CN115437382A - 一种用于无人仓库的多agv路径规划方法、系统及设备介质 - Google Patents
一种用于无人仓库的多agv路径规划方法、系统及设备介质 Download PDFInfo
- Publication number
- CN115437382A CN115437382A CN202211203157.5A CN202211203157A CN115437382A CN 115437382 A CN115437382 A CN 115437382A CN 202211203157 A CN202211203157 A CN 202211203157A CN 115437382 A CN115437382 A CN 115437382A
- Authority
- CN
- China
- Prior art keywords
- agv
- conflict
- path
- node
- vehicles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- SPJOZZSIXXJYBT-UHFFFAOYSA-N Fenson Chemical compound C1=CC(Cl)=CC=C1OS(=O)(=O)C1=CC=CC=C1 SPJOZZSIXXJYBT-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 3
- UVJQIYZYQQKIAC-UHFFFAOYSA-N [amino(ethylsulfanyl)methylidene]-[4-(trifluoromethyl)phenyl]azanium;chloride Chemical compound Cl.CCSC(N)=NC1=CC=C(C(F)(F)F)C=C1 UVJQIYZYQQKIAC-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于无人仓库的多AGV路径规划方法、系统及设备介质，S1，建立栅格地图模型；S2，根据任务的优先级顺序，分配给指定AGV车辆；S3，对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。能够大大减小交通堵塞的可能性，提高了货物运送的效率。
Description
技术领域
本发明属于自动驾驶领域，涉及一种用于无人仓库的多AGV路径规划方法、系统及设备介质。
背景技术
随着电子商务行业的高速发展，电商物流的需求急剧增长。电子商务物流与传统的物流产业有很大的不同，其特点是订单量大，任务多。如果采用传统物流产业使用人工分拣和运输，仓储物流部分会大大增加人力成本，运送效率低，这些问题会制约企业的经济发展和服务效率。因此，智能化的AGV自动引导车辆成为提升仓库运输效率和降低仓库运行成本的关键解决方案。
自动引导搬运车系统(AGVS)是无人仓储系统的重要分支，其设计与研发符合物流系统智能化的发展要求。通过合理规划和调度，能够替身仓储系统的货物周转率和分拣准确率，降低物流成本。
随着科学技术的进步与发展，路径规划技术面对的环境更加复杂多变，这对路径规划算法的迅速响应有了更高的要求。因为路径规划算法的性能对AGV调度系统有着十分重要的影响，特别是当环境的复杂程度上升和AGV数量增多时，容易出现交通堵塞的情况，使得AGV的效率大打折扣。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种用于无人仓库的多AGV路径规划方法、系统及设备介质，能够大大减小交通堵塞的可能性，提高了货物运送的效率。
为达到上述目的，本发明采用以下技术方案予以实现：
一种用于无人仓库的多AGV路径规划方法，包括以下过程：
S1，建立栅格地图模型；
S2，根据任务的优先级顺序，分配给指定AGV车辆；
S3，对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
优选的，S2中，任务的优先级顺序为：货物量较大的订单任务>货物量较小的订单任务>AGV车辆停靠任务，并且根据实际订单的重要程度，设定优先级。
优选的，S2中，任务的分配原则为：以AGV车辆到目标节点的直线长度权重70％加时间权重30％计算，数值越小越优先分配；对空闲AGV车辆和已完成任务开始返回的AGV车辆，时间为0，对于正在执行任务的AGV车辆，增加等待当前任务结束的时间。
优选的，S3中，PCBS算法包括下层单车路径规划系统和上层冲突搜索系统；上层单车路径规划采用DA*算法计算出最短路径。
进一步，下层单车路径规划系统计算出最短路径后，输入上层冲突搜索系统的EPIT中，由上层冲突搜索系统搜索存在路径冲突的节点，若发现某一节点Q存在冲突，若与该冲突有关的AGV车辆中有一辆为正在行驶中，则只对未开始行驶的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，由DA*算法对未开始行驶的AGV车辆重新进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆均为正在行驶中，则对优先级较小的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，由DA*算法对该AGV车辆进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆中无正在行驶中，则节点Q分裂为与该冲突有关的AGV车辆相同数量的子节点，继承父节点的约束并添加新的约束，由DA*算法重新规划路径，并继续展开搜索冲突。
优选的，DA*算法计算最短路径的过程中，在搜索阶段朝着目标节点方向搜索AGV车辆当前所在节点的两个相邻节点，在估价函数中加入转弯代价，把转弯代价转换为距离代价。
优选的，AGV车辆在行驶过程中，向行驶方向发射距离为一栅格长度的激光束；当AGV车辆在行驶前方的下一个栅格接收到单束激光束时，表示该栅格在下一时刻没有其他AGV车辆要通过，该AGV车辆正常行驶；当下一个栅格接收到多束激光束，则存在多个AGV车辆的行驶冲突，根据优先级大小对多个AGV车辆进行路径的重新划分。
一种用于无人仓库的多AGV路径规划系统，包括：
栅格地图模型建立模块，用于建立栅格地图模型；
任务分配模块，用于根据任务的优先级顺序，分配给指定AGV车辆；
路径规划模块，用于对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述用于无人仓库的多AGV路径规划方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述用于无人仓库的多AGV路径规划方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明采用上述PCBS算法进行多AGV静态全局路径规划，其中下层所采用的DA*算法通过采用只朝目标节点搜索的方式进行节点搜索有效提高了算法速度和效率，同时上层采用的基于优先级的冲突搜索系统搜索算法通过对可能发生的车辆路径冲突及时发现并基于优先级进行解决冲突，有效减少了环境中车辆之间的路径冲突；采用上述冲突判断系统对车辆进行动态冲突预测和解决，对动态路径冲突的预测更加准确和迅速，相比于传统的通过总控制系统对AGV车辆实时信息的监测来预测冲突，大大减轻了总控制系统的负担。
进一步，采用任务优先原则和分配原则，能够更合理的分配任务，提高物流运输效率。
附图说明
图1为本发明的用于无人仓库的多AGV路径规划方法流程示意图；
图2为本发明的冲突判断系统作用流程示意图；
图3为本发明的无人仓库通信系统示意图。
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。
需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
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。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，为本发明所述的用于无人仓库的多AGV路径规划方法，包括以下步骤：
步骤1，基于无人仓库的实际情况，采用栅格建模法建立地图，包括路径栅格，障碍物栅格和货架栅格。
步骤2，由无人仓库调度系统接收指挥中心的任务信息。
步骤3，所述无人仓库调度系统将收到的任务信息按优先原则排序，按分配原则分配给合适的AGV车辆。
所述优先原则包括：
(1)、订单量较大的订单任务>订单量较小的订单任务>AGV车辆停靠任务；
(2)、根据实际订单的重要程度，人为设定优先级。
所述分配原则包括：
(1)、以AGV车辆到目标节点的直线长度权重70％+时间权重30％计算，数值越小越优先分配；
(2)、对空闲AGV车辆和已完成任务开始返回的AGV车辆，时间为0；对于正在执行任务的AGV车辆，需要增加等待当前任务结束的时间。
步骤4，对收到任务的AGV车辆采用PCBS算法进行全局路径规划，找到一条静态无冲突路径。
上述PCBS算法包括下层单车路径规划系统和上层冲突搜索系统。
上述下层单车路径规划采用DA*算法，在搜索阶段只朝着目标节点方向搜索以减小搜索范围，在估价函数方面考虑转弯代价。
上述确定目标方向的方法：
Dx>＝0，Dy>＝0；目标节点在第一方向；
Dx<＝0，Dy>＝0；目标节点在第二方向；
Dx<＝0，Dy<＝0；目标节点在第三方向；
Dx>＝0，Dy<＝0；目标节点在第四方向。
上述Dx＝x2-x1，Dy＝y2-y1，(x1，y1)是AGV车辆当前所在节点的坐标，(x2，y2)是目标节点的坐标，Dx是目标节点横坐标与车辆当前所在节点横坐标的差值，Dy是目标节点纵坐标与车辆当前所在节点纵坐标的差值。
在无人仓库中，传统A*算法需要搜索AGV车辆当前所在节点的四个相邻节点，本实施例中的DA*算法只需要根据目标节点的方向搜索AGV车辆当前所在节点的两个相邻节点。
上述DA*算法的估价函数，其公式为f(n)＝g(n)+h’(n)，g(n)为从起始点到当前节点的实际代价值，h’(n)＝hm(n)+hs(n)，其中hm(n)为搜索到的节点到目标节点的曼哈顿距离，hs(n)为搜索到的节点到目标节点的转弯代价。
上述hs(n)＝v*t/l，其中v为AGV车辆的平均车速，t为AGV车辆车轮转向需要的时间，l为单位栅格长度，即把转弯代价转换为距离代价。
上述下层单车路径规划系统计算出初步最短路径后，输入上层的EPIT(现有路径信息表)中，由基于优先级的上层冲突搜索系统搜索存在路径冲突的节点，若发现节点Q存在冲突，若与该冲突有关的AGV车辆中有一辆为正在行驶中，则只对未开始行驶的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，由DA*算法对该AGV车辆进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆都为正在行驶中，则对除最大优先级外的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，若最大优先级的AGV车辆有多辆，则随机选取一辆最大优先级的AGV车辆作为免约束的，由DA*算法对该AGV车辆进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆中无正在行驶中，则节点Q分裂为与该冲突有关的AGV车辆相同数量的子节点，以两个AGV车辆为例，节点Q分裂为两个子节点，分别为Q1和Q2，继承父节点的约束并添加新的约束，由DA*算法重新规划路径，之后继续展开Q1节点搜索是否还有冲突。
上述节点搜索按时间线展开，。
步骤5，上述AGV车辆云端系统接收上述最优路径信号，按路径自动行驶，并将车辆实时信息传送至总控制系统。
上述车辆实时信息包括AGV车辆定位信息，正在执行的任务，AGV车辆的车速。
步骤6，AGV车辆行驶过程中，由冲突判断系统预测由网络延迟或车辆AGV车辆故障导致的可能发生的冲突，并及时反馈给总控制系统，调整路径，避免冲突。
上述冲突判断系统包括AGV车辆激光放射器、激光传感器和小型信号塔。
所述AGV车辆激光放射器安装在车头位置，能向车辆行驶正前方发射距离为一栅格长度的激光束；所述的激光传感器安装在每个路径栅格上，能感受到激光束的数量及其方向；所述的小型信号塔安装在每个路径栅格上，能向总控制系统传送预警信号。
如图2所示，上述冲突判断系统的工作方法为：AGV车辆行驶过程中，激光发射器会向行驶方向发射距离为一栅格长度的激光束；当下一个栅格的激光传感器接收到单束激光束时，表示该栅格在下一时刻没有其他AGV车辆要通过，所述AGV车辆正常行驶；当下一个栅格的激光传感器接收到多束激光束，则由激光束的方向初步判断可能发生的冲突类型，并由小型信号塔向总控制系统传送预警信号，由总控制系统确定冲突类型并调整路径。
上述初步判断冲突类型方法包括：
(1)、当激光传感器接收到两束对向的激光束，则为对向冲突；
(2)、当激光传感器接收到两束不平行的激光束，则为交叉口节点冲突；
(3)、当激光传感器接收到两束同向的激光束，则为阻挡冲突。
上述调整路径的方法，包括对向冲突解决方法，交叉口节点冲突方法，阻挡冲突解决方法。
上述对向冲突解决方法为，优先级小的AGV车辆以当前所在节点为起点，目标点为终点，重新通过上述PCBS算法规划一条无冲突路线；优先级大的AGV车辆正常行驶。
上述交叉口节点冲突解决方法为，优先级大的AGV车辆正常行驶，优先级小的AGV车辆等待至下一个栅格激光传感器只接收到单束激光束时才可行驶，若存在优先级相同的情况，则该优先级下的AGV车辆按随机顺序行驶。
上述阻挡冲突解决方法为，总控制系统通过前方AGV车辆发送的实时信息判断车辆状态，若前方AGV车辆处于装货等待状态，则后方AGV车辆采用等待策略，等待至下一个栅格激光传感器只接收到单束激光方可行驶；若前方AGV车辆处于故障状态，则后方AGV车辆采用上述PCBS算法重新规划路径。
本实施例所述的用于无人仓库的多AGV路径规划方法，其中接收和发送信号信息，通过仓库通信系统实现，采用5G移动通信手段。
如图3所示，上述仓库通信系统的布置中，根据货架密度划分为不同的区域，在货架密度高的区域设置2或3个小型信号塔，用来专门接收和传送高货架密度区域中的信号；在货架密度低的区域设置1个小型信号站，用来专门接收和传送低货架密度区域中的信号，以此保证通信迅速流畅；小型信号塔与AGV车辆云端和总控制系统交互连接，小型信号塔输入端连接栅格激光传感器输出端。用分区域建立专属小型信号塔的方法，保证了信息传递的快速性和流畅性，很大程度上减小了了由于信号延迟而导致的路径冲突的可能性。
上述货架密度通过当前分区货架总数/当前分区的节点总数确定。
采用上述用于无人仓库的多AGV路径规划方法进行的实际过程为：
步骤1，根据无人仓库的实际情况，建立栅格地图，包括路径栅格和货架栅格。
步骤2，总控制系统接收上述三个搬运任务。
步骤3，所述总控制系统按优先原则将任务排序，并按顺序依次按分配原则分给AGV车辆，分配结果如下：
AGV车辆1——任务A——起始点(4，5)——目标点(9，9)
AGV车辆2——任务B——起始点(2，8)——目标点(6，4)
AGV车辆3——任务C——起始点(6，2)——目标点(11，7)
步骤4，对上述三个AGV车辆通过PCBS算法进行全局路径规划，规划出一条无冲突路径，如下：
车辆1，路径——(4，5)-(5，5)-(6，5)-(6，6)-(6，7)-(6，8)-(6，9)-(7，9)-(8，9)-(9，9)
车辆2，路径——(2，8)-(3，8)-(4，8)-(5，8)-(6，8)-(7，8)-(8，8)-(9，8)-(9，9)-(9，10)-(9，11)
车辆3，路径——(6，2)-(7，2)-(8，2)-(9，2)-(10，2)-(11，2)-(11，3)-(11，4)-(11，5)-(11，6)-(11，7)
步骤5，AGV车辆云端系统接收上述初步最优路径信号，按路径自动行驶，并将车辆实时信息传送至总控制系统。
步骤6，AGV车辆行驶过程中，由冲突判断系统预测导致可能发生的冲突，并及时反馈给总控制系统，调整路径，避免冲突。
上述冲突判断系统包括AGV车辆的激光放射器，激光传感器，小型信号塔。
所述AGV车辆的激光放射器安装在车头位置，能向车辆行驶正前方发射距离为一栅格长度的激光束；所述的激光传感器安装在每个路径栅格上，能感受到激光束的数量及其方向；所述的小型信号塔安装在每个路径栅格上，能向总控制系统传送预警信号。
上述冲突判断系统的具体工作步骤为：AGV车辆行驶过程中，激光发射器会向行驶方向发射距离为一栅格长度的激光束；当下一个栅格的激光传感器接收到单束激光束时，表示该栅格在下一时刻没有其他AGV车辆要通过，所述AGV车辆正常行驶；当下一个栅格的激光传感器接收到多束激光束，则由激光束的方向初步判断可能发生的冲突类型，并由小型信号塔向总控制系统传送预警信号，由总控制系统确定冲突类型并调整路径。
上述初步判断冲突类型方法包括：
(1)、当激光传感器接收到两束对向的激光束，则为对向冲突；
(2)、当激光传感器接收到两束不平行的激光束，则为交叉口节点冲突；
(3)、当激光传感器接收到两束同向的激光束，则为阻挡冲突。
上述调整路径的方法，包括对向冲突解决方法，交叉口节点冲突方法，阻挡冲突解决方法。
上述对向冲突解决方法为，优先级小的AGV车辆以当前所在节点为起点，目标点为终点，重新通过上述PCBS算法规划一条无冲突路线；优先级大的AGV车辆正常行驶。
上述交叉口节点冲突解决方法为，优先级大的AGV车辆正常行驶；优先级小的AGV车辆等待至下一个栅格激光传感器只接收到单束激光束时才可行驶。
上述阻挡冲突解决方法为，总控制系统通过前方AGV车辆发送的实时信息判断车辆状态，若前方AGV车辆处于装货等待状态，则后方AGV车辆采用等待策略，等待至下一个栅格激光传感器只接收到单束激光方可行驶；若前方AGV车辆处于故障状态，则后方AGV车辆采用上述PCBS算法重新规划路径。
上述冲突判断系统的具体工作过程为：
(1)、上述AGV车辆1行驶至(6，7)节点时，由激光发射器发出的激光束被节点(6，8)处的激光传感器接收，方向朝y轴正方向；上述AGV车辆2行驶至(5，8)节点时，由激光发射器发出的激光束被节点(6，8)处的激光发射器接收，方向朝x轴正方向；
(2)、节点(6，8)处的激光传感器接收到两束不平行的激光束，判断发生交叉口节点冲突，节点(6，8)处的小型信号塔向总控制系统发出预警信号；
(3)、总控制系统向优先级小的AGV车辆2发出等待指令，至节点(6，8)处的激光传感器接收到单束激光时方可按原路径行驶；优先级高的AGV车辆1正常行驶。
最终AGV车辆的行驶路径为：
AGV车辆1，路径——(4，5)-(5，5)-(6，5)-(6，6)-(6，7)-(6，8)-(6，9)-(7，9)-(8，9)-(9，9)
AGV车辆2，路径——(2，8)-(3，8)-(4，8)-(5，8)-(5，8)-(5，8-(6，8)-(7，8)-(8，8)-(9，8)-(9，9)-(9，10)-(9，11)
AGV车辆3，路径——(6，2)-(7，2)-(8，2)-(9，2)-(10，2)-(11，2)-(11，3)-(11，4)-(11，5)-(11，6)-(11，7)
采用本发明所述方法用于无人仓库的多AGV路径规划，能更合理的分配任务，提高物流运输效率；同时用所述的冲突判断系统能更准确迅速的预测冲突并给予解决，相比于传统的通过控制系统对AGV车辆实时信息的监测来预测冲突，大大减轻了总控制系统的负担，还提高了预测的准确性。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一个实施例中，提供了一种用于无人仓库的多AGV路径规划系统，该用于无人仓库的多AGV路径规划系统可以用于实现上述用于无人仓库的多AGV路径规划方法，具体的，该用于无人仓库的多AGV路径规划系统包括栅格地图模型建立模块、任务分配模块以及路径规划模块。
其中，栅格地图模型建立模，用于建立栅格地图模型。
任务分配模块用于根据任务的优先级顺序，分配给指定AGV车辆。
路径规划模块用于对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于用于无人仓库的多AGV路径规划方法的操作，包括：S1，建立栅格地图模型；S2，根据任务的优先级顺序，分配给指定AGV车辆；S3，对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
再一个实施例中，本发明还提供了一种计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关用于无人仓库的多AGV路径规划方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：S1，建立栅格地图模型；S2，根据任务的优先级顺序，分配给指定AGV车辆；S3，对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显而易见的。因此，本教导的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的，所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主题内容，也不应该认为申请人没有将该主题考虑为所公开的发明主题的一部分。
Claims (10)
1.一种用于无人仓库的多AGV路径规划方法，其特征在于，包括以下过程：
S1，建立栅格地图模型；
S2，根据任务的优先级顺序，分配给指定AGV车辆；
S3，对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
2.根据权利要求1所述的用于无人仓库的多AGV路径规划方法，其特征在于，S2中，任务的优先级顺序为：货物量较大的订单任务>货物量较小的订单任务>AGV车辆停靠任务，并且根据实际订单的重要程度，设定优先级。
3.根据权利要求1所述的用于无人仓库的多AGV路径规划方法，其特征在于，S2中，任务的分配原则为：以AGV车辆到目标节点的直线长度权重70％加时间权重30％计算，数值越小越优先分配；对空闲AGV车辆和已完成任务开始返回的AGV车辆，时间为0，对于正在执行任务的AGV车辆，增加等待当前任务结束的时间。
4.根据权利要求1所述的用于无人仓库的多AGV路径规划方法，其特征在于，S3中，PCBS算法包括下层单车路径规划系统和上层冲突搜索系统；上层单车路径规划采用DA*算法计算出最短路径。
5.根据权利要求4所述的用于无人仓库的多AGV路径规划方法，其特征在于，下层单车路径规划系统计算出最短路径后，输入上层冲突搜索系统的EPIT中，由上层冲突搜索系统搜索存在路径冲突的节点，若发现某一节点Q存在冲突，若与该冲突有关的AGV车辆中有一辆为正在行驶中，则只对未开始行驶的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，由DA*算法对未开始行驶的AGV车辆重新进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆均为正在行驶中，则对优先级较小的AGV车辆添加新的约束并且继承父节点的约束并将该节点定义为Q1，由DA*算法对该AGV车辆进行路径规划，之后继续展开Q1节点搜索是否还有冲突；若与该冲突有关的AGV车辆中无正在行驶中，则节点Q分裂为与该冲突有关的AGV车辆相同数量的子节点，继承父节点的约束并添加新的约束，由DA*算法重新规划路径，并继续展开搜索冲突。
6.根据权利要求1所述的用于无人仓库的多AGV路径规划方法，其特征在于，DA*算法计算最短路径的过程中，在搜索阶段朝着目标节点方向搜索AGV车辆当前所在节点的两个相邻节点，在估价函数中加入转弯代价，把转弯代价转换为距离代价。
7.根据权利要求1所述的用于无人仓库的多AGV路径规划方法，其特征在于，AGV车辆在行驶过程中，向行驶方向发射距离为一栅格长度的激光束；当AGV车辆在行驶前方的下一个栅格接收到单束激光束时，表示该栅格在下一时刻没有其他AGV车辆要通过，该AGV车辆正常行驶；当下一个栅格接收到多束激光束，则存在多个AGV车辆的行驶冲突，根据优先级大小对多个AGV车辆进行路径的重新划分。
8.一种用于无人仓库的多AGV路径规划系统，其特征在于，包括：
栅格地图模型建立模块，用于建立栅格地图模型；
任务分配模块，用于根据任务的优先级顺序，分配给指定AGV车辆；
路径规划模块，用于对上述AGV车辆采用PCBS算法，并根据栅格地图模型进行全局路径规划，找到一条静态无冲突路径。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任意一项所述用于无人仓库的多AGV路径规划方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述用于无人仓库的多AGV路径规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211203157.5A CN115437382A (zh) | 2022-09-29 | 2022-09-29 | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211203157.5A CN115437382A (zh) | 2022-09-29 | 2022-09-29 | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115437382A true CN115437382A (zh) | 2022-12-06 |
Family
ID=84251472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211203157.5A Pending CN115437382A (zh) | 2022-09-29 | 2022-09-29 | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115437382A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594345A (zh) * | 2023-07-17 | 2023-08-15 | 青岛中德智能技术研究院 | 一种模块化输送线控制系统及方法 |
| CN117474441A (zh) * | 2023-12-27 | 2024-01-30 | 天津万事达物流装备有限公司 | 一种基于智慧物流大数据的无人仓库进出路径管理方法 |
| 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 |
-
2022
- 2022-09-29 CN CN202211203157.5A patent/CN115437382A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594345A (zh) * | 2023-07-17 | 2023-08-15 | 青岛中德智能技术研究院 | 一种模块化输送线控制系统及方法 |
| 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 |
| CN117474441A (zh) * | 2023-12-27 | 2024-01-30 | 天津万事达物流装备有限公司 | 一种基于智慧物流大数据的无人仓库进出路径管理方法 |
| CN117474441B (zh) * | 2023-12-27 | 2024-03-15 | 天津万事达物流装备有限公司 | 一种基于智慧物流大数据的无人仓库进出路径管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115437382A (zh) | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 | |
| US11397442B2 (en) | Travel planning system, travel planning method, and non-transitory computer readable medium | |
| CN113074728B (zh) | 基于跳点寻路与协同避障的多agv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 | |
| CN111596658A (zh) | 一种多agv无碰撞运行的路径规划方法及调度系统 | |
| CN108287545B (zh) | 多移动机器人的冲突管理方法及系统 | |
| CN111532641B (zh) | 仓储分拣中自动引导车的并行路径规划方法 | |
| CN109782757A (zh) | 一种基于分段调度的多agv系统的路径调度方法 | |
| KR101010718B1 (ko) | 복수개의 자원을 점유하는 무인 반송차의 동적 주행방법 | |
| US11860621B2 (en) | Travel control device, travel control method, travel control system and computer program | |
| US20210286373A1 (en) | Travel control device, travel control method and computer program | |
| AU2021334408B2 (en) | Method and apparatus for coordinating multiple cooperative vehicle trajectories on shared road networks | |
| 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 | |
| CN113703452A (zh) | 一种用于大型仓储环境的agv路径规划方法 | |
| CN111832816A (zh) | 一种基于调度算法的医用agv群体物流调控系统及方法 | |
| CN118034272A (zh) | 一种基于动态避障的多agv路径规划方法及系统 | |
| Shaikh et al. | AGV path planning and obstacle avoidance using Dijkstra’s algorithm | |
| Li et al. | Multi-AGVs conflict-free routing and dynamic dispatching strategies for automated warehouses | |
| JP2024045465A (ja) | 走行制御装置、走行制御方法及びコンピュータプログラム | |
| CN115638804B (zh) | 一种无死锁的无人车辆在线路径规划方法 | |
| Xidias et al. | SERobWaS: a support environment for a robot-based warehousing system | |
| CN111123865B (zh) | 一种基于点阵地图的多导航车协同调度方法 | |
| Li | Task Assignment and Path Planning for Autonomous Mobile Robots in Stochastic Warehouse Systems | |
| Nakatani et al. | Autonomous Transport System With Taxi-Type Automated Guided Vehicles Based on Transport Density | |
| Paparella et al. | Collision Avoidance Strategy for Autonomous Intersection Management by a Central Optimizer 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 |