CN116700284A - 一种基于改进自适应权重a*算法的agv路径规划方法 - Google Patents
一种基于改进自适应权重a*算法的agv路径规划方法 Download PDFInfo
- Publication number
- CN116700284A CN116700284A CN202310821458.2A CN202310821458A CN116700284A CN 116700284 A CN116700284 A CN 116700284A CN 202310821458 A CN202310821458 A CN 202310821458A CN 116700284 A CN116700284 A CN 116700284A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- agv
- adaptive weight
- planning
- node
- 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 18
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 7
- 108010014173 Factor X Proteins 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/60—Electric or hybrid propulsion means for production processes
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进自适应权重A*算法的AGV路径规划方法。首先,采用双目相机获取AGV的运行环境,将环境转化为栅格地图,对地图建立全局坐标系,明确每个栅格的坐标;其次,利用改进自适应权重A*算法进行路径规划得到规划路径;最后,将规划路径输入到AGV中,使AGV按照规划路径运行。本发明采用的改进自适应权重A*算法,优化了传统A*算法的节点搜索策略,可以根据搜索节点位置的变化和当前搜索环境特征的变化,自适应的调整代价函数的权重系数,减少了搜索节点的个数,缩短了搜索时间,提高了AGV路径规划的效率。
Description
技术领域
本发明涉及AGV路径规划领域,具体涉及一种基于改进自适应权重A*算法的AGV路径规划方法。
技术背景
AGV路径规划是AGV研究邻域的重要课题之一,其目的在于使AGV高效安全的从起点抵达终点,提高AGV的工作效率。国内外学者针对这一课题提出了许多技术方案。
AGV的路径规划目前应用最为普遍的算法为A*算法,A*算法是一种启发算法,就是根据启发式有目标的寻找终点,并且基于代价函数值不断确定代价值最小的节点,最终确定最优路径。A*算法的代价函数中/>和/>的权重比例会影响A*算法的搜索效率。但是传统的A*算法代价函数的权重系数是固定的,很难适应不同情况的地图和同一地图不同起点和终点的运行情况。固定的权重比例还容易出现搜索点数过多搜索速度慢或者找不到最优解的情况。
针对这一情况,有学者提出将环境障碍率引入代价函数中,但是仅环境障碍率不能够清晰的表征当前节点到终点搜索范围内障碍物分布的整体情况。有学者提出将起点到当前节点的距离与起点到终点的距离的比值作为动态权重系数,但是以距离作为变量的动态系数只能表征当前节点的位置情况,不能清晰的表征规划环境的复杂程度。
以上研究均只考虑了A*算法搜索策略的某个因素,但是对于如何更全面的表征随节点位置变化而变化的搜索环境特征,从而选取合适的权重比例一直是AGV路径规划邻域需要解决的问题。
发明内容
本发明针对上述问题,为实现AGV使用A*算法时,在更短的搜索时间内拓展更少的搜索节点,更高效的规划出最优路径,提出了一种基于改进自适应权重A*算法的AGV路径规划方法。该方法首先用双目相机获取AGV的运行环境,将环境转化为栅格地图,对地图建立全局坐标系,明确每个栅格的坐标;其次,利用改进自适应权重A*算法进行路径规划得到规划路径;最后,将规划路径输入到AGV中,使AGV按照规划路径运行。本发明采用的改进自适应权重A*算法,优化了传统A*算法的节点搜索策略,可以根据搜索节点位置的变化和当前搜索环境特征的变化,自适应的调整代价函数的权重系数,减少了搜索节点的个数,缩短了搜索时间,提高了AGV路径规划的效率。
本发明的技术方案为:一种基于改进自适应权重A*算法的AGV路径规划方法,具体包括以下步骤:
步骤一、建立规划环境;
步骤二、使用改进自适应权重A*算法获得规划路径;
步骤三、将规划路径输入到AGV中,使AGV按照规划路径运行。
作为优选,所述步骤一所述的建立规划环境是指用双目相机获取AGV的运行环境,将环境转化为栅格地图,对地图建立全局坐标系,明确每个栅格的坐标,并明确AGV的起点和终点,并明确AGV的起点和终点。
作为优选,所述步骤二所述的使用改进自适应权重A*算法获得规划路径是指获得规划路径所使用的算法为改进自适应权重A*算法,具体包括以下步骤:S1:计算当前起点和终点条件下的权重影响因子X。X具体由以下公式求出式中,n代表当前节点到终点搜索范围内障碍物所占栅格数;N代表当前节点到终点搜索范围内栅格总数;m代表当前节点到终点搜索范围内障碍物的个数;L为规划环境中任意两点可构成的最大距离;l为当前节到终点的距离;C为当前节点到终点搜索范围内障碍物可形成的最大总边长,C具体由以下公式求出/>式中,a为单个栅格的宽度,N为当前节点到终点搜索范围内栅格总数;c为当前节点到终点搜索范围内障碍物总边长;δ、ε、ζ、η为调节系数;k为灵敏度系数用来调节X变化的灵敏程度。式中n/N这一项可以表征当前节点到终点搜索范围内障碍物的占比情况;m/n这一项可以表征当前节点到终点搜索范围内障碍物的分散情况;l/L这一项可以表征当前节点与终点之前的距离情况;c/C这一项可以表征当前节点到终点搜索范围内障碍物形状的规则情况。S2:确定改进自适应权重A*算法的代价函数/>。具体由以下公式求出/>。S3:建立两个列表分别储存待检测节点和已检测节点:分别创建OPEN列表和CLOSE列表,起点放入OPEN列表中,终点放入CLOSE列表中。S4:判断OPEN列表是否为空,若OPEN列表中无节点,则表示路径规划失败,该算法结束;若有节点,则转至S5。S5:选取OPEN列表中代价函数/>具有最小值的节点n,并将其放入CLOSE列表中,计算当前节点到终点条件下的权重影响因子X并更新代价函数/>。S6:判断启发函数/>是否为0,若为0则表示已到达终点,路径规划成功;否则,还未到到达终点,则转至S7。S7:继续扩展节点n,选择不在CLOSE列表中的节点,计算其代价函数值。S8:判断扩展的子节点是否在OPEN列表中,若在,则转至S10;否则转至S9。S9:将扩展的子节点放入OPEN列表中,将其设为节点n的子节点,然后转至S5。S10:绘制出改进自适应权重A*算法获得的初始路径。
作为优选,所述步骤三所述的将规划路径输入到AGV中,使AGV按照规划路径运行,是指将规划路径信息传输到AGV下位机来控制AGV按照规划路径移动。
本发明的有益效果:
本发明优化了传统A*算法的节点搜索策略,考虑了障碍物的占比情况、分散情况、形状规则情况和节点与终点的距离情况,可以根据搜索节点位置的变化和当前搜索环境特征的变化,自适应的调整代价函数的权重系数,减少了搜索节点的个数,缩短了搜索时间,提高了AGV路径规划的效率。
附图说明
图1为本发明的总体流程示意图;
图2为本发明具体实施例中建立的AGV运行环境栅格地图;
图3为本发明具体实施例中传统4邻域A*算法的规划路径图;
图4为本发明具体实施例中4邻域改进自适应权重A*算法的规划路径图;
图5为本发明具体实施例中传统8邻域A*算法的规划路径图;
图6为本发明具体实施例中8邻域改进自适应权重A*算法的规划路径图;
图7为本发明具体实施例中传统A*算法与改进自适应权重A*算法路径规划的数据对比;
图8为改进自适应权重A*算法的算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细论述。
如图1所示为本发明的总体流程示意图。本发明总体流程可以概括为以下三个步骤:步骤一:建立规划环境;步骤二:使用改进自适应权重A*算法获得规划路径;步骤三:将规划路径输入到AGV中,使AGV按照规划路径运行。
如图2所示为本发明具体实施例中建立的AGV运行环境栅格地图。栅格地图的大小为25*25,其中黑色栅格代表障碍物即不可通行区域,白色栅格代表空地即可以通行区域。图2所示的栅格地图代表了用双目相机获取的AGV运行的真实环境的二维映射。
为本发明的技术方案能够得到充分的理解,现对传统A*算法做简要的介绍如下:
A*算法搜索原理是将起始点加入到open列表,将该点作为父节点加close 列表,搜索其相邻的可到达节点加人open列表。依据代价函数计算open列表中节点的代价,选取代价最低的节点作为下一个父节点并放入close列表,再次搜索父节点可到达节点并计算其代价,依次循环,直到父节点为目标点的位置。
如图3所示为本发明具体实施例中传统4邻域A*算法的规划路径图。图3(a)中,本发明实施例AGV的起点为(24,11),终点为(12,18);图3(b)中,本发明实施例AGV的起点为(2,2),终点为(14,21)。
如图4所示为本发明具体实施例中4邻域改进自适应权重A*算法的规划路径图。图4(a)中,本发明实施例AGV的起点为(24,11),终点为(12,18);图4(b)中,本发明实施例AGV的起点为(2,2),终点为(14,21)。
如图5所示为本发明具体实施例中传统8邻域A*算法的规划路径图。图5(a)中,本发明实施例AGV的起点为(24,11),终点为(12,18);图5(b)中,本发明实施例AGV的起点为(2,2),终点为(14,21)。
如图6所示为本发明具体实施例中8邻域改进自适应权重A*算法的规划路径图。图6(a)中,本发明实施例AGV的起点为(24,11),终点为(12,18);图6(b)中,本发明实施例AGV的起点为(2,2),终点为(14,21)。
如图7所示为本发明具体实施例中传统A*算法与改进自适应权重A*算法路径规划的数据对比。可以看出在搜索邻域为4邻域时,改进自适应权重A*算法在拓展节点数上比传统A*算法有所减少。具体的,当起点为(24,11),终点为(12,18)时减少58.42%;当起点为(2,2),终点为(14,21)时减少63.93%。在搜索邻域为4邻域时,改进自适应权重A*算法在搜索时间上比传统A*算法有所减少。具体的,当起点为(24,11),终点为(12,18)时减少65.27%;当起点为(2,2),终点为(14,21)时减少72.22%。可以看出在搜索邻域为8邻域时,改进自适应权重A*算法在拓展节点数上比传统A*算法有所减少。具体的,当起点为(24,11),终点为(12,18)时减少11.11%;当起点为(2,2),终点为(14,21)时减少13.41%。在搜索邻域为8邻域时,改进自适应权重A*算法在搜索时间上比传统A*算法有所减少。具体的,当起点为(24,11),终点为(12,18)时减少14.29%;当起点为(2,2),终点为(14,21)时减少50.00%。
如图8所示为改进自适应权重A*算法的算法流程图。算法首先将提前建立的规划环境即栅格地图输入到算法中,接下来确定AGV的起点和终点,接下来计算起点条件下的权重影响因子并确定算法代价函数,接下来进行节点的拓展并不断计算当前节点条件下的权重影响因子从而更新代价函数,直到拓展至终点位置,向前回溯所有父节点,输出规划路径,算法结束。
上述实施例的描述是为了方便本技术领域的普通技术人员能够理解本发明。本发明所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者同等替换。未脱离本发明精神和范围的任何修改或者同等替换均应该涵盖在本发明的权利要求范围内。
Claims (8)
1.一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于,具体包括以下步骤:
步骤一、建立规划环境;
步骤二、使用改进自适应权重A*算法获得规划路径;
步骤三、将规划路径输入到AGV中,使AGV按照规划路径运行。
2.根据权利要求1所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:所述步骤一中建立规划环境是指用双目相机获取AGV的运行环境,将环境转化为栅格地图,对地图建立全局坐标系,明确每个栅格的坐标,并明确AGV的起点和终点,并明确AGV的起点和终点。
3.根据权利要求1所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:所述步骤二中获得规划路径使用的算法为改进自适应权重A*算法。
4.根据权利要求1所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:所述步骤二中改进自适应权重A*算法,具体包括以下步骤:
S1:计算当前起点和终点条件下的权重影响因子X;
S2:确定改进自适应权重A*算法的代价函数;
S3:建立两个列表分别储存待检测节点和已检测节点:分别创建OPEN列表和CLOSE列表,起点放入OPEN列表中,终点放入CLOSE列表中;
S4:判断OPEN列表是否为空,若OPEN列表中无节点,则表示路径规划失败,该算法结束;若有节点,则转至S5;
S5:选取OPEN列表中代价函数具有最小值的节点n,并将其放入CLOSE列表中,计算当前节点到终点条件下的权重影响因子X并更新代价函数/>;
S6:判断启发函数是否为0,若为0则表示已到达终点,路径规划成功;否则,还未到到达终点,则转至S7;
S7:继续扩展节点n,选择不在CLOSE列表中的节点,计算其代价函数值;
S8:判断扩展的子节点是否在OPEN列表中,若在,则转至S10;否则转至S9;
S9:将扩展的子节点放入OPEN列表中,将其设为节点n的子节点,然后转至S5;
S10:绘制出改进自适应权重A*算法获得的初始路径。
5.根据权利要求4所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:S1所述的权重影响因子具体由以下公式求出:
式中,n代表当前节点到终点搜索范围内障碍物所占栅格数;N代表当前节点到终点搜索范围内栅格总数;m代表当前节点到终点搜索范围内障碍物的个数;L为规划环境中任意两点可构成的最大距离;l为当前节到终点的距离;C为当前节点到终点搜索范围内障碍物可形成的最大总边长;c为当前节点到终点搜索范围内障碍物总边长;δ、ε、ζ、η为调节系数;k为灵敏度系数用来调节X变化的灵敏程度。
6.根据权利要求5所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:所述C为当前节点到终点搜索范围内障碍物可形成的最大总边长,具体由以下公式求出:
式中,a为单个栅格的宽度,N为当前节点到终点搜索范围内栅格总数。
7.根据权利要求4所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:S2所述的改进自适应权重A*算法的代价函数具体由以下公式求出:
8.根据权利要求4及权利要求7所述的一种基于改进自适应权重A*算法的AGV路径规划方法,其特征在于:所述具体由以下公式求出:
式中/>为当前节点的横坐标值,/>为当前节点的纵坐标值,为终点的横坐标值,/>为终点的纵坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821458.2A CN116700284A (zh) | 2023-07-06 | 2023-07-06 | 一种基于改进自适应权重a*算法的agv路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821458.2A CN116700284A (zh) | 2023-07-06 | 2023-07-06 | 一种基于改进自适应权重a*算法的agv路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116700284A true CN116700284A (zh) | 2023-09-05 |
Family
ID=87837450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821458.2A Pending CN116700284A (zh) | 2023-07-06 | 2023-07-06 | 一种基于改进自适应权重a*算法的agv路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700284A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553800A (zh) * | 2024-01-04 | 2024-02-13 | 深圳市乐骑智能科技有限公司 | Agv定位与路径规划方法及装置 |
-
2023
- 2023-07-06 CN CN202310821458.2A patent/CN116700284A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553800A (zh) * | 2024-01-04 | 2024-02-13 | 深圳市乐骑智能科技有限公司 | Agv定位与路径规划方法及装置 |
CN117553800B (zh) * | 2024-01-04 | 2024-03-19 | 深圳市乐骑智能科技有限公司 | Agv定位与路径规划方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111457927B (zh) | 动态障碍物下的无人巡航船多目标路径规划方法 | |
WO2017173990A1 (zh) | 一种机器人避障中的最短路径规划方法 | |
CN106125764B (zh) | 基于a*搜索的无人机路径动态规划方法 | |
CN113485369B (zh) | 改进a*算法的室内移动机器人路径规划和路径优化方法 | |
CN111678523B (zh) | 一种基于star算法优化的快速bi_rrt避障轨迹规划方法 | |
CN112033413B (zh) | 一种基于结合环境信息的改进a*算法的路径规划方法 | |
CN116700284A (zh) | 一种基于改进自适应权重a*算法的agv路径规划方法 | |
CN111256697B (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
Wu et al. | An adaptive conversion speed Q-learning algorithm for search and rescue UAV path planning in unknown environments | |
CN112465127B (zh) | 一种基于改进的生物启发神经网络的多智能体协同目标搜索方法 | |
CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN115357031A (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
CN115167474A (zh) | 一种移动机器人路径规划优化方法 | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
CN113048981A (zh) | 一种面向dem的无道路区域路径规划算法的方法 | |
CN114237302B (zh) | 一种基于滚动时域的三维实时rrt*航路规划方法 | |
CN113219990B (zh) | 基于自适应邻域与转向代价的机器人路径规划方法 | |
CN117571012B (zh) | 一种越野环境无人车辆全局路径规划方法、系统及设备 | |
Wang et al. | Path Planning for Mobile Robots Based on Improved A* Algorithm | |
Garip et al. | Path planning for multiple mobile robots in static environment using hybrid algorithm | |
CN116164753B (zh) | 矿山无人车路径导航方法和装置、计算机设备和存储介质 | |
CN116430874A (zh) | 一种基于改进袋獾算法的路径规划方法 | |
CN112101655B (zh) | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
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 |