CN115657676A - 基于优先级的集中式多agv多径通道变道决策规划方法 - Google Patents
基于优先级的集中式多agv多径通道变道决策规划方法 Download PDFInfo
- Publication number
- CN115657676A CN115657676A CN202211321954.3A CN202211321954A CN115657676A CN 115657676 A CN115657676 A CN 115657676A CN 202211321954 A CN202211321954 A CN 202211321954A CN 115657676 A CN115657676 A CN 115657676A
- Authority
- CN
- China
- Prior art keywords
- agv
- priority
- planning
- lane change
- path
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于优先级的集中式多AGV多径通道变道决策规划方法,包括如下步骤:S100:根据预先制定的多径通道通行规则进行路径资源的合理分配,确认多径通道下AGV是否需要变道的变道决策结果;S200:按照各AGV优先级顺序,接收所述变道决策结果,对当前AGV进行行为级规划,规划出变道的具体语义动作,并在云端生成时空通道给单机AGV。该方法能够让多AGV系统在宽阔路径上有更强大的适应性和高效性,能够让多AGV系统的宽阔路径下减少拥堵和解决突发情况。
Description
技术领域
本公开属于AGV智能控制技术领域,特别涉及基于优先级的集中式多AGV多径通道变道决策规划方法。
背景技术
自动导引车(AGV)是一种能够自动完成物料搬运的运输设备,它通常使用无线电、相机、激光雷达或者地面上标记好的磁条、磁钉和二维码等进行导航。与其他的物流运输设备相比,AGV具有适应性强、自动化程度高、节约人力成本、便于维护等优点。随着人力成本的逐渐提高以及生产格局的日益多变,越来越多的企业采用高度自动化的生产系统,而AGV正是自动化生产系统的重要组成部分。因此AGV的设计研究对于企业提高生产效率、降低生产成本具有重要意义。
与单AGV相比,多AGV系统执行搬运作业的能力较强,并且面对复杂多变的工厂环境,多AGV系统能够快速响应外界环境的变化,灵活高效的完成任务,因此发展多AGV系统就成为了必然。相比单AGV,多AGV系统需要解决多机协作、信息交互、冲突消解等问题,因此多AGV系统的设计更为复杂。目前,设计具有高群体性、自组织性和自适应性的多AGV系统成为研究热点,主要包括以下几个研究方向:动作解析与控制算法的研究、自主感知与组网算法的研究、多机定位算法的研究、多机自主动态决策与路径规划算法的研究、多机编队组合解散和仿生学行为模拟算法的研究等。
近年来很少有关注多AGV系统在较宽阔的路径上相互协作以减少拥堵和解决突发情况的问题。一些现有的方法可以实现多AGV之间的相互协作以在复杂道路环境下安全通过路径,但难以高效地利用宽阔的路径空间。而另有一些方法可以实现单个AGV在复杂环境对空间的最大化利用,但没有考虑多AGV之间的协作,难以运用于多AGV系统。因此,为了让多AGV系统在宽阔路径上有更强大的适应性和高效性,一种适用于多AGV系统的宽阔路径下以减少拥堵和解决突发情况的方法是至关重要的。
发明内容
为了解决上述技术问题,本公开揭示了一种基于优先级的集中式多AGV多径通道变道决策规划方法,包括如下步骤:
S100:根据预先制定的多径通道通行规则进行路径资源的合理分配,确认多径通道下AGV是否需要变道的变道决策结果;
S200:按照各AGV优先级顺序,接收所述变道决策结果,对当前AGV进行行为级规划,规划出变道的具体语义动作,并在云端生成时空通道给单机AGV。
通过上述技术方案,可以在包含多个合作AGV与多个非合作AGV以及障碍物的复杂多径通道环境下,高效利用多车道优势,最大化提升多AGV系统的运行效率,并保证安全。
附图说明
图1是本公开一个实施例中所提供的一种基于优先级的集中式多AGV多径通道变道决策规划方法;
图2是本公开一个实施例中所提供的多径通道的结构及其与外部路径的连接示意图;
图3是本公开一个实施例中所提供的多机协同决策规划的详细设计图。
具体实施方式
为了使本领域技术人员理解本公开所披露的技术方案,下面将结合实施例及有关附图1至图3,对各个实施例的技术方案进行描述,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。本公开所采用的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,“包括”和“具有”以及它们的任何变形,意图在于覆盖且不排他的包含。例如包含了一系列步骤或单元的过程、或方法、或系统、或产品或设备没有限定于己列出的步骤或单元,而是可选的还包括没有列出的步骤或单元,或可选的还包括对于这些过程、方法、系统、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员可以理解的是,本文所描述的实施例可以与其他实施例相结合。
参见图1,在一个实施例中,本公开揭示了一种基于优先级的集中式多AGV多径通道变道决策规划方法,包括如下步骤:
S100:根据预先制定的多径通道通行规则进行路径资源的合理分配,确认多径通道下AGV是否需要变道的变道决策结果;
S200:按照各AGV优先级顺序,接收所述变道决策结果,对当前AGV进行行为级规划,规划出变道的具体语义动作,并在云端生成时空通道给单机AGV。
就该实施例而言,本方法设计了一套新的多径通道的通行规则,以及对应的一种在云端集中式的对多合作AGV基于优先级依次进行变道决策,以及对接下来的行为进行规划的方法。
其中路径资源分配部分主要是接收来自上一模块的动态场景实时信息流以及各个AGV的实时位置,根据预先制定的多径通道通行规则进行路径资源的合理分配。本方法将宽度较为宽阔的路段定义为多径通道,即包含有多条平行车道的路径,每根车道的宽度可容纳一个AGV行驶。在多径通道上,本方法将两端边缘的两个车道分别设置为行驶方向相反的固定方向车道,而其他的车道设置为行驶方向可变的可变方向车道。通过考虑当前整个多径通道上所有AGV的行驶方向及其实时位置,自主实时调整可变方向车道上的行驶方向。同时,本方法还通过在多径通道的起点与终点处设置进出缓冲区及相应的进出规则,保障AGV进出安全。AGV在本方法提出的多径通道规则之上,根据相关信息,自主地进行实时变道决策,比如实时决策可变方向车道的方向是否进行调整,各个AGV的优先级计算,AGV当前是否需要变道至相邻车道,向左还是向右变道。路径资源分配部分将向行为级规划模块发送语义信息级别的行为。
行为级规划部分是基于优先级的集中式多AGV多径通道变道决策规划方法所包含的另外一部分。行为规划部分按照各AGV优先级顺序,接收路径资源分配部分的变道决策结果(向左变道、向右变道或保持不变等),对当前AGV接下来的行为进行规划,比如是现在马上开始变道,还是先直行一段距离再变道,并生成时空通道下发给下一模块。
在另一个实施例中,步骤S100进一步包括如下步骤:
S101:通过收集场景内的信息,进行车道方向更新;其中,场景内的信息包括:非合作目标的位置、速度、大小和类型和合作目标的位置和类型;
S102:合作目标优先级的判定;
S103:根据预先设置的规则进行变道评估。
就该实施例而言,其中路径资源分配部分主要运行于多径通道中,因此为了最大化效率,本方法设计了一种新的多径通道的通行规则。
为了充分利用较宽路径的空间,缓解多个AGV通过同一路径时造成的堵塞,并支持灵活地避开障碍物,以在保证安全的前提下最大化提升多AGV系统整体运行效率,本方法将较宽路段定义为多径路径,其内部分为多根平行、可容纳单个AGV通行的车道,AGV可以在相邻的车道之间变道。
为了适应多径通道和其他路径的进出,以一个包含五条车道、首位分别和单径通道相连的多径通道为例,对通行规则进行说明,其示意图如图2所示。
在图2中,中间为多径通道,其左右两端是只能容纳单台AGV的单径通道,都可以进出AGV,但两边的路径分别一次只能有一台进入或离开。为保障在任何情况下AGV都能向左或向右通过自由路径,边缘的两根车道需要被设置为方向相反且不可改变的固定方向车道,在图中即为①道、⑤道。从左向右进入多径通道时,只能从①道进入;从右向左进入时,只能从⑤道进入。进入时不需要在缓冲区等待。同时,为了充分利用剩余的空间,其余的车道,即②、③、④道,被设置为可变方向车道,即车道的通行方向可以根据实际情况动态调整。换句话说,在整个运行期间,固定方向车道①、⑤道上通行的AGV的行驶方向始终保持不变;可变方向车道②、③、④道上通行的AGV的行驶方向可能改变。
本方法设定离开多径通道的规则为:对于从右向左,即从左端离开多径通道的AGV,可以选择②、③、④、⑤道;对从左向右,即从右端离开多径通道的AGV,可以选择①、②、③、④道。当AGV进入缓冲区时,会上报外部的调度系统,当调度系统认为其可以进入外部路径并下发后续路径以及放行信号时,AGV才可以驶离缓冲区,离开多径通道。
为了在包含多个合作AGV与多个非合作AGV以及障碍物的复杂多径通道环境下,高效利用多车道优势,最大化提升多AGV系统的运行效率,并保证运行安全,本方法提供了一种在云端集中对多合作AGV基于优先级依次进行变道决策,以及对接下来的行为进行规划的方法。本方法主要包含两个部分,分别是路径资源分配部分和行为规划部分。
如图3所示,路径资源分配部分需要接收两个方面的信息,用以决定是否需要变道:1)非合作目标的位置、速度、大小和类型。这一部分主要由感知融合模块获得,通过目标检测和目标跟踪,收集非合作目标的信息;2)合作目标的信息。这一部分主要依靠服务器汇总场景内所有AGV上报的位置、类型等信息。这两部分的信息均以MOT_info的格式下发,MOT_info包括目标的位置、速度、大小和类型。
具体来说,此部分的内容可以分为3个流程,如图3所示,即车道方向更新,合作目标优先级判定,变道评估。
通过收集场景内的上述信息,路径资源分配部分首先进行路径方向更新,以图2为例,即根据预先设置的规则确认每条可变方向车道(②、③、④道)当前属于从左向右,还是从右向左走。在初始状态下,从左至右的车道数量ll和从右至左的车道数量lr相等或大致相等,各自分布在两端,与边缘的固定方向车道行驶方向相同。每次有AGV进入或离开多径通道时,统计多径通道中从左至右的AGV数量nl和从右至左的AGV数量nr,若有:
其中,μ<1为设定的车道方向更新阈值,则将单位车道AGV数量少的一个方向的车道数减一,将另一个方向的车道数加一,即,改变两个行驶方向分界处单位车道AGV数量少的一个方向的可变方向车道的方向,直到只剩下最边缘的固定方向车道。μ的值可为0.8,具体可根据实际情况调整。
接下来进行合作目标优先级的判定。本方法需要首先对优先级最高的AGV进行变道评估与行为规划,在收到对应AGV的确认回复后,再对剩下的合作AGV进行优先级判定,选择优先级最高的AGV再次进行后续的工作。
最后进行变道评估。本方法按照如下的规则进行变道决策评估。若当前所处的车道在本轮车道方向更新中,被调整了方向,则直接设定当前AGV需要向相邻的同方向车道变道。若当前所处车道方向不改变,则查看其相邻的同方向车道上AGV的数量。假设左右相邻车道皆可变道进入,且当前AGV在第j个车道lanej,其距离同方向最边缘车道的距离为xj,此车道上AGV的数量为mj,相邻同方向车道为lanej+1,其距离同方向最靠边车道的距离为xj+1,车道上AGV的数量为mj+1,另一相邻同方向车道为lanej-1,其距离同方向最靠边车道的距离为xj-1,车道上AGV的数量为mj-1,则从lanej车道变道向lanej+1车道的评分为:
向lanej-1车道的评分为:
其中c为常数,n为沿此方向AGV的总数,l为沿此方向的车道数量,X为自由路径的总宽度。当
max(scorej+1,scorej-1)>τ
或者
其中τ>0为变道阈值,为最近障碍物阈值,AGV才需要变道,且向评分高的一侧变道。上述公式直观来说,就是选择AGV数量更少的相邻车道变道,同时,加号后面的一项是让AGV向着更远的车道变道的驱动,使得靠近同方向边缘车道的车道能空出来,方便后续进入自由路径的AGV变道进入。
若得分高的一个车道为本轮车道方向更新中,变为同方向的车道,则需确保当前AGV的前进方向上,目标车道的剩余路径是否还有反方向的AGV。若有,并且障碍物距离远于最近障碍物阈值,则跳过本轮变道,否则AGV停止等待;若无,则可以变道进入。
在另一个实施例中,步骤S102中的优先级定义为:AGV当前位置距离其目标多径通道终点的长度,与距离最近障碍物的长度,两者中较小长度的倒数。
就该实施例而言,设定优先级为AGV当前位置距离其目标多径通道终点的长度,与距离最近障碍物的长度,两者中较小长度的倒数,用表示第i个AGV距离其目标多径通道终点的长度,表示第i个AGV距离最近障碍物的长度,若前方无障碍物,则设置为无穷大,那么第i个AGV的优先级Pi就可以表示为:
其中c为常数项,避免分母为0。
在另一个实施例中,步骤S103中的变道评估是根据优先级的高低来决定评估顺序的,优先级高的先进行变道评估。
就该实施例而言,根据优先级的大小,优先级高的先进行变道评估。该流程的作用是决定当前AGV是否需要变道,以及向左还是向右变道,并将这一结果下发给行为规划部分,规划语义级别的动作。
在另一个实施例中,步骤S200中的行为级规划分为引导分支、场景实现和行为评估三个部分,所述引导分支部分根据本机的优先级,负责根据AGV的预定义策略扩展动作序列,并预测其它协作、非协作车辆的未来轨迹;在场景实现中,需要将引导分支得到的策略,与其它合作AGV与非合作AGV的轨迹进行正向仿真,生成所有可能的轨迹,模拟出执行整个策略的过程的场景;所述行为评估部分,对决策进行评估,择优执行。
就该实施例而言,当路径资源分配部分给出需要变道的命令时,行为级规划部分就需要对当前AGV规划出变道的具体语义动作,并生成Space_time channel(时空通道)给单机AGV。行为规划部分同样运行在服务器端的CPU中,其与其它部分的关系如图3所示,根据上层模块发送的命令,和汇总的所有合作AGV当前正在执行的轨迹,完成行为规划。
本方法将行为规划分为引导分支、场景实现和行为评估三个流程,最后是根据语义级动作序列,在云端生成Space_time channel(时空通道)。最终,如图3所示,服务器端将会发布Space_time channel(时空通道)给单机AGV,用来实现AGV具体的运动规划。时空通道保证了AGV在某个时间段以及某个范围内可以安全的完成变道,而不会有其他合作或非合作目标的干扰。主要方法是,在横向、纵向与时间的三维空间里。将行为规划预测出的AGV状态点作为顶点进行膨胀,以障碍物作为膨胀的终止边界,可以生成一个绝对安全的通道,即时空通道。根据贝塞尔曲线生成的特性,在该通道里选择贝塞尔曲线的控制点,贝塞尔曲线被完整地限制在控制点所形成的凸包内,可以保证生成一条绝对安全且平滑的贝塞尔曲线,这条曲线就作为AGV执行的路径。用m+1个控制点在固定区间t∈[0,1]上定义m阶贝塞尔曲线的公式如下:
在另一个实施例中,所述引导分支通过引入语义级别的操作和闭环决策树,得到所有可能的语义级动作序列作为变道策略。
就该实施例而言,在引导分支流程,通过引入了语义级别的操作,例如向左变道、向右变道、保持当前车道等这种语义动作,并通过引入闭环决策树,来得到所有可能的语义级别动作序列。闭环决策树的每一个节点表示预定义的语义动作,有向边表示时间上的执行顺序,向下扩展一层即代表了一个决策周期,每个决策周期最多包含一次行为变化。从根节点开始,生成包含预定义动作的子节点,并不断向下延伸,建立闭环决策树后,就生成了整个决策空间,通过遍历从根节点到所有叶子节点的所有路径,可以获得所有的语义级动作序列,又称为变道策略。后续对所有策略进行筛选与评估,就可以得到最佳变道策略。并且由于每个策略的评估是相互独立的,所以可以并行对策略进行评估。
在另一个实施例中,所述场景实现对优先级高于当前AGV的合作AGV,使用其之前产生的轨迹来进行场景实现;而对优先级低于当前AGV的合作AGV,根据上一轮记录中的轨迹来进行场景实现,若合作AGV的轨迹不能完整覆盖场景实现的规划周期,则不足部分进行预测;而对于非合作AGV,根据其历史运动轨迹,对其未来进行预测,并假设未来其速度与加速度保持不变,得到未来的轨迹。
就该实施例而言,在场景实现中,需要将引导分支得到的策略,与其它合作AGV与非合作AGV的轨迹进行正向仿真,生成所有可能的轨迹,模拟出执行整个策略的过程的场景。不同于现有方法,本方法中,对优先级高于当前AGV的合作AGV,由于它们已经完成了本轮规划,因此可以直接使用其产生的轨迹来进行场景实现;而对优先级低于当前AGV的合作AGV,它们还未进行本轮规划,因此在这里假设它们完全按照上一轮得到的轨迹进行运动,根据上一轮记录中的轨迹来进行场景实现。由于所需策略的轨迹较长,其他合作AGV的真实轨迹可能不能完全满足整个场景实现过程的需求,对没有真实轨迹覆盖的时刻,则根据其历史轨迹,对未来的轨迹进行预测。而对于非合作AGV,本方法根据其历史运动轨迹,对其未来横向速度、加速度、纵向速度、加速度进行预测,并假设未来其速度与加速度保持不变,得到未来的轨迹。
本方法以部分可观测马尔科夫决策过程(POMDP)的形式对包含了合作AGV与非合作AGV的混合前向仿真问题进行建模。POMDP模型可以被定义为一个元组其中χ为状态空间,为行为空间,为观察空间,T(xt-1,at,xt)=p(xt|xt-1,at)为状态转移概率模型,O(xt,zt)=p(zt|xt)为观察模型,R(xt-1,at)为在状态xt-1执行动作at的奖励函数。由于现实世界中的一些状态不能被直接观察到,例如非合作AGV的意图,POMDP对当前状态xt保持一个置信度置信度可以在智能体执行动作得到观测后,使用贝叶斯法则推断出新的置信度,即bt(xt)=p(xt|zt,at,bt-1)。POMDP的目的是寻找一个从置信度空间映射到动作空间的最优策略其能最大化整个规划期间的预期总折现奖励。
具体到本问题中,首先,本方法需要的是预测出的时间步t到时间步t+H的行为轨迹与单一的最佳动作相比,包含了更多关于环境和未来预测的整体信息,这对接下来的运动规划至关重要。通过让下一时刻置信度最大化,就可以得到下一时刻的状态:
其次,需要将多智能体的设置考虑进去。
合作AGV由于会记录其具体的行为轨迹,可以认为在整个规划期间,前一部分的状态是固定的,后一部分的状体则依赖于假设和预测,非合作AGV的状态则需要进行假设和预测。因此,多智能体交互下的状态转移模型就可以写为:
tK为合作AGV保存的行为规划轨迹最后一个轨迹点所对应的时间。
为简化计算,这里也引入了语义级动作,替换直接执行的动作at。每个语义动作的持续时间最多为几秒种,其将探索限制在一个较高的似然区域内,能有效的将计算复杂度减小到相对较小,并获得足够大的规划视野。因此,新的联合状态转移模型公式为:
对其他的AGV,也可以引入语义级动作。首先,对合作AGV,当记录的轨迹仍有有效轨迹点时,不需要考虑这个;否则,认为其语义动作为保持当前车道直行。因此,合作AGV的状态转移概率模型可以写为:
非合作AGV虽然不可控,但可以对其意图进行预测,并得到语义级动作,其动作生成模型可以写为:
根据上式,进行混合了合作AGV与非合作AGV的前向仿真,并使用安全机制确保规划结果的安全。
由于在现实生活中往往存在一些干扰,导致预测出的轨迹出现偏差,这时候就需要有安全机制来保证足够的安全。第一个安全机制是对非合作AGV未来轨迹进行预测时,对横向和纵向的安全距离进行计算,并检验当前策略与预测轨迹是否满足此安全距离。第二个机制是在策略选择中设置安全备选策略,增强决策层的鲁棒性。即当其他AGV不配合变道动作时,可以取消变道动作,转而实行备选策略的相应动作。每一种策略都至少有一种备选策略,如果没有,则意味着行为规划失败,系统会显示警告信号,触发保护措施,例如紧急制动。
在另一个实施例中,所述行为评估从效率、安全、语义动作序列与变道目标的差异三个方面对每个策略进行评估,选出最优的策略作为完成变道目标的语义级动作序列,并记录此时行为规划的结果,以供其他AGV行为规划时使用。
在另一个实施例中,只有当有AGV离开或进入多径通道时,才需要对所有在多径通道内部的AGV,每次选择优先级最高的AGV,依次进行行为规划。
就该实施例而言,为减少计算消耗,本方法并不是实时进行变道决策与行为规划,而是设置只有当有AGV离开或进入多径通道时,才需要对所有在多径通道内部的AGV,每次选择优先级最高的AGV,依次以本方法进行行为规划。同时,为保证行驶安全,服务器端需要收到AGV的新下发消息确认回复后,才会重新进行优先级判定,并选择当前最高优先级的AGV进行行为规划,否则就停止对后面的AGV的行为规划,直到又有AGV离开或进入多径通道。
在另一个实施例中,在服务器端的CPU中完成路径资源分配。
路径资源分配部分运行在服务器端的CPU中,其主要作用是在多径通道下确认AGV是否需要变道。该部分接收动态的场景信息以及各个AGV的实时位置,根据预先制定的多径通道通行规则进行路径资源的合理分配,以达成充分利用较宽道路的空间,缓解多个AGV通过同一路段时造成的堵塞,并最大化提升AGV整体运行效率的目标。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种基于优先级的集中式多AGV多径通道变道决策规划方法,包括如下步骤:
S100:根据预先制定的多径通道通行规则进行路径资源的合理分配,确认多径通道下AGV是否需要变道的变道决策结果;
S200:按照各AGV优先级顺序,接收所述变道决策结果,对当前AGV进行行为级规划,规划出变道的具体语义动作,并在云端生成时空通道给单机AGV。
2.如权利要求1所述的方法,优选的,步骤S100进一步包括如下步骤:
S101:通过收集场景内的信息,进行车道方向更新;其中,场景内的信息包括:非合作目标的位置、速度、大小和类型和合作目标的位置和类型;
S102:合作目标优先级的判定;
S103:根据预先设置的规则进行变道评估。
3.如权利要求2所述的方法,步骤S102中的优先级定义为:AGV当前位置距离其目标多径通道终点的长度,与距离最近障碍物的长度,两者中较小长度的倒数。
4.如权利要求2所述的方法,步骤S103中的变道评估是根据优先级的高低来决定评估顺序的,优先级高的先进行变道评估。
5.如权利要求1所述的方法,步骤S200中的行为级规划分为引导分支、场景实现和行为评估三个部分,所述引导分支部分根据本机的优先级,负责根据AGV的预定义策略扩展动作序列,并预测其它协作、非协作车辆的未来轨迹;在场景实现中,需要将引导分支得到的策略,与其它合作AGV与非合作AGV的轨迹进行正向仿真,生成所有可能的轨迹,模拟出执行整个策略的过程的场景;所述行为评估部分,对决策进行评估,择优执行。
6.如权利要求5所述的方法,所述引导分支通过引入语义级别的操作和闭环决策树,得到所有可能的语义级动作序列作为变道策略。
7.如权利要求5所述的方法,所述场景实现对优先级高于当前AGV的合作AGV,使用其之前产生的轨迹来进行场景实现;而对优先级低于当前AGV的合作AGV,根据上一轮记录中的轨迹来进行场景实现,若合作AGV的轨迹不能完整覆盖场景实现的规划周期,则不足部分进行预测;而对于非合作AGV,根据其历史运动轨迹,对其未来进行预测,并假设未来其速度与加速度保持不变,得到未来的轨迹。
8.如权利要求5所述的方法,所述行为评估从效率、安全、语义动作序列与变道目标的差异三个方面对每个策略进行评估,选出最优的策略作为完成变道目标的语义级动作序列,并记录此时行为规划的结果,以供其他AGV行为规划时使用。
9.如权利要求1所述的方法,只有当有AGV离开或进入多径通道时,才需要对所有在多径通道内部的AGV,每次选择优先级最高的AGV,依次进行行为规划。
10.如权利要求1所述的方法,在服务器端的CPU中完成路径资源分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321954.3A CN115657676A (zh) | 2022-10-26 | 2022-10-26 | 基于优先级的集中式多agv多径通道变道决策规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321954.3A CN115657676A (zh) | 2022-10-26 | 2022-10-26 | 基于优先级的集中式多agv多径通道变道决策规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115657676A true CN115657676A (zh) | 2023-01-31 |
Family
ID=84990898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321954.3A Pending CN115657676A (zh) | 2022-10-26 | 2022-10-26 | 基于优先级的集中式多agv多径通道变道决策规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115657676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117383460A (zh) * | 2023-12-13 | 2024-01-12 | 甘肃送变电工程有限公司 | 一种全电动控制的gis设备安装用升降式搬运平台 |
-
2022
- 2022-10-26 CN CN202211321954.3A patent/CN115657676A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117383460A (zh) * | 2023-12-13 | 2024-01-12 | 甘肃送变电工程有限公司 | 一种全电动控制的gis设备安装用升降式搬运平台 |
CN117383460B (zh) * | 2023-12-13 | 2024-03-12 | 甘肃送变电工程有限公司 | 一种全电动控制的gis设备安装用升降式搬运平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mirheli et al. | Development of a signal-head-free intersection control logic in a fully connected and autonomous vehicle environment | |
EP3776512B1 (en) | Joint control of vehicles traveling on different intersecting roads | |
Sun et al. | Courteous autonomous cars | |
Kavathekar et al. | Vehicle platooning: A brief survey and categorization | |
CN114519448A (zh) | 用于在操作环境中优化路线规划的系统和方法 | |
Zhang et al. | A bi-level cooperative operation approach for AGV based automated valet parking | |
Hoogendoorn et al. | Modeling driver, driver support, and cooperative systems with dynamic optimal control | |
Wu et al. | Cooperative multiagent deep deterministic policy gradient (CoMADDPG) for intelligent connected transportation with unsignalized intersection | |
CN112918486B (zh) | 一种时空行为决策及轨迹规划系统及方法 | |
Kurzer et al. | Decentralized cooperative planning for automated vehicles with continuous monte carlo tree search | |
EP4141599A1 (en) | Multi-robot route planning | |
Eilbrecht et al. | Optimization-based maneuver automata for cooperative trajectory planning of autonomous vehicles | |
CN113867354A (zh) | 一种自动驾驶多车智能协同的区域交通流导引方法 | |
Klimke et al. | Cooperative behavior planning for automated driving using graph neural networks | |
CN112540606A (zh) | 避障的方法、装置、调度服务器及存储介质 | |
CN115657676A (zh) | 基于优先级的集中式多agv多径通道变道决策规划方法 | |
Suriyarachchi et al. | Gameopt: Optimal real-time multi-agent planning and control for dynamic intersections | |
Zhang et al. | Cavsim: A microscopic traffic simulator for evaluation of connected and automated vehicles | |
Klimke et al. | An enhanced graph representation for machine learning based automatic intersection management | |
Danesh et al. | Leader: Learning attention over driving behaviors for planning under uncertainty | |
Yang et al. | Decoupled Real-Time Trajectory Planning for Multiple Autonomous Mining Trucks in Unloading Areas | |
Guo et al. | Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic | |
Oliveira et al. | Interaction and decision making-aware motion planning using branch model predictive control | |
Su et al. | Collaborative motion planning based on the improved ant colony algorithm for multiple autonomous vehicles | |
Zhu et al. | A decentralized multi-criteria optimization algorithm for multi-unmanned ground vehicles (mugvs) navigation at signal-free intersection |
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 |