CN117232517A - 用于电力行业仓储场景的多移动工业机器人路径规划方法 - Google Patents
用于电力行业仓储场景的多移动工业机器人路径规划方法 Download PDFInfo
- Publication number
- CN117232517A CN117232517A CN202311121164.5A CN202311121164A CN117232517A CN 117232517 A CN117232517 A CN 117232517A CN 202311121164 A CN202311121164 A CN 202311121164A CN 117232517 A CN117232517 A CN 117232517A
- Authority
- CN
- China
- Prior art keywords
- robot
- mobile robot
- task
- mobile
- algorithm
- 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 72
- 239000011232 storage material Substances 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 41
- 239000000463 material Substances 0.000 claims description 35
- 230000033001 locomotion Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009514 concussion Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 6
- 101150009249 MAP2 gene Proteins 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 101150064138 MAP1 gene Proteins 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 231100000817 safety factor Toxicity 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于电力行业仓储场景的多移动工业机器人路径规划方法,其中S7,移动机器人执行任务结束时通过当前机器人任务队列查看是否存在未完成的任务,如果存在队列中的任务,默认接收并开启新任务,重新执行S4的相关指令;反之机器人采取返回充电桩策略,机器人行进路径通过S5的相关指令优化后返回充电桩,对上层移动机器人业务控制系统进行异步式任务完成反馈,修改机器人当前工作状态为空闲,完成电力行业仓储物料场景下的移动机器人基本业务。本发明不仅大幅提高了电力行业仓储物流环境中移动机器人的作业效率,同时还为电力行业仓储物流环境的多移动机器人任务并行的智能化管理提供了一种有效的解决方案。
Description
技术领域
本发明属于工业机器人路径规划技术领域,涉及一种用于电力行业仓储场景的多移动工业机器人路径规划方法。
背景技术
在电力行业的仓储物流场景中,移动机器人已经变得越来越普遍,这归功于它们在提高效率、精确度并减少人力资源消耗方面的潜力。然而,尽管移动机器人的应用前景光明,但如何有效地规划它们的路径以确保效率和安全性,依然是一个待解决的挑战。路径规划的复杂性源于需要考虑的多元因素。首先,电力行业中的仓储物流区域的空间布局往往是复杂且不规则的,这对路径规划提出了挑战。其次,移动机器人的物理特性,例如速度、尺寸和负载能力,任务完成时间也需要在路径规划中得到考虑。最后,对于多台移动机器人在同一区域共同作业,需要有路径规划碰撞避免策略的实现。
目前,在当前的电力行业仓储物流场景中,虽然移动机器人的应用已经取得了初步突破,但在调度策略和路径规划上仍存在一些挑战。首先,移动机器人在处理电力行业特有物资的作业时,无法实现针对性优化,这无疑对整体的仓储作业效率构成了一定的限制。其次,现行系统中多个移动机器人无法共享调度系统,这导致在路径规划过程中可能产生冲突,增加了碰撞的风险。此外,移动机器人只能依赖于基础的防碰撞策略进行规避,无法消除在特定情况下产生移动路径死锁的风险。考虑到以上的问题,我们认为电力行业仓储场景下的移动机器人执行效率仍有相当大的优化空间。
现有的路径规划方法通常采用一些经典的路径规划算法,如Dijkstra算法、基础A*算法等。然而,这些算法往往只适用于理论模型,无法充分处理实际问题的复杂性。例如,在动态环境下的路径规划和多机器人协同工作的路径规划中,这些算法常常显得力不从心。此外,这些方法往往无法实现对路径规划过程的优化,如最小化能耗、最短化路径或最大化工作效率等。因此,开发一个针对电力仓储行业的移动机器人路径规划系统及方法是当下的重要需求。
现有技术中包括一种基于深度强化学习的仓储系统多机器人路径规划方法,该该方法在处理多机器人路径规划问题中,首先定义了关键概念,如节点、状态、动作以及奖励回报。然后,通过选择适当的子目标点,由中央控制器计算每个机器人的状态。接下来,设计了一个基于深度强化学习方法的分布式多机器人路径规划器。在此基础上,我们计算损失函数,并对网络参数进行更新以优化规划器。最后,经过训练和调整的模型被应用于多机器人路径规划,实现了有效的任务调度和路径优化。
还包括基于改进蚁群算法的智能仓储机器人路径规划方法,该方法首先将柔性智能仓储环境的突发因素融合栅格法建立电子地图。其次将启发函数和信息素更新方式进行了优化,将路程因素,转弯因素,安全因素纳入启发函数,综合计算蚂蚁的转移概率,通过转移矩阵消除路径尖端现象,并通过信息素更新模型中三个参数分别控制路程因素、转弯因素、安全因素的权重,可以得到基于特定因素下的最优路径。最后,对智能仓储机器人的路径进行转角优化处理,使得智能仓储机器人的路径更加平滑,从而保证智能仓储机器人的运动稳定性。
还包括结构化环境下机器人路径规划方法和系统,在机器人运动的环境地图中,结合机器人实时航向角增加起点至运动终点的方向引导约束,对八方向A星算法的搜索节点进行精简;基于搜索节点精简后的八方向A星算法,根据所述环境地图的方向角启发函数和所述机器人的当前航向角,对所述机器人的路径进行规划。籍此,通过增加机器人运动时的方向引导约束,对搜索节点进行精简,有效提高了结构空间环境中,机器人路径的搜索效率;利用方向角启发函数,有效减少了机器人在结构化空间换进观众的转角度数,从而得到真正的最优路径,保证机器人可以快速行驶,最终减少机器人起点至终点的运行时间。
现有技术的缺点至少包括:
1.现有方案无法对根据特定物资类型尤其是电力行业相关专有物资对机器人路径规划算法进行优化;
2.现有方案无法对同一地图内的多台移动工业机器人协同管理,达成多任务情况下路径规划无冲突的情况;
3.现有方案对于移动机器人移动过程中的障碍物避免问题未得到有效解决;
4.现有方案对于电力行业仓储物流场景中机器人与移动机器人业务系统之间的通信方式、任务状态信息内容,以及移动路径规划中涉及的信息传递和反馈机制待改进优化。
发明内容
本发明能够处理实际环境的复杂性,优化路径规划过程,可以支持系统内注册的多移动机器人的路径规划防冲突,并且动态移动时具备基本碰撞避障功能,提高了在电力行业仓储物流场景中移动机器人的工作效率和整体业务流程的运营效率。
技术方案为包括以下步骤:
包括以下步骤:
S1,移动机器人调度系统的基本实现,包括:机器人的注册、机器人状态信息提交、机器人告警信息上报、机器人移动任务下发、机器人作业特定动作下发、机器人任务完成提交和机器人地图管理;
S2,对电力仓储场景地图进行绘制,利用移动机器人的传感器、视觉相机以及深度相机进行基础构建;
S3,将移动机器人载入到S2点地图中,安装充电桩,并设定与机器人匹配的充电桩位置,移动机器人自身状态正常后登录到移动机器人调度系统中;
S4,收到并执行移动机器人业务指令,执行相关业务动作,利用在移动任务中附带的电力仓储物资类型启用改进的启发式曼哈顿函数,动态修改权重系数实现改进式的A*算法而进行机器人路径规划算法处理;
S5,通过移动机器人调度系统获取其余机器人方位信息,以及执行移动任务或其他指令的当前状态,对该任务执行机器人路径碰撞避免算法,对当前规划的机器人任务行进路径冲突避免处理;
S6,移动机器人在沿着动态路径移动时启用基于人工势场法的障碍物避让算法,对行人或基础障碍选用绕路策略,进行障碍物避让和碰撞避免;
S7,移动机器人执行任务结束时通过当前机器人任务队列查看是否存在未完成的任务,如果存在队列中的任务,默认接收并开启新任务,重新执行S4的相关指令;反之机器人采取返回充电桩策略,机器人行进路径通过S5的相关指令优化后返回充电桩,对上层移动机器人业务控制系统进行异步式任务完成反馈,修改机器人当前工作状态为空闲,完成电力行业仓储物料场景下的移动机器人基本业务。
优选地,所述S3具体包括以下步骤:
S31,通过移动机器人的传感器读取数据后,通过视觉里程计估计两个时刻之间的相对运动;后端对视觉里程计的估计结果进行处理,以消除累积误差;利用前端与后端得到的运动轨迹,机器人建立地图;在回环检测中,考虑同一场景在不同时刻的图像,利用这些空间上的约束来进一步消除累积误差;
S32,移动机器人与移动机器人调度系统之间通过约定好的Socket通信协议进行高效通信;基于建立连接、握手和协议确定、数据传输、数据处理以及错误处理,移动机器人向移动机器人调度系统传输包括传感器数据、机器人状态、任务状态以及路径规划算法启用类型;实时监测移动机器人的基本状态和实时数据。
优选地,所述S4-S6均采用所实现的基于电力行业仓储场景下的改进A*算法,包括以下步骤:
S41,读取目前加载的适用于当前电力物流仓储场景下的仓库地图,将其转化为网格化地图,通过设置过滤函数P(x,y)和W(x,y)来消除导致路径不规则的无效节点;
S42,通过读取当前任务中传入的移动机器人任务基础数据,根据不同的电力物资相关的物料信息对评价函数的生成产生不同程度的影响,
加载移动式车型机器人的基本参数,其中移动机器人的车长为L,机器人的控制参数包括转向角与速度γ,机器人的基本状态参数为(x,y,θ),其中x、y为机器人在平面地图中的坐标,θ表示的是移动机器人在地图中的姿态角;
根据机器人控制角度与机器人基本参数可以机器人的转弯半径R,公式为:
其中,R为移动机器人转弯半径,L为移动机器人车身长度,为移动机器人实际运动中的转向角;
移动机器人的加速度由以下公式计算得出:
移动机器人的方向线速度公式为:
移动机器人的方向角速度公式为:
求得移动机器人的线速度与角速度后,即可得对应的最大转向角与移动机器人可支持的最大速率γmax,由于转向角度不能超过最大转向角,因此可以求得移动机器人最大的转弯半径R;
S43,根据电力物资特性计算移动机器人在改进后的A*算法中的启发式函数,以提供更加安全可靠高效的搜索路径;
具体的改进过的针对与电力物资特性的A*算法中的启发式函数:
f(n)=g(n)+w(n)*h(n)
其中,f(n)是节点n的评价函数,g(n)是在状态空间中从初始节点到节点n的实际代价,ω(n)是根据电力行业仓储物资与移动机器人基础相结合的增益权重系数,在无特定仓储物资的默认情况下可以保持为1,h(n)是从节点n到目标节点的最佳路径的估计代价;
最佳路径估计代价的计算公式为:
这里的xg与yg标识当前移动机器人的坐标点位,xn与yn表示目标点的坐标点位,ω(n)是增益权重系数,该权重系数以不同物资为基准而定;
S44,采用B样条曲线来平滑路径,B样条曲线提供一种平滑的方法来连接一系列的控制点;通过合适的基函数,曲线在控制点之间平滑过渡,得到一个连续且平滑的曲线;
具体为立方B样条曲线,得到公式如下:
公式中的P(t)为曲线上任意点,Pi为曲线路径上绘制出的每一个点,Fi,3(t)为基函数,定义了立方B样条的基础函数为预定义参数的三次方,通过预定义函数决定基函数带来的形状和位置,以确保曲线在控制点之间平滑过渡。
优选地,所述S5中包括移动机器人与业务系统交互获取其他机器人当前位置信息与基本任务信息,对于当前移动机器人已规划好的路径进行路径碰撞冲突比对,具体包括以下步骤:
S51,获取移动机器人调度系统中所有存活状态的机器人当前点位信息,包括地图具体坐标信息、方位信息、正在执行任务信息、A*路径规划信息、当前任务执行时间T及执行状态信息M;
S52,将上一步骤获取到的信息与当前通过改进后的A*算法规划的路径进行基于ECBS的改进算法进行比对,其中改进后的ECBS算法如下:
FOCAL={n∈OPEN|g(n)≤ω·gmin(n)}
其中,n为路径节点;OPEN列表为A*算法搜索当前节点的所有邻居节点的集合;g(n)为OPEN列表中节点n的从起点经由节点n到终点的代价估计;ω为基于电力物资基本参数获得的冲突检测参数;gmin(n)为OPEN列表中代价估计最小值;FOCAL列表中的节点按照每个节点机器人ai发生碰撞的次数进行排序,来决定该列表中节点的优先级;
在算法初始化阶段,首先计算所有机器人ai的解以及对应的总成本,并创建一个空的约束树CT;然后,每一轮从约束树中弹出成本最小的节点N,检查节点N是否存在碰撞;如果存在碰撞,生成两个子节点N1和N2,并且两个子节点都继承节点N的内容;接着,将碰撞分成两个约束,并将一个约束加入N1的约束树,将另一个约束加入N2的约束树;对于N1节点而言,机器人ai的约束发生了变化,因此判断出需要重新规划ai的路径;在重新规划时,需要在N1的约束树下进行路径规划;规划完成后,更新机器人ai的路径和成本,并将ai的节点插入优先队列OPEN列表中;然后,对N2节点执行相同的操作,直到取出的节点不再发生碰撞为止,此时返回节点N;通过上述优化,算法在每一轮迭代中都会考虑到碰撞情况,并对发生碰撞的节点进行拆分和重新规划,从而使得算法能够更好地处理碰撞问题,保证机器人的路径规划在遇到碰撞时得到有效处理,最终能够找到高效的路径规划解决方案;
S53,基于上一步的算法对移动机器人调度系统内不同机器人任务时间与任务路线进行碰撞可能性的判断,根据约束条件计算是否具有很大可能性发生碰撞,并输出碰撞可能发生的结果;;通过选择关键点导引滚动窗口至无障碍区域,在确定子目标后,系统评估其是否位于障碍物区域内,如果连续三个滚动窗口的子目标点均落在障碍物中,意味着机器人已接近障碍物,并可能产生振荡行为,在这种情况下,当前滚动窗口将根据所述流程图进行随机树的扩展,直至某个阶段满足特定条件即某一新节点p与pr(t)间的距离满足d(pr(t),p)≈R条件,随后路径规划自动终止;若机器人没有按照规划的路径移动到节点p,而是到达了关键节点pkey,并且关键节点pkey满足表达式中条件,此时会选择当前窗口内与全局目标点距离最远的节点作为随机节点;接着,以节点k为中心,进行下一轮的局部规划,并重置位于障碍物内的子模板点的计数器;
以下是对应的机器人震荡问题解决算法:
d(pkey,pgoal)=min(d(p,pgoal)|d(p,pr(t))≤R)
其中d(pkey,Pgoal)为经过重新修正后的移动机器人路径,pkey为关键点,Pgoal为目标点,p为当前移动的任意点位,pr(t)为机器人搜索半径内的单位;
S54,如果上一步判断出机器人移动路线可能发生冲突,通过A*算法进行移动机器人路线的修正,并将机器人路线修改信息进行广播,通知移动机器人调度系统,再由移动机器人调度系统通知到其它存活的机器人。
优选地,所述S6中机器人在沿着动态路径移动时避让碰撞时的具体步骤如下:
S61,在机器人执行移动任务途中,移动机器人的障碍物避免算法基于人工势场法实现在人工势场法的概念中,移动机器人在势场中的运动受到两种力的影响:吸引力和排斥力,吸引力使机器人向目标位置移动,而排斥力使机器人远离障碍物,目标位置会产生吸引力,而障碍物会产生排斥力,这两种力的矢量和决定了机器人的移动方向和速度,通过吸引力与排斥力计算总合力,通过动态的吸引力和排斥力实时改变合力矢量,使移动机器人其朝着合力方向移动;
S62,使用高幅度吸引力的方法,力在随机位置短暂地产生。
优选地,所述S7中在移动机器人完成移动任务和作业目标后,进行机器人作业结束动作,具体包括以下步骤:
S71,移动机器人完成任务会对移动机器人调度系统进行任务结束反馈上报,更新机器人当前的任务状态为空闲;
S72,移动机器人调度系统查询当前机器人是否存有待执行的任务队列;
S73,若存在队列中的任务,则在确认机器人基本状态无问题后接受新任务,重新执行S4,基于改进后的A*算法进行路径规划执行新任务;
S74,若无队列中的任务,则机器人通过改进后的A*算法计算返回充电桩的路线,路径中避免与有任务的移动机器人发生路径冲突
S75,移动机器人返回充电桩后更新自身回桩待机状态,等待移动机器人调度系统新的移动任务指令或关机指令。
本发明的有益效果至少包括:
1.本技术方案对于传统A*算法进行改进,通过引入不同电力系统物资的特征系数对启发式函数进行优化,实现电力仓储物资中多移动机器人路线规划效率的提升。支持对不同特征的电力系统物资进行动态的路径规划算法优化,提升在电力行业仓储物流场景下的移动机器人调度任务效率;
2.本技术方案对于电力行业仓储物流场景中的多移动机器人有基于ECBS的改进算法的任务路径冲突避免,提升多机器人协作效率;
3.本技术方案对电力行业中的仓储物流移动机器人动态行进过程中的障碍物避免进行优化,基于改进后的人工势场法进行障碍物避免。
4.本技术方案对电力仓储行业中特定移动机器人业务系统与移动机器人的交互具有一定程度的规约。
附图说明
图1为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的流程示意图;
图2为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的移动机器人场景建图;
图3为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的基于电力仓储场景改进A*算法完全流程图;
图4为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的仿真规划路径图;
图5为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的改进后的A*算法对比原A*算法对比图;
图6为本发明实施例的用于电力行业仓储场景的多移动工业机器人路径规划方法的多机器人路径冲突避免策略流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明为电力行业仓储物流环境中的移动工业机器人任务路径规划提供了一种全新的系统及方法,致力于解决在该环境中,多台移动机器人并行作业效率的低下问题。技术方案基于一种改进的A*算法,对电力系统中特殊物资(例如变压器、变电箱等)的数据进行特征识别和优化处理。为适应不同物资类型的业务,系统能够优化曼哈顿启发式系数,对于不同物资类型进行智能化针对处理。该系统进一步结合电力行业仓储业务的实际场景,制定基础地图,同时与机器人业务系统实时交互,以获取当前场景内其他移动机器人的位置信息和执行的任务内容。系统采用动态权重系数调整机制,以实现对电力行业仓储业务环境中移动机器人行为的优化。在机器人行进过程中,系统还可实施动态防碰撞策略,确保了机器人作业的安全性。此项技术方案不仅大幅提高了电力行业仓储物流环境中移动机器人的作业效率,同时还为电力行业仓储物流环境的多移动机器人任务并行的智能化管理提供了一种有效的解决方案。
为实现上述目的,本发明提供如下技术方案:一种用于电力行业仓储场景的移动机器人路径规划系统及方法,总体上分为适用于电力行业仓储场景的多移动机器人系统以及基于改进的A*算法适配的电力行业仓储场景下的动态路径规划基本实现。实现本技术方案分为以下几个步骤:
S1,移动机器人调度系统的基本实现。实现机器人的注册、机器人状态信息提交、机器人告警信息上报、机器人移动任务下发以及机器人作业特定动作下发、机器人任务完成提交,机器人地图管理模块等实现,可以使得多机器人使用同一个地图,加强地图中不同移动机器人的信息交互。系统可以根据机器人基本信息特征描绘出机器人性能特征,用于对改进后的A*算法做机器人特征参数指导,以及为机器人动态碰撞避免提供可靠关键数据。
S2,对电力仓储场景地图进行绘制,利用移动机器人的传感器、视觉相机以及深度相机等基础构建,使用SLAM技术使得机器人在电力仓储场景中进行定位并完成地图的创建。通过人工消除错误障碍物、标注禁行区等操作,对扫描好的电力仓储实景地图加以优化,并将创建好的地图上传到移动机器人调度系统的地图库中。
S3,将现有移动机器人载入到S2步骤中绘制的地图,安装充电桩,并设定与机器人匹配的充电桩位置,移动机器人自身状态正常后登录到移动机器人调度系统中。维持机器人心跳、位置等基本信息,保持机器人与业务系统的通信。
S4,收到并执行移动机器人业务指令,执行相关业务动作,如移动动作需要执行机器人移动动作,利用在移动任务中附带的电力仓储物资类型启用改进的启发式曼哈顿函数,动态修改权重系数实现改进式的A*算法而进行机器人路径规划算法处理,并通过算法解决了机器人行进途中的震荡问题与路径平滑规划问题。
S5,通过移动机器人调度系统获取其余机器人方位信息,以及执行移动任务或其他指令的当前状态,对该任务执行机器人路径碰撞避免算法,对当前规划的机器人任务行进路径冲突避免处理,可以根据不同情况以基于改进过的ECBS算法结合多种策略进行机器人移动路径冲突避免的处理。
S6,移动机器人在沿着动态路径移动时启用基于人工势场法的障碍物避让算法,对行人或基础障碍选用绕路策略,进行障碍物避让、碰撞避免等处理。
S7,移动机器人执行任务结束时通过当前机器人任务队列查看是否存在未完成的任务。如果存在队列中的任务,默认接收并开启新任务,重新执行步骤S4的相关指令。反之机器人采取返回充电桩策略,机器人行进路径通过步骤S5的相关指令优化后返回充电桩,对上层移动机器人业务控制系统进行异步式任务完成反馈,修改机器人当前工作状态为空闲,完成电力行业仓储物料场景下的移动机器人基本业务。
对于这种用于电力行业仓储场景下的多移动工业机器人路径规划系统及方法的总体程序流程参见图1:
S3中机器人建图的详细步骤包括:
S31,通过机器人传感器读取数据后,通过视觉里程计估计两个时刻之间的相对运动。接着,后端对视觉里程计的估计结果进行处理,以消除累积误差。利用前端与后端得到的运动轨迹,机器人建立地图。在回环检测中,考虑了同一场景在不同时刻的图像,利用这些空间上的约束来进一步消除累积误差。这样的设计使得机器人能够在建图过程中更准确地感知环境并生成可靠的地图。
其中机器人场景建图(仿真)情况如图2所示,图中原点定位为机器人所在的充电桩位置,机器人通过图像传感识别配合自身移动可以迅速有效地建立电力仓库场景中的具体地图。
S32,移动机器人与移动机器人调度系统之间通过约定好的Socket通信协议进行高效通信。基于建立连接、握手和协议确定、数据传输、数据处理以及错误处理等基本步骤,移动机器人能够向调度系统传输包括传感器数据(如激光雷达、距离传感器等)、机器人状态(包括位置、姿态、电量等信息)、任务状态(包括任务执行时间、任务起始点位、任务目标点位、执行任务物资类型等信息)以及路径规划算法启用类型等在内的关键信息。通过这种通信方式,业务系统能够实时监测移动机器人的基本状态,从而更加高效地进行任务调度和资源优化。移动机器人调度系统可以及时获得移动机器人的实时数据,使其能够更准确地响应变化的工作环境,从而实现更加智能化和灵活的调度决策。
S4,S5,S6所实现的基于电力行业仓储场景下的改进A*算法流程可以由如下流程图概览:
参见图3,S4中移动机器人采用改进式的A*算法进行路径规划详细步骤包括:
S41,读取目前加载的适用于当前电力物流仓储场景下的仓库地图,将其转化为网格化地图,通过设置过滤函数P(x,y)和W(x,y)来消除导致路径不规则的无效节点。
S42,通过读取当前任务中传入的移动机器人任务基础数据,根据不同的电力物资相关的物料信息对评价函数的生成产生不同程度的影响。
以下加载移动式车型机器人的基本参数,其中移动机器人的车长为L,机器人的控制参数包括转向角φ与速度γ,机器人的基本状态参数为(x,y,θ),其中x、y为机器人在平面地图中的坐标,θ表示的是移动机器人在地图中的姿态角。
根据机器人控制角度与机器人基本参数可以机器人的转弯半径R,公式如下:
其中,R为移动机器人转弯半径,L为移动机器人车身长度,φ为移动机器人实际运动中的转向角。
移动机器人的加速度θ可以由以下公式计算得出:
移动机器人的x方向线速度公式为:
移动机器人的y方向角速度公式为:
求得移动机器人的线速度与角速度后,即可得对应的最大转向角φmax与移动机器人可支持的最大速率γmax,由于转向角度不能超过最大转向角,因此可以求得移动机器人最大的转弯半径R。
S43,根据电力物资特性计算移动机器人在改进后的A*算法中的启发式函数。以提供更加安全可靠高效的搜索路径。
以下是改进过的针对与电力物资特性的A*算法中的启发式函数:
f(n)=g(n)+w(n)*h(n)
其中,f(n)是节点n的评价函数,g(n)是在状态空间中从初始节点到节点n的实际代价,ω(n)是根据电力行业仓储物资与移动机器人基础相结合的增益权重系数,在无特定仓储物资的默认情况下可以保持为1,h(n)是从节点n到目标节点的最佳路径的估计代价。
最佳路径估计代价的计算公式为:
这里的xg与yg标识当前移动机器人的坐标点位,xn与yn表示目标点的坐标点位,ω(n)是增益权重系数,该权重系数以不同物资为基准而定。
与此相对应的,电力物资的体积与重量呈正相关,例如变电箱、变压器等较大型物资,其在改进后的电力仓储场景下的A*算法中所对应的启发函数权重系数ω(n)也相应增加。这样的调整能够在路径规划中提升电力大型物资设备的启发函数,从而提高路径规划的准确性,避免潜在事故的发生。而对于小型物资设备,仍保持较低的启发函数权重系数,以维持快速启发搜索的稳定特性。通过这样的优化,改进后的A*算法在电力仓储场景中能够更加智能地调整路径规划,确保大型物资设备安全高效地到达目的地,同时保持对小型物资设备的高效路径规划能力。
移动机器人的当前状态对于最终的增益权重系数ω(n)也产生着一定的影响。该影响是通过综合考虑机器人的移动速度、电量以及近期任务执行完成率等基本状态进行计算的。如果机器人的状态良好,例如移动速度较快、电量充足,以及任务执行表现较好,那么可以适当减小增益权重系数,以降低对启发式函数的影响。相反,如果机器人的状态较差,如移动速度慢、电量不足,或者任务执行较差,就可以适当增大增益权重系数,以加大对启发式函数的影响。通过动态调整增益权重系数,最终能够确保算法在合理的时间内找到高质量的解,从而提升任务完成效率。
图4中展示了一幅仿真规划路径图,描绘了移动机器人在电力物资仓库场景下的一种典型路径。从起始点(圆形标记)出发,机器人经过一系列步骤,最终抵达图中方块标记的特定仓位,呈现了基础路径规划的过程。这个图形生动地展示了机器人在仓库环境中的运动轨迹,以及如何根据规划路径高效地到达目标位置。
S44,本方案中改进的A*路径规划算法优化了大量拐点的问题。为了使路径更加平滑,这里引入了B样条曲线来平滑路径。B样条曲线提供了一种平滑的方法来连接一系列的控制点。通过合适的基函数,曲线可以在控制点之间平滑过渡,从而得到一个连续且平滑的曲线。
这里使用的是立方B样条曲线,得到公式如下:
公式中的P(t)为曲线上任意点,Pi为曲线路径上绘制出的每一个点,Fi,3(t)为基函数,定义了立方B样条的基础函数为预定义参数的三次方,通过预定义函数决定基函数带来的形状和位置,以确保曲线在控制点之间平滑过渡。
这种基于机器人当前状态的动态调整策略使得算法能够更加智能地适应不同的工作环境和机器人状态,从而在路径规划中取得更优的效果。通过灵活地调整增益权重系数,利用立方B样条曲线进行路线平滑优化,可以根据机器人状态的变化实时优化路径规划,使得机器人能够在实际应用中更高效、稳定地完成任务。
通过实验数据可以测得在电力行业物流仓储场景下,改进后的A*算法执行效率得到有效提升。实验数据中使用到的恒定数据,最大前向加速度γ1,max为1.5m/s,最大车轮旋转角加速度γ2,max为100°/s,最大转动角速度为50°,最大速度为γmax为4m/s,监测时长间隔Δt为0.1s,车身长度L为2m。
具体实施例中,S42中的针对于电力行业物资特性优化的改进式A*算法,基于电力物资类型增加的改进的启发函数动态权重系数。
S52中的在电力行业仓储物流场景中的改进ECBS算法,通过设定合适的下界以及次优因子,使得算法能够更好地处理碰撞问题,保证机器人的路径规划在遇到碰撞时得到有效处理。
所属S5中包括移动机器人与业务系统交互获取其他机器人当前位置信息与基本任务信息等,对于当前移动机器人已规划好的路径进行路径碰撞冲突比对,详细步骤如下:
S51,获取移动机器人调度系统中所有存活状态的机器人当前点位信息,包括地图具体坐标信息、方位信息、正在执行任务信息、A*路径规划信息、当前任务执行时间T及执行状态信息M。
S52,将上一步骤获取到的信息与当前通过改进后的A*算法规划的路径进行基于ECBS的改进算法进行比对,其中改进后的ECBS算法如下:
FOCAL={n∈OPEN g(n)≤ω·gmin(n)}
其中,n为路径节点;OPEN列表为A*算法搜索当前节点的所有邻居节点的集合;g(n)为OPEN列表中节点n的从起点经由节点n到终点的代价估计;ω为基于电力物资基本参数获得的冲突检测参数;gmin(n)为OPEN列表中代价估计最小值。FOCAL列表中的节点按照每个节点机器人ai发生碰撞的次数进行排序,来决定该列表中节点的优先级。
在算法初始化阶段,首先计算所有机器人ai的解以及对应的总成本,并创建一个空的约束树CT。然后,每一轮从约束树中弹出成本最小的节点N,检查节点N是否存在碰撞。如果存在碰撞,生成两个子节点N1和N2,并且两个子节点都继承节点N的内容。接着,将碰撞分成两个约束,并将一个约束加入N1的约束树,将另一个约束加入N2的约束树。对于N1节点而言,机器人ai的约束发生了变化,因此判断出需要重新规划ai的路径。在重新规划时,需要在N1的约束树下进行路径规划。规划完成后,更新机器人ai的路径和成本,并将ai的节点插入优先队列OPEN列表中。然后,对N2节点执行相同的操作,直到取出的节点不再发生碰撞为止,此时返回节点N。通过上述优化,算法在每一轮迭代中都会考虑到碰撞情况,并对发生碰撞的节点进行拆分和重新规划,从而使得算法能够更好地处理碰撞问题,保证机器人的路径规划在遇到碰撞时得到有效处理,最终能够找到高效的路径规划解决方案。
本方案通过使用ECBS算法和设定合适的下界以及次优因子,可以在机器人路径规划中高效地寻找到总成本最优的路径,同时保证了算法的快速收敛和高效性。低层焦点搜索策略列表的维护能够有效地帮助搜索过程集中在可能的最优解附近,从而进一步提高算法的效率和路径规划的质量。
S53,基于上一步的算法对移动机器人调度系统内不同机器人任务时间与任务路线进行碰撞可能性的判断,根据约束条件计算是否具有很大可能性发生碰撞,并输出碰撞可能发生的结果。为了避免机器人碰撞产生的震荡问题出现,本方案提出了一个方法策略,旨在通过选择关键点导引滚动窗口至无障碍区域。在确定子目标后,系统会评估其是否位于障碍物区域内。如果连续三个滚动窗口的子目标点均落在障碍物中,这通常意味着机器人已接近障碍物,并可能产生振荡行为。在这种情况下,当前滚动窗口将根据所述流程图进行随机树的扩展,直至某个阶段满足特定条件即某一新节点p与pr(t)间的距离满足d(pr(t),p)≈R条件,随后路径规划自动终止。然而,若机器人没有按照规划的路径移动到节点p,而是到达了关键节点pkey,并且关键节点pkey满足表达式中条件,此时会选择当前窗口内与全局目标点距离最远的节点作为随机节点。接着,以节点k为中心,进行下一轮的局部规划,并重置位于障碍物内的子模板点的计数器。
以下是对应的机器人震荡问题解决算法:
d(pkey,pgoal)=min(d(p,pgoal)|d(p,pr(t))≤R)
其中d(pkey,Pgoal)为经过重新修正后的移动机器人路径,pkey为关键点,Pgoal为目标点,p为当前移动的任意点位,pr(t)为机器人搜索半径内的单位。选择这类关键点的理由是为了减少子目标选择时的贪心性质,从而有效地引导机器人到更易于扩展的区域。
以k为窗口为圆心进行下一次的局部规划,并将子模板点位于障碍物的次数清零,重新开始判定。选择此类关键点的合理性在于弱化子目标选取时的贪心的特殊性质,可以使机器人引导向更加容易扩展的区域。这里将优化后的基于A*算法整体效率与原A*算法的效率进行了仿真对比,表1和图5所示。
表1
Item | Basic A*Algorithm | Improved Weighted A*Algorithm |
Map 1Path Length | 72.48m | 70.64m |
Map1 Key Points | 13 | 11 |
Map1 Completion Time | 25.17s | 23.66s |
Map2 Path Length | 55.73m | 55.21m |
Map2 Key Points | 10 | 10 |
Map2 Completion Time | 18.14s | 18.10s |
Map3 Path Length | 108.93m | 103.59m |
Map3 Key Points | 17 | 15 |
Map3 Completion Time | 33.85s | 30.98s |
Efficiency Ratio | 100% | 106.08% |
从图5和表1可以明显观察到,在实验中使用的基础数据下,经过对三张地图进行比较后,我们可以得出一个明确的结论:改进后的A算法明显优于原始A算法。以原始A算法的效率占比作为基准(100%),改进后的A算法效率提升至106%。这种优势主要体现在路径规划的总长度、关键点个数以及完成时间等三个关键要素上。具体而言,改进后的A*算法在规划路径长度方面表现更为出色,关键点个数相对减少,同时移动任务的完成时间也大幅缩短。
S54,如果上一步判断出机器人移动路线可能发生冲突,通过A*算法进行移动机器人路线的修正,并将机器人路线修改信息进行广播,通知移动机器人调度系统,再由移动机器人调度系统通知到其它存活的机器人。实现的多机器人碰撞避免策略流程图参见图6。
机器人在沿着动态路径时移动时避让碰撞时的具体步骤如下:
S61,在机器人执行移动任务途中,移动机器人的障碍物避免算法是基于人工势场法(Artificial Potential Field Method)实现的。在人工势场法的概念中,移动机器人在势场中的运动受到两种力的影响:吸引力和排斥力。吸引力使机器人向目标位置移动,而排斥力使机器人远离障碍物。目标位置会产生吸引力,而障碍物会产生排斥力。这两种力的矢量和决定了机器人的移动方向和速度。通过吸引力与排斥力计算总合力,通过动态的吸引力和排斥力实时改变合力矢量,使移动机器人其朝着合力方向移动。
S62,为了避免机器人在遇到复杂环境时陷入局部最小值,一种使用高幅度吸引力的方法,这种力会在随机位置短暂地产生,例如当障碍物距离目标位置过近时,可以使用提高随机排斥力来减少振荡并减少碰撞。
具体实施例中,S42中路径规划算法可以采用改进过的JPS跳点搜索算法解决;或采用改进过的D*或D*Lite算法解决;或采用改进过的DSD算法解决。
S52中机器人集群任务调度碰撞避免可以采用混合递归数RRT算法解决;或采用分布式的路径规划算法解决。
S61中障碍物避免可以使用遗传算法解决;或采用梯度下降法解决;或采用速度障碍法解决。
在机器人完成移动任务和作业目标后,需要进行机器人作业结束动作,以下是机器人任务结束时所执行的步骤:
S71,移动工业机器人完成任务会对移动机器人调度系统进行任务结束反馈上报,更新机器人当前的任务状态为空闲。
S72,移动机器人调度系统查询当前机器人是否存有待执行的任务队列。
S73,若存在队列中的任务,则在确认机器人基本状态无问题后接受新任务,重新执行S4相关步骤,基于改进后的A*算法进行路径规划执行新任务。
S74,若无队列中的任务,则机器人通过改进后的A*算法计算返回充电桩的路线,路径中避免与有任务的移动机器人发生路径冲突。
S75,移动机器人返回充电桩后更新自身回桩待机状态,等待移动机器人调度系统新的移动任务指令或关机指令。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于电力行业仓储场景的多移动工业机器人路径规划方法,其特征在于,包括以下步骤:
S1,移动机器人调度系统的基本实现,包括:机器人的注册、机器人状态信息提交、机器人告警信息上报、机器人移动任务下发、机器人作业特定动作下发、机器人任务完成提交和机器人地图管理;
S2,对电力仓储场景地图进行绘制,利用移动机器人的传感器、视觉相机以及深度相机进行基础构建;
S3,将移动机器人载入到S2点地图中,安装充电桩,并设定与机器人匹配的充电桩位置,移动机器人自身状态正常后登录到移动机器人调度系统中;
S4,收到并执行移动机器人业务指令,执行相关业务动作,利用在移动任务中附带的电力仓储物资类型启用改进的启发式曼哈顿函数,动态修改权重系数实现改进式的A*算法而进行机器人路径规划算法处理;
S5,通过移动机器人调度系统获取其余机器人方位信息,以及执行移动任务或其他指令的当前状态,对该任务执行机器人路径碰撞避免算法,对当前规划的机器人任务行进路径冲突避免处理;
S6,移动机器人在沿着动态路径移动时启用基于人工势场法的障碍物避让算法,对行人或基础障碍选用绕路策略,进行障碍物避让和碰撞避免;
S7,移动机器人执行任务结束时通过当前机器人任务队列查看是否存在未完成的任务,如果存在队列中的任务,默认接收并开启新任务,重新执行S4的相关指令;反之机器人采取返回充电桩策略,机器人行进路径通过S5的相关指令优化后返回充电桩,对上层移动机器人业务控制系统进行异步式任务完成反馈,修改机器人当前工作状态为空闲,完成电力行业仓储物料场景下的移动机器人基本业务。
2.根据权利要求1所述的方法,其特征在于,所述S3具体包括以下步骤:
S31,通过移动机器人的传感器读取数据后,通过视觉里程计估计两个时刻之间的相对运动;后端对视觉里程计的估计结果进行处理,以消除累积误差;利用前端与后端得到的运动轨迹,机器人建立地图;在回环检测中,考虑同一场景在不同时刻的图像,利用这些空间上的约束来进一步消除累积误差;
S32,移动机器人与移动机器人调度系统之间通过约定好的Socket通信协议进行高效通信;基于建立连接、握手和协议确定、数据传输、数据处理以及错误处理,移动机器人向移动机器人调度系统传输包括传感器数据、机器人状态、任务状态以及路径规划算法启用类型;实时监测移动机器人的基本状态和实时数据。
3.根据权利要求1所述的方法,其特征在于,所述S4-S6均采用所实现的基于电力行业仓储场景下的改进A*算法,包括以下步骤:
S41,读取目前加载的适用于当前电力物流仓储场景下的仓库地图,将其转化为网格化地图,通过设置过滤函数P(x,y)和W(x,y)来消除导致路径不规则的无效节点;
S42,通过读取当前任务中传入的移动机器人任务基础数据,根据不同的电力物资相关的物料信息对评价函数的生成产生不同程度的影响,
加载移动式车型机器人的基本参数,其中移动机器人的车长为L,机器人的控制参数包括转向角与速度γ,机器人的基本状态参数为(x,y,θ),其中x、y为机器人在平面地图中的坐标,θ表示的是移动机器人在地图中的姿态角;
根据机器人控制角度与机器人基本参数可以机器人的转弯半径R,公式为:
其中,R为移动机器人转弯半径,L为移动机器人车身长度,为移动机器人实际运动中的转向角;
移动机器人的加速度由以下公式计算得出:
移动机器人的方向线速度公式为:
移动机器人的方向角速度公式为:
求得移动机器人的线速度与角速度后,即可得对应的最大转向角与移动机器人可支持的最大速率γmax,由于转向角度不能超过最大转向角,因此可以求得移动机器人最大的转弯半径R;
S43,根据电力物资特性计算移动机器人在改进后的A*算法中的启发式函数,以提供更加安全可靠高效的搜索路径;
具体的改进过的针对与电力物资特性的A*算法中的启发式函数:
f(n)=g(n)+w(n)*h(n)
其中,f(n)是节点n的评价函数,g(n)是在状态空间中从初始节点到节点n的实际代价,ω(n)是根据电力行业仓储物资与移动机器人基础相结合的增益权重系数,在无特定仓储物资的默认情况下可以保持为1,h(n)是从节点n到目标节点的最佳路径的估计代价;
最佳路径估计代价的计算公式为:
这里的xg与yg标识当前移动机器人的坐标点位,xn与yn表示目标点的坐标点位,ω(n)是增益权重系数,该权重系数以不同物资为基准而定;
S44,采用B样条曲线来平滑路径,B样条曲线提供一种平滑的方法来连接一系列的控制点;通过合适的基函数,曲线在控制点之间平滑过渡,得到一个连续且平滑的曲线;
具体为立方B样条曲线,得到公式如下:
公式中的P(t)为曲线上任意点,Pi为曲线路径上绘制出的每一个点,Fi,3(t)为基函数,定义了立方B样条的基础函数为预定义参数的三次方,通过预定义函数决定基函数带来的形状和位置,以确保曲线在控制点之间平滑过渡。
4.根据权利要求3所述的方法,其特征在于,所述S5中包括移动机器人与业务系统交互获取其他机器人当前位置信息与基本任务信息,对于当前移动机器人已规划好的路径进行路径碰撞冲突比对,具体包括以下步骤:
S51,获取移动机器人调度系统中所有存活状态的机器人当前点位信息,包括地图具体坐标信息、方位信息、正在执行任务信息、A*路径规划信息、当前任务执行时间T及执行状态信息M;
S52,将上一步骤获取到的信息与当前通过改进后的A*算法规划的路径进行基于ECBS的改进算法进行比对,其中改进后的ECBS算法如下:
FOCAL={n∈OPEN|g(n)≤ω·gmin(n)}
其中,n为路径节点;OPEN列表为A*算法搜索当前节点的所有邻居节点的集合;g(n)为OPEN列表中节点n的从起点经由节点n到终点的代价估计;ω为基于电力物资基本参数获得的冲突检测参数;gmin(n)为OPEN列表中代价估计最小值;FOCAL列表中的节点按照每个节点机器人ai发生碰撞的次数进行排序,来决定该列表中节点的优先级;
在算法初始化阶段,首先计算所有机器人ai的解以及对应的总成本,并创建一个空的约束树CT;然后,每一轮从约束树中弹出成本最小的节点N,检查节点N是否存在碰撞;如果存在碰撞,生成两个子节点N1和N2,并且两个子节点都继承节点N的内容;接着,将碰撞分成两个约束,并将一个约束加入N1的约束树,将另一个约束加入N2的约束树;对于N1节点而言,机器人ai的约束发生了变化,因此判断出需要重新规划ai的路径;在重新规划时,需要在N1的约束树下进行路径规划;规划完成后,更新机器人ai的路径和成本,并将ai的节点插入优先队列OPEN列表中;然后,对N2节点执行相同的操作,直到取出的节点不再发生碰撞为止,此时返回节点N;通过上述优化,算法在每一轮迭代中都会考虑到碰撞情况,并对发生碰撞的节点进行拆分和重新规划,从而使得算法能够更好地处理碰撞问题,保证机器人的路径规划在遇到碰撞时得到有效处理,最终能够找到高效的路径规划解决方案;
S53,基于上一步的算法对移动机器人调度系统内不同机器人任务时间与任务路线进行碰撞可能性的判断,根据约束条件计算是否具有很大可能性发生碰撞,并输出碰撞可能发生的结果;;通过选择关键点导引滚动窗口至无障碍区域,在确定子目标后,系统评估其是否位于障碍物区域内,如果连续三个滚动窗口的子目标点均落在障碍物中,意味着机器人已接近障碍物,并可能产生振荡行为,在这种情况下,当前滚动窗口将根据所述流程图进行随机树的扩展,直至某个阶段满足特定条件即某一新节点p与pr(t)间的距离满足d(pr(t),p)≈R条件,随后路径规划自动终止;若机器人没有按照规划的路径移动到节点p,而是到达了关键节点pkey,并且关键节点pkey满足表达式中条件,此时会选择当前窗口内与全局目标点距离最远的节点作为随机节点;接着,以节点k为中心,进行下一轮的局部规划,并重置位于障碍物内的子模板点的计数器;
以下是对应的机器人震荡问题解决算法:
d(pkey,pgoal)=min(d(p,pgoal)|d(p,pr(t))≤R)
其中d(pkey,Pgoal)为经过重新修正后的移动机器人路径,pkey为关键点,Pgoal为目标点,p为当前移动的任意点位,pr(t)为机器人搜索半径内的单位;
S54,如果上一步判断出机器人移动路线可能发生冲突,通过A*算法进行移动机器人路线的修正,并将机器人路线修改信息进行广播,通知移动机器人调度系统,再由移动机器人调度系统通知到其它存活的机器人。
5.根据权利要求4所述的方法,其特征在于,所述S6中机器人在沿着动态路径移动时避让碰撞时的具体步骤如下:
S61,在机器人执行移动任务途中,移动机器人的障碍物避免算法基于人工势场法实现在人工势场法的概念中,移动机器人在势场中的运动受到两种力的影响:吸引力和排斥力,吸引力使机器人向目标位置移动,而排斥力使机器人远离障碍物,目标位置会产生吸引力,而障碍物会产生排斥力,这两种力的矢量和决定了机器人的移动方向和速度,通过吸引力与排斥力计算总合力,通过动态的吸引力和排斥力实时改变合力矢量,使移动机器人其朝着合力方向移动;
S62,使用高幅度吸引力的方法,力在随机位置短暂地产生。
6.根据权利要求5所述的方法,其特征在于,所述S7中在移动机器人完成移动任务和作业目标后,进行机器人作业结束动作,具体包括以下步骤:
S71,移动机器人完成任务会对移动机器人调度系统进行任务结束反馈上报,更新机器人当前的任务状态为空闲;
S72,移动机器人调度系统查询当前机器人是否存有待执行的任务队列;
S73,若存在队列中的任务,则在确认机器人基本状态无问题后接受新任务,重新执行S4,基于改进后的A*算法进行路径规划执行新任务;
S74,若无队列中的任务,则机器人通过改进后的A*算法计算返回充电桩的路线,路径中避免与有任务的移动机器人发生路径冲突
S75,移动机器人返回充电桩后更新自身回桩待机状态,等待移动机器人调度系统新的移动任务指令或关机指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311121164.5A CN117232517A (zh) | 2023-09-01 | 2023-09-01 | 用于电力行业仓储场景的多移动工业机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311121164.5A CN117232517A (zh) | 2023-09-01 | 2023-09-01 | 用于电力行业仓储场景的多移动工业机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117232517A true CN117232517A (zh) | 2023-12-15 |
Family
ID=89083589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311121164.5A Pending CN117232517A (zh) | 2023-09-01 | 2023-09-01 | 用于电力行业仓储场景的多移动工业机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117232517A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436675A (zh) * | 2023-12-20 | 2024-01-23 | 国网浙江省电力有限公司金华供电公司 | 用于绿色仓储园区的人车物出入智能策略生成方法及系统 |
CN117774007A (zh) * | 2024-02-27 | 2024-03-29 | 天津润华科技有限公司 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
-
2023
- 2023-09-01 CN CN202311121164.5A patent/CN117232517A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436675A (zh) * | 2023-12-20 | 2024-01-23 | 国网浙江省电力有限公司金华供电公司 | 用于绿色仓储园区的人车物出入智能策略生成方法及系统 |
CN117436675B (zh) * | 2023-12-20 | 2024-03-08 | 国网浙江省电力有限公司金华供电公司 | 用于绿色仓储园区的人车物出入智能策略生成方法及系统 |
CN117774007A (zh) * | 2024-02-27 | 2024-03-29 | 天津润华科技有限公司 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
CN117774007B (zh) * | 2024-02-27 | 2024-04-23 | 天津润华科技有限公司 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112325884B (zh) | 一种基于dwa的ros机器人局部路径规划方法 | |
CN111780777B (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN117232517A (zh) | 用于电力行业仓储场景的多移动工业机器人路径规划方法 | |
CN111240319B (zh) | 室外多机器人协同作业系统及其方法 | |
CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
CN102819264B (zh) | 移动机器人路径规划q学习初始化方法 | |
CN109947120B (zh) | 仓储系统中的路径规划方法 | |
Zhao et al. | The experience-memory Q-learning algorithm for robot path planning in unknown environment | |
CN111694364A (zh) | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 | |
CN113156980B (zh) | 一种基于深度强化学习的塔式起重机路径规划方法及系统 | |
Rappaport et al. | Coordinated recharging of mobile robots during exploration | |
Yang et al. | LF-ACO: An effective formation path planning for multi-mobile robot | |
CN114313878B (zh) | 一种面向物料传输平台的运动学建模与路径规划方法 | |
CN114442628B (zh) | 基于人工势场法的移动机器人路径规划方法、装置及系统 | |
Sundarraj et al. | Route planning for an autonomous robotic vehicle employing a weight-controlled particle swarm-optimized Dijkstra algorithm | |
CN114564008A (zh) | 基于改进A-Star算法的移动机器人路径规划方法 | |
CN117724524A (zh) | 一种基于改进球面向量粒子群算法的无人机航线规划方法 | |
Zhang et al. | Robot navigation with reinforcement learned path generation and fine-tuned motion control | |
Hao et al. | Automatic recharging path planning for cleaning robots | |
CN116774603B (zh) | 多agv协同调度仿真平台及仿真方法 | |
CN117055556A (zh) | 多机器人编队路径规划方法、装置、电子设备及存储介质 | |
Wang et al. | A partitioning-based approach for robot path planning problems | |
CN112987713A (zh) | 自动驾驶设备的控制方法、装置及存储介质 | |
Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
CN116203990A (zh) | 基于梯度下降法的无人机路径规划方法及系统 |
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 |