CN117670162A - 一种场内智能物流解决方法 - Google Patents
一种场内智能物流解决方法 Download PDFInfo
- Publication number
- CN117670162A CN117670162A CN202311668518.8A CN202311668518A CN117670162A CN 117670162 A CN117670162 A CN 117670162A CN 202311668518 A CN202311668518 A CN 202311668518A CN 117670162 A CN117670162 A CN 117670162A
- Authority
- CN
- China
- Prior art keywords
- path
- agv
- intelligent logistics
- vertex
- 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 48
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 238000011065 in-situ storage Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 239000003016 pheromone Substances 0.000 description 22
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Abstract
本发明公开了一种场内智能物流解决方法，该场内智能物流解决方法包括异构AGV的路径规划方法，异构AGV的路径规划方法包括以下步骤：S1：对AGV所处的环境地图进行分区处理以得到栅格地图，其中，栅格地图包括货架区和可行区；S2：在可行区，以时间权重为优化目标采用第一路径规划算法进行路径规划以得到AGV的最优路径；S3：在货架区，以时间权重为优化目标采用第二路径规划算法进行路径规划以得到AGV的最优路径。本发明针对不同的环境进行相应的路径规划，且以时间权重为优化目标以保证AGV的运行效率，从而提升物流系统的可靠性、兼容性与适应性，使得车间生产效率最优化。
Description
技术领域
本发明涉及智能物流技术领域，具体为一种场内智能物流解决方法。
背景技术
近年来智能制造背景下场内智能物流得到了充分的发展，尤其在汽车、家电行业及3C电子行业得到广泛的应用，兴起的AGV(Automated Guided Vehicle，自动引导运输车)因其智能性、便捷性、高性价比等优势而成为智能物流实现的重要工具。其中，AGV的路径规划是实现智能物流的一个关键过程。
对于混流生产车间由于生产需求不同，其存在多种不同形式的AGV即异构AGV，其中生产车间内又存在环境复杂的货架区，现有的AGV路径规划无法较好地针对不同环境进行相应的路径规划，导致影响AGV的运行效率。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种场内智能物流解决方法，能够解决上述技术问题。
(二)技术方案
为解决上述技术问题，本发明提供如下技术方案：一种场内智能物流解决方法，场内智能物流解决方法包括异构AGV的路径规划方法，异构AGV的路径规划方法包括以下步骤：
S1：对AGV所处的环境地图进行分区处理以得到栅格地图，其中，栅格地图包括货架区和可行区；
S2：在可行区，以时间权重为优化目标采用第一路径规划算法进行路径规划以得到AGV的最优路径；
S3：在货架区，以时间权重为优化目标采用第二路径规划算法进行路径规划以得到AGV的最优路径。
优选的，步骤S1具体包括以下子步骤：S11：采用栅格法对环境地图进行预处理，以得到初始环境栅格地图；S12：采用分区阈值对初始环境栅格地图进行分区处理，以得到栅格地图。
优选的，在步骤S2中，第一路径规划算法为Dijkstra算法，Dijkstra算法的路径搜索过程如下：
(1)：算法初始，将选择的源点s放进集合S中；
(2):无自环的源点s到自己的最短路径为0；
(3):当顶点vi不在集合S中时(此时集合S中仍只有源点s)，开始进入循环；
(4):将源点s与点vi之间的权值赋给dist[s,vi]；
(5)：如果集合V-S不是空集，则进入循环；
(6):选出经过第一次图遍历循环之后的，在集合V-S中的，且相对于集合S的最短路径中距离最短的那个顶点vj；
(7):将顶点vj并入集合S；
(8):在S集合内遍历一次，对有影响的顶点进行更新；
(9)：如果从源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径的长度再加上顶点vj到顶点vi之间的距离wi,j的两者之和小于源点s到顶点vi的相对于集合S的最短路径的长度，则将源点s到顶点vi的相对于集合S的最短路径更新成源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径再加上顶点vj到顶点vi之间的距离wi,j。
优选的，在步骤S3中，第二路径规划算法为蚁群算法。
优选的，场内智能物流解决方法还包括：建立混流生产车间异构AGV路径的云仿真模型，将步骤S1-S3嵌入到云仿真模型中，以动态分析AGV的运行效率。
优选的，具体为运用Anylogic云仿真软件建立云仿真模型。
优选的，场内智能物流解决方法还包括：对于不同的AGV设置不同的优先级；对优先级高的AGV优先进行路径规划。
优选的，场内智能物流解决方法还包括：对于优先级低的AGV的路径规划，将优先级高的AGV的路径视为障碍物。
优选的，场内智能物流解决方法还包括：采用视觉SLAM对AGV进行定位与导航。
优选的，场内智能物流解决方法还包括：实时检测AGV的运行路径是否与最优路径存在偏差，若是则重新对AGV进行路径规划以得到新的最优路径。
(三)有益效果
与现有技术相比，本发明提供了一种场内智能物流解决方法，具备以下有益效果：通过对AGV所处的环境地图进行分区处理以得到栅格地图，其中，栅格地图包括货架区和可行区；进一步以时间权重为优化目标分别针对可行区和货架区采用不同的路径规划算法进行路径规划，综上，本发明针对不同的环境进行相应的路径规划，且以时间权重为优化目标以保证AGV的运行效率，从而提升物流系统的可靠性、兼容性与适应性，使得车间生产效率最优化。
附图说明
图1为本发明一种场内智能物流解决方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种场内智能物流解决方法，该场内智能物流解决方法包括异构AGV的路径规划方法，本发明的异构AGV的路径规划方法是指：同一工作空间的多AGV按照某一性能指标各自搜索一条从起点到终点的优或近似优的无碰路径，各AGV要避开环境中的动静态障碍和其它运动着的AGV。上述异构AGV的路径规划方法包括以下步骤：
S1：对AGV所处的环境地图进行分区处理以得到栅格地图，其中，栅格地图包括货架区和可行区。
具体的，该步骤S1具体包括以下子步骤：
S11：采用栅格法对环境地图进行预处理，以得到初始环境栅格地图。栅格法是利用VB等软件对地图建模的一种方法，就是将障碍物模拟成小方格的集合，相当于将场景的所有事物进行二值化替代，障碍物为1，非障碍物为0；栅格法实质上是将AGV的工作环境进行单元分割，将其用大小相等的方块表示出来。
S12：采用分区阈值对初始环境栅格地图进行分区处理，以得到栅格地图；具体为采用分区阈值改进基于Canopy的K-means聚类算法，实现上述初始环境栅格地图的分区，得到包括有货架区和可行区这两种分区结构的栅格地图。
具体的，地图中实际存在三类区域，货架区、可行区和不可用区(既不是货架也不是可行区)。对地图进行栅格化之后，由于图像处理方法存在误差，导致货架区和可行区的边缘存在模糊，这会导致地图精度不足，机器人的实际运行定位精度不够。
由于仓库地图的场景是固定的，即只包含货架区、可行区和不可用区三类场景，因此对地图分类过程中的类别也是固定的，只需要三类，即货架类、可行区类和不可用区类。此外，由于仓库的结构特点，分类中心也相对固定。但是仓库面积相对较大，且列别中心的分布具有一定的规律性。本发明为提升地图准确性，采用分区阈值的方法，对基于Canopy的K-means聚类算法进行改进。对地图进行多个区域划分，在每个区域内根据不同类别设置不同的Canopy阈值，从而实现栅格内容的聚类，实现高精度的栅格地图构建。
S2：在可行区，以时间权重为优化目标采用第一路径规划算法进行路径规划以得到AGV的最优路径。
优选的，在步骤S2中，第一路径规划算法为Dijkstra算法；即对于无货架的可行区，以时间权重为优化目标采用Dijkstra算法进行路径规划以得到AGV的最优路径。
Dijkstra算法是加权有向图求解最优路径问题中的经典算法，其路径搜索过程如下：
(1)：算法初始，将选择的源点s放进集合S中；
(2):无自环的源点s到自己的最短路径为0；
(3):当顶点vi不在集合S中时(此时集合S中仍只有源点s)，开始进入循环；
(4):将源点s与点vi之间的权值赋给dist[s,vi]。由于是有向图，所以当源点s不指向任何其他集合S外的顶点时，dist[s,vi]＝∞。可以理解为此时从源点s出发，暂时是达到不了vi的。不过后来随着集合S的扩充，从源点s出发一定能到达所有的顶点，此时第一次图遍历循环结束。
(5)：如果集合V-S不是空集，则进入循环；
(6):选出经过第一次图遍历循环之后的，在集合V-S中的，且相对于集合S的最短路径中距离最短的那个顶点vj；
(7):将这个顶点vj并入集合S，从而达到扩充集合S的目的；
(8):将顶点vi并入集合S之后可能会对其他顶点相对于集合S的最短路径的长度会有影响，所以在S集合内遍历一次，对有影响的顶点进行更新；
(9)：如果从源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径的长度再加上顶点vj到顶点vi之间的距离wi,j的两者之和还要小于源点s到顶点vi的相对于集合S的最短路径的长度的话；则将源点s到顶点vi的相对于集合S的最短路径更新成源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径再加上顶点vj到顶点vi之间的距离wi,j。
在该Dijkstra算法中，由于机器人在不同路径上运动的速度是已知的，图中的距离权重值为节点间的时间权重。
以时间权重为优化目标，即通过模拟AGV从起点至终点运行花费的总时长，对比AGV在各个可行路径中的运行最短时长，筛选出全局最优路径；区别于传统算法中以路径长短为权重因子而求解全局最优路径。
S3：在货架区，以时间权重为优化目标采用第二路径规划算法进行路径规划以得到AGV的最优路径。
具体的，在该步骤S3中，第二路径规划算法具体可为蚁群算法，在环境复杂的货架区，为避免AGV与货架、其他AGV的碰撞，设计蚁群算法的距离矩阵，通过对比实验调试算法参数，对多个分区的路径进行整合修正，得到单个AGV的最优路径。
蚁群算法是一种用来寻找优化路径的概率型算法，该算法的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。
具体的，蚁群算法的距离矩阵设计：将每个货架定义为路径中的一个节点，节点之间的距离定义为距离矩阵中的元素dij，从而构建距离矩阵A，如下式(1)所示：
如果这两个货架不可达则可以将该距离标记为无穷大，目标就是找到一条路径不重复地连接所有货架并使路径长度尽可能小。蚁群算法求解分为两大步骤：路径创建，信息素更新。
路径创建：算法刚开始，每只蚂蚁按物流任务规定选定一个货架作为出发地，然后不重复地遍历所有任务规定的货架。在这过程中每只蚂蚁需要记住它自己行走过的路径，还要记住它所走过的长度(用于更新信息素，以及判断解的优劣)。在选择下一个货架的时候，需要根据一定的规则进行随机选择，规则如下式(2)所示：
其中，表示第k只蚂蚁从货架i到达货架j的概率，这意味着当前蚂蚁位于第i个货架。allowedk表示第k只蚂蚁尚未访问过的货架集合。ηij＝1/dij表示路径ij的能见度。τij表示路径ij上的信息素浓度。α,β两个实现设定好的参数，分别用于信息素和能见度的加权。
信息素更新：首先初始化信息素浓度，如果初始值选得太小，算法容易早熟，蚂蚁会很快集中到局部最优路径上。如果选得太大，信息素对搜索方向的指导作用就太低，也会影响算法性能。本发明借助贪心算法来初始化，即如下式(3)所示：
其中m是蚁群规模(蚂蚁个数)，Cnn是通过贪心算法找到的路径长度。
每条路径上的信息素更新公式如下式(4)所示：
这里用t表示迭代的次数；ρ表示信息素的蒸发率；表示第k只蚂蚁在路径ij上所贡献的信息素浓度，具体定义如下式(5)所示：
其中Ck表示第k只蚂蚁走完整条路经后所得到的总路径长度。实际上这相当于每只蚂蚁将1单位的信息素均匀撒在它所经过的路径上。
从信息素的更新可以看出，影响信息素更新的两大因素是：信息素蒸发、信息素增强。
信息素蒸发可以避免算法过快地收敛到局部最优解当中，有助于搜索区域的扩展。信息素增强实际上有两种主要的更新方式离线更新与在线更新。离线更新指的是当蚁群中的所有蚂蚁全部完成对所有城市的访问后，统一对信息素进行更新。而在线更新是蚂蚁每走一步就进行信息素更新。
此外，在该步骤S3中，第二路径规划算法也可采用基于A*算法和蚁群算法的融合算法进行路径规划。
具体的，A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法；该算法中的距离估算值与实际值越接近，最终搜索速度越快。A*算法是广度优先搜索算法(BFS)的优化。从起点开始，采用贪心策略，首先遍历起点周围邻近的点，然后再遍历已经遍历过的点邻近的点，逐步的向外扩散，直到找到终点。A*算法中还增加了“启发式”策略，搜索过程中依据已有的先验知识，如“朝着终点的方向走更可能走到”。它不仅关注已走过的路径，还会对未走过的点或状态进行预测。因此A*算法调整了进行BFS的顺序，少搜索了哪些“不太可能经过的点”，更快地找到目标点的最短路径。
在本发明的上述步骤S3中，将A*算法和蚁群算法进行融合：每轮迭代，首先用蚁群算法计算出本轮最优解，以此作为A*的启发信息，进行本轮的最优路线选择。下一轮迭代时，依照A*获得的结论，修正蚁群算法信息素的内容，从而实现加速最优路径搜索的收敛速录。
优选的，本发明的场内智能物流解决方法还包括：建立混流生产车间异构AGV路径的云仿真模型，将步骤S1-S3嵌入到云仿真模型中，以动态分析AGV的运行效率。具体为运用Anylogic云仿真软件建立云仿真模型，将AGV实际运行大数据和上述异构AGV的路径规划方法嵌入到云仿真模型中，通过运行云仿真模型，动态分析AGV的运行效率，从而更好地以改进路径规划方法。
此外，本发明的场内智能物流解决方法还可包括：对于不同的AGV设置不同的优先级(Priority)；对优先级高的AGV优先进行路径规划。进一步地，对于优先级低的AGV的路径规划，将优先级高的AGV的路径视为障碍物；通过上述方式，以更好地满足智能物流的运输需求。例如，对第一AGV和第二AGV进行路径规划，其中第一AGV的优先级高于第二AGV，则优先对第一AGV进行路径规划，然后再对第二AGV进行路径规划；其中，在对第二AGV进行路径规划时，将第一AGV的路径视为第二AGV的障碍物，进而再进行第二AGV的路径规划。
优选的，本发明的场内智能物流解决方法还可包括：采用视觉SLAM对AGV进行精确定位与导航，以得到AGV的环境地图。SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)，SLAM是指当某种移动设备(如机器人、无人机、手机等)从一个未知环境里的未知地点出发，在运动过程中通过传感器(如激光雷达、摄像头等)观测定位自身位置、姿态、运动轨迹，再根据自身位置进行增量式的地图构建，从而达到同时定位和地图构建的目的。
另外，本发明的场内智能物流解决方法还可包括：通过实时定位以实时检测AGV的运行路径是否与上述得到的最优路径存在偏差，若是存在偏差则重新对AGV进行路径规划以得到新的最优路径，也就是以AGV当前所在的位置点作为起始点重新进行路径规划，从而引导AGV按照新的最优路径进行运行以完成运输任务。
与现有技术相比，本发明提供了一种场内智能物流解决方法，具备以下有益效果：通过对AGV所处的环境地图进行分区处理以得到栅格地图，其中，栅格地图包括货架区和可行区；进一步以时间权重为优化目标分别针对可行区和货架区采用不同的路径规划算法进行路径规划，综上，本发明针对不同的环境进行相应的路径规划，且以时间权重为优化目标以保证AGV的运行效率，从而提升物流系统的可靠性、兼容性与适应性，使得车间生产效率最优化。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种场内智能物流解决方法，其特征在于：所述场内智能物流解决方法包括异构AGV的路径规划方法，所述异构AGV的路径规划方法包括以下步骤：
S1：对AGV所处的环境地图进行分区处理以得到栅格地图，其中，所述栅格地图包括货架区和可行区；
S2：在所述可行区，以时间权重为优化目标采用第一路径规划算法进行路径规划以得到所述AGV的最优路径；
S3：在所述货架区，以时间权重为优化目标采用第二路径规划算法进行路径规划以得到所述AGV的最优路径。
2.根据权利要求1所述的场内智能物流解决方法，其特征在于：所述步骤S1具体包括以下子步骤：
S11：采用栅格法对所述环境地图进行预处理，以得到初始环境栅格地图；
S12：采用分区阈值对所述初始环境栅格地图进行分区处理，以得到所述栅格地图。
3.根据权利要求1所述的场内智能物流解决方法，其特征在于：在所述步骤S2中，所述第一路径规划算法为Dijkstra算法，Dijkstra算法的路径搜索过程如下：
(1)：算法初始，将选择的源点s放进集合S中；
(2):无自环的源点s到自己的最短路径为0；
(3):当顶点vi不在集合S中时(此时集合S中仍只有源点s)，开始进入循环；
(4):将源点s与点vi之间的权值赋给dist[s,vi]；
(5)：如果集合V-S不是空集，则进入循环；
(6):选出经过第一次图遍历循环之后的，在集合V-S中的，且相对于集合S的最短路径中距离最短的那个顶点vj；
(7):将顶点vj并入集合S；
(8):在S集合内遍历一次，对有影响的顶点进行更新；
(9)：如果从源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径的长度再加上顶点vj到顶点vi之间的距离wi,j的两者之和小于源点s到顶点vi的相对于集合S的最短路径的长度，则将源点s到顶点vi的相对于集合S的最短路径更新成源点s到在第(6)步选出的顶点vj的相对于集合S的最短路径再加上顶点vj到顶点vi之间的距离wi,j。
4.根据权利要求1所述的场内智能物流解决方法，其特征在于：在所述步骤S3中，所述第二路径规划算法为蚁群算法。
5.根据权利要求1所述的场内智能物流解决方法，其特征在于，所述场内智能物流解决方法还包括：建立混流生产车间异构AGV路径的云仿真模型，将所述步骤S1-S3嵌入到所述云仿真模型中，以动态分析所述AGV的运行效率。
6.根据权利要求5所述的场内智能物流解决方法，其特征在于：具体为运用Anylogic云仿真软件建立所述云仿真模型。
7.根据权利要求1所述的场内智能物流解决方法，其特征在于，所述场内智能物流解决方法还包括：对于不同的所述AGV设置不同的优先级；对所述优先级高的所述AGV优先进行路径规划。
8.根据权利要求7所述的场内智能物流解决方法，其特征在于，所述场内智能物流解决方法还包括：对于优先级低的所述AGV的路径规划，将优先级高的所述AGV的路径视为障碍物。
9.根据权利要求1所述的场内智能物流解决方法，其特征在于，所述场内智能物流解决方法还包括：采用视觉SLAM对所述AGV进行定位与导航。
10.根据权利要求1所述的场内智能物流解决方法，其特征在于，所述场内智能物流解决方法还包括：实时检测所述AGV的运行路径是否与所述最优路径存在偏差，若是则重新对所述AGV进行路径规划以得到新的最优路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668518.8A CN117670162A (zh) | 2023-12-06 | 2023-12-06 | 一种场内智能物流解决方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668518.8A CN117670162A (zh) | 2023-12-06 | 2023-12-06 | 一种场内智能物流解决方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117670162A true CN117670162A (zh) | 2024-03-08 |
Family
ID=90063738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311668518.8A Pending CN117670162A (zh) | 2023-12-06 | 2023-12-06 | 一种场内智能物流解决方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117670162A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442128A (zh) * | 2019-07-20 | 2019-11-12 | 河北科技大学 | 基于特征点提取蚁群算法的agv路径规划方法 |
| CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
| CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
| CN113359768A (zh) * | 2021-07-05 | 2021-09-07 | 哈尔滨理工大学 | 一种基于改进的a*算法的路径规划方法 |
| CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
| CN114815802A (zh) * | 2022-01-06 | 2022-07-29 | 中冶南方（武汉）自动化有限公司 | 一种基于改进蚁群算法的无人天车路径规划方法和系统 |
| CN114995460A (zh) * | 2022-07-04 | 2022-09-02 | 东北大学秦皇岛分校 | 一种基于自适应改进蚁群算法的机器人路径规划方法 |
| CN115437382A (zh) * | 2022-09-29 | 2022-12-06 | 长安大学 | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 |
| CN116203965A (zh) * | 2023-03-19 | 2023-06-02 | 哈尔滨理工大学 | 一种基于agv的改进蚁群算法的路径规划算法 |
| CN116401951A (zh) * | 2023-04-10 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 集成多agv路径规划与多行设备布局优化方法 |
| CN116625378A (zh) * | 2023-07-18 | 2023-08-22 | 上海仙工智能科技有限公司 | 一种跨区域路径规划方法及系统、存储介质 |
| CN116721337A (zh) * | 2023-05-18 | 2023-09-08 | 同济大学 | 无人驾驶场景下基于动态车辆检测的点云畸变矫正方法 |
-
2023
- 2023-12-06 CN CN202311668518.8A patent/CN117670162A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442128A (zh) * | 2019-07-20 | 2019-11-12 | 河北科技大学 | 基于特征点提取蚁群算法的agv路径规划方法 |
| CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
| CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
| CN113359768A (zh) * | 2021-07-05 | 2021-09-07 | 哈尔滨理工大学 | 一种基于改进的a*算法的路径规划方法 |
| CN113485380A (zh) * | 2021-08-20 | 2021-10-08 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
| CN114815802A (zh) * | 2022-01-06 | 2022-07-29 | 中冶南方（武汉）自动化有限公司 | 一种基于改进蚁群算法的无人天车路径规划方法和系统 |
| CN114995460A (zh) * | 2022-07-04 | 2022-09-02 | 东北大学秦皇岛分校 | 一种基于自适应改进蚁群算法的机器人路径规划方法 |
| CN115437382A (zh) * | 2022-09-29 | 2022-12-06 | 长安大学 | 一种用于无人仓库的多agv路径规划方法、系统及设备介质 |
| CN116203965A (zh) * | 2023-03-19 | 2023-06-02 | 哈尔滨理工大学 | 一种基于agv的改进蚁群算法的路径规划算法 |
| CN116401951A (zh) * | 2023-04-10 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 集成多agv路径规划与多行设备布局优化方法 |
| CN116721337A (zh) * | 2023-05-18 | 2023-09-08 | 同济大学 | 无人驾驶场景下基于动态车辆检测的点云畸变矫正方法 |
| CN116625378A (zh) * | 2023-07-18 | 2023-08-22 | 上海仙工智能科技有限公司 | 一种跨区域路径规划方法及系统、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张国良等: "《移动机器人的SLAM与VSLAM方法》", 30 June 2018, 西安：西安交通大学出版社, pages: 277 - 279 * |
| 石玲等: "《高等院校应用型本科智能制造领域十四五规划教材 智能汽车技术概论》", 31 January 2023, 华中科技大学出版社, pages: 53 - 54 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
| CN113031603B (zh) | 一种基于任务优先级的多物流机器人协同路径规划方法 | |
| CN108241375B (zh) | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 | |
| CN112000754B (zh) | 地图构建方法、装置、存储介质及计算机设备 | |
| CN106979785B (zh) | 一种面向多机器人系统的完全遍历路径规划方法 | |
| CN113467456B (zh) | 一种未知环境下用于特定目标搜索的路径规划方法 | |
| CN109489667A (zh) | 一种基于权值矩阵的改进蚁群路径规划方法 | |
| Zhu et al. | DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion | |
| CN112985408B (zh) | 一种路径规划优化方法及系统 | |
| CN113821029B (zh) | 一种路径规划方法、装置、设备及存储介质 | |
| CN111024092A (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
| CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
| CN110220528A (zh) | 一种基于a星算法的自动驾驶无人车双向动态路径规划方法 | |
| 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 | |
| CN111966097B (zh) | 基于栅格地图区域化探索的建图方法、系统以及终端 | |
| Delling et al. | Customizable point-of-interest queries in road networks | |
| KR101525071B1 (ko) | 탐색 알고리즘을 이용한 미지 환경에서의 경로 매핑 및 영역 탐색방법 | |
| CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
| CN115237135A (zh) | 一种基于冲突的移动机器人路径规划方法及系统 | |
| CN110375759A (zh) | 基于蚁群算法的多机器人路径规划方法 | |
| EP4180895B1 (en) | Autonomous mobile robots for coverage path planning | |
| Moors et al. | A probabilistic approach to coordinated multi-robot indoor surveillance | |
| CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
| CN114756034A (zh) | 一种机器人实时避障路径规划方法及装置 | |
| CN117670162A (zh) | 一种场内智能物流解决方法 |
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 |