CN116203965A - 一种基于agv的改进蚁群算法的路径规划算法 - Google Patents
一种基于agv的改进蚁群算法的路径规划算法 Download PDFInfo
- Publication number
- CN116203965A CN116203965A CN202310269020.8A CN202310269020A CN116203965A CN 116203965 A CN116203965 A CN 116203965A CN 202310269020 A CN202310269020 A CN 202310269020A CN 116203965 A CN116203965 A CN 116203965A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- path
- agv
- ant colony
- grid
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 239000003016 pheromone Substances 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000004888 barrier function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 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
- G05D1/0212—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
- G05D1/0221—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于AGV的路径规划算法，针对生产车间中AGV的结构和特点提出改进的蚁群算法(Ant Colony Optimization，ACO)的路径规划算法。针对蚁群算法存在效率低、收敛速度慢、容易陷入局部最优等缺点，因此，提出一种结合A*算法与蚁群算法改进的ASACO算法，首先根据生产车间地形环境运用栅格法来创建栅格地图，根据栅格地图确立起始点和终点，之后运用启发式A*算法来构建起始点到终点的预估路径，通过预估路径初始化蚁群算法的信息素浓度，避免蚁群算法的前期盲目搜索，针对实际情况中不只针对单纯的路径距离同时对路径的转弯角度与转弯次数作为考量因素，最后通过蚁群算法的来找到最适合AGV的行驶路径。对比试验发现该算法有着明显的优化效果。
Description
技术领域
本发明涉及一种基于AGV的改进蚁群算法的路径规划算法，属于人工智能领域。
背景技术
随着物联网技术的发展，自动引导运输车(automated guided vehicle，AGV)被广泛应用于仓储物流。AGV指装备有自主定位和导航装置的运输车,其主要功能是车间中的物料搬运，作为作业车间物流运输的关键设备，在车间加工和运输的过程中起着至关重要的作用。
现已大规模AGV应用于物联网、机械制造业、快递物流业等行业。现代化物流调度系统已然成为各行业中不可或缺的一部分，各大企业都建立了以AGV为主导的智能物流系统。用数以百计的AGV小车建立了从入库、装载、分拣、卸载的完整过程中全程无人工的物流系统，极大地提升了车间的效率和灵活性。
一直以来，路径规划都是AGV技术中的重要一环，在有障碍物的工作环境中或未知的领域里，寻找从当前位置到目标位置的最短有向路径，达到实现优化目标的目的。一般的优化目标是满足完成作业的总时间最短，完成目标任务时AGV行驶路径最短，或者完成任务时AGV的能源消耗最少等。本文不只针对单纯的路径距离，同时针对路径的上下坡与转弯次数作为考量因素来规划AGV最优的路径。
发明内容
为实现上述目的，本发明提出一种基于AGV的改进蚁群算法的路径规划算法，包括以下步骤：
(1)通过栅格法建立带有障碍物的栅格化地图；
(2)改进A*算法的搜索方向与适应度函数值，提高搜索效率，根据预估路径改变栅格点内信息素；
(3)根据A*算法的预估路径初始化蚁群信息素浓度，增强蚁群前期搜索效率；
(4)针对路径转弯次数以及AGV路径冲突来规划最优路径。
所述步骤(1)具体为：
(1.1)扫描生产车间环境地图，根据障碍物建立栅格化图形。
(1.2)本文将环境地图栅格化，抽象为n阶矩阵形式，为了便于算法的处理以及描述，将栅格进行序号划分，如栅格化矩阵图所示，将横轴命名为X轴，纵轴命名为Y轴，且相应的栅格对应的坐标为(xi，yi)，栅格序号Z的计算方法如公式1所示。
经过处理后，每一个栅格都有自己的序号：1，2，3，4，5，6，7，8，9…n2
Z＝Xi+Yi (i<＝n) (1)
(1.3)如矩阵图所示，图中用0表示AGV能正常通过的无障碍栅格，用1表示不可通过的有障碍栅格。
所述步骤(2)具体为：
(2.1)A*算法通过对拓展节点的估值进行对比，选择最小估值的节点作为下一个邻域的拓展节点。其启发函数能够在栅格地图中快速找到一条距离最短的路径，其启发函数可由公式(2)表示:
f(n)＝g(n)+h(n) (2)
其中n为当前栅格编号；g(n)为起始栅格到达当前栅格n的已知最短长度；h(n)为当前栅格n达到目标栅格的距离，一般采用欧几里得距离表示。
(2.2)其中用到的启发式函数欧几里得用公式(3)表示为：
其中n.x为节点n的横坐标坐标，n.y为节点n的纵坐标，target.x为目标点的横坐标，target.y为目标点的纵坐标。
(2.3)传统A*算法中，会将每个当前栅格的可行未遍历相邻栅格加入待遍历栅格集合中，然后按照待遍历栅格的启发函数的值从小到大逐个遍历这些栅格，产生了大量无效遍历。本发明在预估函数方面添加一个权重系数，来促使前期对于预估方向的搜索，避免无效遍历。其可用公式(4)表示：
f(n)＝g(n)+w×h(n) (4)
其中w系数取决于启发函数h的大小，h大时w的值也越大，表明距离目标节点越远时启发函数的重要性越高，帮助搜索方向更趋近于目标节点。
(2.4)根据改进的A*算法得到预估路径，将此路径上的栅格点进行标记，并改变其信息素浓度。
所属步骤(3)具体为：
(3.1)蚁群算法的搜索节点指示从当前节点转到下一节点，其转移概率概率可由公式(5)所示：
式中
为由当前节点i转移到下一节点j的转移概率，τij(t)为两节点间的信息素浓度，ηij(t)为启发函数，其值为两节点间距离的倒数，此处的距离亦用欧氏距离表示。
(3.2)在每只蚂蚁完成一次路径后，会对节点的信息素做更新处理，其信息素更新公式可由公式(6)表示：
式中τij(t+1)表示信息素更新后的信息素浓度；τij(t)表示信息素更新前的信息素浓度；ρ为信息素挥发系数。
(3.3)对于所有栅格化的节点初始化信息素为C，根据之前标记的预估路径将其节点集合记为R，改变其初始化信息素，初始化信息素可由公式(7)所示：
其中e为正数。
所属步骤(4)具体为：
利用蚁群算法对路径的搜索考虑到路径中的转弯次数会产生对AGV较大的磨损，故在规划的同时尽量减少转弯的次数，同时考虑到AGV的转弯角度越大同样会对AGV的使用造成损害，因此在路径规划中应避免较多的转弯次数以及较小的转弯角度。对蚁群算法启发函数改进可由公式(8)所示：
其中
表示转弯因素启发函数，/>
为转弯角度启发函数，x1,y1,y1为各启发函数的系数，
在路径转弯因素中，通过图1所示的栅格标号，利用矩阵存储行进的方向，为了得到转弯次数较小的规划路径，引入转弯因素启发函数如式(9)所示：
式中，e为常数系数，σ为直行优先系数，针对实际行驶地图赋值，allowedi表示所有可行的下一节点，movei表示当前行驶方向，movej表示下一节点行驶方向，如果两次方向相同则为继续直线行驶，此时转弯因素引导蚂蚁继续直行，避免只因为距离短寻找转弯多的路径。在AGV存在转弯路径时，对于转弯的角度应选取尽量小的角度来避免因转弯次数较小而导致的转弯角度过大，
附图说明
图1栅格化矩阵图
图2 AGV路径规划流程图
图3迭代曲线对比图
图4迭代次数对比图
具体实施方式
下面结合说明书附图，对本发明作进一步说明。
步骤1：如图1所示根据实际生产车间的场景利用栅格法将AGV所在的空间环境建立栅格化图形，其中黑色矩阵块代表AGV不可通过的障碍栅格，白色矩阵快表示可有AGV通过的路径，其中每个矩阵块都可完全容纳AGV并预留适量的安全间距。之后用0和1对栅格化地图进行矩阵转换，其中用0表示AGV可通过路径，用1表示AGV不可通过的障碍栅格。
步骤2：如图2所示根据栅格矩阵中的障碍物分布以及AGV的行驶起点与终点来确定路径的行驶方向，根据改进的A*算法对起始点和终点找到符合的预估路径，并修改路径的初始化信息素浓度，根据初始化信息素浓度利用ASACO算法迭代寻找路径中转弯次数与转弯角度最优的路径节点，直到找到起始点与终点间的最优路径。
根据栅格地图本身的规模，分别采用ACO算法和ASACO算法进行路径规划，如图3所示，栅格化地图中的绿色圆点为路径起点，红色圆点为路径终点。其中虚线为ACO算法的路径规划结果，实线为ASACO算法的路径规划结果，根据图3和图4可知，与原始蚁群算法比较，本文算法在路径寻优方面以及收敛速度拐点数量等方面都有了明显的改进。其中仿真实验数据对比如表1所示：
表1算法仿真结果数据对比
根据表1的仿真数据对比可知，ASACO算法所得到的路径长度为27.2596m，对比ACO算法的路径长度28.3940m有了更短的路径，在收敛速度方面有了明显的改进，并比较两个路径的拐点也会发现ASACO算法得到的路径拐点更少。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例的技术方案也可以经适当的组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于AGV的生产车间场景中的路径规划算法，所述方法具体步骤如下：
(1)通过针对实际场景的障碍物分布情况来构建栅格地图。
(2)根据地图中的起始点与终点利用启发式A*算法来构建预估路径。
(3)通过预估路径初始化蚁群算法的信息素浓度，避免蚁群算法前期的盲目搜索，针对实际情况中AGV对与路径的选择应尽量减少拐弯次数与拐弯角度来构建模型，最后通过算法的迭代来完成最适合的AGV行驶路径。
2.根据权利要求1所述的一种基于AGV的生产车间场景中的路径规划算法，其特征在于：所述步骤(1)具体为：扫描生产车间环境地图，根据障碍物分布情况对地图进行栅格化构建栅格化地图，并将栅格化地图抽象为矩阵形式，对其栅格图进行序号划分，用坐标的形式对应每一个栅格的位置。
3.根据权利要求2所述的一种基于AGV的生产车间场景中的路径规划算法，其特征在于：所述步骤(2)具体为：根据步骤1中得到的栅格化地图矩阵以及对应AGV的起始点和终点利用改进的A*算法能够得到起始点到终点的预估路径，针对蚁群算法前期搜索盲目以及易陷入局部最优解等缺点，利用预估路径改变其初始化的信息素浓度。
4.根据权利要求3所述的一种基于AGV的生产车间场景中的路径规划算法，其特征在于：所述步骤(3)具体为：利用步骤2中初始化完成后得到的信息素浓度来进行蚁群算法的迭代，在每次搜索考虑的路径时，利用轮盘赌以及搜索禁忌表来搜索下一栅格点，因AGV在每次转弯中会对其使用有所损害，故在所有可行栅格点中判断信息素浓度、转弯次数以及转弯角度来决定下一栅格点的选择，用此方法在栅格点中不断进行迭代以来找到最适合AGV行驶的最优路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269020.8A CN116203965A (zh) | 2023-03-19 | 2023-03-19 | 一种基于agv的改进蚁群算法的路径规划算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269020.8A CN116203965A (zh) | 2023-03-19 | 2023-03-19 | 一种基于agv的改进蚁群算法的路径规划算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116203965A true CN116203965A (zh) | 2023-06-02 |
Family
ID=86507739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310269020.8A Pending CN116203965A (zh) | 2023-03-19 | 2023-03-19 | 一种基于agv的改进蚁群算法的路径规划算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116203965A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976542A (zh) * | 2023-09-22 | 2023-10-31 | 天津万事达物流装备有限公司 | 一种用于物流自动分拣路径的优化方法及系统 |
| CN117232512A (zh) * | 2023-08-04 | 2023-12-15 | 广东工业大学 | 一种高效搜索与嵌套协作优化策略的无人机路径获取方法 |
| 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 |
| CN117232512B (zh) * | 2023-08-04 | 2024-05-24 | 广东工业大学 | 一种高效搜索与嵌套协作优化策略的无人机路径获取方法 |
-
2023
- 2023-03-19 CN CN202310269020.8A patent/CN116203965A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117232512A (zh) * | 2023-08-04 | 2023-12-15 | 广东工业大学 | 一种高效搜索与嵌套协作优化策略的无人机路径获取方法 |
| CN117232512B (zh) * | 2023-08-04 | 2024-05-24 | 广东工业大学 | 一种高效搜索与嵌套协作优化策略的无人机路径获取方法 |
| CN116976542A (zh) * | 2023-09-22 | 2023-10-31 | 天津万事达物流装备有限公司 | 一种用于物流自动分拣路径的优化方法及系统 |
| CN116976542B (zh) * | 2023-09-22 | 2023-12-01 | 天津万事达物流装备有限公司 | 一种用于物流自动分拣路径的优化方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
| CN110160546B (zh) | 一种移动机器人路径规划方法 | |
| CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN108459503B (zh) | 一种基于量子蚁群算法的无人水面艇航迹规划方法 | |
| CN111323016A (zh) | 一种基于自适应蚁群算法的移动机器人路径规划方法 | |
| CN108444490B (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN115079705A (zh) | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 | |
| CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
| CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
| CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
| WO2022142893A1 (zh) | 双足机器人路径规划方法、装置和双足机器人 | |
| CN115167474A (zh) | 一种移动机器人路径规划优化方法 | |
| CN113110601B (zh) | 一种无人机电力线路巡检路径优化方法及装置 | |
| CN114964261A (zh) | 基于改进蚁群算法的移动机器人路径规划方法 | |
| CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
| CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
| CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
| CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
| CN113359721B (zh) | 一种结合运动控制的改进a*的agv路径规划方法 | |
| CN116817947B (zh) | 一种基于变步长机制的任意时路径规划方法 | |
| CN116449846A (zh) | 一种蚁群算法的优化方法 | |
| CN112539751A (zh) | 一种机器人路径规划方法 | |
| Zhao et al. | A compound path planning algorithm for mobile robots |
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 |