根据时间窗冲突规避策略调整或路径重规划，直到所有路径不存在时间窗冲突。
2.根据权利要求1所述的多物流机器人路径规划方法，其特征在于，该方法具体包括以下步骤：
S1：根据任务优先级按顺序分配给物流机器人；
S2：使用蚁群算法为物流机器人完成路径规划，并根据改进的时间窗算法完成各辆物流机器人时间窗计算；
S3：判断当前最高优先级的物流机器人与次高优先级物流机器人的时间窗是否存在重叠，若不存在，跳转到步骤7；若存在时间窗重叠，则执行步骤S4；
S4：判断存在时间重叠的路径冲突类型是否为节点冲突，若是则低优先级物流机器人在冲突节点的前一节点停车等待，直到高优先级物流机器人通过该节点，并完成时间窗更新；否则执行步骤S5；
S5：判断存在时间重叠的路径冲突类型是否为相向冲突，若是相向冲突，则计算低优先级物流机器人从进入冲突路径的前一节点停车等待时间，再将冲突路径从搜索列表中去除，以该节点为起点重新规划到目标点的路径所需的运行时间，最终选择时间消耗最短方案，更新该方案的时间窗并跳转至步骤S3；若不存在相向冲突，执行步骤S6；
S6：判断存在时间重叠的路径冲突类型是否为追赶冲突，若是追赶冲突，对两辆物流机器人进行路权分析，若两者的行驶顺序不会给对方到达目标点造成障碍，则跳转到步骤S3；若是将会造成障碍，则将两辆物流机器人存在冲突的路径节点从搜索列表中去除，使用蚁群算法重新为低优先级物流机器人搜索次优路径，并完成时间窗更新，跳转至步骤S3；
S7：判断是否完成所有任务，若完成全部任务，则继续执行步骤S8；若未完成，则跳转步骤S3；
S8：结束。
3.根据权利要求2所述的多物流机器人路径规划方法，其特征在于，步骤S1中，任务优先级的分配规则为：(1)搬运任务按照优先级从高到低依次分配；(2)每辆物流机器人同一时间只能分配一个任务；(3)每个搬运任务只能分配给一辆物流机器人。
4.根据权利要求2所述的多物流机器人路径规划方法，其特征在于，步骤S1中，每辆物流机器人都有固定的ID号，物流机器人的优先级由ID号决定，优先级高的机器人优先获得搬运任务，ID号越小，优先级越高；
物流机器人状态分为：取货状态、运行状态、空闲状态、充电状态、故障状态；处于充电状态和故障状态的物流机器人不会出现在搬运任务分配的列表中；处于取货状态的物流机器人表明正在货架区域等待货物拣选，便不存在任务分配的序列中；处于运行状态的机器人表明已经完成任务分配去往拣货区域或是完成拣货去往目标区域运送货物；空闲状态的机器人便会出现在任务分配的机器人列表中，列表排位顺序按照ID号大小排列；处于空闲状态的物流机器人的ID号来确定机器人的优先级，ID号越小优先级越高，优先搬运任务分配。
5.根据权利要求1所述的多物流机器人路径规划方法，其特征在于，改进的时间窗算法包括：考虑完物流机器人状态后，如果两辆物流机器人优先级相同，通过路径占用权的关系确定物流机器人的优先级；
如果物流机器人R1的目标点在物流机器人R2最优路径上，则应该满足ρ1<ρ2，R2拥有优先路径规划的权利，避免出现死锁；其中，ρ1为R1的路径占用权，ρ2为R2的路径占用权；
如果物流机器人R1的起点在物流机器人R2的最优路径上，则应该满足ρ1>ρ2，R1拥有优先路径规划的权利，避免出现死锁。
6.根据权利要求5所述的多物流机器人路径规划方法，其特征在于，改进的时间窗算法还包括：当出现多个物流机器人优先级形成互相占用时，根据不同的冲突类型采取不同的冲突规避策略。
CN202210562275.9A 2022-05-23 2022-05-23 基于改进时间窗算法的多物流机器人路径规划方法 Pending CN115328113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210562275.9A CN115328113A (zh) 2022-05-23 2022-05-23 基于改进时间窗算法的多物流机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210562275.9A CN115328113A (zh) 2022-05-23 2022-05-23 基于改进时间窗算法的多物流机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN115328113A true CN115328113A (zh) 2022-11-11

Family

ID=83916368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562275.9A Pending CN115328113A (zh) 2022-05-23 2022-05-23 基于改进时间窗算法的多物流机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN115328113A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115648225A (zh) * 2022-12-26 2023-01-31 江苏金农股份有限公司 基于云脑模型管理的rpa机器人场景切换方法及系统
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
CN116540743A (zh) * 2023-07-04 2023-08-04 北京邮电大学 高速分拣机器人集中式调度实时路径规划方法及装置
CN116629470A (zh) * 2023-05-04 2023-08-22 青岛蚂蚁机器人有限责任公司 基于迪杰斯特拉算法的时间窗防冲突多路径搜索方法
CN117270534A (zh) * 2023-09-22 2023-12-22 苏州科技大学 一种基于改进冲突搜索法的多机器人路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765896A (zh) * 2019-01-29 2019-05-17 重庆大学 一种基于智能停车场多agv的动态路径规划方法
CN110264120A (zh) * 2019-05-06 2019-09-20 盐城品迅智能科技服务有限公司 一种基于多agv的智能仓储路线规划系统和方法
CN111932000A (zh) * 2020-07-28 2020-11-13 太原科技大学 一种应用于大型物流系统的多agv调度方法
CN113311829A (zh) * 2021-05-11 2021-08-27 北京理工大学 一种基于动态时间窗冲突搜索的多机器人路径规划方法
CN113592158A (zh) * 2021-07-13 2021-11-02 华中科技大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765896A (zh) * 2019-01-29 2019-05-17 重庆大学 一种基于智能停车场多agv的动态路径规划方法
CN110264120A (zh) * 2019-05-06 2019-09-20 盐城品迅智能科技服务有限公司 一种基于多agv的智能仓储路线规划系统和方法
CN111932000A (zh) * 2020-07-28 2020-11-13 太原科技大学 一种应用于大型物流系统的多agv调度方法
CN113311829A (zh) * 2021-05-11 2021-08-27 北京理工大学 一种基于动态时间窗冲突搜索的多机器人路径规划方法
CN113592158A (zh) * 2021-07-13 2021-11-02 华中科技大学 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BALSEIRO等: "An ant colony algorithm hybridized with insertion heuristic for the time dependent vehicle routing problem with time windows", 《COMPUTERS & OPERATION RESEARCH》, vol. 38, no. 6, 30 June 2011 (2011-06-30), pages 954 - 966, XP027502506, DOI: 10.1016/j.cor.2010.10.011 *
冯雪梅;: "物流机器人路径规划研究现状", 全国流通经济, no. 01, 8 January 2020 (2020-01-08), pages 12 - 13 *
唐文: "面向室内仓储的物流机器人路径规划研究与实现", 万方数据, 6 July 2023 (2023-07-06), pages 27 - 44 *
朱龙彪，等: "基于动态时间窗的泊车系统路径规划研究", 《工程设计学报》, vol. 24, no. 4, 31 August 2016 (2016-08-31), pages 440 - 448 *
杨洋;张建敏;刘艺林;宋馨;: "基于改进蚁群算法的无人仓的多AGV避碰路径优化策略", 数学的实践与认识, no. 16, 23 August 2020 (2020-08-23), pages 3 - 11 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115648225A (zh) * 2022-12-26 2023-01-31 江苏金农股份有限公司 基于云脑模型管理的rpa机器人场景切换方法及系统
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
CN116629470A (zh) * 2023-05-04 2023-08-22 青岛蚂蚁机器人有限责任公司 基于迪杰斯特拉算法的时间窗防冲突多路径搜索方法
CN116629470B (zh) * 2023-05-04 2024-02-13 青岛蚂蚁机器人有限责任公司 基于迪杰斯特拉算法的时间窗防冲突多路径搜索方法
CN116540743A (zh) * 2023-07-04 2023-08-04 北京邮电大学 高速分拣机器人集中式调度实时路径规划方法及装置
CN116540743B (zh) * 2023-07-04 2023-09-29 北京邮电大学 高速分拣机器人集中式调度实时路径规划方法及装置
CN117270534A (zh) * 2023-09-22 2023-12-22 苏州科技大学 一种基于改进冲突搜索法的多机器人路径规划方法

Similar Documents

Publication Publication Date Title
CN115328113A (zh) 基于改进时间窗算法的多物流机器人路径规划方法
CN110989570B (zh) 一种多agv防碰撞协同路径规划方法
CN109991977B (zh) 机器人的路径规划方法及装置
JP7228420B2 (ja) 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム
CN110530369B (zh) 基于时间窗的agv任务调度方法
CN111474926B (zh) 一种基于多agv时间窗路径优化算法的废烟回收方法
JP2022533784A (ja) 倉庫保管タスク処理方法と装置、倉庫保管システム、およびストレージ媒体
Yang et al. Hierarchical planning for multiple AGVs in warehouse based on global vision
CN110989582A (zh) 基于路径预先占用的多agv自动避让式智能调度方法
CN113075927A (zh) 基于预约表的仓储潜伏式多agv路径规划方法
JP7328923B2 (ja) 情報処理装置、情報処理方法、及びコンピュータプログラム
JP2024020457A (ja) 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム
WO2022032444A1 (zh) 一种多智能主体避障方法、系统和计算机可读存储介质
CN115237137B (zh) 一种多agv调度与协同路径规划方法和装置
CN113515117A (zh) 一种基于时间窗的多agv实时调度的冲突消解方法
Xiao et al. A collision and deadlock prevention method with traffic sequence optimization strategy for UGN-based AGVs
Zhao et al. Spare zone based hierarchical motion coordination for multi-AGV systems
Shi et al. Task allocation and path planning of many robots with motion uncertainty in a warehouse environment
CN115371691A (zh) 一种路径规划方法、电子设备及调度系统
CN114924538A (zh) 一种基于图结构的多agv实时调度与冲突消解方法
Xu et al. Dynamic spare point application based coordination strategy for multi-AGV systems in a WIP warehouse environment
CN115638804B (zh) 一种无死锁的无人车辆在线路径规划方法
d'Orey et al. Automated planning and control for high-density parking lots
Li Task Assignment and Path Planning for Autonomous Mobile Robots in Stochastic Warehouse Systems
Bi et al. Dynamic weighted and heat-map integrated scalable information path-planning algorithm

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