CN115829226A - 调度算法仿真方法、装置、设备及计算机可读存储介质 - Google Patents
调度算法仿真方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115829226A CN115829226A CN202211330482.8A CN202211330482A CN115829226A CN 115829226 A CN115829226 A CN 115829226A CN 202211330482 A CN202211330482 A CN 202211330482A CN 115829226 A CN115829226 A CN 115829226A
- Authority
- CN
- China
- Prior art keywords
- scheduling algorithm
- simulation
- scheduling
- optimized
- state variable
- 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
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种调度算法仿真方法、装置、设备及计算机可读存储介质,属于移动机器人技术领域。该方法包括:从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。本发明通过在仿真系统中对调度系统算法进行仿真,旨在提升调度算法仿真和性能验证的灵活性。
Description
技术领域
本发明涉及移动机器人领域,尤其涉及调度算法仿真方法、装置、设备及计算机可读存储介质。
背景技术
多AGV(Automatic Guided Vehicle)协同工作被广泛应用于智能仓储物流等调度业务,实现多AGV协同工作的系统可以被视为一个根据多AGV的状态,利用资源分配机制来高效实现无碰撞的调度业务目标的系统。从资源分配的角度,合理的调度算法是实现多AGV协同工作并高效完成调度业务的关键,并且能实现AGV状态的可预估性、优化目标的可控性等。
现有的通常做法为直接在调度系统中部署调度算法,即该算法的验证和改进都需要在整个调度系统的软件框架下进行调试和运行。然而,在调度系统中验证调度算法,只能单纯按照调度算法得到的结果控制AGV的状态,再通过观察多AGV的状态来分析调度算法的可行性,至于调度算法的性能优劣却无从考量。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种调度算法仿真方法、装置、设备及计算机可读存储介质,旨在解决在调度系统中验证调度算法无法评价算法性能优劣的技术问题。
为实现上述目的,本发明提供一种调度算法仿真方法,所述调度算法仿真方法包括以下步骤:
从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
可选地,所述基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量的步骤包括:
对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型;
基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量。
可选地,所述原始状态参数包括当前位置、当前速度、当前加速度、规划路径、规划速度、规划加速度、小车轮廓、资源集合,所述图模型包括有向图,所述运动模型包括当前状态参数、规划状态变量,所述调度资源分配模型包括占用资源集合、申请资源集合,所述对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型的步骤包括:
根据所述规划路径,确定有向图;
根据所述当前位置、所述当前速度、所述当前加速度、所述有向图、所述规划速度、所述规划加速度,确定当前状态参数、规划状态变量;
根据所述当前位置、所述有向图、所述小车轮廓、所述资源集合,确定占用资源集合、申请资源集合。
可选地,所述申请资源集合包括有向图对应的资源和碰撞对应的资源。
可选地,所述原始状态参数还包括最大加速度上限值、最大速度上限值,所述有向图包括路径节点,所述基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量的步骤包括:
建立以所述路径节点为圆心的碰撞区域,根据所述碰撞区域、所述当前状态参数、所述规划状态变量,确定调度规划变量;
根据所述调度规划变量,定义无冲突条件;
根据所述无冲突条件、所述运动模型、所述最大加速度上限值、所述最大速度上限值以及调度算法进行仿真,得到优化状态变量。
可选地,所述基于所述优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
对所述优化状态变量进行离散处理,得到以离散时间周期为单位的优化状态变量;
基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
可选地,所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤之前,包括:
将所述以离散时间周期为单位的优化状态变量对应到时间窗上,得到以时间窗为单位的优化状态变量,其中,所述时间窗包括多个离散时间周期;
所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
基于所述以时间窗为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
此外,为实现上述目的,本发明还提供一种调度算法仿真装置,所述装置包括:
获取模块,用于从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
仿真模块,用于基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
显示模块,用于基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
此外,为实现上述目的,本发明还提供一种调度算法仿真设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现所述的调度算法仿真方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的调度算法仿真方法的步骤。
在本发明实施例提供的一个技术方案中,从调度系统获取原始状态参数,仿真系统基于原始状态参数以及调度算法进行仿真,得到优化状态变量,最后将优化状态变量进行显示,得到调度算法的仿真结论。相较于调度系统仅能通过观察调度算法在小车上的应用效果来验证可行性,本发明实施例提供的一个技术方案选择在仿真系统中进行算法仿真,不仅能够降低对调度系统的依赖程度,而且通过在仿真窗口显示所有小车的优化状态变量,统计显示效果以实现对调度算法本身性能的验证,从而提升调度算法仿真和性能验证的灵活性。另外,仿真系统可以针对多种调度系统中的调度算法进行仿真,分析多个调度算法的显示效果,从而实现不同算法的性能对比分析。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的调度算法仿真设备的结构示意图;
图2为本发明调度算法仿真方法第一实施例的流程示意图;
图3为本发明调度算法仿真方法第二实施例的流程示意图;
图4为本发明调度算法仿真方法第三实施例的流程示意图;
图5为本发明视景增强方法第六实施例中时间窗与离散时间周期的示意图;
图6为本发明调度算法仿真装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的调度算法仿真设备结构示意图。
如图1所示,该调度算法仿真设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对调度算法仿真设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
在图1所示的调度算法仿真设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明调度算法仿真设备中的处理器1001、存储器1005可以设置在调度算法仿真设备中,所述调度算法仿真设备通过处理器1001调用存储器1005中存储的计算机程序,并执行本发明实施例提供的调度算法仿真方法。
本发明实施例提供了一种调度算法仿真方法,应用于仿真系统,参照图2,图2为本发明一种调度算法仿真方法第一实施例的流程示意图。
本实施例中,所述调度算法仿真方法包括:
步骤S11:从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
Automated Guided Vehicle,简称AGV,指装备有电磁或光学等自动导航装置,能够沿规定的导航路径行驶,具有安全保护以及各种移载功能的运输车,当前最常见的应用如AGV搬运机器人、AGV小车等。多AGV协同工作被广泛应用于智能仓储物流等调度业务,调度系统对于多AGV协同工作至关重要,在调度系统中部署高效的调度算法,不仅仅能够减少能耗,而且能够减少系统中小车的待机时间,提高整个系统的工作效率。
需要注意的是,本调度算法仿真方法应用于仿真系统,可以针对多种调度系统中的调度算法进行仿真。具体地,仿真系统接收到仿真指令后,需要从调度系统获取仿真所需要的参数,故向调度系统发送封装指令。相应地,当调度系统接收到封装指令后,将在一个特定空间内工作的所有小车的参数进行封装,并将其定义为原始状态参数,包括但不限于当前位置、规划速度、规划加速度、规划路径、地图信息。
可以理解的是,小车的原始状态参数可以用于表征小车的当前情况和规划情况,其中,当前情况是指所有小车在当前时刻的情况,而规划情况是指所有小车在按照规划路径行驶时的预计情况。
步骤S12:基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
具体地,在获取到原始状态参数后,仿真系统便掌握了小车的当前情况与规划情况,故可以基于原始状态参数运行调度算法,得到优化状态变量。需要注意的是,调度算法是指根据系统的资源分配策略所规定的资源分配算法,具体到本方案,由于原始状态参数可以表征小车的当前情况和规划情况,故可以以全局最优为目标,如最小化所有执行任务的小车的总行驶时间、最小化优先级较高小车的行驶时间,加之考量规避碰撞、大量绕行等因素,计算出所有小车的优化状态变量。进一步地,状态是指小车在某一时刻的几何中心位置和速度的组合,由于小车在实际运行过程中伴随着不确定性和不准确性,因此需要基于当前情况与规划情况不断进行规划,得到优化状态变量,保证资源的合理分配。
需要注意的是,调度系统基于原始状态参数以及调度算法进行仿真,得到的仿真结果不仅包括优化状态变量,还可以包括优化加速度、优化函数等。
步骤S13:基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
具体地,仿真系统运用调度算法得到的优化状态变量可以体现小车在每时刻的速度与位置情况,因此,将所有小车的优化状态变量在仿真界面上予以显示,便可得到调度算法的仿真结论。示例性地,仿真系统运用调度算法得到的优化状态变量所跨越的时间为8:00-8:10,进一步地,在仿真窗口限定仿真时间为8:00-8:10,并显示8:00-8:10内所有小车的优化状态变量,在显示结束后,统计所有小车的数据,如小车完成新任务的时长、小车之间的碰撞情况、小车绕路情况、是否能解开死锁等,并基于小车数据分析调度算法优劣,例如时间复杂度、空间复杂度、可读性、健壮性、解的收敛性等。
在本实施例提供的一个技术方案中,从调度系统获取原始状态参数,仿真系统基于原始状态参数以及调度算法进行仿真,得到优化状态变量,最后将优化状态变量进行显示,得到调度算法的仿真结论。相较于调度系统仅能通过观察调度算法在小车上的应用效果来验证可行性,本实施例提供的一个技术方案选择在仿真系统中进行算法仿真,不仅能够降低对调度系统的依赖程度,而且通过在仿真窗口显示所有小车的优化状态变量,统计显示效果以实现对调度算法本身性能的验证,从而提升调度算法仿真和性能验证的灵活性。另外,仿真系统可以针对多种调度系统中的调度算法进行仿真,分析多个调度算法的显示效果,从而实现不同算法的性能对比分析。
进一步的,参照图3,提出本发明调度算法仿真方法第二实施例。基于上述图2所示的实施例,所述基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量的步骤包括:
步骤S21:对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型;
可以理解的是,仿真系统在从调度系统获取封装后的原始状态参数后,为得到更具体、有用的参数,需要对原始状态参数进行提取处理。具体地,可以基于原始状态参数建立图模型、运动模型、调度资源分配模型等,其中,图模型用于表示小车的规划路径,运动模型用于表示小车的当前运动情况和规划运动情况,调度资源分配模型用于表示小车的当前资源集合和申请资源集合。
步骤S22:基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量。
具体地,调度系统在得到小车的图模型、运动模型、调度资源分配模型后,便可以运用调度算法进行仿真。进一步地,以全局最优为目标,如最小化所有执行任务的小车的总行驶时间、最小化优先级较高小车的行驶时间,结合图模型、运动模型、调度资源分配模型求解优化状态变量,即各小车在各路径节点时的几何中心位置和速度的组合。
需要注意的是,技术人员可以基于应用场景、小车总数、任务紧急程度等因素考量,从原始状态参数中提取整合更多的模型,以计算出更准确的优化状态变量。
在本实施例提供的一个技术方案中,从调度系统中获取原始状态数据后,对原始状态数据进行提取处理,得到图模型、运动模型、调度资源分配模型,并基于上述三个模型运行调度算法得到优化状态变量。相较于直接根据封装的原始状态参数中的散列数据求解优化状态变量,本实施例提供的一个技术方案先将原始状态数据进行提取处理成三个模型,使得计算过程更加清晰、合理,提升算法验证的规范性,也便于仿真错误后的原因查找。
进一步的,参照图4,提出本发明调度算法仿真方法第三实施例。基于上述图3所示的实施例,所述原始状态参数包括当前位置、当前速度、当前加速度、规划路径、规划速度、规划加速度、小车轮廓、资源集合,所述图模型包括有向图,所述运动模型包括当前状态参数、规划状态变量,所述调度资源分配模型包括占用资源集合、申请资源集合,所述对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型的步骤包括:
步骤S31:根据所述规划路径,确定有向图;
可以理解的是,小车间协同工作离不开调度系统的合理规划,调度系统中的原始状态参数包括但不限于当前位置、当前速度、规划路径、规划速度、规划加速度、小车轮廓、资源集合。
需要注意的是,定义多辆小车协同工作在一个工作空间内,正常情况下每一辆小车都会按照预先规划路径行驶,如遇特殊情况,小车也可以不局限于规划路径行驶。另外,图模型是指由点和线组成的用以描述系统的图形,主要包括无向图、有向图、加权图和加权有向图,在本实施例提供的一个技术方案中,采用有向图表示小车的规划路径。
具体地,调度系统在获取到原始状态参数后,提取其中的规划路径,并将规划路径处理为有向图对应的数据格式。进一步地,有向图G由顶点集合N和边集合E组成,G=(N,E),其中,顶点集合E是代表规划路径中所有路径节点的集合,边集合是由任意两个路径节点的组成的轨迹路径线的集合。
步骤S32:根据所述当前位置、所述当前速度、所述当前加速度、所述有向图、所述规划速度、所述规划加速度,确定当前状态参数、规划状态变量;
具体地,授权的小车集合A,被定义为在调度系统中所有被激活的小车,在时刻t,小车k∈A=[1,…,K]的状态xk(t)被定义为此刻小车k的几何中心位置pk(t)和速度vk(t)的组合,即xk(t)={pk(t),vk(t)},且满足位置的导数是速度,速度的导数是加速度,即和其中,uk(t)是t时刻小车k的加速度。
进一步地,调度系统在获取到原始状态参数后,一方面,提取其中的当前位置、当前速度、当前加速度,以确定小车的当前状态参数另一方面,提取其中的规划速度、规划加速度,结合步骤S21中的有向图,以确定小车的规划状态变量其中,k=[1,…,K],nk,i=[1,…,Nk],表示小车k到达有向图的某一个路径节点nk,的时刻,Nk表示小车k的已规划路径终点对应的序号,表示小车k规划的路径节点nk,i在物理空间的位置。
步骤S33:根据所述当前位置、所述有向图、所述小车轮廓、所述资源集合,确定占用资源集合、申请资源集合。
具体地,结合步骤S21中的有向图G=(N,E),一个资源被定义为任意顶点ni∈N或任意边ej∈E,并可以被分配用于调度小车的行驶。资源集合R是在工作空间内所有的边集合与顶点集合的并集,R=N∪E。从资源分配的角度,调度系统要确保每个资源的独占性,以确保工作空间下同时运行的多辆小车之间无碰撞,即一个资源在同一时刻只能被一辆小车占用。
可以理解的是,在实际运行过程中,并非只有小车的几何中心位置会占用资源,还需要将小车轮廓所覆盖的空间全部考虑在内。具体地,定义小车k的占用状态空间为t时刻小车k的轮廓以及轮廓以内对应的所有状态空间的集合,用于分析小车在运行过程中的占用资源的实际情况。
进一步地,调度系统在获取到原始状态参数后,一方面,提取其中的当前位置、小车轮廓、资源集合,以确定小车k的占用资源集合Ok(t),用于表示小车在当前时刻的资源占用情况;另一方面,提取其中的小车轮廓、资源集合,结合步骤S21中的有向图,以确定小车k的申请资源集合Rk(t),用于表示小车在未来时刻的资源占用情况。示例性地,若当前时刻小车的轮廓覆盖点X,则点X属于该小车的占用资源集合;若未来时刻小车在按照规划路径行驶时,预计于10:00到达边Y,则边Y属于该小车的申请资源集合。
在本实施例提供的一个技术方案中,根据规划路径,确定有向图;根据当前位置、当前速度、有向图、规划速度,确定当前状态参数、规划状态变量;根据当前位置、有向图、小车轮廓、资源集合,确定占用资源集合、申请资源集合。本实施例提供的一个技术方案,将图模型、运动模型、调度资源分配模型进一步细化,并提供了基于原始状态参数得到图模型、运动模型、调度资源分配模型的具体计算方法,能够更为快速、准确分析小车的当前情况与规划情况,为后续运行调度算法提供计算数据。
进一步的,提出本发明调度算法仿真方法第四实施例。基于上述图4所示的实施例,所述申请资源集合包括规划资源和冲突资源。
可以理解的是,由于在特定空间内存在多辆小车协同工作,故在考虑小车的申请资源集合Rk(t时,不仅需要考虑小车k按照规划路径行驶时所占用的资源,还需要考虑与其他小车k′∈A,k′≠k的冲突情况。具体地,一方面需要考虑规划资源,即在t时刻小车k∈A所需要申请的规划路径上的资源,该类资源可以基于规划路径直接求出;另一方面需要考虑冲突资源,即t时刻所有被小车k′所申请的资源所占用状态空间与小车k的占用状态空间交集不为空所对应的资源集合。简而言之,申请资源集合包括t时刻小车k需要的规划路径上的资源,以及与这些被小车k申请的资源存在轮廓碰撞所对应的被其他小车k′所申请的资源。
在本实施例提供的一个技术方案中,所述申请资源集合包括有向图对应的资源和碰撞对应的资源。本实施例提供的一个技术方案,将申请资源集合进行细化,不仅考虑到小车按照规划路径行驶时所必须占有的资源,还考虑到小车间的资源冲突情况,能够避免实际运行过程中因为资源占用而导致的死锁情况。
进一步的,提出本发明调度算法仿真方法第五实施例。基于上述的第四实施例,所述原始状态参数还包括最大加速度上限值、最大速度上限值,所述有向图包括路径节点,所述基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量的步骤包括:
步骤S51:建立以所述路径节点为圆心的碰撞区域,根据所述碰撞区域、所述当前状态参数、所述规划状态变量,确定调度规划变量;
可以理解的是,由步骤S21可知,有向图G由顶点集合N和边集合E组成,G=(N,E),其中,顶点集合E是代表所有路径节点的集合,边集合是由任意两个路径节点的组成的轨迹路径线的集合。可以理解的是,各小车在协同工作的过程中应尽量避免冲突,因此,针对每一个路径节点,可以划定一个碰撞区域,控制该区域不能同时出现两辆及以上小车,以此保证小车间无碰撞发生。
具体地,定义小车k对应的规划路径的某一个路径节点nk,i的碰撞区域,是以路径节点nk,i为圆心,半径为h的圆形位置状态空间,假设所有边的距离大于等于2h。
进一步地,为统计各小车在碰撞区域内出现的时间,定义小车k进入、离开对应的规划路径的某一个路径节点nk,i的碰撞区域的时间分别为小车k到达nk,i的时间为为避免小车间出现碰撞,需要统计所有小车在碰撞区域的情况,因此,定义调度规划变量为所有小车进入某一路径节点nk,i对应的碰撞区域时刻、到达该路径节点时刻、离开该路径节点对应的碰撞区域时刻的组合。
步骤S52:根据所述调度规划变量,定义无冲突条件;
具体地,根据所述调度规划变量,定义资源无冲突的条件,具体如下,
需要注意的是,可能出现小车k和小车k′在空间上经过同一个路径节点时产生冲突的情况,即不同的规划路径占用同一路径节点成立时,要满足小车k离开该路径节点碰撞区域的时刻必须要早于或等于任一小车k′∈A,k′≠k进入该路径节点碰撞区域的时刻,或者满足小车k进入该路径节点碰撞区域的时刻必须要晚于任一小车k′∈A,k′≠k离开该路径节点碰撞区域的时刻的条件,以保证小车之间不会发生碰撞。
另外,也可能出现小车k和小车k′在空间上经过同一条边时产生冲突的情况,即同时成立时,不仅要满足上述的避免同一个路径节点的产生冲突条件,还要同时满足在小车k离开可能碰撞边的起点碰撞区域后,进入到这一边的终点的碰撞区域时刻必须要早于或等于任一小车k′∈A,k′≠k离开这一边起点无碰撞区域的时刻,或者满足小车k离开可能碰撞边的起点碰撞区域时刻必须要晚于任意小车k′∈A,k′≠k进入这一边终点的碰撞区域时刻的条件,以保证小车之间不会发生碰撞。
步骤S53:根据所述无冲突条件、所述运动模型、所述最大加速度上限值、所述最大速度上限值以及调度算法进行仿真,得到优化状态变量。
具体地,建立一个全局初始化小车的状态变量优化问题::以最小化所有执行任务小车的行驶时间为目标的函数,求解小车的优化状态变量,使其受限于运动模型、最大加速度上限值uk(t)=-Umax or Umax,即加速度在轨迹方向上恒定的加速或减速运动、最大速度上限值Vmax、无冲突条件的限制条件。对应的数学形式如下:
通过非线性规划方法,求解上述优化问题的小车状态变量,得到优化状态变量。
在本实施例提供的一个技术方案中,建立以所述路径节点为圆心的碰撞区域,根据碰撞区域、当前状态参数、规划状态变量,确定调度规划变量,最后根据无冲突条件、运动模型、最大加速度上限值、最大速度上限值以及调度算法进行仿真,得到优化状态变量。本实施例提供的一个技术方案给出了计算优化状态变量的数学形式,小车在按照该优化规划变量行驶时,不仅能够实现最小化所有执行任务小车的行驶时间,而且能够保证小车之间无冲突。
进一步的,提出本发明调度算法仿真方法第六实施例。基于上述图2所示的第一实施例,所述基于所述优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
步骤S61:对所述优化状态变量进行离散处理,得到以离散时间周期为单位的优化状态变量;
可以理解的是,仿真系统运用调度算法得到的优化状态变量,对应是小车在规划路径上行驶的整段时间,例如,小车在规划路径上的行驶时间为8:00-8:10,则优化状态变量所涉及的时间为8:00-8:10,即连续的10分钟。
具体地,定义一种离散时间控制模型,将连续的时间分割成有限个离散时间周期,优化状态变量在每一个离散时间周期开始时刻被统计,在每一个离散时间周期结束时刻被统计,且恒定的加速度被应用在每一个离散时间周期内。进一步地,统计优化状态变量在每一个离散时间周期内的情况,最终得到以离散时间周期为单位的优化状态变量。例如,优化状态变量所涉及的时间为8:00-8:10,定义离散时间周期为10秒,则将8:00-8:10划分为60个离散时间周期,分别统计优化状态变量在8:00:00-8:00:10、8:00:10-8:00:20、8:00:20-8:00:30......8:09:50-8:10:00内的情况。
步骤S62:基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
具体地,以离散时间周期为单位的优化状态变量可以体现所有小车在各个离散时间周期内的速度与位置情况,以离散时间周期如10秒为单位,在仿真界面中显示每10秒的所有小车的优化状态变量,显示结束后统计各离散时间周期内所有小车的数据,如小车完成新任务的时长、小车之间的碰撞情况、小车绕路情况、是否能解开死锁等,并基于小车数据分析调度算法优劣,例如时间复杂度、空间复杂度、可读性、健壮性、解的收敛性等。
在本实施例提供的一个技术方案中,对优化状态变量进行离散处理,得到以离散时间周期为单位的优化状态变量,并基于以离散时间周期为单位的优化状态变量进行显示,得到调度算法的仿真结论。相较于将连续时间的优化状态变量在仿真界面中进行显示,本实施例提供的一个技术方案定义一种离散时间控制模型,得到以离散时间周期为单位的优化状态变量并进行显示,能够更加细致地观察小车协同工作状态,提升调度算法性能分析的准确性。
进一步的,提出本发明调度算法仿真方法第七实施例。基于上述第六实施例,所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤之前,包括:
步骤S71:将所述以离散时间周期为单位的优化状态变量对应到时间窗上,得到以时间窗为单位的优化状态变量,其中,所述时间窗包括多个离散时间周期;
可以理解的是,在得到以离散时间周期为单位的优化状态变量后,一般而言,离散时间周期较短,为更方便有效地观察仿真结果,可以将若干个离散时间周期进行组合,即以时间窗为单位进行显示。具体地,将若干个离散时间周期对应到固定长度的时间窗,然后将以离散时间周期为单位的优化状态变量对应到时间窗上,最终得到得到以时间窗为单位的优化状态变量。如图5所示,假设一个时间窗由h个离散时间周期组成,xh表示小车的优化状态变量,uh表示小车的加速度。
步骤S72:所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
基于所述以时间窗为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
具体地,以时间窗为单位,将时间窗内的所有离散时间周期对应的所有小车的优化状态变量在仿真界面中予以显示,即直接显示以时间窗为单位的优化状态变量,示例性地,离散时间周期为10秒,一个时间窗包括3个离散时间窗即30秒,在仿真界面中显示每30秒的所有小车的优化状态变量。显示结束后统计各离散时间周期内所有小车的数据,如小车完成新任务的时长、小车之间的碰撞情况、小车绕路情况、是否能解开死锁等,并基于小车数据分析调度算法优劣,例如时间复杂度、空间复杂度、可读性、健壮性、解的收敛性等。
在本实施例提供的一个技术方案中,将以离散时间周期为单位的优化状态变量对应到时间窗上,得到以时间窗为单位的优化状态变量,最后基于以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。相较于以离散时间周期为单位,本实施例提供的一个技术方案以时间窗为单位进行显示,忽略细枝末节的状态变化,更高效地完成小车状态统计与仿真显示。
本发明实施例提供一种调度算法仿真装置,参照图6,本发明调度算法仿真装置一实施例的功能模块示意图。
获取模块,用于从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
仿真模块,用于基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
显示模块,用于基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
本发明实施例提供一种调度算法仿真设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现所述的调度算法仿真方法任一实施例中的步骤。
由于调度算法仿真设备部分的实施例与方法部分的实施例相互对应,因此调度算法仿真设备部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现上述调度算法仿真方法任一实施例中的步骤。
由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应,因此计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种调度算法仿真方法,应用于仿真系统,其特征在于,所述调度算法仿真方法包括以下步骤:
从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
2.如权利要求1所述的调度算法仿真方法,其特征在于,所述基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量的步骤包括:
对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型;
基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量。
3.如权利要求2所述的调度算法仿真方法,其特征在于,所述原始状态参数包括当前位置、当前速度、当前加速度、规划路径、规划速度、规划加速度、小车轮廓、资源集合,所述图模型包括有向图,所述运动模型包括当前状态参数、规划状态变量,所述调度资源分配模型包括占用资源集合、申请资源集合,所述对所述原始状态参数进行提取处理,得到图模型、运动模型、调度资源分配模型的步骤包括:
根据所述规划路径,确定有向图;
根据所述当前位置、所述当前速度、所述当前加速度、所述有向图、所述规划速度、所述规划加速度,确定当前状态参数、规划状态变量;
根据所述当前位置、所述有向图、所述小车轮廓、所述资源集合,确定占用资源集合、申请资源集合。
4.如权利要求3所述的调度算法仿真方法,其特征在于,所述申请资源集合包括有向图对应的资源和碰撞对应的资源。
5.如权利要求4所述的调度算法仿真方法,其特征在于,所述原始状态参数还包括最大加速度上限值、最大速度上限值,所述有向图包括路径节点,所述基于所述图模型、所述运动模型、所述调度资源分配模型以及调度算法进行仿真,得到优化状态变量的步骤包括:
建立以所述路径节点为圆心的碰撞区域,根据所述碰撞区域、所述当前状态参数、所述规划状态变量,确定调度规划变量;
根据所述调度规划变量,定义无冲突条件;
根据所述无冲突条件、所述运动模型、所述最大加速度上限值、所述最大速度上限值以及调度算法进行仿真,得到优化状态变量。
6.如权利要求1所述的调度算法仿真方法,其特征在于,所述基于所述优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
对所述优化状态变量进行离散处理,得到以离散时间周期为单位的优化状态变量;
基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
7.如权利要求6所述的调度算法仿真方法,其特征在于,所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤之前,包括:
将所述以离散时间周期为单位的优化状态变量对应到时间窗上,得到以时间窗为单位的优化状态变量,其中,所述时间窗包括多个离散时间周期;
所述基于所述以离散时间周期为单位的优化状态变量进行显示,得到所述调度算法的仿真结论的步骤包括:
基于所述以时间窗为单位的优化状态变量进行显示,得到所述调度算法的仿真结论。
8.一种调度算法仿真装置,其特征在于,所述装置包括:
获取模块,用于从调度系统获取原始状态参数,所述原始状态参数用于表征小车的当前情况和规划情况;
仿真模块,用于基于所述原始状态参数以及调度算法进行仿真,得到优化状态变量;
显示模块,用于基于所述优化状态变量进行显示,得到所述调度算法的仿真结论。
9.一种调度算法仿真设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求1至7中任一项所述的调度算法仿真方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的调度算法仿真方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330482.8A CN115829226A (zh) | 2022-10-27 | 2022-10-27 | 调度算法仿真方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330482.8A CN115829226A (zh) | 2022-10-27 | 2022-10-27 | 调度算法仿真方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829226A true CN115829226A (zh) | 2023-03-21 |
Family
ID=85525660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330482.8A Pending CN115829226A (zh) | 2022-10-27 | 2022-10-27 | 调度算法仿真方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829226A (zh) |
-
2022
- 2022-10-27 CN CN202211330482.8A patent/CN115829226A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mirheli et al. | A consensus-based distributed trajectory control in a signal-free intersection | |
CN109901578B (zh) | 一种控制多机器人的方法、装置及终端设备 | |
US20240166196A1 (en) | Obstacle avoidance method, apparatus, electronic device and storage medium for vehicle | |
CN111366160A (zh) | 路径规划方法、路径规划装置及终端设备 | |
CN111338343B (zh) | 自动引导车调度方法、装置、电子设备及存储介质 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
US20120095740A1 (en) | Simulation device, simulation method, and recording medium storing simulation program | |
Saifutdinov et al. | Digital twin as a decision support tool for airport traffic control | |
Mersheeva et al. | Routing for continuous monitoring by multiple micro AVs in disaster scenarios | |
CN113821039A (zh) | 基于时间窗的路径规划方法、装置、设备及存储介质 | |
CN110597261A (zh) | 一种预防碰撞冲突的方法及装置 | |
CN112537705A (zh) | 机器人乘梯调度方法、装置、终端设备及存储介质 | |
CN114637303A (zh) | 基于远程遥操作的搬运机器人路径规划方法、系统及介质 | |
CN113703435A (zh) | 载具分派系统及载具分派方法 | |
Wang et al. | A Universal Trajectory Planning Method for Automated Lane‐Changing and Overtaking Maneuvers | |
CN110751325B (zh) | 一种建议生成方法、交通枢纽部署方法、装置及存储介质 | |
Teck et al. | An efficient multi-agent approach to order picking and robot scheduling in a robotic mobile fulfillment system | |
US11745762B2 (en) | System and methods of adaptive trajectory prediction for autonomous driving | |
CN115829226A (zh) | 调度算法仿真方法、装置、设备及计算机可读存储介质 | |
CN117389229A (zh) | 一种基于数字孪生的多agv调度规划方法 | |
CN115640986B (zh) | 基于奖励的机器人调度方法、装置、设备及介质 | |
CN111813104B (zh) | 针对鱼骨形区域的agv管制方法、管制装置及存储装置 | |
CN116795087A (zh) | 自主移动机器人的调度方法、系统、电子设备和存储介质 | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 | |
Rivas et al. | Auction model for transport order assignment in AGV systems |
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 |