CN117494919A - 一种基于多机器人协同码垛作业的路径规划方法及装置 - Google Patents
一种基于多机器人协同码垛作业的路径规划方法及装置 Download PDFInfo
- Publication number
- CN117494919A CN117494919A CN202311505727.0A CN202311505727A CN117494919A CN 117494919 A CN117494919 A CN 117494919A CN 202311505727 A CN202311505727 A CN 202311505727A CN 117494919 A CN117494919 A CN 117494919A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- individual
- population
- robots
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 51
- 238000005457 optimization Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000013468 resource allocation Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 238000001514 detection method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
Abstract
本发明提供一种基于多机器人协同码垛作业的路径规划方法及装置，涉及路径规划技术领域，所述方法包括：根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；对种群中的每个个体，分别规划每个机器人的路径；计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。本发明实现了多机器人系统的高效协同，可以提高作业效率，缩短作业时间，降低作业成本。
Description
技术领域
本发明涉及路径规划技术领域，特别是指一种基于多机器人协同码垛作业的路径规划方法及装置。
背景技术
随着自动化程度的提高，多机器人系统广泛应用于各种作业场景中，实现不同机器人的协同配合，可以提高作业效率。针对多机器人的路径规划问题，已有一些相关技术：
例如，传统的基于预定时间表的方法，这类方法需要事先制定好每个机器人的详细操作时间表，指定机器人在不同时间应该执行何种动作，然后按照时间表执行，实现协同。这类方法依赖于人工经验，需提前确定所有可能情况，缺乏灵活性。
例如，基于优先级的方法，根据任务优先级和机器人优先级设置，高优先级机器人获得路径规划和资源使用权限，低优先级机器人需避让。这种方法简单直接，但无法实现真正协同，效率不高。
例如，基于任务分配的分层规划，首先进行任务分配，将任务分配给不同机器人，然后为每个机器人单独规划路径。这类方法无法考虑多个机器人之间相互影响，存在冲突。
发明内容
本发明要解决的技术问题是提供一种基于多机器人协同码垛作业的路径规划方法及装置，实现了多机器人系统的高效协同，可以提高作业效率，缩短作业时间，降低作业成本。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种基于多机器人协同码垛作业的路径规划方法，所述方法包括：
构建机器人协同作业环境；
根据机器人协同作业环境，建立机器人协同作业的约束条件；
根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
对种群中的每个个体，分别规划每个机器人的路径；
计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；
根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
进一步的，构建机器人协同作业环境，包括：
确定作业场地的物理范围和边界；
根据作业场地的物理范围和边界，构建作业场地的三维模型或二维地图，并确定场地内的静态障碍物位置；
确定作业目标位置，以及参与协同作业的机器人数量及每个机器人分别对应的技术参数；
确定每个机器人的初始位置，并为每个机器人建立运动学模型和运动约束；
构建动态障碍物的模型，并确定动态障碍物的运动规律；
构建机器人之间的通信机制，以实现信息共享和协同，集成各项设置，构成完整的多机器人协同作业环境。
进一步的，根据机器人协同作业环境，建立机器人协同作业的约束条件，包括：
分析多个机器人之间的空间约束关系；
获取机器人的运动参数，并根据运动参数，确定机器人的运动约束；
根据多个机器人之间的空间约束关系，以及机器人的运动约束，进行路径规划，生成每个机器人的初始路径方案；
分析作业流程，确定机器人之间的作业顺序约束；
根据所述初始路径方案以及作业顺序约束，进行作业顺序的调整，以得到优化顺序；
计算作业过程中物品的运输时间，确定机器人之间的时间约束关系；
根据作业目标的需求，确定机器人之间的优先级、资源分配以及负载能力约束条件；
根据优化顺序与时间约束关系以及机器人之间的优先级、资源分配以及负载能力约束条件，形成完整的约束条件。
进一步的，根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案，包括：
根据机器人协同作业环境中机器人的数量，确定种群中个体的数量；
对每个个体，根据确定的机器人数量，以及机器人的起止点、作业顺序约束，随机生成一组初始路径；
根据每个个体生成的初始路径，判断初始路径是否满足空间约束条件，若是，则通过初始路径，计算每个初始路径的长度，并作为初始路径的初始适应度；
根据所述初始适应度，获取适应度符合要求的个体，并保留到种群中；
重复操作，直到种群大小满足要求，对种群根据适应度进行排序，作为初始种群。
进一步的，对种群中的每个个体，分别规划每个机器人的路径，包括：
对种群中的每个个体，提取每个个体的路径方案；
针对每个个体的路径方案中的每个机器人，在机器人协同作业环境中进行路径规划，以得到新路径；
将所述新路径，更新到路径方案中对应的机器人上；
对种群中的每个个体重复操作，直到对每个个体中的所有机器人路径完成规划。
进一步的，计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径，包括：
检测环境变化，标识出新增的障碍物；
对种群中的每个个体，判断每个个体的路径是否与新增的障碍物产生冲突，若是，则在环境变化区域重新规划路径，生成修正路径；
将修正路径重新插入个体路径中，形成新的路径方案。
进一步的，根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径，包括：
根据适应度，进行交叉操作，生成新的种群；
对交叉得到的新种群进行变异操作，形成新种群；
在新种群中，对每个个体的路径进行局部优化，以得到优化路径；
根据优化路径，计算经过局部优化后的新种群中每个个体的新适应度；
根据新适应度，获取最终的个体并保留到下一代种群，直至满足终止条件；
从最终一代种群中选择最终的个体作为最终路径方案。
第二方面，一种基于多机器人协同码垛作业的路径规划装置，包括：
获取模块，用于构建机器人协同作业环境；根据机器人协同作业环境，建立机器人协同作业的约束条件；根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
处理模块，用于对种群中的每个个体，分别规划每个机器人的路径；计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，实现了多机器人系统的高效协同，可以提高作业效率，缩短作业时间，降低作业成本，实现了全局优化和局部优化的结合，使得路径规划更加精确高效，增加了动态调整机制，使路径规划能够快速适应环境变化，提高了鲁棒性，根据机器人之间的空间约束、时间约束、运动约束等多方面约束条件，使得生成路径更加符合实际需求；通过并行规划机器人路径，减少了计算时间，提高了路径规划的实时性。本发明计算量相对较小，易于工程实现，可以推广到各类多机器人协同作业场景中，可以持续优化路径方案，适应长时间作业，提高了多机器人系统的智能协同能力，有助于构建更加灵活高效的机器人作业系统。
附图说明
图1是本发明的实施例提供的基于多机器人协同码垛作业的路径规划方法的流程示意图。
图2是本发明的实施例提供的基于多机器人协同码垛作业的路径规划装置示意图。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种基于多机器人协同码垛作业的路径规划方法，所述方法包括：
步骤11，构建机器人协同作业环境；
步骤12，根据机器人协同作业环境，建立机器人协同作业的约束条件；
步骤13，根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
步骤14，对种群中的每个个体，分别规划每个机器人的路径；
步骤15，计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；
步骤16，根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
在本发明实施例中，实现了多机器人系统的高效协同，可以提高作业效率，缩短作业时间，降低作业成本，实现了全局优化和局部优化的结合，使得路径规划更加精确高效，增加了动态调整机制，使路径规划能够快速适应环境变化，提高了鲁棒性，根据机器人之间的空间约束、时间约束、运动约束等多方面约束条件，使得生成路径更加符合实际需求；通过并行规划机器人路径，减少了计算时间，提高了路径规划的实时性。本发明计算量相对较小，易于工程实现，可以推广到各类多机器人协同作业场景中，可以持续优化路径方案，适应长时间作业，提高了多机器人系统的智能协同能力，有助于构建更加灵活高效的机器人作业系统。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，确定作业场地的物理范围和边界；
步骤112，根据作业场地的物理范围和边界，构建作业场地的三维模型或二维地图，并确定场地内的静态障碍物位置；
步骤113，确定作业目标位置，以及参与协同作业的机器人数量及每个机器人分别对应的技术参数；
步骤114，确定每个机器人的初始位置，并为每个机器人建立运动学模型和运动约束；
步骤115，构建动态障碍物的模型，并确定动态障碍物的运动规律；
步骤116，构建机器人之间的通信机制，以实现信息共享和协同，集成各项设置，构成完整的多机器人协同作业环境。
在本发明实施例中确定作业场地的物理范围和边界，有利于构建精确的作业环境模型；构建场地的三维模型或二维地图，确定静态障碍物位置，可以直观反映作业环境，便于路径规划；确定作业目标位置，有利于路径规划算法快速搜索到正确的解空间；确定参与作业的机器人参数，可以建立准确的运动学模型，进行精确的路径规划；给每个机器人确定初始位置，避免与障碍物发生冲突，建立机器人运动约束模型，生成的路径方案可以满足机器人的运动能力，加入动态障碍物模型，使环境更加贴近实际，规划结果更可靠，构建机器人通信机制，有利于机器人之间的信息交换和协同配合。
在本发明另一优选的实施例中，上述步骤111，还可以包括：确定作业场地的尺寸，根据实际情况，测量或获取作业场地的长度、宽度和高度等尺寸信息。确定作业场地的边界，根据场地的实际布局，确定作业场地的边界线或边界区域，这可以是实际的物理边界，如墙壁、栅栏或其他障碍物，也可以是虚拟的边界，如在二维地图上定义的边界；确定特殊区域，根据作业场地的特点，确定是否存在特殊区域，如禁止进入的区域、限制区域或特殊作业区域等，这些特殊区域需要额外的约束条件或规则来限制机器人的行动；确定作业高度和空间限制，若作业涉及垂直方向的运动，则确定作业的高度限制，此外，根据机器人在作业过程中所需的空间，以确保机器人的运动和操作不会与其他物体或机器人发生碰撞。通过以上步骤，可以明确确定作业场地的物理范围和边界，这将有助于确保生成的路径方案在作业场地的实际约束条件下是可行的。
在本发明另一优选的实施例中，上述步骤112，还可以包括：构建作业场地的三维模型或二维地图，可以使用CAD软件构建三维模型，或使用SLAM算法建立二维环境地图；在模型或地图中标注场地的边界，根据确定的场地边界信息，在模型或地图中精确标注出边界线；标注静态障碍物的位置，对场地内的所有静态障碍物，包括墙壁、支柱、工作台等，在模型或地图中精确标注其位置信息；标注静态障碍物的几何尺寸，测量障碍物的大小，在模型或地图中标注其长度、宽度和高度信息；对重要障碍物建模，对于影响路径规划的主要大型障碍物，在模型中建立其三维几何模型；检查信息精确性，核对模型或地图中的信息与实际场地的符合程度，确保精度；转换为路径规划所需数据格式，将模型或地图转换为算法可以直接使用的数字格式数据。通过这些步骤，可以构建出精确反映实际作业场地的环境模型，为后续的路径规划算法提供精确的静态环境信息。
在本发明另一优选的实施例中，上述步骤113，还可以包括：分析作业需求，确定作业的目标位置，这可以是一个精确的坐标点，也可以是一个区域；根据作业规模和复杂度，确定需要的机器人数量，可以根据任务量评估需要的机器人数量；确定每一个参与作业的机器人型号及其技术参数，包括机器人的运动范围、自由度、最大速度、最大加速度、负载能力等参数；记录每个机器人的参数及编号，建立参数数据库，数据库中存储每台机器人的详细参数数据；在三维模型或二维地图中标注每个机器人的初始位置，确保位置信息准确；确定机器人之间的协作方式和优先级，根据作业需求，确定机器人协同方式。通过上述步骤，可以获取路径规划所需的重要输入信息，包括作业目标、参与机器人及其参数等。
在本发明另一优选的实施例中，上述步骤114，还可以包括：在作业场地模型中为每个机器人确定合适的初始位置，位置应避开障碍物并考虑机器人间干扰。测量并记录每个机器人初始位置的精确坐标值，坐标系统应与作业场地模型一致。根据机器人的型号参数，建立其运动学模型，包括机器人的自由度、关节范围、关节速度等信息。在运动学模型中加入关节角和速度的限制，确定每个关节的运动约束。如果机器人具有全局运动能力，确定其在作业场地中的最大速度限制，根据机器人负载情况，确定其加速度约束，负载大时应适当降低加速度。在模型中加入碰撞约束，确保运动过程中避开障碍物。测试运动学模型，验证运动约束正确性和运动可行性，输出运动学模型和约束参数。通过建立准确的运动学模型和约束，可以使规划的路径具有可实施性，避免超出机器人的运动能力范围。
在本发明另一优选的实施例中，上述步骤115，还可以包括：识别作业场地中的所有动态障碍物，比如其他移动机器人、人员等。对每个动态障碍物建立数学模型，包括其运动学参数、几何形状等信息。分析每个动态障碍物的运动规律，确定其运动速度、加速度等参数的范围，如果运动规律不确定，可以假设一些典型的运动模式，比如均速运动、正弦变速运动等。在三维场地模型中添加动态障碍物的模型，设置其初始位置。根据分析得到的运动规律，通过计算机仿真的方式生成动态障碍物的运动轨迹，检查动态障碍物运动是否与环境发生碰撞，进行必要调整，重复多次仿真，使动态障碍物模型行为趋于稳定。通过构建动态障碍物的模型并确定运动规律，可以使规划路径更符合复杂环境中的实际情况。
在本发明另一优选的实施例中，上述步骤116，还可以包括：确定适合的机器人通信方式，如WIFI、蓝牙或自定义无线通信；确定通信机制的网络拓扑结构，点对点或以控制中心为核心；确定通信协议，包括数据格式、传输控制等。支持机器人之间的信息交换；在每个机器人上安装通信模块，连接到网络中；编写通信接口程序，实现发送、接收、解析数据等功能，测试通信连接，确保机器人之间可以稳定交换信息，将构建的通信系统集成到多机器人环境中，综合验证每个模块的工作情况，确保环境可以支持机器人协同作业，优化通信机制和控制策略，提高协同效率。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，分析多个机器人之间的空间约束关系，确定机器人之间以及机器人与障碍物之间的安全距离；
步骤122，获取机器人的运动参数，并根据运动参数，确定机器人的运动约束；
步骤123，根据多个机器人之间的空间约束关系，以及机器人的运动约束，进行路径规划，生成每个机器人的初始路径方案；
步骤124，分析作业流程，确定机器人之间的作业顺序约束；
步骤125，根据所述初始路径方案以及作业顺序约束，进行作业顺序的调整，以得到优化顺序；
步骤126，计算作业过程中物品的运输时间，确定机器人之间的时间约束关系；
步骤127，根据作业目标的需求，确定机器人之间的优先级、资源分配以及负载能力约束条件；
步骤128，根据优化顺序与时间约束关系以及机器人之间的优先级、资源分配以及负载能力约束条件，形成完整的约束条件。
在本发明实施例中，步骤121，对机器人的尺寸、形状以及作业区域中的障碍物进行分析，以确定机器人之间需要保持的最小安全距离，以及机器人与障碍物之间需要保持的安全距离，这样可以避免机器人之间的碰撞或与障碍物的碰撞，确保作业过程的安全性。步骤122，获取机器人的运动参数，例如最大速度、最大加速度等，根据这些参数，可以确定机器人在运动过程中的限制条件，例如最大速度限制、最大加速度限制等，这样可以在路径规划过程中考虑到机器人的运动特性，确保机器人的运动符合实际情况。步骤123，使用路径规划算法，确定机器人之间的空间约束关系和运动约束，为每个机器人生成初始的路径方案，这样可以确保机器人在作业过程中按照约束条件进行移动，避免碰撞和冲突。步骤124，分析作业流程，确定机器人之间的作业顺序，例如，如果有多个机器人同时进行码垛作业，需要确定它们之间的作业顺序，避免作业冲突和混乱，可以提高作业的效率和准确性。步骤125，根据初始路径方案和作业顺序约束，对机器人的作业顺序进行调整，以优化作业顺序，通过调整作业顺序，可以减少机器人之间的冲突和等待时间，提高作业效率。步骤126，计算作业过程中物品的运输时间，以确定机器人之间的时间约束关系，通过计算运输时间，可以合理安排机器人的作业顺序，避免时间上的冲突和延误，提高作业的及时性和准确性。步骤127，根据作业目标的需求，确定机器人之间的优先级、资源分配和负载能力的约束条件，例如，根据作业的紧急程度或机器人的能力，确定机器人的优先级和资源分配，以及机器人的负载能力限制，可以在路径规划过程中考虑到这些因素，确保作业的效率和灵活性。步骤128，将分析和计算结果综合起来，形成完整的约束条件，这些约束条件包括优化顺序与时间约束关系，以及机器人之间的优先级、资源分配和负载能力约束条件，通过综合考虑这些约束条件，可以得到最优的路径方案，以提高作业的效率和准确性。通过这些步骤，可以有效地考虑到多个机器人之间的约束关系和作业要求，提高路径规划的准确性和效率，从而实现多机器人协同码垛作业的优化路径规划。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，根据机器人协同作业环境中机器人的数量，确定种群中个体的数量；
步骤132，对每个个体，根据确定的机器人数量，以及机器人的起止点、作业顺序约束，随机生成一组初始路径；
步骤133，根据每个个体生成的初始路径，判断初始路径是否满足空间约束条件，若是，则通过初始路径，计算每个初始路径的长度，并作为初始路径的初始适应度；
步骤134，根据所述初始适应度，获取适应度符合要求的个体，并保留到种群中；
步骤135，重复操作，直到种群大小满足要求，对种群根据适应度进行排序，作为初始种群。
在本发明实施例中，种群规模通常设置为个体数量的2-5倍，例如如果有5个机器人，则种群大小可以设置为10-25个，根据机器人数量确定种群大小，可以使种群规模与问题规模相匹配，避免种群过大或过小。随机生成满足约束条件的初始路径，可以快速提供符合要求的初始解，为后续迭代优化提供基础。判断初始路径的可行性，计算初始适应度，可以筛选出可行的初始路径，并进行适应度评价，为后续选择提供依据。根据适应度要求选择个体，可以获得适应度较好的初始个体，使种群适应度水平较高，有利于收敛到较优解。重复生成直到种群大小满足要求，可以获得规模合适、适应度水平良好的初始种群，为遗传算法的迭代优化提供高质量的初始种群。综上，这些步骤可以快速生成符合约束条件、适应度良好的初始种群，为后续的遗传算法迭代提供高质量的初始解，使算法更易于获得全局最优解，提高路径规划的效率和效果。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，对种群中的每个个体，提取每个个体的路径方案；
步骤142，针对每个个体的路径方案中的每个机器人，在机器人协同作业环境中进行路径规划，以得到新路径；
步骤143，将所述新路径，更新到路径方案中对应的机器人上；
步骤144，对种群中的每个个体重复操作，直到对每个个体中的所有机器人路径完成规划。
在本发明实施例中，步骤141，从种群的每个个体中提取出路径方案，为后续的路径规划做准备。步骤142，针对每个个体中的每一个机器人，在确定环境约束的情况下规划路径，以生成新路径。步骤143，将步骤142生成的新路径更新到个体中的对应机器人上，完成路径方案的更新。步骤144，通过循环，确保种群中的所有个体都完成路径规划与更新，使每个个体都得到优化后的路径方案。综上所述，这些步骤的作用是在种群的每个个体上，对所有的机器人路径进行优化和更新，以产生更优的路径解，提高种群的整体适应度水平。
在本发明另一优选的实施例中，上述步骤141，还可以包括：确定一个提取路径方案的函数，该函数以一个个体individual作为输入，输出该个体包含的全部路径方案paths；对种群population中的每个个体individual，调用extractPaths(individual)函数，提取出该个体包含的集合路径方案paths；其中，路径方案paths是一个多维数组，维度与环境中机器人数量相同，对于第i个机器人，paths[i]表示该机器人的完整路径；举例来说，如果种群中个体individual1对应5个机器人的路径方案，则函数extractPaths(individual1)会输出一个5维数组路径方案paths，其中，路径方案paths[0]至paths[4]分别包含5个机器人的完整路径信息。通过该步骤，可以从种群的所有个体中提取出路径方案信息。
在本发明另一优选的实施例中，上述步骤142，还可以包括：对每个个体individual中的路径方案paths，使用二重循环遍历路径方案paths中的每一条机器人路径path；对每个机器人i和对每个路径j，使用路径重新规划函数，以机器人i在环境中从起点到终点的路径path[j]为输入，根据环境中的约束条件(如避障碰撞等)，规划出一条新的路径newPath；将新的路径newPath作为机器人i的第j条新路径，替换原路径方案中的对应路径path[j]。通过该步骤，可以利用环境信息和约束条件，针对每个个体的每条机器人路径，使用路径重新规划算法求出更优化、满足约束条件的新路径，完成路径方案的更新。
在本发明另一优选的实施例中，上述步骤143，还可以包括：确定一个路径更新函数，该函数以原路径方案paths和新路径newPath为输入，输出更新后的路径方案updatedPaths；对每个个体individual、对每个机器人i和对每个路径j，调用路径更新函数updatePath(paths,newPath)，其中，paths是个体individual的原路径方案，newPath是步骤142中规划得到的机器人i的第j条新路径；将路径更新函数的输出值作为个体individual的新路径方案；通过调用更新函数，用重新规划得到的新路径替换每个个体中原有的路径，完成路径方案的更新。
在本发明另一优选的实施例中，上述步骤144，还可以包括：初始化一个计数器count，用于记录已完成路径重新规划与更新操作的个体数量；对种群中的每个个体执行以下操作，具体包括：
执行步骤141，对个体进行路径重新规划，得到新的路径方案；执行步骤143，将新的路径方案更新到个体中。对每个个体，检查其路径方案是否已完成路径重新规划与更新操作，如果是，则将计数器count加1。检查计数器count是否等于种群中个体的数量，如果是，则表示种群中所有个体的路径方案都已完成路径重新规划与更新操作，结束循环，如果不是，则继续执行上述步骤。通过循环的方式，反复对种群中的每个个体执行步骤141至步骤143，直到种群中所有个体的路径方案都完成了路径重新规划与更新操作，这样可以确保种群中的每个个体都得到了最新的路径方案，以适应环境变化或优化目标。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，检测环境变化，标识出新增的障碍物；
步骤152，对种群中的每个个体，判断每个个体的路径是否与新增的障碍物产生冲突，若是，则在环境变化区域重新规划路径，生成修正路径；
步骤153，将修正路径重新插入个体路径中，形成新的路径方案。
在本发明实施例中，通过检测环境变化并标识出新增的障碍物，能够及时感知到环境的变化，特别是新增的障碍物，为后续的路径重新规划提供准确的信息。判断每个个体的路径是否与新增的障碍物产生冲突，并在需要的情况下重新规划路径，能够避免个体的路径与障碍物发生碰撞，确保路径的安全性和可行性。将修正路径重新插入个体路径中，形成新的路径方案，能够将环境变化后的最新路径方案更新到个体中，使其能够适应新的环境，提高路径的效率和质量。因此，通过步骤151至步骤153，能够及时感知环境变化、避免路径与障碍物冲突，并将最新的路径方案更新到个体中，从而提高路径规划的准确性、安全性和效率。
在本发明另一优选的实施例中，上述步骤151，还可以包括：设环境中存在n个传感器，用于检测环境变化，每个传感器si在每一时刻t会返回一个检测值vi(t)，表示该传感器在时刻t对环境变化的检测结果，则在时刻t，环境变化检测问题可以表示为：其中，/>表示在时刻t对环境变化的检测结果，vi(t)表示传感器si在时刻t的检测值；fθ表示环境变化检测函数，参数为θ；wi表示传感器si的权重，其中，wi,j＝gφ(li,αi,βi,j,γi,j)，βi,j表示传感器si在时刻t-j与环境变化区域的距离；γi,j表示传感器si在时刻t-j的检测方向与环境变化区域的夹角；li表示传感器si的位置；αi表示传感器si的检测精度；gφ表示权重计算函数，参数为φ；n表示传感器数量；m表示过去时刻数；i表示传感器索引，从1到n；j表示过去时刻索引。
在本发明另一优选的实施例中，上述步骤152，还可以包括：环境中有n1个障碍物，第i个障碍物的位置为(xi，yi)，形状为区域Oi，权重为wi1，种群中第j个个体，其路径由一系列时刻对应的位置点组成：(xj,1(t1)，yj,1(t1))，(xj,2(t2)，yj,2(t2))，…，(xj,T(tT)，yj,T(tT))；则该个体路径与第i个障碍物的冲突程度计算为：其中，d(Oi,(xj,t(t),yj,t(t)))表示障碍物区域Oi与个体在时刻t的位置之间的最小距离；f(d)是一个距离函数；T表示个体路径中的时间步数；Ci,j表示第i个障碍物与第j个个体路径的冲突程度；d表示路径点与障碍物的距离。
在本发明另一优选的实施例中，上述步骤153，还可以包括：种群中有N个个体，每个个体的原路径方案由一系列时刻对应的位置点组成(xi,1(t1),yi,1(t1)),(xi,2(t2),yi,2(t2)),…,(xi,T(tT),yi,T(tT))，其中，第i个个体的修正路径为：(x′i,1(t1),y′i,1(t1)),(x′i,2(t2),y′i,2(t2)),…,(x′i,T(tT),y′i,T(tT))，将修正路径插入原路径生成路径的计算公式为：
其中，Ti表示对于个体i需要替换的时刻集合，(x′i,1(t1),y′i,1(t1))表示第i个个体的修正路径中的第一个点的坐标；(x″i,1(t1),y″i,1(t1))表示将修正路径的第一个点插入原路径得到的新路径中的第一个点的坐标，tj表示插入修正路径的第一个点的时间步，tT表示原路径中的时间步数。这样通过只在特定时刻使用修正路径，可以有选择性地插入修正路径,生成新的路径方案。
在本发明一优选的实施例中，上述步骤16，可以包括：
步骤161，根据适应度，进行交叉操作，生成新的种群；
步骤162，对交叉得到的新种群进行变异操作，形成新种群；
步骤163，在新种群中，对每个个体的路径进行局部优化，以得到优化路径；
步骤164，根据优化路径，计算经过局部优化后的新种群中每个个体的新适应度；
步骤165，根据新适应度，获取最终的个体并保留到下一代种群，直至满足终止条件；
步骤166，从最终一代种群中选择最终的个体作为最终路径方案。
在本发明实施例中，通过交叉操作生成新的种群,可以增加种群多样性,有利于搜索更优解；变异操作可以进一步增加种群多样性,避免陷入局部最优；局部优化可以提高每个个体路径的质量,使其更接近最优解；根据新适应度进行选择,可以保留较优质的个体到下一代；从最后一代中选择最优个体作为最终解,可以获得整个进化过程的最优结果。综上,这些步骤共同组成一个增强多样性、进行有向优化的进化算法流程,可以有效地搜索复杂问题的高质量解。
在本发明另一优选的实施例中，上述步骤161，还可以包括：当前种群为P，其中包含N个个体，对于种群P中的第i个个体,其适应度值为fi，权重参数为wi2，其计算公式为：wi2＝h(ri,di)，其中,ri表示第i个个体的排名，di表示第i个个体与最优个体的适应度差值，h是一个随个体的排名ri递减、随适应度差值di递增的函数，则根据适应度和权重进行交叉可通过以下内容来表示：
随机选择种群P中的两个个体i和j，它们的选择概率分别为：重复该过程生成新的种群P′，通过权重参数的设计,可以同时考虑个体的适应度和多样性，其中，k表示种群P中的个体索引，wj表示种群P中第j个个体的权重，fj表示种群P中第j个个体的适应度值，wk表示种群P中第k个个体的权重，fk表示种群P中第k个个体的适应度值。
在本发明另一优选的实施例中，上述步骤162，还可以包括：确定变异操作，具体包括：针对路径点的变异，随机选择路径中的一个点,扰动其位置,形成新点；针对路径顺序的变异，随机选择路径中的两个点,交换其顺序；针对路径段的变异，随机选择路径中的一个段,使用新生成的路径段进行替换。对交叉后得到的新种群中的每个个体,根据一定概率选择一种或多种变异操作进行变异，具体包括：为每个个体设置变异概率Pm，对每个个体,生成一个(0,1)之间的随机数r，如果随机数r<Pm，则对该个体进行变异操作。设置变异操作中的参数，具体包括：路径点扰动幅度，从正态分布中采样；交换路径段的长度，从给定范围内均匀采样。对每个经过变异的个体,计算其新的适应度；根据适应度,从变异后的种群中选择较优个体,构成新种群，返回新种群,完成种群的变异操作。通过这些变异操作的设计和参数设置,可以增加种群的多样性,避免陷入局部最优解。
在本发明另一优选的实施例中，上述步骤163，还可以包括：设新种群中第i个个体的路径包含b个路径点,表示为：xi＝(xi1,yi1,xi2,yi2,…,xib,yib)；根据路径的平滑性，确定路径点之间的转向角度：则进行局部优化的目标函数为:
其中，约束条件为：lbkj≤xij≤ubkj,k＝1,2；j＝1,...,b，其中，xi表示第i个个体的路径，f(xi)是要优化的目标函数，w1表示路径长度，w2表示路径的平滑性，lbkj和ubkj表示第j个路径点在第k维的边界。
在本发明另一优选的实施例中，上述步骤164，还可以包括：遍历新种群中所有的个体，对新种群中的每一个个体进行遍历，对每个个体,获取它经过局部优化后的路径，对遍历到的每个个体,取出它经过局部优化之后的路径，计算该路径的总长度作为该个体的适应度值,路径越短,适应度越高；对每个个体的优化后路径,计算该路径的总长度,并将这个总长度值作为该个体的适应度值，这里适应度值与路径长度成反比,路径越短,对应的适应度值越高。这样通过遍历每个个体,获取优化路径,并计算路径长度作为适应度值,就可以得到新种群中每个个体经过局部优化后的新适应度。上述步骤165，还可以包括：根据每个个体的适应度值，选择适应度较高的个体，将选择出的适应度较高的个体保留到下一代种群；检查是否满足终止条件，具体包括：检查迭代次数是否达到预设的最大迭代次数，检查种群的适应度是否已经收敛，如果满足上述任一终止条件,则结束遗传算法迭代，如果未满足终止条件,则进行下一轮迭代,返回步骤164,继续进化过程。通过这样的选择保留较优个体,并检查终止条件来控制迭代次数,可以有效获得最优解。上述步骤166，还可以包括：在遗传算法迭代结束后,得到最后一代的种群，在该最后一代种群中,选择适应度值最高的个体；将选择出的适应度最高的个体对应的路径,作为最终的规划路径结果，从最后迭代的结果中选择路径最短的解,作为问题的最终解决方案，输出该最短路径,完成路径规划。通过这样从最后一个种群选择最优个体,就可以得到问题的最终最优解,完成路径规划任务。
如图2所示，本发明的实施例还提供一种基于多机器人协同码垛作业的路径规划装置20，包括：
获取模块21，用于构建机器人协同作业环境；根据机器人协同作业环境，建立机器人协同作业的约束条件；根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
处理模块22，用于对种群中的每个个体，分别规划每个机器人的路径；计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
可选的，构建机器人协同作业环境，包括：
确定作业场地的物理范围和边界；
根据作业场地的物理范围和边界，构建作业场地的三维模型或二维地图，并确定场地内的静态障碍物位置；
确定作业目标位置，以及参与协同作业的机器人数量及每个机器人分别对应的技术参数；
确定每个机器人的初始位置，并为每个机器人建立运动学模型和运动约束；
构建动态障碍物的模型，并确定动态障碍物的运动规律；
构建机器人之间的通信机制，以实现信息共享和协同，集成各项设置，构成完整的多机器人协同作业环境。
可选的，根据机器人协同作业环境，建立机器人协同作业的约束条件，包括：
分析多个机器人之间的空间约束关系；
获取机器人的运动参数，并根据运动参数，确定机器人的运动约束；
根据多个机器人之间的空间约束关系，以及机器人的运动约束，进行路径规划，生成每个机器人的初始路径方案；
分析作业流程，确定机器人之间的作业顺序约束；
根据所述初始路径方案以及作业顺序约束，进行作业顺序的调整，以得到优化顺序；
计算作业过程中物品的运输时间，确定机器人之间的时间约束关系；
根据作业目标的需求，确定机器人之间的优先级、资源分配以及负载能力约束条件；
根据优化顺序与时间约束关系以及机器人之间的优先级、资源分配以及负载能力约束条件，形成完整的约束条件。
可选的，根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案，包括：
根据机器人协同作业环境中机器人的数量，确定种群中个体的数量；
对每个个体，根据确定的机器人数量，以及机器人的起止点、作业顺序约束，随机生成一组初始路径；
根据每个个体生成的初始路径，判断初始路径是否满足空间约束条件，若是，则通过初始路径，计算每个初始路径的长度，并作为初始路径的初始适应度；
根据所述初始适应度，获取适应度符合要求的个体，并保留到种群中；
重复操作，直到种群大小满足要求，对种群根据适应度进行排序，作为初始种群。
可选的，对种群中的每个个体，分别规划每个机器人的路径，包括：
对种群中的每个个体，提取每个个体的路径方案；
针对每个个体的路径方案中的每个机器人，在机器人协同作业环境中进行路径规划，以得到新路径；
将所述新路径，更新到路径方案中对应的机器人上；
对种群中的每个个体重复操作，直到对每个个体中的所有机器人路径完成规划。
可选的，计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径，包括：
检测环境变化，标识出新增的障碍物；
对种群中的每个个体，判断每个个体的路径是否与新增的障碍物产生冲突，若是，则在环境变化区域重新规划路径，生成修正路径；
将修正路径重新插入个体路径中，形成新的路径方案。
可选的，根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径，包括：
根据适应度，进行交叉操作，生成新的种群；
对交叉得到的新种群进行变异操作，形成新种群；
在新种群中，对每个个体的路径进行局部优化，以得到优化路径；
根据优化路径，计算经过局部优化后的新种群中每个个体的新适应度；
根据新适应度，获取最终的个体并保留到下一代种群，直至满足终止条件；
从最终一代种群中选择最终的个体作为最终路径方案。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于多机器人协同码垛作业的路径规划方法，其特征在于，所述方法包括：
构建机器人协同作业环境；
根据机器人协同作业环境，建立机器人协同作业的约束条件；
根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
对种群中的每个个体，分别规划每个机器人的路径；
计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；
根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
2.根据权利要求1所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，构建机器人协同作业环境，包括：
确定作业场地的物理范围和边界；
根据作业场地的物理范围和边界，构建作业场地的三维模型或二维地图，并确定场地内的静态障碍物位置；
确定作业目标位置，以及参与协同作业的机器人数量及每个机器人分别对应的技术参数；
确定每个机器人的初始位置，并为每个机器人建立运动学模型和运动约束；
构建动态障碍物的模型，并确定动态障碍物的运动规律；
构建机器人之间的通信机制，以实现信息共享和协同，集成各项设置，构成完整的多机器人协同作业环境。
3.根据权利要求2所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，根据机器人协同作业环境，建立机器人协同作业的约束条件，包括：
分析多个机器人之间的空间约束关系；
获取机器人的运动参数，并根据运动参数，确定机器人的运动约束；
根据多个机器人之间的空间约束关系，以及机器人的运动约束，进行路径规划，生成每个机器人的初始路径方案；
分析作业流程，确定机器人之间的作业顺序约束；
根据所述初始路径方案以及作业顺序约束，进行作业顺序的调整，以得到优化顺序；
计算作业过程中物品的运输时间，确定机器人之间的时间约束关系；
根据作业目标的需求，确定机器人之间的优先级、资源分配以及负载能力约束条件；
根据优化顺序与时间约束关系以及机器人之间的优先级、资源分配以及负载能力约束条件，形成完整的约束条件。
4.根据权利要求3所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案，包括：
根据机器人协同作业环境中机器人的数量，确定种群中个体的数量；
对每个个体，根据确定的机器人数量，以及机器人的起止点、作业顺序约束，随机生成一组初始路径；
根据每个个体生成的初始路径，判断初始路径是否满足空间约束条件，若是，则通过初始路径，计算每个初始路径的长度，并作为初始路径的初始适应度；
根据所述初始适应度，获取适应度符合要求的个体，并保留到种群中；
重复操作，直到种群大小满足要求，对种群根据适应度进行排序，作为初始种群。
5.根据权利要求4所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，对种群中的每个个体，分别规划每个机器人的路径，包括：
对种群中的每个个体，提取每个个体的路径方案；
针对每个个体的路径方案中的每个机器人，在机器人协同作业环境中进行路径规划，以得到新路径；
将所述新路径，更新到路径方案中对应的机器人上；
对种群中的每个个体重复操作，直到对每个个体中的所有机器人路径完成规划。
6.根据权利要求5所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径，包括：
检测环境变化，标识出新增的障碍物；
对种群中的每个个体，判断每个个体的路径是否与新增的障碍物产生冲突，若是，则在环境变化区域重新规划路径，生成修正路径；
将修正路径重新插入个体路径中，形成新的路径方案。
7.根据权利要求6所述的基于多机器人协同码垛作业的路径规划方法，其特征在于，根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径，包括：
根据适应度，进行交叉操作，生成新的种群；
对交叉得到的新种群进行变异操作，形成新种群；
在新种群中，对每个个体的路径进行局部优化，以得到优化路径；
根据优化路径，计算经过局部优化后的新种群中每个个体的新适应度；
根据新适应度，获取最终的个体并保留到下一代种群，直至满足终止条件；
从最终一代种群中选择最终的个体作为最终路径方案。
8.一种基于多机器人协同码垛作业的路径规划装置，其特征在于，包括：
获取模块，用于构建机器人协同作业环境；根据机器人协同作业环境，建立机器人协同作业的约束条件；根据约束条件以及机器人协同作业环境，生成初始种群，种群中的每个个体表示一组机器人的路径方案；
处理模块，用于对种群中的每个个体，分别规划每个机器人的路径；计算每个个体的适应度以及检测环境变化，并通过动态调整因子对路径进行修正，以得到修正路径；根据修正路径，进行遗传算法迭代生成新一代种群，直至达到终止条件，以输出最终的个体对应的路径方案，将路径方案作为多机器人的协同作业路径。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
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中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505727.0A CN117494919B (zh) | 2023-11-13 | 2023-11-13 | 一种基于多机器人协同码垛作业的路径规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505727.0A CN117494919B (zh) | 2023-11-13 | 2023-11-13 | 一种基于多机器人协同码垛作业的路径规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494919A true CN117494919A (zh) | 2024-02-02 |
| CN117494919B CN117494919B (zh) | 2024-04-19 |
Family
ID=89676064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311505727.0A Active CN117494919B (zh) | 2023-11-13 | 2023-11-13 | 一种基于多机器人协同码垛作业的路径规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494919B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2851760A1 (en) * | 2013-09-19 | 2015-03-25 | Rigas Tehniska universitate | Multi-robot system |
| CN110471419A (zh) * | 2019-08-23 | 2019-11-19 | 北京工业大学 | 一种基于差分进化烟花算法的多机器人协同路径规划方法 |
| CN111251297A (zh) * | 2020-02-20 | 2020-06-09 | 西北工业大学 | 一种基于随机采样的双臂空间机器人协调路径规划方法 |
| CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学（武汉） | 一种多无人机协同路径规划方法 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN112685883A (zh) * | 2020-12-23 | 2021-04-20 | 郑州大学 | 一种舰载机保障作业调度方法 |
| CN113867358A (zh) * | 2021-10-13 | 2021-12-31 | 中国人民解放军陆军工程大学 | 多无人车协同遍历任务的智能路径规划方法 |
| US20220163969A1 (en) * | 2020-11-20 | 2022-05-26 | Rapyuta Robotics Co., Ltd. | Systems and methods for optimizing route plans in an operating environment |
| CN114700944A (zh) * | 2022-04-06 | 2022-07-05 | 南京航空航天大学 | 一种面向异种任务的双机器人协同路径规划方法 |
| US20220226994A1 (en) * | 2020-07-20 | 2022-07-21 | Georgia Tech Research Corporation | Heterogeneous graph attention networks for scalable multi-robot scheduling |
| CN115026683A (zh) * | 2022-08-09 | 2022-09-09 | 湖南大学 | 一种基于多机器人协同的航空叶片磨抛装置及控制方法 |
| CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 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 |
| CN116027739A (zh) * | 2022-07-18 | 2023-04-28 | 中国人民解放军海军航空大学 | 机群出入库转运协同调度优化方法、装置和设备 |
| CN116079758A (zh) * | 2023-03-28 | 2023-05-09 | 中国航发动力股份有限公司 | 一种整体叶盘全型面多机器人协作加工设备和方法 |
| CN116880507A (zh) * | 2023-08-17 | 2023-10-13 | 昆明理工大学 | 具有运动学约束的多任务分配与多机器人路径规划的协同调度方法 |
-
2023
- 2023-11-13 CN CN202311505727.0A patent/CN117494919B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2851760A1 (en) * | 2013-09-19 | 2015-03-25 | Rigas Tehniska universitate | Multi-robot system |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN110471419A (zh) * | 2019-08-23 | 2019-11-19 | 北京工业大学 | 一种基于差分进化烟花算法的多机器人协同路径规划方法 |
| CN111251297A (zh) * | 2020-02-20 | 2020-06-09 | 西北工业大学 | 一种基于随机采样的双臂空间机器人协调路径规划方法 |
| US20220226994A1 (en) * | 2020-07-20 | 2022-07-21 | Georgia Tech Research Corporation | Heterogeneous graph attention networks for scalable multi-robot scheduling |
| CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学（武汉） | 一种多无人机协同路径规划方法 |
| US20220163969A1 (en) * | 2020-11-20 | 2022-05-26 | Rapyuta Robotics Co., Ltd. | Systems and methods for optimizing route plans in an operating environment |
| CN112685883A (zh) * | 2020-12-23 | 2021-04-20 | 郑州大学 | 一种舰载机保障作业调度方法 |
| CN113867358A (zh) * | 2021-10-13 | 2021-12-31 | 中国人民解放军陆军工程大学 | 多无人车协同遍历任务的智能路径规划方法 |
| CN114700944A (zh) * | 2022-04-06 | 2022-07-05 | 南京航空航天大学 | 一种面向异种任务的双机器人协同路径规划方法 |
| CN116027739A (zh) * | 2022-07-18 | 2023-04-28 | 中国人民解放军海军航空大学 | 机群出入库转运协同调度优化方法、装置和设备 |
| CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 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 |
| CN115026683A (zh) * | 2022-08-09 | 2022-09-09 | 湖南大学 | 一种基于多机器人协同的航空叶片磨抛装置及控制方法 |
| CN116079758A (zh) * | 2023-03-28 | 2023-05-09 | 中国航发动力股份有限公司 | 一种整体叶盘全型面多机器人协作加工设备和方法 |
| CN116880507A (zh) * | 2023-08-17 | 2023-10-13 | 昆明理工大学 | 具有运动学约束的多任务分配与多机器人路径规划的协同调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵硕: "多机器人协同的焊接路径规划研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, 15 July 2015 (2015-07-15), pages 035 - 330 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494919B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN107238388B (zh) | 多无人机任务分配与航迹规划联合优化方法及装置 | |
| CN107145161B (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
| Faigl et al. | On benchmarking of frontier-based multi-robot exploration strategies | |
| CN110243373B (zh) | 一种动态仓储自动引导车的路径规划方法、装置和系统 | |
| CN108638062A (zh) | 机器人定位方法、装置、定位设备及存储介质 | |
| CN113344473B (zh) | 海洋目标协同探测设备的优化方法及设备 | |
| CN110245809B (zh) | 一种用于多机器人多任务协作工作的智能优化方法和系统 | |
| CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
| CN117806340B (zh) | 基于强化学习的空域训练飞行路径自动规划方法和装置 | |
| CN117494919B (zh) | 一种基于多机器人协同码垛作业的路径规划方法及装置 | |
| CN109752952A (zh) | 一种获取多维随机分布及强化控制器的方法和装置 | |
| CN112396653B (zh) | 一种目标场景导向的机器人操作策略生成方法 | |
| Rincon et al. | Rapid deployment of mobile robots under temporal, performance, perception, and resource constraints | |
| CN113627646A (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
| CN111486847B (zh) | 一种无人机导航方法及系统 | |
| CN114527759A (zh) | 一种基于分层强化学习的端到端驾驶方法 | |
| CN114264298A (zh) | 一种室内地图的导航路径生成方法、设备及介质 | |
| Langley et al. | Case-based acquisition of place knowledge | |
| Goodwin | A robust and efficient autonomous exploration methodology of unknown environments for multi-robot systems | |
| CN114115248B (zh) | 一种仓储环境下多机器人协同运输方法及系统 | |
| Zhang et al. | The Application of Multiple Ant Colony Algorithm to Cooperative Task Allocation in UUVs Swarm | |
| Qian et al. | AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning | |
| Maragliano | Coordinamento Sincrono e Asincrono nello SLAM Attivo Collaborativo |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |