CN117870678A - 一种引入区域拥堵率的无人叉车路径规划方法 - Google Patents

Abstract

本发明公开了一种引入区域拥堵率的无人叉车路径规划方法，采用路径规划算法对叉车的形式路径进行规划，在路径规划时在任务调度模型的目标函数中引入通行密集度数据进行路径的规划。通过引入区域拥堵率的概念，提高路径规划的准确性和实用性。该方法可以考虑通行密度、交通拥堵和路径冲突等因素，以实现无人叉车的高效、安全和可靠的路径规划。

Description

一种引入区域拥堵率的无人叉车路径规划方法

技术领域

本发明涉及无人叉车路径规划领域，特别涉及一种引入区域拥堵率的无人叉车路径规划方法。

背景技术

在仓储场景下，无人叉车的路径规划是一个关键问题。传统的路径规划方法通常基于最短路径或最优路径的原则，如专利申请号为201810020601.7的一种AGV最短路径规划方法，该方法包括：基于预设地图坐标系，设置自动引导车AGV的起点和终点，其中，所述地图坐标系中包括路径节点；根据预设算法确定AGV的待行驶方向，并根据所述待行驶方向从所述路径节点中确定标记节点；根据所述起点、标记节点和终点生成AGV的最短路径。本发明还公开了一种AGV最短路径规划装置及计算机可读存储介质。本发明适用于AGV在工厂车间的最短路径搜寻，计算简单，复杂度低。

虽然基于路径最短的路径规划算法，可以在理论上实现到达目标点最有，但是针对叉车、AGV运输车领域，如果都考虑路径最短就会造成某一些地方拥挤，会造成等待情况的发生，实际上也会造成最短路径不是最优路径、最快路径的缺陷，传统的路径规划算法通常选取从a点到b点距离最短且转弯最少的路径作为最优路径的路径规划算法无法满足实际真实最有的要求，传统的路径规划算法在针对某个任务进行路径搜索时没有考虑到车辆实际行走时的交通情况及区域拥堵率，这可能会导致调度系统最终计算得到的所谓“最优路径”可能并非最优的情况。

发明内容

本发明的目的在于克服现有技术的不足，提供一种引入区域拥堵率的无人叉车路径规划方法，通过引入区域拥堵率的概念，提高路径规划的准确性和实用性。该方法可以考虑通行密度、交通拥堵和路径冲突等因素，以实现无人叉车的高效、安全和可靠的路径规划。

为了实现上述目的，本发明采用的技术方案为：一种引入区域拥堵率的无人叉车路径规划方法，采用路径规划算法对叉车的行驶路径进行规划，在路径规划时在任务调度模型的目标函数中引入通行密集度数据进行路径的规划。

在无人叉车工作的仓储场景下，单位时间内通过某一区域的无人叉车数量表示调度系统在该时空背景下的区域通行密集度。

对仓储场景下的地图进行栅格化，将栅格化的仓储场景地图划分为N区域，设置每个区域有且仅有一个路口，定义区域集合为D，以定长时间T_L为单位，用单位时间段内区域d_i出现的无人叉车数量来评价区域d_i的密集度。

调度系统在完成路径规划后，预估区域集合D内的每个区域的通行密集度，定义在时间段t_j内通过区域d_i的无人叉车数量为该区域的通行流量无人叉车在该区域内发生交通冲突的概率随通行密集度呈指数型变化，区域拥堵率/>计算为：

任务调度与路径规划中，预估系统的通行密度，对通行密度高的区域增加等待时间罚值，将通行密度融入任务调度模型的目标函数；基于规划路径中的信息可以对路径中的无人叉车的行程时间表示为路径长度、区域拥堵率以及转弯次数的加权：

式中t_total——为无人叉车的行程时间；

——为路径长/平均速度；

t_trun——为转弯耗时；

η——为转弯次数；

t_wait——为无人叉车每单位密度下的平均等待时间。

调度系统基于A*算法进行路径规划并引入区域拥堵率优化路径规划结果。

所述A*算法在路径规划搜索过程中，按照综合优先级f(n)值的大小进行排序，每次从优先队列中选出优先级最高即f(n)值最小的节点进行搜索和计算，直至到达目标点。

将转弯次数代价以及通过高拥堵率区域的惩罚值融合进A*算法的估价函数中，A*算法基于改进后的估价函数进行路径规划，其中估价函数为：

f(n)＝g(n)+h(n)+p(n)

式中p(n)——节点额外惩罚值；

η——转弯次数；

ε——是否穿越拥堵区域D，当父节点与当前节点所属的密度区域不同时，该值为1，否则为0。

A*算法公式计算地图中每个节点的优先级：

f(n)＝g(n)+h(n)

式中g(n)——节点n与起始点之间的实际路径代价；

h(n)——节点n与目标点之间的预估路径代价；

f(n)——从起始点经过节点n到目标点的预估代价值，代表节点n的综合优先级；

节点是指搜索图中的一个位置或状态，可以通过节点之间的连接或转移实现路径的搜索；

路径代价指的是从点A到点B的代价，一般是使用移动距离或者时间等量化方式来表示，本发明中使用移动距离进行量化。

本发明的优点在于：通过引入区域拥堵率的概念，提高路径规划的准确性和实用性。该方法可以考虑通行密度、交通拥堵和路径冲突等因素，以实现无人叉车的高效、安全和可靠的路径规划。本方案中的路径规划提高路径规划的准确性和实用性。

附图说明

下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：

图1为本发明地图栅格划分示意图。

具体实施方式

下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。

本发明涉及无人叉车领域，具体涵盖了一种引入区域拥堵率的无人叉车路径规划方法。该技术领域旨在提高无人叉车路径规划的效率和准确性，以适应仓储场景下的复杂运输需求。本发明适用于需要无人叉车进行物料搬运、仓库管理和生产线协调的场景。

本发明引入区域拥堵率的无人叉车路径规划方法旨在解决以下技术问题：

1.路径规划准确性不足：传统的路径规划方法忽略了实际交通情况和区域拥堵率，导致路径规划结果不够准确和实用。2.路径冲突和碰撞风险：无人叉车在繁忙的仓储场景中可能会发生路径冲突和碰撞风险，需要一种路径规划方法来降低出现这些问题的概率。

本发明的路径规划方法旨在解决上述问题，通过引入区域拥堵率的概念，提高路径规划的准确性和实用性。该方法可以考虑通行密度、交通拥堵和路径冲突等因素，以实现无人叉车的高效、安全和可靠的路径规划。具体方案如下：

在无人叉车工作的仓储场景下，单位时间内通过某一区域的无人叉车数量表示调度系统在该时空背景下的区域通行密集度。区域通行密集度越大则无人叉车之间可能产生的避让等待时间越长，系统运输效率越低。将栅格化的仓储场景地图划分为N个区域，要求每个区域有且仅有一个路口，分割方式如图1所示。定义区域集合为D，区域集合如公式1.1所示。以定长时间T_L为单位，用单位时间段内区域d_i出现的无人叉车数量来评价区域d_i的密集度，如公式1.2所示。

D＝{d₁,d₂,...,d_n} (0.1)

t_j+1-t_j＝T_L (0.2)

调度系统在完成路径规划后，无人叉车会严格按照指定的路劲行驶，因此无人叉车和地图节点的状态是可预计的，进而区域集合D内的每个区域的通行密集度均可以被预估。定义在时间段t_j内通过区域d_i的无人叉车数量为该区域的通行流量而无人叉车在该区域内发生交通冲突的概率随通行密集度呈指数型变化，故区域拥堵率/>可通过如公式1.3所示的方式进行计算。

任务调度与路径规划是AGV调度系统的关键功能，任务调度模型可以使用路径规划结果预估系统状态，通过任务调度降低热点区域任务执行的集中度，可以预防无人叉车死锁情况的发生。在解析任务调度方案时，预估系统的通行密度，对通行密度高的区域增加等待时间罚值，将通行密度融入任务调度模型的目标函数。根据上述内容，可以将无人叉车的行程时间表示为路径长度、区域拥堵率以及转弯次数的加权，如公式1.4所示：

式中t_total——无人叉车的行程时间；

——路径长/平均速度；

t_trun——转弯耗时；

η——转弯次数；

t_wait——无人叉车每单位密度下的平均等待时间；

由于A*算法在路径搜索中有较好的表现，本发明中以A*算法为基础，引入区域拥堵率优化路径规划结果。A*算法中使用如1.5所示的公式计算地图中每个节点的优先级：

f(n)＝g(n)+h(n) (0.5)

式中g(n)——节点n与起始点之间的实际路径代价；

h(n)——节点n与目标点之间的预估路径代价；

f(n)——从起始点经过节点n到目标点的预估代价值，代表节点n的综合优先级；

节点是指搜索图中的一个位置或状态，可以通过节点之间的连接或转移实现路径的搜索；

路径代价指的是从点A到点B的代价，一般是使用移动距离或者时间等量化方式来表示，本发明中使用移动距离进行量化。

A*算法在搜索过程中，会按照综合优先级f(n)值的大小进行排序，每次从优先队列中选出优先级最高即f(n)值最小的节点进行搜索和计算，直至到达目标点。将上述提出的转弯次数代价以及通过高拥堵率区域的惩罚值融合进A*算法的估价函数中，即可提高路径规划准确性以及降低无人叉车的交通管制概率，改进的A*算法估价函数如式(1.6)及式(1.7)所示：

f(n)＝g(n)+h(n)+p(n)(0.6)

式中p(n)——节点额外惩罚值；

η——转弯次数，获得当前节点的进入方向，将其与父节点的进入方向进行比较，若不同则η为1，表示路径出现转弯，反之为0；

v——无人叉车在空载运行状态下的行驶速度；

t_trun——转弯耗时；

η——转弯次数；

ε——是否穿越拥堵区域D，当父节点与当前节点所属的密度区域不同时，该值为1，否则为0。为避免惩罚值重复累加，仅在穿越密度模型中定义的区域时进行惩罚值计算；

t_wait——无人叉车每单位密度下的平均等待时间；

——区域拥堵率。

上述提及的转弯耗时以及通过高拥堵区域时的耗时，可以在调度系统中增加相应的耗时记录模块，通过过往任务的节点耗时计算出不同型号的无人叉车在不同路口的转弯耗时以及不同的区域拥堵率下，车辆通过该区域的耗时。仅对估价函数进行替换，不修改A*算法其他部分，采用更换估价函数后的A*算法进行路径规划，实现更优的路径规划方式。

显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (9)

1.一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：采用路径规划算法对叉车的行驶路径进行规划，在路径规划时在任务调度模型的目标函数中引入通行密集度数据进行路径的规划。

2.如权利要求1所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：在无人叉车工作的仓储场景下，单位时间内通过某一区域的无人叉车数量表示调度系统在该时空背景下的区域通行密集度。

3.如权利要求2所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：对仓储场景下的地图进行栅格化，将栅格化的仓储场景地图划分为N区域，设置每个区域有且仅有一个路口，定义区域集合为D，以定长时间T_L为单位，用单位时间段内区域d_i出现的无人叉车数量来评价区域d_i的密集度。

4.如权利要求1-3任一所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：

调度系统在完成路径规划后，预估区域集合D内的每个区域的通行密集度，定义在时间段t_j内通过区域d_i的无人叉车数量为该区域的通行流量无人叉车在该区域内发生交通冲突的概率随通行密集度呈指数型变化，区域拥堵率/>计算为：

5.如权利要求4所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：任务调度与路径规划中，预估系统的通行密度，对通行密度高的区域增加等待时间罚值，将通行密度融入任务调度模型的目标函数；基于规划路径中的信息可以对路径中的无人叉车的行程时间表示为路径长度、区域拥堵率以及转弯次数的加权：

式中t_total——为无人叉车的行程时间；

——为路径长/平均速度；

t_trun——为转弯耗时；

η——为转弯次数；

t_wait——为无人叉车每单位密度下的平均等待时间。

6.如权利要求1-5任一所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：调度系统基于A*算法进行路径规划并引入区域拥堵率优化路径规划结果。

7.如权利要求6所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：所述A*算法在路径规划搜索过程中，按照综合优先级f(n)值的大小进行排序，每次从优先队列中选出优先级最高即f(n)值最小的节点进行搜索和计算，直至到达目标点。

8.如权利要求7所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：将转弯次数代价以及通过高拥堵率区域的惩罚值融合进A*算法的估价函数中，A*算法基于改进后的估价函数进行路径规划，其中估价函数为：

f(n)＝g(n)+h(n)+p(n)

式中p(n)——节点额外惩罚值；

η——转弯次数；

ε——是否穿越拥堵区域D，当父节点与当前节点所属的密度区域不同时，该值为1，否则为0。

9.如权利要求8所述的一种引入区域拥堵率的无人叉车路径规划方法，其特征在于：A*算法公式计算地图中每个节点的优先级：

f(n)＝g(n)+h(n)

式中g(n)——节点n与起始点之间的实际路径代价；

h(n)——节点n与目标点之间的预估路径代价；

f(n)——从起始点经过节点n到目标点的预估代价值，代表节点n的综合优先级；节点是指搜索图中的一个位置或状态，可以通过节点之间的连接或转移实现路径的搜索；

路径代价指的是从点A到点B的代价，一般是使用移动距离或者时间等量化方式来表示，本发明中使用移动距离进行量化。