CN117740019A - 一种农产品冷藏仓库中的agv路径规划方法及系统 - Google Patents
一种农产品冷藏仓库中的agv路径规划方法及系统 Download PDFInfo
- Publication number
- CN117740019A CN117740019A CN202311818748.8A CN202311818748A CN117740019A CN 117740019 A CN117740019 A CN 117740019A CN 202311818748 A CN202311818748 A CN 202311818748A CN 117740019 A CN117740019 A CN 117740019A
- Authority
- CN
- China
- Prior art keywords
- agv
- agv trolley
- trolley
- path
- obstacle
- 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 78
- 238000005057 refrigeration Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 241000254158 Lampyridae Species 0.000 claims abstract description 38
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 9
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 101100412093 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rec16 gene Proteins 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000000399 optical microscopy Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种农产品冷藏仓库中的AGV路径规划方法及系统,所述方法为AGV车辆搭载深度相机和激光雷达采集仓库地图环境数据,采用Gmapping算法构建二位栅栏地图,仓库AGV采用改进OMA算法完成全局路径规划,所述改进的OMA算法包括采用改进的循环混沌映射初始化代替其原来的随机初始化、萤火虫扰动策略对算法最优解更新迭代优化;引进虚拟终点的策略和一种目标距离函数,采用改进的人工势场法完成AGV局部路径规划,其中目标距离函数可以有效避免AGV小车到达不了目标点的情况,虚拟终点法能帮助个体迅速逃离局部极值,完成避障功能。本发明准确快速的优化冷藏仓库农产品的路径规划问题,减少农产品的调度时间,并且减少了人工参与,保障了工作人员的安全。
Description
技术领域
本发明属于AGV技术领域,特别是涉及一种农产品冷藏仓库中的AGV路径规划及系统。
背景技术
在制造业和仓储物流等领域,自动导引车(AGV)作为一种无人操作的智能化搬运设备发挥着关键作用,极大提升了工厂的自动化水平和生产效率。尽管在已知地图的静态环境下,AGV的路径规划已经相对成熟,但在复杂环境中,特别是在环境信息和障碍物信息未知的情况下,设计有效的路径规划和避障算法仍然是AGV领域中的关键挑战。
在路径规划方面,众多学者们提出了多种算法,但是在如此众多算法中,几乎没有算法能避免陷入局部极小值的问题。其中以人工势场法为代表,人工势场法路径规划是由Khatib提出的一种虚拟力法;它的基本思想是将AGV小车在周围环境中的运动,设计成一种抽象的人造引力场中的运动,目标点对移动AGV小车产生“引力”,障碍物对移动AGV小车产生“斥力”,最后通过求合力来控制移动AGV小车的运动。应用势场法规划出来的路径一般是比较平滑并且安全,但是人工势场法存在一些不足之处。例如,在路径规划过程中,AGV很容易陷入局部最小值,即受到目标点引力和障碍物斥力平衡,无法继续向目标点移动。另外,人工势场法还面临着AGV目标不可达的问题,当障碍物出现在目标附近时,由于斥力较大,AGV无法顺利到达目标点。
在AGV领域,改进算法以克服其在路径规划中常见的局部最小值等问题,成为研究者们亟需解决的技术挑战。因此,设计AGV的路径规划和避障算法,以提高系统在未知环境中的适应性,是当前领域的关键研究任务。
发明内容
发明目的:本发明提供了一种农产品冷藏仓库中的AGV路径规划方法及系统,使用改进的OMA算法进行AGV的全局规划,再使用改进的人工势场法进行AGV小车的局部路径规划,实现AGV小车的避障功能。
技术方案:发明所述的一种农产品冷藏仓库中的AGV路径规划方法,包括以下步骤:
(1)基于深度点云三维数据与二维激光扫描数据构建二维栅格地图;
(2)采用Gmapping算法优化二维栅格地图,得到农产品冷藏仓库环境地图;
(3)通过步骤(2)得到的环境地图,采用改进的OMA算法进行AGV车辆的全局路径规划;所述改进的OMA算法包括采用改进的循环混沌映射初始化代替其原来的随机初始化、萤火虫扰动策略对算法最优解更新迭代优化;
(4)AGV小车通过步骤(3)得出的最佳路径进行前进,通过搭载的激光雷达检测行驶路径中是否有障碍物,有则跳至步骤(5),无则跳至步骤(6);
(5)采用人工势场法完成AGV小车的局部路径规划实现基础避障功能;当AGV小车靠近目标点且在目标点周围存在障碍物,出现目标不可达的状态,引入目标距离函数;当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点,额外给AGV小车施加一个吸引力,将其往虚拟终点的位置吸引;
(6)AGV小车成功将货物送达指定目标点,并通过数据平台可视化实时显示。
进一步地,所述步骤(1)的实现过程如下:
于农产品冷藏仓库中启动AGV小车,AGV车辆搭载深度相机和激光雷达开始采集地图信息,通过SLAM算法构建导航地图;直流电机驱动AGV小车完成位姿移动,将深度点云三维数据与二维激光扫描数据融合,并使用融合的数据构建二维栅格地图。
进一步地,步骤(2)所述Gmapping算法是在RBPF_SLAM算法的基础上进行优化;RBPF_SLAM将SLAM问题分解为定位和建图两个问题,先估计出车辆路径,再在车辆路径基础上估计出环境地图;所述RBPF_SLAM建图过程分为采样、重要性权重计算、重定位、更新路标;将激光雷达数据和里程计数据输入到slam_gmapping,再调用openslam_gmapping,观测数据和已有地图是否匹配成功,成功则从改进建议分布中进行采样并计算重要性权重,否则就要从运动模型中进行采样再计算重要性权重;之后计算例子有效性Neff,判断Neff是否小于粒子有效性阈值,是则进行重采样,否则更新地图,最后通过slam_gmapping模块输出农产品冷藏仓库环境地图。
进一步地,步骤(3)所述的改进光学显微镜算法的具体步骤为:
(31)设置光学显微镜算法的目标函数为最短时间路径并初始化相关参数:种群大小、维度大小、路径搜索空间的上界与下界;
(32)使用改进的循环混沌映射初始化方法代替原OMA算法中的随机初始化方法,其公式如下:
其中,xn表示第n个混沌序列数,mod表示为取余函数
(33)根据目标函数计算个体的适应度值,并记录最优适应度值对应的最佳路径方案bestSolution;
(34)采用萤火虫扰动策略对路径更新迭代优化,降低群体陷入局部最优值的概率,提高搜索全局的能力:
对于一个D维的搜索空间,设种群中萤火虫总个数,即路径搜索范围的总个数为NP,则第i只萤火虫的位置表示为Xi=(xi1,xi2,…,xiD);萤火虫的相对荧光亮度表示为:
式中,I0是目标函数值,当I0值越大时,萤火虫的亮度越大,适应度值越优;γ为光强吸收系数,该系数随着距离的变化和传播媒介的不同而改变;rij为各萤火虫之间的距离,是个体i和j之间的欧式距离,由下式确定:
萤火虫的吸引度表示为:
式中,β0表示萤火虫个体光源处的吸引度;萤火虫扰动位置的更新迭代公式如下:
式中,第二项是吸引力,和/>分别表示路径当前的位置;第三项是随机化,α为步长影响因子,ε为高斯随机数,t是当前的迭代次数;对于最亮的萤火虫xb,其扰动位置为:
(35)判断是否达到最大迭代次数,若未达到则OMA算法进入(33);否则,结束运行并输出最终结果。
进一步地,所述步骤(4)的实现过程如下:
通过步骤3改进的OMA算法寻优到的最佳路径,AGV小车在农产品冷藏仓库中沿着该路径行驶,通过搭载的激光雷达扫描附近的障碍物,判断是否有需要避障的步骤,如果有,则调至步骤(5),否则将继续行驶。
进一步地,步骤(5)所述采用人工势场法完成AGV小车的局部路径规划实现基础避障功能实现过程如下:
在势场中AGV受到目标点的引力;随着AGV与目标点的距离变化而产生变化,当AGV与目标点越近,其所受到的引力越小,当AGV与目标点越远,其所受到的引力则越大;人工势场法的引力势场函数表达式为:
其中,kattr为引力场的增益系数,用于调节AGV小车收到的引力大小;Xr为AGV小车当前的位置坐标;Xg为目标点的位置坐标;(Xr-Xg)2为当前点到目标点欧氏距离的平方;
AGV小车的收到的引力为:
Fattr(Xr)=grad(Uattr(Xr))=-kattr|Xr-Xg| (12)
其中,grad(Uattr(Xr))表示引力场Uattr在Xr位置的梯度,即引力场Uattr中Xr位置处势能变化最大的方向;|Xr-Xg|为AGV小车点与目标点之间的距离;
由式(7)知,AGV小车受到的引力与到目标点的距离呈线性关系,AGV小车距离目标点越近,引力越小;
AGV小车的斥力场函数为:
其中:krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧式距离,斥力势场函数的负梯度为斥力函数,表达式为:
其中,grad(Urep(Xr))表示斥力场Urep在位置Xr的梯度,即斥力场Urep中Xr位置处势能变化最大的方向;ρ0为障碍物斥力范围影响因子,与AGV小车的最高速度和最高加速度有关,其关系如下:
vmax 2=2amax(ρmin+s) (15)
其中,vmax为AGV小车的最大速度;amax为AGV小车的最大加速度;ρmin为障碍物斥力范围最低影响因子;s为AGV小车与障碍物保持的安全距离;因此,当ρ0ρ0处于以下条件时,能够保证AGV小车安全:
当AGV小车与障碍物距离大于ρ0时,AGV小车不受障碍物斥力影响;当AGV小车与障碍物距离小于ρ0时,AGV小车所受障碍物的斥力随着两者距离的减少而增大;AGV小车在运动轨迹受到引力场与斥力场两者的共同影响;在一般路径规划中,存在一个目标点和一个或多个障碍物,因此AGV小车受到的合势场为:
Uall(Xr)=Uattr(Xr)+∑Urep(Xr) (17)
则AGV小车在合势场中受到的合力为:
Fall(Xr)=Fattr(Xr)+∑Frep(Xr) (18)
AGV小车最终的运动方向是由AGV小车受到的合力与斥力共同决定,随着AGV小车位置的不断变化,其受到的合力大小与方向也在持续改变。
进一步地,步骤(5)所述当AGV小车靠近目标点且在目标点周围存在障碍物,出现目标不可达的状态,引入目标距离函数,通过AGV小车与目标点的距离大小来对斥力势场大小进行限制,实现过程如下:
改进后的斥力势场函数为:
其中,krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧氏距离;ρ0为障碍物的斥力范围,AGV小车到目标点的欧氏距离,n为可调节系数;通过对改进的斥力势场函数进行求偏导后得到对应的斥力函数:
其中,Frep1(Xr)和Frep2(Xr)为当AGV小车处于障碍物斥力范围时会将受到的斥力分解为两个方向的分力;Frep1(Xr)是障碍物对AGV小车排斥力方向上的力,也就是对AGV小车的排斥力。
进一步地,步骤(5)所述当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点,额外给AGV小车施加一个吸引力,将其往虚拟终点的位置吸引,实现过程如下:
首先设一个局部最优解的判定值为K,然后记录小车每次迭代的位置,如第n次迭代的位置为Pn,机器人第n+1次迭代的位置为Pn+1,其中n≥0.设置一个检测周期为T,每经过T次迭代便对机器人进行一次检测;检测方法为|Pn+1-Pn|≥K时,判定为小车没有陷入局部最优解,继续向着当前目标点前进;反之当|Pn+1-Pn|<K时,便判定机器人陷入了局部最优解状态;设置虚拟终点来对小车施加额外的引力进而打破当前的受力状态,摆脱局部最优解。
本发明所述的一种农产品冷藏仓库中的AGV路径规划系统,包括数据采集和预处理模块、数据融合模块、AGV路径规划模块和数据可视化模块;
所述数据采集和预处理模块对农产品冷藏仓库中地图数据进行实时采集;并通过SLAM算法构建导航地图和Gmapping算法优化地图数据进行预处理;
所述数据融合模块将深度点云三维数据与二维激光扫描数据融合,对采集的地图数据进行局部和全局数据融合,并使用融合的数据构建二维栅格地图,提高地图信息的完整性;
所述AGV路径规划模块,利用改进的OMA算法进行AGV车辆的全局路径规划;再通过AGV小车搭载的激光雷达检测行驶路径中是否有障碍物;然后采用改进的人工势场法完成AGV小车的局部路径规划实现避障功能;实现对AGV小车的路径规划;
所述数据可视化模块,对AGV小车路径规划之后货物的送至情况通过云平台数据可视化实时显示。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明提出改进的光学显微镜(OMA)算法,利用改进的循环混沌映射初始化代替其原来的随机初始化,相比于随机初始点初始化,循环映射值的点位分布更均匀化,种群搜索更加全面,有效改善易陷入局部极值的问题;之后萤火虫扰动策略对算法最优解更新迭代优化,提高OMA算法的全局搜索能力和降低群体陷入局部最优值的概率;
2、本发明所提的改进的人工势场法,针对目标不可达问题,通过引入目标距离函数来解决,在传统的人工势场法的斥力势场函数中引入目标距离函数,即通过小车与目标点的距离大小来对斥力势场大小进行限制,使小车真正到达目的地,摆脱目标不可达的状态;针对陷入局部极小值问题时,本发明提出了一个虚拟终点的方法,通过设置虚拟终点的方式,最终引导小车逃离局部极值点。
附图说明
图1是应用农产品冷藏仓库中的AGV路径规划方法流程图;
图2是Gmapping算法工作流程图;
图3是改进的OMA算法流程图;
图4是虚拟终点法处理局部最优问题流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明提出了一种农产品冷藏仓库中的AGV路径规划方法,具体包括以下步骤:
步骤1:启动AGV小车,AGV车辆搭载深度相机和激光雷达开始采集农产品冷藏仓库地图信息,通过SLAM算法构建导航地图,直流电机驱动AGV小车完成位姿移动,从而实现二维栅格地图构建;考虑到单线激光雷达只能观测某一平面的点云信息,本设计将深度点云三维数据与二维激光扫描数据融合,并使用融合的数据构建二维栅格地图,提高地图信息的完整性。
SLAM算法构架导航地图的具体实现过程为:首先,对深度相机和二维激光雷达的数据进行预处理,将经过融合的数据传递给算法的前端,用于表示一个完整的数据帧。同时,通过连续帧的信息构建局部地图,并利用非线性最小二乘方法对局部地图进行优化。在这一步,利用通过卡尔曼滤波获取的IMU数据作为优化算法的初值,从而精调自动导引车(AGV)在局部地图中的位姿。这有助于构建最优的局部地图。在大范围场景中,可以通过闭环建立非线性最小二乘,利用分支定界法来加速当前帧与历史帧之间的匹配效率。通过这一过程,我们能够优化全局地图,提高系统的整体性能。
步骤2:采用Gmapping算法优化二维栅格地图,如图2所示,对地图数据进行局部、全局的融合。Gmapping算法是在RBPF_SLAM算法的基础上进行优化;RBPF_SLAM将SLAM问题分解为定位和建图两个问题,先估计出车辆路径,再在车辆路径基础上估计环境地图。
RBPF_SLAM建图过程主要分为四个步骤:采样、重要性权重计算、重定位、更新路标。
采样:采样是用上一时刻的粒子集来估计本时刻的粒子集/>本时刻粒子集的生成过程公式如下:
P(xk,m|Z0:k,U0:k,x0) (1)
其中,xk表示当前时刻AGV小车位姿状态,m表示地图,Z0:k表示环境历史观测信息,U0:k表示AGV小车历史运动信息,x0表示0时刻AGV小车位姿状态。
重要性权重计算:在上一步骤采样中,每个粒子的可信度不一样;车辆的每条估计轨迹用粒子表示,需要计算重要性权重,重要性权重用建议分布与目标分布的差异表示,重要性权重计算式为:
其中,表示1时刻到上一时刻的粒子集,z1:t表示1时刻到上一时刻的环境历史观测信息,u1:t-1表示1时刻到上一时刻的AGV小车历史运动信息,/>是目标分布,/>是建议分布。
重采样:在初始采样阶段,只考虑了车辆控制信息和上一时刻车辆状态,忽略了观测信息,导致得到的粒子集仅符合建议分布而不符合目标分布;为了提高估计的准确性,需要根据重要性权重对采集到的粒子集进行重采样;高重要性权重的粒子具有更高的可信度,而低权重的粒子可信度较低;在重采样过程中,筛选掉权重低的粒子,保留并复制权重高的粒子,以确保前后粒子总数一致;这有助于使粒子集更好地反映实际系统状态。
更新路标:每个粒子点根据p(m|x1:t,z1:t)都可以绘制对应的地图,将历史时刻绘制的地图进行匹配得到更新后的地图。
将激光雷达数据和里程计数据输入到slam_gmapping模块,再调用openslam_gmapping模块,观测数据和已有地图是否匹配成功,成功则从改进建议分布中进行采样并计算重要性权重,否则就要从运动模型中进行采样再计算重要性权重;之后计算例子有效性Neff,判断Neff是否小于粒子有效性阈值,是则进行重采样,否则更新地图,最后通过slam_gmapping模块输出地图。
RBPF_SLAM使用作为建议分布,Gmapping通过引进观测数据zt和控制参数ut改进建议分布,改进建议分布如下式所示:
RBPF_SLAM在重采样过程中,不断地进行重采样会导致粒子多样性耗散,最终粒子可能由一个粒子或几个粒子复制得到,粒子多样性极大地降低;同时,由于噪声的存在,可能会导致坏的粒子被重复复制,好的粒子被删去,最后留下的都是坏的粒子,导致粒子有效性降低;未来保证粒子多样性和有效性,Gmapping采用自适应重采样的方法;具体方法是计算粒子有效性Neff,通过设置阈值来判断是否重采样,当有效性低于一个阈值Nth时,进行重采样;当有效性高于该阈值时,不进行重采样,粒子有效性计算式为:
步骤3:如图3所示,利用改进光学显微镜算法优化AGV小车的路径方法,搜寻最优的路径,具体的实施步骤为:
步骤3.1:设置光学显微镜(OMA)算法的目标函数为最短时间路径并初始化相关参数:种群大小、维度大小、路径搜索空间的上界与下界。
步骤3.2:使用改进的循环混沌映射初始化方法代替原OMA算法中的随机初始化方法,其公式如下:
其中,xn表示第n个混沌序列数,mod表示为取余函数
步骤3.3:根据目标函数计算个体的适应度值,并记录最优适应度值对应的最佳路径方案bestSolution。
步骤3.4:采用萤火虫扰动策略对路径更新迭代优化,降低群体陷入局部最优值的概率,提高搜索全局的能力;
萤火虫扰动策略原理是通过将空间中的每个点视为一个萤火虫,萤火虫种群被随机分布,利用高亮度萤火虫吸引低亮度萤火虫的特点找到最佳位置;
萤火虫的相对荧光亮度(I)表示为:
式中,I0是目标函数值,当I0值越大时,萤火虫的亮度越大,适应度值越优;γ为光强吸收系数,该系数随着距离的变化和传播媒介的不同而改变;rij为各萤火虫之间的距离,是个体i和j之间的欧式距离,由下式确定:
萤火虫的吸引度(β)表示为:
式中,β0表示萤火虫个体光源处的吸引度;
萤火虫扰动位置的更新迭代公式如下:
式中,第二项是吸引力,和/>分别表示路径当前的位置;第三项是随机化,α为步长影响因子,ε为高斯随机数,t是当前的迭代次数;对于最亮的萤火虫xb,因为没有其他更亮的萤火虫,来遵循上面等式中的第二个表达式,该项将被省略,如在下面等式中所示:
步骤3.5:判断是否达到最大迭代次数,若未达到则OMA算法进入步骤3.3;否则,结束运行并输出最终结果。
步骤4:通过步骤3改进的OMA算法寻优到的全局最佳路径,AGV小车沿着该路径行驶,通过搭载的双目相机和激光雷达扫描附近的障碍物,判断是否有需要避障的步骤,如果有,则调至步骤5,否则将继续行驶。
具体来说,双目相机则是通过两个摄像头的视角之间的差异性来获取深度信息,双目相机通过将左右两个摄像头所拍摄到的图像进行匹配,计算出物体在空间中的位置关系,并且在室外光线暴露的情况下也能够正常工作。然后判断是否有需要避障的步骤,如果有,则AGV小车开始利用改进的人工势场法进行局部路径规划,否则将继续沿着步骤3的路径行驶,直到货物送到目标点。
步骤5:采用改进的人工势场法完成AGV小车的局部路径规划实现避障功能;人工势场法就是在算法中添加一种虚拟终点的方法和引进一种目标距离函数,极大地提高了AGV小车寻路避障的性能。
配置人工势场法的引力势场函数具体为,在二维运动空间中,AGV不仅会受到空间中障碍物所给的斥力,还会受到AGV所要到达的目标点发出的引力;在势场中AGV受到目标点的引力;随着AGV与目标点的距离变化而产生变化,当AGV与目标点越近,其所受到的引力越小,当AGV与目标点越远,其所受到的引力则越大;人工势场法的引力势场函数表达式为:
其中,kattr为引力场的增益系数,用于调节小车收到的引力大小;Xr为小车当前的位置坐标;Xg为目标点的位置坐标;(Xr-Xg)2为当前点到目标点欧氏距离的平方。
AGV小车的收到的引力为:
Fattr(Xr)=grad(Uattr(Xr))=-kattr|Xr-Xg| (12)
其中,grad(Uattr(Xr))表示引力场Uattr在Xr位置的梯度,即引力场Uattr中Xr位置处势能变化最大的方向;|Xr-Xg|为AGV小车点与目标点之间的距离。
由式(7)可知,AGV小车受到的引力与到目标点的距离呈线性关系,AGV小车距离目标点越近,引力越小。
AGV小车的斥力场函数为:
其中,krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧式距离。斥力势场函数的负梯度为斥力函数,表达式为:
其中,grad(Urep(Xr))表示斥力场Urep在位置Xr的梯度,即斥力场Urep中Xr位置处势能变化最大的方向;ρ0为障碍物斥力范围影响因子,与AGV小车的最高速度和最高加速度有关,其关系如下:
vmax 2=2amax(ρmin+s) (15)
其中,vmax为AGV小车的最大速度;amax为AGV小车的最大加速度;ρmin为障碍物斥力范围最低影响因子;s为AGV小车与障碍物保持的安全距离;因此,当ρ0处于以下条件时,能够保证AGV小车安全:
由式(10)可以看出,当AGV小车与障碍物距离大于ρ0时,AGV小车不受障碍物斥力影响;当AGV小车与障碍物距离小于ρ0时,AGV小车所受障碍物的斥力随着两者距离的减少而增大;AGV小车在运动轨迹受到引力场与斥力场两者的共同影响;在一般路径规划中,存在一个目标点和一个或多个障碍物,因此AGV小车受到的合势场为:
Uall(Xr)=Uattr(Xr)+∑Urep(Xr) (17)
则AGV小车在合势场中受到的合力为:
Fall(Xr)=Fattr(Xr)+∑Frep(Xr) (18)
由人工势场法的原理可知,AGV小车最终的运动方向是由AGV小车受到的合力与斥力共同决定,随着AGV小车位置的不断变化,其受到的合力大小与方向也在持续改变,因此算法具备较好的实时避障效果,且操作简单易实现,在路径规划中应用广泛。实际需要路径规划的环境复杂程度不一,可能在非目标点出现合力为零的情况,若AGV小车陷入此位置,则无法到达目标点,这是人工势场法的原理导致,故需要对此缺陷进行改进。
引力与斥力合力为零的情况可分为目标不可达与局部极小值,下面会针对这两个问题,分别对算法进行改进;
目标不可达问题的改进方法:当AGV小车靠近目标点时,如果在目标点周围存在障碍物的话将有可能会出现目标不可达的状态。针对这个问题,本文通过引入目标距离函数来解决。在传统的人工势场法的斥力势场函数中引入目标距离函数,即通过AGV小车与目标点的距离大小来对斥力势场大小进行限制。当AGV小车越靠近目标点时,目标距离函数也就越小,并且是以指数形式的减小数值,这样对斥力势场的限制也越大。当AGV小车接近目标点时所受到的排斥力便会无限趋近于0,这样便可以在AGV小车即将抵达目标点这个最关键的地方忽略排斥力的影响,使AGV小车真正到达目的地,摆脱目标不可达的状态。
改进后的斥力势场函数为:
其中,krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧氏距离,ρ0为障碍物的斥力范围,AGV小车到目标点的欧氏距离,n为可调节系数。通过对改进的斥力势场函数进行求偏导后可以得到对应的斥力函数:
其中,Frep1(Xr)和Frep2(Xr)为当AGV小车处于障碍物斥力范围时会将受到的斥力分解为两个方向的分力。
Frep1(Xr)是障碍物对AGV小车排斥力方向上的力,也就是对AGV小车的排斥力。由公式可以看出AGV小车到目标点的距离在公式中以指数的形式存在,也就意味着AGV小车到目标点的距离大小能对整个Frep1(Xr)分力产生巨大影响。
其中,Frep2(Xr)则是目标点对AGV小车产生的引力方向上的引力,对AGV小车产生引力。因为AGV小车到目标点的距离在这个公式中也是以指数的形式存在,所以也能对整个Frep2(Xr)分力产生极大的影响。
为了能够使目标距离函数起到最佳的效果,可调节参数n的取值则变得尤其重要,因为参数n取值的不同将会导致整个目标距离函数对斥力函数产生的效果不同。当0<n<1时,如果AGV小车与目标点之间的距离大于1,那么随着AGV小车与目标点之间的距离越小斥力函数也会变得越小;而如果AGV小车与目标点之间的距离小于1,那么随着AGV小车与目标点之间的距离缩小斥力函数将会变得越大。当n>1时,如果AGV小车与目标点之间的距离大于1,那么随着AGV小车与目标点之间的距离越小斥力函数也会变得越小;如果AGV小车与目标点之间的距离小于1,那么随着AGV小车与目标点之间的距离缩小斥力函数将会变得越小。从公式(16)和公式(17)中可以看出当AGV小车近目标点时受到的排斥力将越接近0,这样便限制了在AGV小车接近目标点时障碍物对AGV小车产生的排斥影响,让AGV小车能够不受到斥力干扰顺利进入目标地点,进而解决目标不可达问题。
局部极小值的改进方法:在AGV小车运行过程中首先会对AGV小车进行检测是否落入局部最优解陷阱,根据局部最优解的概念可知是当AGV小车所受到的引力和斥力方向相反,大小相同时,AGV小车会处于一个静止不动的状态,这时便会被视为陷入局部最优解。但是在实际运行中很少会出现AGV小车所受到引力和斥力刚好方向相反和大小相同,因此更多情况是机器人陷入局部最优状态后会在一个区域里反复震荡,无法逃离这个区域。当AGV小车陷入局部最优解状态时,本文在AGV小车附近创造一个新的虚拟终点,这个虚拟终点会额外再给机器人施加一个吸引力,将其往虚拟终点的位置吸引。这个突然出现的力将会打破机器人现有的受力平衡,并使机器人摆脱局部最优解的状态继续向着真实终点前进。
因此对于AGV小车是否陷入局部最优状态做了以下检测,流程图如图4所示:首先设一个局部最优解的判定值为K,然后记录AGV小车每次迭代的位置,如第n次迭代的位置为Pn,机器人第n+1次迭代的位置为Pn+1,其中n≥0.设置一个检测周期为T,每经过T次迭代便对机器人进行一次检测。检测方法为|Pn+1-Pn|≥K时,判定为AGV小车没有陷入局部最优解,可以继续向着当前目标点前进。反之当|Pn+1-Pn|<K时,便判定机器人陷入了局部最优解状态。因为这时它正处于一个小范围内反复震荡,所以它每次迭代之间的路径距离会特别短。基于上述局部最优解的判定方法,在AGV小车运行过程中每隔T时间便会进行一次检测。如果通过了检测便证明没有陷入局部最优解,便可以继续向着目标点前进了。若没有通过检测便证明已经陷入了局部最优解之中,这时就得设置虚拟终点来对AGV小车施加额外的引力进而打破当前的受力状态,摆脱局部最优解,直到顺利到达目标点位置。
基于相同的发明构思,本发明还提出一种农产品冷藏仓库中的AGV路径规划,包括数据采集和预处理模块、数据融合模块、AGV路径规划模块和数据可视化模块;所述数据采集和预处理模块对农产品冷藏仓库中地图数据进行实时采集;并通过SLAM算法构建导航地图和Gmapping算法优化地图数据进行预处理;所述数据融合模块将深度点云三维数据与二维激光扫描数据融合,对采集的地图数据进行局部和全局数据融合,并使用融合的数据构建二维栅格地图,提高地图信息的完整性;所述AGV路径规划模块,利用改进的OMA算法进行AGV车辆的全局路径规划;再通过AGV小车搭载的激光雷达检测行驶路径中是否有障碍物;然后采用改进的人工势场法完成AGV小车的局部路径规划实现避障功能;实现对AGV小车的路径规划;所述数据可视化模块,对AGV小车路径规划之后货物的送至情况通过云平台数据可视化实时显示。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,包括以下步骤:
(1)基于深度点云三维数据与二维激光扫描数据构建二维栅格地图;
(2)采用Gmapping算法优化二维栅格地图,得到农产品冷藏仓库环境地图;
(3)通过步骤(2)得到的环境地图,采用改进的OMA算法进行AGV车辆的全局路径规划;所述改进的OMA算法包括采用改进的循环混沌映射初始化代替其原来的随机初始化、萤火虫扰动策略对算法最优解更新迭代优化;
(4)AGV小车通过步骤(3)得出的最佳路径进行前进,通过搭载的激光雷达检测行驶路径中是否有障碍物,有则跳至步骤(5),无则跳至步骤(6);
(5)采用人工势场法完成AGV小车的局部路径规划实现基础避障功能;当AGV小车靠近目标点且在目标点周围存在障碍物,出现目标不可达的状态,引入目标距离函数;当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点,额外给AGV小车施加一个吸引力,将其往虚拟终点的位置吸引;
(6)AGV小车成功将货物送达指定目标点,并通过数据平台可视化实时显示。
2.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,所述步骤(1)的实现过程如下:
于农产品冷藏仓库中启动AGV小车,AGV车辆搭载深度相机和激光雷达开始采集地图信息,通过SLAM算法构建导航地图;直流电机驱动AGV小车完成位姿移动,将深度点云三维数据与二维激光扫描数据融合,并使用融合的数据构建二维栅格地图。
3.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,步骤(2)所述Gmapping算法是在RBPF_SLAM算法的基础上进行优化;RBPF_SLAM将SLAM问题分解为定位和建图两个问题,先估计出车辆路径,再在车辆路径基础上估计出环境地图;所述RBPF_SLAM建图过程分为采样、重要性权重计算、重定位、更新路标;将激光雷达数据和里程计数据输入到slam_gmapping,再调用openslam_gmapping,观测数据和已有地图是否匹配成功,成功则从改进建议分布中进行采样并计算重要性权重,否则就要从运动模型中进行采样再计算重要性权重;之后计算例子有效性Neff,判断Neff是否小于粒子有效性阈值,是则进行重采样,否则更新地图,最后通过slam_gmapping模块输出农产品冷藏仓库环境地图。
4.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,步骤(3)所述的改进光学显微镜算法的具体步骤为:
(31)设置光学显微镜算法的目标函数为最短时间路径并初始化相关参数:种群大小、维度大小、路径搜索空间的上界与下界;
(32)使用改进的循环混沌映射初始化方法代替原OMA算法中的随机初始化方法,其公式如下:
其中,xn表示第n个混沌序列数,mod表示为取余函数
(33)根据目标函数计算个体的适应度值,并记录最优适应度值对应的最佳路径方案bestSolution;
(34)采用萤火虫扰动策略对路径更新迭代优化,降低群体陷入局部最优值的概率,提高搜索全局的能力:
对于一个D维的搜索空间,设种群中萤火虫总个数,即路径搜索范围的总个数为NP,则第i只萤火虫的位置表示为Xi=(xi1,xi2,…,xiD);萤火虫的相对荧光亮度表示为:
式中,I0是目标函数值,当I0值越大时,萤火虫的亮度越大,适应度值越优;γ为光强吸收系数,该系数随着距离的变化和传播媒介的不同而改变;rij为各萤火虫之间的距离,是个体i和j之间的欧式距离,由下式确定:
萤火虫的吸引度表示为:
式中,β0表示萤火虫个体光源处的吸引度;萤火虫扰动位置的更新迭代公式如下:
式中,第二项是吸引力,和/>分别表示路径当前的位置;第三项是随机化,α为步长影响因子,ε为高斯随机数,t是当前的迭代次数;对于最亮的萤火虫xb,其扰动位置为:
(35)判断是否达到最大迭代次数,若未达到则OMA算法进入(33);否则,结束运行并输出最终结果。
5.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,所述步骤(4)的实现过程如下:
通过步骤3改进的OMA算法寻优到的最佳路径,AGV小车在农产品冷藏仓库中沿着该路径行驶,通过搭载的激光雷达扫描附近的障碍物,判断是否有需要避障的步骤,如果有,则调至步骤(5),否则将继续行驶。
6.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,步骤(5)所述采用人工势场法完成AGV小车的局部路径规划实现基础避障功能实现过程如下:
在势场中AGV受到目标点的引力;随着AGV与目标点的距离变化而产生变化,当AGV与目标点越近,其所受到的引力越小,当AGV与目标点越远,其所受到的引力则越大;人工势场法的引力势场函数表达式为:
其中,kattr为引力场的增益系数,用于调节AGV小车收到的引力大小;Xr为AGV小车当前的位置坐标;Xg为目标点的位置坐标;(Xr-Xg)2为当前点到目标点欧氏距离的平方;
AGV小车的收到的引力为:
Fattr(Xr)=grad(Uattr(Xr))=-kattr|Xr-Xg| (12)
其中,grad(Uattr(Xr))表示引力场Uattr在Xr位置的梯度,即引力场Uattr中Xr位置处势能变化最大的方向;|Xr-Xg|为AGV小车点与目标点之间的距离;
由式(7)知,AGV小车受到的引力与到目标点的距离呈线性关系,AGV小车距离目标点越近,引力越小;
AGV小车的斥力场函数为:
其中:krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧式距离,斥力势场函数的负梯度为斥力函数,表达式为:
其中,grad(Urep(Xr))表示斥力场Urep在位置Xr的梯度,即斥力场Urep中Xr位置处势能变化最大的方向;ρ0为障碍物斥力范围影响因子,与AGV小车的最高速度和最高加速度有关,其关系如下:
vmax 2=2amax(ρmin+s) (15)
其中,vmax为AGV小车的最大速度;amax为AGV小车的最大加速度;ρmin为障碍物斥力范围最低影响因子;s为AGV小车与障碍物保持的安全距离;因此,当ρ0ρ0处于以下条件时,能够保证AGV小车安全:
当AGV小车与障碍物距离大于ρ0时,AGV小车不受障碍物斥力影响;当AGV小车与障碍物距离小于ρ0时,AGV小车所受障碍物的斥力随着两者距离的减少而增大;AGV小车在运动轨迹受到引力场与斥力场两者的共同影响;在一般路径规划中,存在一个目标点和一个或多个障碍物,因此AGV小车受到的合势场为:
Uall(Xr)=Uattr(Xr)+∑Urep(Xr) (17)
则AGV小车在合势场中受到的合力为:
Fall(Xr)=Fattr(Xr)+∑Frep(Xr) (18)
AGV小车最终的运动方向是由AGV小车受到的合力与斥力共同决定,随着AGV小车位置的不断变化,其受到的合力大小与方向也在持续改变。
7.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,步骤(5)所述当AGV小车靠近目标点且在目标点周围存在障碍物,出现目标不可达的状态,引入目标距离函数,通过AGV小车与目标点的距离大小来对斥力势场大小进行限制,实现过程如下:
改进后的斥力势场函数为:
其中,krep为斥力势场的系数,ρ(X,X0)为AGV小车到障碍物的欧氏距离;ρ0为障碍物的斥力范围,AGV小车到目标点的欧氏距离,n为可调节系数;通过对改进的斥力势场函数进行求偏导后得到对应的斥力函数:
其中,Frep1(Xr)和Frep2(Xr)为当AGV小车处于障碍物斥力范围时会将受到的斥力分解为两个方向的分力;Frep1(Xr)是障碍物对AGV小车排斥力方向上的力,也就是对AGV小车的排斥力。
8.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法,其特征在于,步骤(5)所述当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点,额外给AGV小车施加一个吸引力,将其往虚拟终点的位置吸引,实现过程如下:
首先设一个局部最优解的判定值为K,然后记录小车每次迭代的位置,如第n次迭代的位置为Pn,机器人第n+1次迭代的位置为Pn+1,其中n≥0.设置一个检测周期为T,每经过T次迭代便对机器人进行一次检测;检测方法为|Pn+1-Pn|≥K时,判定为小车没有陷入局部最优解,继续向着当前目标点前进;反之当|Pn+1-Pn|<K时,便判定机器人陷入了局部最优解状态;设置虚拟终点来对小车施加额外的引力进而打破当前的受力状态,摆脱局部最优解。
9.一种采用如权利要求1至8任一所述方法的农产品冷藏仓库中的AGV路径规划系统,其特征在于,包括数据采集和预处理模块、数据融合模块、AGV路径规划模块和数据可视化模块;
所述数据采集和预处理模块对农产品冷藏仓库中地图数据进行实时采集;并通过SLAM算法构建导航地图和Gmapping算法优化地图数据进行预处理;
所述数据融合模块将深度点云三维数据与二维激光扫描数据融合,对采集的地图数据进行局部和全局数据融合,并使用融合的数据构建二维栅格地图,提高地图信息的完整性;
所述AGV路径规划模块,利用改进的OMA算法进行AGV车辆的全局路径规划;再通过AGV小车搭载的激光雷达检测行驶路径中是否有障碍物;然后采用改进的人工势场法完成AGV小车的局部路径规划实现避障功能;实现对AGV小车的路径规划;
所述数据可视化模块,对AGV小车路径规划之后货物的送至情况通过云平台数据可视化实时显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311818748.8A CN117740019A (zh) | 2023-12-26 | 2023-12-26 | 一种农产品冷藏仓库中的agv路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311818748.8A CN117740019A (zh) | 2023-12-26 | 2023-12-26 | 一种农产品冷藏仓库中的agv路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117740019A true CN117740019A (zh) | 2024-03-22 |
Family
ID=90259082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311818748.8A Pending CN117740019A (zh) | 2023-12-26 | 2023-12-26 | 一种农产品冷藏仓库中的agv路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117740019A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
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 |
CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
CN115129064A (zh) * | 2022-07-26 | 2022-09-30 | 南京信息工程大学 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
DE202023104093U1 (de) * | 2023-07-21 | 2023-10-25 | Anuradha Laishram | Optimale Bahnplanung für ein Navigationssystem für mobile Roboter |
-
2023
- 2023-12-26 CN CN202311818748.8A patent/CN117740019A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
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 |
CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
CN115129064A (zh) * | 2022-07-26 | 2022-09-30 | 南京信息工程大学 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
DE202023104093U1 (de) * | 2023-07-21 | 2023-10-25 | Anuradha Laishram | Optimale Bahnplanung für ein Navigationssystem für mobile Roboter |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10882522B2 (en) | Systems and methods for agent tracking | |
Dang et al. | Autonomous exploration and simultaneous object search using aerial robots | |
CN112799386B (zh) | 基于人工势场与强化学习的机器人路径规划方法 | |
Zhou et al. | Survey on path and view planning for UAVs | |
Fulgenzi et al. | Probabilistic navigation in dynamic environment using rapidly-exploring random trees and gaussian processes | |
Zghair et al. | A one decade survey of autonomous mobile robot systems | |
CN116263335A (zh) | 一种基于视觉与雷达信息融合与强化学习的室内导航方法 | |
US20210223402A1 (en) | Autonomous vehicle controlled based upon a lidar data segmentation system | |
CN110389587A (zh) | 一种目标点动态变化的机器人路径规划新方法 | |
EP4160146A1 (en) | Quadtree based data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
Kim et al. | An open-source low-cost mobile robot system with an RGB-D camera and efficient real-time navigation algorithm | |
Zhou et al. | An autonomous navigation approach for unmanned vehicle in outdoor unstructured terrain with dynamic and negative obstacles | |
CN116069023B (zh) | 一种基于深度强化学习的多无人车编队控制方法和系统 | |
CN117740019A (zh) | 一种农产品冷藏仓库中的agv路径规划方法及系统 | |
Rokhsaritalemi et al. | Drone trajectory planning based on geographic information system for 3D urban modeling | |
Dudarenko et al. | Robot navigation system in stochastic environment based on reinforcement learning on lidar data | |
Seegmiller et al. | The Maverick planner: An efficient hierarchical planner for autonomous vehicles in unstructured environments | |
Peng et al. | Design of constrained dynamic path planning algorithms in large-scale 3D point cloud maps for UAVs | |
Hu et al. | Large-scale Autonomous Navigation and Path Planning of Lunar Rover via Deep Reinforcement Learning | |
Kivrak et al. | A multilevel mapping based pedestrian model for social robot navigation tasks in unknown human environments | |
Zheng et al. | The Navigation Based on Hybrid A Star and TEB Algorithm Implemented in Obstacles Avoidance | |
Li et al. | Predictive hierarchical reinforcement learning for path-efficient mapless navigation with moving target | |
Shuai et al. | Target-Driven Autonomous Robot Exploration in Mappless Indoor Environments Through Deep Reinforcement Learning | |
Yoon et al. | Ladar based obstacle detection in an urban environment and its application in the darpa urban challenge |
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 |