CN117109607A - 基于路径标签标识和冲突搜索的多agv路径规划方法 - Google Patents
基于路径标签标识和冲突搜索的多agv路径规划方法 Download PDFInfo
- Publication number
- CN117109607A CN117109607A CN202210527580.4A CN202210527580A CN117109607A CN 117109607 A CN117109607 A CN 117109607A CN 202210527580 A CN202210527580 A CN 202210527580A CN 117109607 A CN117109607 A CN 117109607A
- Authority
- CN
- China
- Prior art keywords
- path
- agv
- task
- conflict
- 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 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于路径标签标识和冲突搜索的多AGV路径规划方法，该方法包括：柔性制造系统中央控制器根据用户订单规划生产任务，生成每台AGV的导航起始点、导航终点。如果路径轨迹标签数据库中存在该任务，则解析得到路径。否则使用基于冲突搜索(CBS)的多AGV路径规划求解器为每台AGV规划具体路径。每台AGV感知局部生产车间环境信息，根据规划出的路径执行动作。使用每台AGV在实际车间中执行该路径导航任务时的属性信息，为路径轨迹信息打上数据标签。更新路径轨迹标签数据库。本发明解决了现有的AGV路径规划方法需要消耗大量时间和算力成本的问题，路径轨迹标签数据库通过逐渐更新学习，规划出更加真实可靠的路径，有效地提高路径规划系统的准确性和高效性。
Description
技术领域
本发明涉及多AGV路径规划的技术领域，更具体地，一种对柔性制造系统中基于路径轨迹数据标签的多AGV路径规划方法。
背景技术
传统制造工厂需要向智能工厂转型，其中的首要任务即实现车间的无人化。自动引导车(Automated Guided Vehicle，简称AGV)作为一种运输工具，被广泛应用于制造设施、仓库和配送等环节中移动原材料或工具，是实现无人车间的重要环节，并逐渐发展成为现代物流加工自动化的有效手段。
多台AGV在多AGV协同任务调度方面对提升轨道交通的运转稳定性、工作效率、降低生产作业成本有着重要意义，是企业优实现装备自动化与管理信息化以及提升效益的必由之路。但是，随着任务量级的扩大以及可用AGV数量的增多，任务分配、AGV多车调度等问题的复杂度也提升，如何在固定场景中，为多个AGV规划无碰撞的最优任务调度是AGV的难点问题。
多AGV协同运输是在学习地图建立、环境特征的基础上，结合机器视觉，利用强化学习、场景理解等技术，对任务进行分析和分配，准确规划各个小车的路径，实现最优调度，以最低成本完成物料运输任务。多AGV协同任务调度、多AGV路径规划和自主导航、智能避障、仿真验证是协调多个AGV完成物料工具自动运输的研究重点。虽然已经取得了一定的成果，但仍存在多AGV间任务冲突，没有考虑动态环境等问题。
现有技术在处理多AGV避障与路径规划问题中，多采取栅格法进行地图建模，利用地图的先验知识，线下根据经验对碰撞冲突进行处理；但是，由于柔性制造车间的不确定性和非平稳行的动态特点，这些方法不足以适应于智能仓库中AGV作业环境：仓库管理员以及多AGV作为动态障碍物，在没有先验知识的情形下很难预估它们的移动路线从而避免碰撞。
发明内容
本发明的目的是：提供一种柔性制造车间环境下结合调度的路径标签标识技术的多AGV调度方法，提出了一种易于工程实现、快速高效的多AGV调度方法及系统，避免AGV之间的拥堵，降低AGV运输总时间，提高车间内物料运输效率。
本发明为实现上述目的所采用的技术方案是：基于路径标签标识和冲突搜索的多AGV路径规划方法，包括以下步骤：
步骤S1：根据用户订单规划生产任务，生成每台AGV的导航起始点、导航终点；
步骤S2：检索路径轨迹标签数据库；如果路径轨迹标签数据库中存在该任务，则解析得到路径；否则使用基于冲突搜索的多AGV路径规划为每台AGV规划路径；
步骤S3：每台AGV感知环境信息，根据规划出的路径执行动作；
步骤S4：使用每台AGV在实际车间中执行该路径任务时的属性信息，为路径轨迹信息打上数据标签；
步骤S5：根据数据标签更新路径轨迹标签数据库。
所述步骤S2中的基于冲突搜索的多AGV路径规划为每台AGV规划路径，包括以下步骤：
步骤S21：采用栅格法，将真实生产车间环境构建为计算机可识别的栅格地图，其中的每个栅格作为一个路径节点；
步骤S22：构建冲突搜索树；其中，冲突树中每个结点保存3个信息，包括：约束集存储冲突约束三元组(agvi,v,t)，表示AGV i在t时刻不能占据路径节点 v；解集存储每台AGV的路径集；代价值存储所有AGV路径的代价值；
其中，使用A*路径规划算法分别为每台AGV生成最短路径，将路径保存到冲突搜索树根节点的解集中，计算根节点路径代价值；将根节点加入到Open表中；
步骤S23：检查Open表是否为空，如果为空，则问题没有解；如果不为空，则进行步骤S24；
步骤S24：选择Open表中代价值最小的节点进行冲突检测；当代价值最小的节点为多个时，任意选择其中一个节点进行冲突检测；
在该节点中，检查任意两台AGV生成的路径是否存在冲突；如果存在冲突，将两台AGV分别添加不同的冲突约束条件，该节点生成两个子节点；
步骤S25：对于生成的子节点考虑冲突约束条件，重新使用A*路径规划算法规划路径生成解集，并计算代价值，更新生成的子节点；将更新生成的子节点加入到Open表中；并删除Open表中进行冲突检测的节点；
步骤S26：重复步骤S23～和步骤S25，直到检测到某个节点中路径解集没有冲突，则得到解集。
所述栅格的大小大于AGV尺寸。
所述步骤S4中的使用每台AGV在实际车间中执行该路径任务时的属性信息，为路径轨迹信息打上数据标签，包括以下步骤：
步骤S41：获取多台AGV任务执行时的属性信息；
步骤S42：基于预创建的标识编码规范和路径运行属性信息，生成该次任务的路径标识编码作为数据标签；以使得通过对任务标识编码进行解析获得相应的数据。
所述步骤S5：根据数据标签更新路径轨迹标签数据库，包括以下步骤：
步骤S51：如果路径轨迹标签数据库中不存在该任务的数据标签，则将步骤 S4中的数据标签存储到数据库中；
步骤S52：如果路径轨迹数据库中存在该任务数据标签，获取数据库中的该任务数据标签，解析实际完工时间和路径长度，与本次执行任务的路径长度和运行时间进行比较；
步骤S53：若本次执行任务的实际完工时间和路径长度至少任意一个小于路径轨迹标签数据库中相同任务的实际完工时间和路径长度，则更新数据库中该任务数据标签；否则舍弃。
所述属性信息包括：任务类型、各AGV的起终点、路径节点、运行时间和路径长度。
所述数据标签包括：车间编号、任务标号、AGV数量、运行时间、路径长度、路径轨迹。
本发明具有以下有益效果及优点：
1.现有的多AGV路径规划方法中每次通过路径规划算法重新生成路径，产生的路径轨迹执行完毕后则被抛弃，本发明提出的方法，在多AGV路径规划系统中产生的路径轨迹，为每次算法计算出的路径轨迹数据进行存储，并存储AGV在执行该路径轨迹时的实际运行时间，并根据每次任务的起终点、任务类型、时间、工件数量等因素进行分类，打上数据标签，路径轨迹标签数据库多次执行任务后，逐渐拟合真实生产车间的实际环境，生成更准确的路径轨迹。
2.此外，路径轨迹标签为其他时刻提供AGV在该生产车间的调度信息，提供 AGV执行任务的运行生命周期数据，便于后期对于加工工件及AGV的调度信息回溯，实现数据的复用及快速采集和上报。
附图说明
图1本发明的一种基于路径轨迹标签标识和基于冲突搜索的多AGV路径规划方法流程示意图；
图2本发明中基于冲突搜索的多AGV路径规划求解器的流程示意图；
图3本发明的基于冲突算法应用于具体场景的路径规划过程。
图4本发明的路径轨迹信息打上数据标签流程图。
图5本发明的预定义的预创建的标识编码规范示意图。
图6本发明的更新路径轨迹标签数据库流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明公开了一种基于路径轨迹标签标识和基于冲突搜索的多AGV路径规划方法，该方法包括：柔性制造系统中央控制器根据用户订单规划生产任务，生成每台AGV的导航起始点、导航终点。如果路径轨迹标签数据库中存在该任务，则解析得到路径。否则使用基于冲突搜索(CBS)的多AGV路径规划求解器为每台AGV规划具体路径。每台AGV感知局部生产车间环境信息，根据规划出的路径执行动作。使用每台AGV在实际车间中执行该路径导航任务时的属性信息，包括：本次任务的任务类型、各AGV的起终点、路径节点、运行时间和路径长度等，基于预创建的标识编码规范和路径运行属性信息为路径轨迹信息打上数据标签。更新路径轨迹标签数据库。本发明解决了现有的AGV路径规划方法需要消耗大量时间和算力成本的问题，路径轨迹标签数据库通过逐渐更新学习，规划出更加真实可靠的路径，有效地提高路径规划系统的准确性和高效性。
如图1所示，本发明实施例提供的一种基于路径轨迹标签标识和基于冲突搜索的多AGV路径规划方法，包括下述步骤：
步骤S1：柔性制造系统中央控制器根据用户订单规划生产任务，生成每台 AGV的导航起始点、导航终点。
步骤S2：检索路径轨迹标签数据库，如果路径轨迹标签数据库中存在该任务，则解析得到路径。否则使用基于冲突搜索(CBS)的多AGV路径规划求解器为每台AGV规划具体路径。
步骤S3：每台AGV感知局部生产车间环境信息，根据规划出的路径执行动作。
步骤S4：使用每台AGV在实际车间中执行该路径导航任务时的属性信息，包括：本次任务的任务类型、各AGV的起终点、路径节点、运行时间和路径长度等，为路径轨迹信息打上数据标签。
步骤S5：更新路径轨迹标签数据库。
如图2所示，步骤S2中的基于冲突搜索的多AGV路径规划求解器算法流程图，包括：
步骤S21：采用栅格法，栅格的大小以AGV自身尺寸为准，将真实生产车间环境构建为计算机可识别的栅格地图，栅格范围内不包含工位等障碍物的栅格称为自由栅格；反之，称为障碍栅格。
步骤S22：构建冲突搜索树。其中，冲突树中每个结点保存3个信息，1.约束集constrains存储冲突约束三元组(agvi,v,t)，表示AGV i在t时刻不能占据路径节点v。2.解集solutions存储每台AGV的路径集。3.代价值cost存储所有AGV 路径的代价值，例如使用路径长度表示代价值。根节点约束集为空，使用A*路径规划算法分别为每台AGV生成最短路径，将路径保存到冲突搜索树根节点的解集中，计算根节点路径代价值。将根节点加入到Open表中，
步骤S23：检查Open表是否为空，如果为空，则问题没有解。如果不为空，则进行步骤S24。
步骤S24：选择Open表中代价值最小的节点进行冲突检测，两两检查生成的路径与其他路径是否存在冲突。如果存在冲突，将两台AGV分别添加不同的冲突约束条件，冲突搜索树分别生成两个子节点，以保准后续规划会解决此冲突。
步骤S25：在子节点中考虑冲突约束条件，重新使用A*路径规划算法规划路径生成解集，此时的规划会考虑已添加的约束，解决已检测到的冲突，计算代价值。将生成的子节点加入到Open表，将刚刚进行冲突检测的节点从Open表中弹出。
步骤S26：重复步骤S23～步骤S25，直到检测到某个节点中路径解集没有冲突，则得到解集。
如图3所示，以两台AGV在一个具体的地图场景来完整地描述基于冲突算法的路径规划过程，考虑如图3左图所示的3×3的栅格地图场景，其中AGV1的起始位置为[C,1],目标位置为[A,3]；AGV2的起始位置为[C,3]，目标位置为[A,3]； [B,1][B,3]为障碍物，AGV不可通行。
首先，构建冲突搜索树根节点，如图3右图所示，根节点的冲突集constrains 为空。使用A*算法分别为AGV1和AGV2规划从起始点到达目标位置的最短路径解，AGV1的最短路径为{[C,1],[C,2],[B,2],[A,2],[A,3]},AGV2的最短路径为 {[C,3],[C,2],[B,2],[A,2],[A,1]}，加入到解集solution中。计算根节点的代价值cost为8。
然后，将根节点加入到Open表中，对根节点的解集进行冲突检测。AGV1和 AGV2首先在t＝2时刻，在[C,2]路径节点发生冲突，对AGV1添加约束 constrains＝{(agv1,[C,2],2)}，即AGV1在t＝2时刻不能占用[C,2]节点，对AGV2 添加约束constrains＝{(agv2,[C,2],2)},即AGV2在t＝2时刻，不能占用C,2]节点，生成两个子节点。
左节点考虑约束constrains＝{(agv1,[C,2],2)}使用A*求解，得到解集，计算代价值cost为9；右节点考虑约束constrains＝{(agv2,[C,2],2)}，使用A*求解，得到解集，代价值为9。将两个节点加入到Open表中，并将根节点从Open表中弹出。
取Open表中代价值最小的节点，两个节点值相同随机取其中一个，以左节点为例，继续对解集solution两两检测冲突，此时不存在冲突，则此节点为目标节点，解集为最优解。
如图4所示，步骤S4中的使用每台AGV在实际车间中执行该路径导航任务时的属性信息，为路径轨迹信息打上数据标签，包括：
步骤S41：获取多台AGV任务执行时的属性信息，包括任务中的每台AGV的起终点、任务类型、路径节点、运行时间和路径长度等。
步骤S42：基于预创建的标识编码规范和路径运行属性信息，生成该次任务的路径标识编码。
步骤S43：将任务属性信息写入该次任务的任务标识编码，以使得通过对任务标识编码进行解析获得相应的数据。
如图5所示，本发明实施例的预创建的标识编码规范示意图。此编码规则生成的标签的位数不是固定不变的，而是根据订单任务的AGV数量生成的。
如图6所示，所述步骤S5：更新路径轨迹标签数据库，包括：
步骤S51：如果路径轨迹标签数据库中不存在该任务数据标签，则将步骤S4 中的路径轨迹标签存储到数据库中。
步骤S52：如果路径轨迹数据库中存在该任务数据标签，解析获取数据库中的实际完工时间和路径长度，与本次执行任务的路径长度和运行时间进行比较。
步骤S53：若优于路径轨迹标签数据库，则更新数据库信息。否则舍弃。
Claims (7)
1.基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，包括以下步骤：
步骤S1：根据用户订单规划生产任务，生成每台AGV的导航起始点、导航终点；
步骤S2：检索路径轨迹标签数据库；如果路径轨迹标签数据库中存在该任务，则解析得到路径；否则使用基于冲突搜索的多AGV路径规划为每台AGV规划路径；
步骤S3：每台AGV感知环境信息，根据规划出的路径执行动作；
步骤S4：使用每台AGV在实际车间中执行该路径任务时的属性信息，为路径轨迹信息打上数据标签；
步骤S5：根据数据标签更新路径轨迹标签数据库。
2.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，所述步骤S2中的基于冲突搜索的多AGV路径规划为每台AGV规划路径，包括以下步骤：
步骤S21：采用栅格法，将真实生产车间环境构建为计算机可识别的栅格地图，其中的每个栅格作为一个路径节点；
步骤S22：构建冲突搜索树；其中，冲突树中每个结点保存3个信息，包括：约束集存储冲突约束三元组(agvi,v,t)，表示AGV i在t时刻不能占据路径节点v；解集存储每台AGV的路径集；代价值存储所有AGV路径的代价值；
其中，使用A*路径规划算法分别为每台AGV生成最短路径，将路径保存到冲突搜索树根节点的解集中，计算根节点路径代价值；将根节点加入到Open表中；
步骤S23：检查Open表是否为空，如果为空，则问题没有解；如果不为空，则进行步骤S24；
步骤S24：选择Open表中代价值最小的节点进行冲突检测；当代价值最小的节点为多个时，任意选择其中一个节点进行冲突检测；
在该节点中，检查任意两台AGV生成的路径是否存在冲突；如果存在冲突，将两台AGV分别添加不同的冲突约束条件，该节点生成两个子节点；
步骤S25：对于生成的子节点考虑冲突约束条件，重新使用A*路径规划算法规划路径生成解集，并计算代价值，更新生成的子节点；将更新生成的子节点加入到Open表中；并删除Open表中进行冲突检测的节点；
步骤S26：重复步骤S23～和步骤S25，直到检测到某个节点中路径解集没有冲突，则得到解集。
3.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，所述栅格的大小大于AGV尺寸。
4.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，所述步骤S4中的使用每台AGV在实际车间中执行该路径任务时的属性信息，为路径轨迹信息打上数据标签，包括以下步骤：
步骤S41：获取多台AGV任务执行时的属性信息；
步骤S42：基于预创建的标识编码规范和路径运行属性信息，生成该次任务的路径标识编码作为数据标签；以使得通过对任务标识编码进行解析获得相应的数据。
5.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，其特征在于，所述步骤S5：根据数据标签更新路径轨迹标签数据库，包括以下步骤：
步骤S51：如果路径轨迹标签数据库中不存在该任务的数据标签，则将步骤S4中的数据标签存储到数据库中；
步骤S52：如果路径轨迹数据库中存在该任务数据标签，获取数据库中的该任务数据标签，解析实际完工时间和路径长度，与本次执行任务的路径长度和运行时间进行比较；
步骤S53：若本次执行任务的实际完工时间和路径长度至少任意一个小于路径轨迹标签数据库中相同任务的实际完工时间和路径长度，则更新数据库中该任务数据标签；否则舍弃。
6.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，所述属性信息包括：任务类型、各AGV的起终点、路径节点、运行时间和路径长度。
7.根据权利要求1所述的基于路径标签标识和冲突搜索的多AGV路径规划方法，其特征在于，所述数据标签包括：车间编号、任务标号、AGV数量、运行时间、路径长度、路径轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527580.4A CN117109607A (zh) | 2022-05-16 | 2022-05-16 | 基于路径标签标识和冲突搜索的多agv路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527580.4A CN117109607A (zh) | 2022-05-16 | 2022-05-16 | 基于路径标签标识和冲突搜索的多agv路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117109607A true CN117109607A (zh) | 2023-11-24 |
Family
ID=88811524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210527580.4A Pending CN117109607A (zh) | 2022-05-16 | 2022-05-16 | 基于路径标签标识和冲突搜索的多agv路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117109607A (zh) |
-
2022
- 2022-05-16 CN CN202210527580.4A patent/CN117109607A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| Goyal et al. | A new approach of path planning for mobile robots | |
| CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及系统 | |
| CN111444599A (zh) | 一种agv项目仿真与监控方法及系统 | |
| US20200039071A1 (en) | Systems and methods for semantic knowledge based dynamic utility calculation | |
| CN116777187B (zh) | 一种多路巡检智能中控调度方法及调度平台 | |
| Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
| Forte et al. | Online task assignment and coordination in multi-robot fleets | |
| CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
| CN117109607A (zh) | 基于路径标签标识和冲突搜索的多agv路径规划方法 | |
| Yongxiang et al. | Improvement and application of heuristic search in multi-robot path planning | |
| Zhang et al. | AGVs Route Planning Based on Region‐Segmentation Dynamic Programming in Smart Road Network Systems | |
| Fan et al. | Research and implementation of multi-robot path planning based on genetic algorithm | |
| CN114493457B (zh) | 一种自动化立体仓储的智能控制方法及系统 | |
| CN114186755A (zh) | 一种可视化智慧物流动态优化管控方法及系统 | |
| Zhang et al. | Multi-AGVs pathfinding based on improved jump point search in logistic center | |
| Oliveira et al. | Multi-constrained voronoi-based task allocator for smart-warehouses | |
| Huang et al. | Dynamic task sequencing of manipulator by Monte Carlo tree search | |
| Tao et al. | Multi-AGV pathfinding for automatic warehouse applications | |
| US20220067640A1 (en) | A method for controlling a management system and related electronic device | |
| Fu et al. | Research on the optimal sorting path of intelligent logistics warehouse | |
| Maderna et al. | Robust real-time monitoring of human task advancement for collaborative robotics applications | |
| CN114595607B (zh) | 一种数字孪生纺织条桶输送方法及系统 | |
| Li et al. | A reinforcement learning-based hyper-heuristic for AGV task assignment and route planning in parts-to-picker warehouses |
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 |