WO2021189720A1 - 基于改进蚁群算法的泊车agv路径规划方法 - Google Patents

基于改进蚁群算法的泊车agv路径规划方法 Download PDF

Info

Publication number
WO2021189720A1
WO2021189720A1 PCT/CN2020/101552 CN2020101552W WO2021189720A1 WO 2021189720 A1 WO2021189720 A1 WO 2021189720A1 CN 2020101552 W CN2020101552 W CN 2020101552W WO 2021189720 A1 WO2021189720 A1 WO 2021189720A1
Authority
WO
WIPO (PCT)
Prior art keywords
agv
time
node
path
pheromone
Prior art date
Application number
PCT/CN2020/101552
Other languages
English (en)
French (fr)
Inventor
戚湧
倪艺慧
Original Assignee
南京理工大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南京理工大学 filed Critical 南京理工大学
Publication of WO2021189720A1 publication Critical patent/WO2021189720A1/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/027—Parking aids, e.g. instruction means
    • B62D15/0285—Parking performed automatically
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Definitions

  • the invention belongs to the technical field of AGV path planning, and specifically, is a parking AGV path planning method based on an improved ant colony algorithm.
  • the smart parking lot based on the parking AGV uses robots to autonomously park.
  • the owner When the car needs to be stored, the owner only needs to park the car at the entrance of the garage, and then can leave, and then the parking AGV will transport the vehicle to the parking lot. Bit up.
  • the owner When it is necessary to pick up the car, the owner only needs to issue a request for picking up the car at the client, and the parking AGV can move the car from the garage to the garage exit.
  • AGV path planning is a very important issue in the parking AGV system.
  • the system uses various sensor devices to obtain real-time parking spaces and driving lane usage in the parking lot, and quickly searches for an optimal path from the starting point to the target point for the AGV. Realize smart parking.
  • the above improved algorithm does not take into account the actual application scenarios of parking AGV. Because the demand for parking and picking up cars is time-varying, the road traffic intensity in the parking lot is also time-varying. As the task of depositing and picking up cars is issued, different time periods are driven. The number of parking AGVs in the road network is variable, and the shortest distance between two points does not mean the shortest travel time. When there are many vehicles on a section of the path, a parking AGV with a lower priority may need to wait for a parking AGV with a higher priority to pass to avoid obstacles. If there are more queues, obstacle avoidance takes longer, and other relative The longer path takes less time. Therefore, the selection of the optimal route must take into account the real-time traffic information in the parking lot. On the other hand, some of the several paths with the same distance have more turns, which also increases the task completion time.
  • the purpose of the present invention is to provide a parking AGV path planning method based on an improved ant colony, to search for an optimal path from the starting point to the target point for the AGV, and to ensure that the AGV completes the vehicle access task quickly and accurately in the shortest time .
  • a parking AGV path planning method based on an improved ant colony algorithm provided by the present invention is mainly composed of the following parts: parking AGV environment modeling; improved pheromone update strategy; improved heuristic information intensity; parking AGV running time node Calculate; use the improved ant colony algorithm to plan the path of the parking AGV, and get the time optimal path.
  • the technical solution adopted by the present invention is a parking AGV path planning method based on an improved ant colony algorithm, which specifically includes the following steps:
  • Step 1 For the actual operating environment of the parking AGV, use the topology method to establish an environment model
  • Step 2 Aiming at the local optimization problem of the ant colony algorithm, integrate the two pheromone update methods and add the reward and punishment mechanism to improve the pheromone update strategy;
  • Step 3 the reciprocal of the running time from the node where the AGV is located to the destination is used as the heuristic information intensity, and the running time is added to the AGV obstacle avoidance time and turning time to obtain the shortest running time path;
  • Step 4 For the calculation of the running time of the parking AGV, the AGV running time is calculated based on the straight line and the turning method;
  • Step 5 Apply the improved ant colony algorithm to plan the path of the parking AGV, and obtain the time optimal path.
  • step 1 includes the following sub-steps:
  • Step 1.1 Abstract the parking environment of the parking AGV into a weighted connection network G(V, E, Wij ) based on the topology method, where V represents the set of edges composed of two connectable nodes, and E represents Node set, W ij represents the weight of the edge V ij composed of nodes i and j; given a parking AGV a task, the task is to specify the starting point and end point of the parking AGV operation, and then plan a connection from the task starting point to the task ending point
  • the shortest path in time, the running path of the parking AGV is an ordered array of nodes in the topology map;
  • Step 1.2 According to the application environment, make the following provisions:
  • 1Parking AGV only accepts 1 task in the same time period. During the execution of the task, it does not accept other tasks assigned by the system;
  • the running lane of the parking AGV is a single-lane two-way mode, and a section of the road can only accommodate one parking AGV in its width;
  • the priority of the parking AGV is determined by the time when the task is received. The AGV with the earlier task time has the higher priority, and the AGV with the higher priority will pass through the node or road section first.
  • step 2 includes the following sub-steps:
  • Step 2.1 Aiming at the local optimization problem of the ant colony algorithm, two methods are adopted: integrated real-time pheromone update and path pheromone update, and a reward and punishment mechanism is added to the path pheromone update to improve the convergence speed of the ant colony algorithm;
  • Step 2.2 Real-time pheromone update
  • ⁇ represents the degree of pheromone volatilization
  • ⁇ (0,1) Q is a constant, which represents the total amount of pheromone released by the ant in one cycle
  • d ij represents the distance from i to j, Indicates the concentration of pheromone released by ant m when passing path (i, j) in this round of iteration;
  • Step 2.3 Path pheromone update
  • step 2.3 includes the following sub-steps:
  • the pheromone on the optimal path is updated through the pheromone reward:
  • ⁇ awa represents the pheromone reward value
  • t min represents the time consumption of the optimal path in this iteration
  • the pheromone on the worst path is updated through the pheromone penalty:
  • ⁇ pun represents the pheromone penalty value
  • t max represents the time consumption of the worst path in this iteration.
  • step 3 includes the following sub-steps:
  • Step 3.1 According to the actual application requirements of the smart parking lot, improve the heuristic information intensity, use the reciprocal of the running time from the node where the AGV is located to the end point as the heuristic information intensity, add the running time to the AGV obstacle avoidance time and turning time, and then drive by The shortest time is the goal to optimize the running path of the parking AGV system;
  • Step 3.2 Improve the intensity of heuristic information:
  • E indicates end of run
  • L i is the distance to the end point i
  • v is the travel of the AGV Speed
  • n represents the minimum number of turns of the ant on the path (i, E)
  • t 0 is a constant, which represents the time it takes for the AGV to turn.
  • step 4 includes the following sub-steps:
  • Step 4.1 Calculate the time for the AGV to pass through node i.
  • the AGV passes through node i in two cases, (a) the AGV passes through node i in a straight line, and (b) the AGV turns and passes through node i;
  • Step 4.1.1 Assuming that the driving path of the AGV is i 0 ⁇ i ⁇ j, judge whether the AGV passes through node i in a straight line or turns through node i. It is determined by whether the previous node i 0 of i and the next node j are on the same straight line. Turning time is t 0 ;
  • Step 4.1.2 Set the time when the AGV arrives at point i as The moment when all AGVs leave point i is Then when the AGV passes through node i in a straight line, we can get:
  • L represents the length of the AGV body
  • t 0 represents the turning time, that is, the AGV takes more time to turn at this node than to pass straight through
  • v is the driving speed of the AGV
  • Step 4.2 Calculate the time when the AGV arrives at node j.
  • the AGV searches from point i to the next node j to be reached. There are two situations: (a) the AGV passes through node i to reach j in a straight line, and (b) the AGV turns to reach node i through node i j;
  • Step 4.2.1 When the abscissa of the previous node i 0 and the next node j of i are the same or the ordinate is the same, the two points are on the same straight line, and the AGV passes through point i to j, when the previous node of i i 0 and the next node j have different abscissas and different ordinates. The two points are not on the same straight line. The AGV turns through point i to reach node j;
  • Step 4.2.2 When the AGV reaches j through node i in a straight line, the travel time is calculated as:
  • d is the path distance between point i and point j;
  • Step 4.3 Suppose that when the path planning searches for point j, point j has k already occupied time periods: Then the moment of reaching node j is:
  • the AGV needs to stop at point i to avoid obstacles until the time window is released at node j,
  • step 5 includes the following sub-steps:
  • Step 5.1 Initialize the algorithm parameters, including the number of ants M, the maximum number of iterations k, the information heuristic factor ⁇ , the expected heuristic factor ⁇ , etc.;
  • Step 5.2 Enter the iteration
  • Step 5.3 The AGV determines the next path to follow according to the transition probability, until it finds the end of the task.
  • the transition probability of the ant m at the i node selecting the next node j at time t is:
  • ⁇ ′ ij (t) is the pheromone concentration on the path (i, j) at time t
  • ⁇ E (j) is the heuristic information intensity at point j at time t, and allowed is the set of selectable nodes
  • Step 5.4 Calculate the path time passed by each AGV, and record the optimal solution for the current iteration times;
  • Step 5.5 Update the pheromone concentration on the path
  • Step 5.6 Determine whether the maximum number of iterations is reached, if not, return to step 5.2; if yes, end the procedure;
  • Step 5.7 Output the shortest path in time, and output the relevant indicators in the algorithm as needed, including the AGV running time, the AGV running path, the number of convergence iterations, and the algorithm running time. .
  • the present invention has significant advantages as follows:
  • the improved algorithm can obtain the shortest path of parking AGV operation time, improve the operating efficiency of the parking lot, and alleviate the difficulty of parking in static traffic, which has practical application value;
  • Figure 1 is a schematic diagram of the AGV passing through node i, where (a) is the AGV passing through node i in a straight line, and (b) is the AGV turning through node i.
  • Figure 2 is a schematic diagram of the AGV reaching node j through node i, where (a) is the AGV straight through node i to reach j, and (b) is the AGV turning through node i to j.
  • Figure 3 is an overall flow chart of the present invention.
  • the present invention is a parking AGV path planning method based on improved ant colony.
  • Figure 1 is a schematic diagram of the AGV passing through node i, where (a) is the AGV passing through node i in a straight line, and (b) is the AGV turning through node i.
  • Figure 2 is a schematic diagram of the AGV reaching node j through node i, where (a) is the AGV straight through node i to reach j, and (b) is the AGV turning through node i to j.
  • Figure 3 is an overall flow chart of the implementation of the present invention, and the specific content includes the following steps:
  • the set of edges parking parking AGV operating environment based on the topology is abstracted into a weighted method of connecting network G (V, E, W ij ), wherein, V represents the two communication nodes, E node represents Set, Wij represents the weight of the edge Vij composed of nodes i and j.
  • V represents the two communication nodes
  • E node represents Set
  • Wij represents the weight of the edge Vij composed of nodes i and j.
  • 1Parking AGV can only accept 1 task in the same time period. During the execution of the task, it will not accept other tasks assigned by the system;
  • the running lane of the parking AGV is a single-lane two-way mode, and a section of the road can only accommodate one parking AGV in its width;
  • the priority of the parking AGV is determined by the time of receiving the task.
  • the AGV with the earlier task time has the higher priority, and the AGV with the higher priority will pass through the node or road section first;
  • the pheromone on the optimal path is updated through the pheromone reward.
  • the worst path in this iteration that is, the path that takes the longest time to complete the task.
  • the AGV determines the path to take in the next step according to the transition probability, until it finds the end of the task.
  • the transition probability of the ant m at the i node choosing the next node j at time t is:
  • ⁇ ′ ij (t) is the pheromone concentration on the path (i, j) at time t
  • ⁇ E (j) is the heuristic information intensity at point j at time t, and allowed is the set of selectable nodes
  • the present invention is suitable for the dynamic path planning method of the parking AGV of the smart parking lot, and the path planning method of the parking AGV based on the improved ant colony.
  • the pheromone update strategy and heuristics are improved.
  • Information intensity to prevent the ant colony algorithm from falling into the local optimum while accelerating the convergence speed of the algorithm, optimizing the operation path of the AGV system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进蚁群算法的泊车AGV路径规划方法。方法包括：1)泊车环境建模；2)初始化系统参数；3)改进信息素更新策略；4)改进启发式信息强度；5)应用改进蚁群算法对泊车AGV进行路径规划。本方法为泊车AGV搜寻提供一条从起点到目标点的时间最优路径，确保AGV系统在较短时间内准确、快速地完成车辆存取、停放任务。

Description

基于改进蚁群算法的泊车AGV路径规划方法 技术领域
本发明属于AGV路径规划技术领域，具体地说，是一种基于改进蚁群算法的泊车AGV路径规划方法。
背景技术
基于泊车AGV(Automated Guided Vehicle)的智慧停车场采用机器人自主停车，当需要存车时，车主只需将汽车停放在车库入口处，然后就可以离开，接下来由停车AGV将车辆搬运到停车位上。当需要取车时，车主只需要在客户端下达取车请求，停车AGV就可以将汽车从车库内搬运到车库出口处。以上整个存、取车过程大大节省了停车人员的时间，同时缓解了静态交通问题。AGV路径规划是停车AGV系统中非常重要的问题，系统通过各种传感器装置实时获取停车场中停车位和行车道的使用情况，快速地为AGV搜寻到一条从起点到目标点的最优路径，实现智慧停车。
针对多AGV路径规划问题，国内外学者提出了多种有效方法，包括Dijkstra算法、A*算法、蚁群算法等，这些算法被广泛用于解决各领域路径规划问题。如Deng Yong等人提出采用一种模糊Dijkstra算法解决不确定环境下的最短路径问题；蔡旻等人提出一种将蚁群算法与A*算法相结合的改进A*算法。蚁群算法是一种新型仿生算法，凭借并行性、强鲁棒性、全局最优等优点广泛应用于路径规划问题。许多学者对基本蚁群算法进行了优化，大多是通过对信息素调节进行的优化。胡庆朋等人通过正态分布优化蚁群算法中的转移概率，提高收敛速度；文献利用人工势场法重构启发函数,提出的改进势场蚁群算法收敛速度较快；LIU J,YANG等人提出通过对信息素调节进行优化将蚁群算法与遗传算法融合，在蚁群算法中引入改进的交叉算子来避免陷入局部最优；
以上改进的算法未考虑到停车AGV实际应用场景，由于停取车的需求是时变的，导致停车场内道路交通强度也是时变的，随着存、取车任务的下达，不同时间段行驶在路网中的停车AGV数目可变，两点间距离最短并不代表行驶时间最短。当一段路径上车辆较多时，就可能出现优先级较低的停车AGV需要等待优先级相对较高的停车AGV通过来避障，如果排队较多，避障耗时较长，此时可能其他相对路径较长的路径耗时较短。因此最优路径的选择必须考虑到实时的停车场内交通信息。另一方面，相同距离的几条路径中，有的转弯次数较多，这样也增加了任务完成时间。
发明内容
本发明的目的在于提供一种基于改进蚁群的泊车AGV路径规划方法，为AGV搜寻到一条从起点到目标点的最优路径，确保AGV在最短时间内快速、准确地完成车辆存取任务。
本发明提供的一种基于改进蚁群算法的停车AGV路径规划方法主要有以下几个部分组成：泊车AGV环境建模；改进信息素更新策略；改进启发式信息强度；泊车AGV运行时间节点计算；应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
为实现上述目的，本发明采用的技术解决方案为基于改进蚁群算法的停车AGV路径规划方法，具体包括如下步骤：
步骤1、针对泊车AGV实际运行环境，采用拓扑法建立环境模型；
步骤2、针对蚁群算法的局部最优问题，综合两种信息素更新方法并加入赏罚机制，对信息素更新策略进行改进；
步骤3、针对智能停车场的实际应用需求，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，得到运行时间最短路径；
步骤4、针对泊车AGV运行时间的计算，基于直线和拐弯两种方式计算AGV运行时间；
步骤5、应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
进一步地，所述步骤1包括以下子步骤：
步骤1.1：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，W ij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，W ij代表节点i和j组成的边V ij的权值；给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
步骤1.2：根据应用环境，做如下规定：
①泊车AGV在同一时间段内只接受1项任务，任务执行期间，不接受系统分配的其他任务；
②设定所有的泊车AGV均以相同的速度行驶，且AGV载车时和空载时运行速度相同；
③泊车AGV经过节点转弯的时间为常数；
④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间早的AGV，其优先级高，优先级高的AGV优先通过节点或者路段。
进一步地，所述步骤2包括以下子步骤：
步骤2.1：针对蚁群算法的局部最优问题，采用综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，以提高蚁群算法收敛速度；；
步骤2.2：实时信息素更新
在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素：
Figure PCTCN2020101552-appb-000001
Figure PCTCN2020101552-appb-000002
ρ表示信息素挥发程度，ρ∈(0，1)，Q为常数，表示蚂蚁循环一次释放的信息素总量，d ij表示i到j的距离，
Figure PCTCN2020101552-appb-000003
表示蚂蚁m在此轮迭代中经过路径(i，j)时释放的信息素浓度；
步骤2.3：路径信息素更新
在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚；
进一步地，所述步骤2.3包括以下子步骤：
步骤2.3.1：信息素奖励
对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素：
τ′ ij＝(1-ρ)τ′ ij+Δτ awa      ⑶
Figure PCTCN2020101552-appb-000004
Δτ awa表示信息素奖励值，t min表示此次迭代中最优路径的耗时；
步骤2.3.2：信息素惩罚
对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素：
τ′ ij＝(1-ρ)τ′ ij-Δτ pun      ⑸
Figure PCTCN2020101552-appb-000005
Δτ pun表示信息素惩罚值，t max表示此次迭代中最劣路径的耗时。
进一步地，所述步骤3包括以下子步骤：
步骤3.1：根据智能停车场的实际应用需求，改进启发式信息强度，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径；
步骤3.2：改进启发式信息强度：
Figure PCTCN2020101552-appb-000006
Figure PCTCN2020101552-appb-000007
E表示运行终点，η E(i)为节点i到终点E的启发式信息强度，T i为蚂蚁从点i到终点的搜索时间，L i为点i到终点的距离，v为AGV的行驶速度，n表示蚂蚁在路径(i，E)上的最小转弯次数，t 0为常数，表示AGV转弯耗时。
进一步地，所述步骤4包括以下子步骤：
步骤4.1：计算AGV通过节点i的时间，AGV通过节点i分两种情况，(a)AGV直线通过节点i，(b)AGV转弯通过节点i；
步骤4.1.1：假设AGV的行驶路径为i 0→i→j，判断AGV直线通过还是转弯通过节点i，要由i的前一节点i 0和下一个节点j是否在同一条直线上来确定，转弯耗时为t 0；
当i的前一节点i 0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i，当i的前一节点i 0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i；
步骤4.1.2：设AGV到达点i的时刻为
Figure PCTCN2020101552-appb-000008
AGV全部离开点i的时刻为
Figure PCTCN2020101552-appb-000009
则AGV直线通过节点i时可得：
Figure PCTCN2020101552-appb-000010
AGV转弯通过节点i时可得：
Figure PCTCN2020101552-appb-000011
其中L表示AGV车身长度，t 0表示转弯耗时，即AGV在该节点处拐弯比直线通过多出来的时间，且
Figure PCTCN2020101552-appb-000012
v是AGV的行驶速度，则AGV通过节点i的时间段为
Figure PCTCN2020101552-appb-000013
步骤4.2：计算AGV到达节点j的时刻，AGV从点i搜索到下一个要到达的节点j，包含两种情况：(a)AGV直线通过i节点到达j，(b)AGV拐弯通过节点i到达j；
步骤4.2.1：当i的前一节点i 0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i到达j，当i的前一节点i 0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i到达节点j；
步骤4.2.2：AGV直线通过i节点到达j时，行驶时间计算为：
Figure PCTCN2020101552-appb-000014
AGV拐弯通过节点i到达j时，行驶时间计算为：
Figure PCTCN2020101552-appb-000015
其中d为点i与点j之间的路径距离；
步骤4.3：假设当路径规划搜索到点j时，点j有k个已经被占用的时间段：
Figure PCTCN2020101552-appb-000016
则到达节点j的时刻为：
当
Figure PCTCN2020101552-appb-000017
时，
Figure PCTCN2020101552-appb-000018
当
Figure PCTCN2020101552-appb-000019
时，此时AGV需要在i点处停车避障，直到节点j处释放时间窗，
Figure PCTCN2020101552-appb-000020
则可求得点i到点j的时间为，
Figure PCTCN2020101552-appb-000021
进一步地，所述步骤5包括以下子步骤：
步骤5.1：初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β等；
步骤5.2：进入迭代；
步骤5.3：AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
Figure PCTCN2020101552-appb-000022
τ′ ij(t)为t时刻路径(i，j)上的信息素浓度，η E(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
步骤5.4：计算各AGV经过的路径时间，记录当前迭代次数最优解；
步骤5.5：更新路径上的信息素浓度；
步骤5.6：判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；
步骤5.7：输出时间最短路径，并根据需要输出算法中的相关指标，包括AGV运行时间、AGV运行路径、收敛迭代次数和算法运行时间。。
本发明与现有技术相比，其显著优点为：
(1)改进算法可得泊车AGV运行时间最短的路径，提高停车场的运行效率，缓解静态交通中的停车难问题，具有实际应用价值；
(2)通过改进信息素更新策略避免蚁群算法陷入局部最优问题，同时提高算法的收敛速度；
(3)通过改进启发式信息强度，提高蚂蚁对终点的可见性，加快全局搜索速度。
附图说明
图1为AGV通过节点i示意图，其中(a)为AGV直线通过节点i，(b)为AGV拐弯通 过节点i。
图2为AGV通过节点i到达节点j示意图，其中(a)为AGV直线通过i节点到达j，(b)为AGV拐弯通过节点i到达j。
图3为本发明的整体流程图。
具体实施方式
下面结合说明书附图对本发明作进一步的说明。
本发明一种基于改进蚁群的停车AGV路径规划方法。图1为AGV通过节点i示意图，其中(a)为AGV直线通过节点i，(b)为AGV拐弯通过节点i。图2为AGV通过节点i到达节点j示意图，其中(a)为AGV直线通过i节点到达j，(b)为AGV拐弯通过节点i到达j。图3为本发明实施的整体流程图，具体内容包括如下步骤：
1、环境建模，步骤如下：
⑴：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，W ij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，W ij代表节点i和j组成的边V ij的权值。给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
⑵：根据应用环境，做如下规定：
①泊车AGV在同一时间段内只能接受1项任务，任务执行期间，不接受系统分配的其他任务；
②假定所有的泊车AGV均以相同的速度行驶，且AGV载物时和空载时运行速度相同；
③泊车AGV经过节点转弯的时间为常数；
④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间较早的AGV，其优先级较高，优先级较高的AGV优先通过节点或者路段；
2、初始化系统各参数，建立系统中泊车AGV的集合A、存取车任务请求指令的集合B、B ab表示某一任务，a表示任务起点序号，b表示任务终点序号。泊车AGV优先级由其所接受 任务的时间决定，时间较早的，优先级较高。
3、为了避免蚂蚁在搜索路径时受非最优路径信息素的干扰容易陷入局部最优，综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，此策略可以提高蚁群算法收敛速度。首先在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素，然后在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚。对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素。对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素。
4、改进启发式信息强度，根据智能停车场的实际应用需求，节省用户存、取车的等待时间，对启发式信息强度进行改进，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径。
5、基于改进蚁群进行路径规划，接受任务后，得到起点以及终点，然后执行改进蚁群算法，步骤如下，
①初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β等；
②进入迭代；
③AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
Figure PCTCN2020101552-appb-000023
τ′ ij(t)为t时刻路径(i，j)上的信息素浓度，η E(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
④计算各AGV经过的路径时间，记录当前迭代次数最优解；
⑤更新路径上的信息素浓度；
⑥判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；
⑦输出时间最短路径，并根据需要输出算法中的相关指标，如运行时间、收敛迭代次数等。
综上所述，本发明适用于智慧停车场的泊车AGV的动态路径规划方法，基于改进蚁群的停车AGV路径规划方法，以停车AGV行驶时间最短为目标，改进信息素更新策略和启发式信息强度，避免蚁群算法陷入局部最优同时加快算法的收敛速度，对AGV系统运行路径进行优化。

Claims (7)

  1. 一种基于改进蚁群算法的泊车AGV路径规划方法，其特征在于，包括以下步骤：
    步骤1、针对泊车AGV实际运行环境，采用拓扑法建立环境模型；
    步骤2、针对蚁群算法的局部最优问题，综合两种信息素更新方法并加入赏罚机制，对信息素更新策略进行改进；
    步骤3、针对智能停车场，将AGV所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入AGV避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车AGV系统的运行路径，得到运行时间最短路径；
    步骤4、基于直线和拐弯两种方式计算泊车AGV运行时间；
    步骤5、应用改进蚁群算法对泊车AGV进行路径规划，得到时间最优路径。
  2. 根据权利要求1所述的方法，其特征在于，所述步骤1包括以下子步骤：
    步骤1.1：将泊车AGV运行的停车场环境基于拓扑法抽象成一个带权的连接网络G(V，E，W ij)，其中，V表示两个可连通节点组成的边的集合，E表示节点集合，W ij代表节点i和j组成的边V ij的权值；给定泊车AGV一个任务，任务为指定停车AGV运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车AGV的运行路径即为拓扑图中的节点的有序数组；
    步骤1.2：根据应用环境，做如下规定：
    ①泊车AGV在同一时间段内只接受1项任务，任务执行期间，不接受系统分配的其他任务；
    ②设定所有的泊车AGV均以相同的速度行驶，且AGV载车时和空载时运行速度相同；
    ③泊车AGV经过节点转弯的时间为常数；
    ④泊车AGV运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车AGV通过；
    ⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台AGV使用；
    ⑥泊车AGV的优先级由领取任务的时间决定，领取任务时间早的AGV，其优先级高，优先级高的AGV优先通过节点或者路段。
  3. 根据权利要求1所述的方法，其特征在于，所述步骤2包括以下子步骤：
    步骤2.1：针对蚁群算法的局部最优问题，采用综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，以提高蚁群算法收敛速度；
    步骤2.2：实时信息素更新
    在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素：
    Figure PCTCN2020101552-appb-100001
    Figure PCTCN2020101552-appb-100002
    ρ表示信息素挥发程度，ρ∈(0，1)，Q为常数，表示蚂蚁循环一次释放的信息素总量，d ij表示i到j的距离，
    Figure PCTCN2020101552-appb-100003
    表示蚂蚁m在此轮迭代中经过路径(i，j)时释放的信息素浓度；
    步骤2.3：路径信息素更新
    在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚；
  4. 根据权利要求3所述的方法，其特征在于，所述步骤2.3中的赏罚机制包括以下子步骤：
    步骤2.3.1：信息素奖励
    对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素：
    τ′ ij＝(1-ρ)τ′ ij+Δτ awa    ⑶
    Figure PCTCN2020101552-appb-100004
    Δτ awa表示信息素奖励值，t min表示此次迭代中最优路径的耗时；
    步骤2.3.2：信息素惩罚
    对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素：
    τ′ ij＝(1-ρ)τ′ ij-Δτ pun    ⑸
    Figure PCTCN2020101552-appb-100005
    Δτ pun表示信息素惩罚值，t max表示此次迭代中最劣路径的耗时。
  5. 根据权利要求1所述的方法，其特征在于，步骤3所述改进启发式信息强度：
    Figure PCTCN2020101552-appb-100006
    Figure PCTCN2020101552-appb-100007
    E表示运行终点，η E(i)为节点i到终点E的启发式信息强度，T i为蚂蚁从点i到终点的搜索时间，L i为点i到终点的距离，v为AGV的行驶速度，n表示蚂蚁在路径(i，E)上的最小转弯次数，t 0为常数，表示AGV转弯耗时。
  6. 根据权利要求1所述的方法，其特征在于，所述步骤4包括以下子步骤：
    步骤4.1：计算AGV通过节点i的时间，AGV通过节点i分两种情况，(a)AGV直线通过节点i，(b)AGV转弯通过节点i；
    步骤4.1.1：假设AGV的行驶路径为i 0→i→j，判断AGV直线通过还是转弯通过节点i，要由i的前一节点i 0和下一个节点j是否在同一条直线上来确定，转弯耗时为t 0；
    当i的前一节点i 0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i，当i的前一节点i 0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i；
    步骤4.1.2：设AGV到达点i的时刻为
    Figure PCTCN2020101552-appb-100008
    AGV全部离开点i的时刻为
    Figure PCTCN2020101552-appb-100009
    则AGV直线通过节点i时可得：
    Figure PCTCN2020101552-appb-100010
    AGV转弯通过节点i时可得：
    Figure PCTCN2020101552-appb-100011
    其中L表示AGV车身长度，t 0表示转弯耗时，即AGV在该节点处拐弯比直线通过多出来的时间，且
    Figure PCTCN2020101552-appb-100012
    v是AGV的行驶速度，则AGV通过节点i的时间段为
    Figure PCTCN2020101552-appb-100013
    步骤4.2：计算AGV到达节点j的时刻，AGV从点i搜索到下一个要到达的节点j，包含两种情况：(a)AGV直线通过i节点到达j，(b)AGV拐弯通过节点i到达j；
    步骤4.2.1：当i的前一节点i 0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，AGV直线通过点i到达j，当i的前一节点i 0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，AGV拐弯通过点i到达节点j；
    步骤4.2.2：AGV直线通过i节点到达j时，行驶时间计算为：
    Figure PCTCN2020101552-appb-100014
    AGV拐弯通过节点i到达j时，行驶时间计算为：
    Figure PCTCN2020101552-appb-100015
    其中d为点i与点j之间的路径距离；
    步骤4.3：设当路径规划搜索到点j时，点j有k个已经被占用的时间段：
    Figure PCTCN2020101552-appb-100016
    则到达节点j的时刻为：
    当
    Figure PCTCN2020101552-appb-100017
    时，
    Figure PCTCN2020101552-appb-100018
    当
    Figure PCTCN2020101552-appb-100019
    时，此时AGV需要在i点处停车避障，直到节点j处释放时间窗，
    Figure PCTCN2020101552-appb-100020
    则求得点i到点j的时间为，
    Figure PCTCN2020101552-appb-100021
  7. 根据权利要求1所述的方法，其特征在于，所述步骤5包括以下子步骤：
    步骤5.1：初始化算法参数，包括蚂蚁数量M，最大迭代次数k，信息启发式因子α，期望启发式因子β；
    步骤5.2：进入迭代；
    步骤5.3：AGV根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：
    Figure PCTCN2020101552-appb-100022
    τ′ ij(t)为t时刻路径(i，j)上的信息素浓度，η E(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；
    步骤5.4：计算各AGV经过的路径时间，记录当前迭代次数最优解；
    步骤5.5：更新路径上的信息素浓度；
    步骤5.6：判断是否达到最大迭代次数，若否，返回步骤5.2：；若是，则结束程序；
    步骤5.7：输出时间最短路径，并根据需要输出算法中的相关指标，包括AGV运行时间、AGV运行路径、收敛迭代次数和算法运行时间。
PCT/CN2020/101552 2020-03-23 2020-07-13 基于改进蚁群算法的泊车agv路径规划方法 WO2021189720A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010205897.7A CN111289007A (zh) 2020-03-23 2020-03-23 基于改进蚁群算法的泊车agv路径规划方法
CN202010205897.7 2020-03-23

Publications (1)

Publication Number Publication Date
WO2021189720A1 true WO2021189720A1 (zh) 2021-09-30

Family

ID=71027182

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/101552 WO2021189720A1 (zh) 2020-03-23 2020-07-13 基于改进蚁群算法的泊车agv路径规划方法

Country Status (3)

Country Link
KR (1) KR102457297B1 (zh)
CN (1) CN111289007A (zh)
WO (1) WO2021189720A1 (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885503A (zh) * 2021-10-11 2022-01-04 同济大学 一种基于蚁群算法在不均匀空间中的多定位方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN113985888A (zh) * 2021-11-08 2022-01-28 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114020045A (zh) * 2021-10-25 2022-02-08 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114035586A (zh) * 2021-11-22 2022-02-11 江苏科技大学 改进蚁群算法和动态窗口的车间agv小车路径规划方法
CN114077254A (zh) * 2021-11-18 2022-02-22 合肥工业大学 一种agv路径冲突处理方法
CN114217609A (zh) * 2021-11-26 2022-03-22 贵州电网有限责任公司 一种满足多约束条件的电网线路走廊带智能划分方法
CN114355913A (zh) * 2021-12-27 2022-04-15 浙江工业大学 基于时空自适应双向蚁群算法的移动机器人路径规划方法
CN114415668A (zh) * 2021-12-23 2022-04-29 西北工业大学 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN114442631A (zh) * 2022-01-26 2022-05-06 南京天溯自动化控制系统有限公司 医院物资运送机器人智慧调度系统和方法
CN114489081A (zh) * 2022-02-07 2022-05-13 国网上海市电力公司 多火源灭火最优路径规划方法
CN114565195A (zh) * 2022-04-27 2022-05-31 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114722984A (zh) * 2022-04-20 2022-07-08 张家界富源仿真花有限公司 一种智能货物仓储优化方法
CN114844823A (zh) * 2022-04-07 2022-08-02 桂林电子科技大学 一种改进aco算法的必经点有向带环最短链路生成方法
CN114866459A (zh) * 2022-04-18 2022-08-05 北京计算机技术及应用研究所 一种多约束条件下的路径规划方法
CN114897235A (zh) * 2022-05-07 2022-08-12 河海大学 一种基于多机协同的混凝土坝振捣台车实时调度方法
CN114967680A (zh) * 2022-05-06 2022-08-30 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN115018211A (zh) * 2022-08-08 2022-09-06 北京建筑大学 一种运输调度线路设定方法和装置
CN115169690A (zh) * 2022-07-05 2022-10-11 水利部交通运输部国家能源局南京水利科学研究院 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法
CN115328161A (zh) * 2022-09-15 2022-11-11 安徽工程大学 一种基于k视界蚁群算法的焊接机器人路径规划方法
CN115391385A (zh) * 2022-09-13 2022-11-25 南京开特信息科技有限公司 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN115454070A (zh) * 2022-09-15 2022-12-09 安徽工程大学 一种K-Means蚁群算法多机器人路径规划方法
CN115542892A (zh) * 2022-01-29 2022-12-30 安徽工程大学 一种基于多步长蚁群算法的移动机器人路径规划方法
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN115638805A (zh) * 2022-10-24 2023-01-24 西北工业大学 一种网络化的无人车辆线路规划方法、装置和电子设备
CN115640921A (zh) * 2022-10-12 2023-01-24 中南大学湘雅医院 一种院内危重患者转运路径规划方法和系统
CN116399352A (zh) * 2023-04-06 2023-07-07 深圳市森歌数据技术有限公司 一种智慧无人停车场agv的路径规划方法、装置及存储介质
CN116481546A (zh) * 2023-04-26 2023-07-25 大连海事大学 一种无人机航标巡检的路径规划方法
CN116757454A (zh) * 2023-08-21 2023-09-15 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN117109622A (zh) * 2023-09-21 2023-11-24 哈尔滨理工大学 一种多障碍物下双向搜索的uuv蚁群路径规划方法
CN117455087A (zh) * 2023-10-25 2024-01-26 南京迅集科技有限公司 基于物联网的物流节能控制方法及系统
CN117492450A (zh) * 2024-01-02 2024-02-02 深圳前海格致科技有限公司 一种自动驾驶路线规划方法和系统
CN117745033A (zh) * 2024-01-10 2024-03-22 杭州国辰机器人科技有限公司 基于空间机器人的geo太空垃圾主动清除任务规划方法
CN117829713A (zh) * 2024-03-05 2024-04-05 深圳市久通物联科技股份有限公司 一种基于混合整数线性规划的成品油智慧运输方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7095968B2 (ja) * 2017-10-02 2022-07-05 トヨタ自動車株式会社 管理装置
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
WO2022027357A1 (zh) * 2020-08-05 2022-02-10 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
CN112034841A (zh) * 2020-08-05 2020-12-04 深圳技术大学 一种无人环境下的提货方法、系统和计算机可读存储介质
CN112099492A (zh) * 2020-08-24 2020-12-18 成都四威高科技产业园有限公司 含避让点的管制区内agv动态交通管制方法及系统
CN112183710B (zh) * 2020-10-22 2023-11-24 中国联合网络通信集团有限公司 确定路径的方法及装置
CN112923940A (zh) * 2021-01-11 2021-06-08 珠海格力电器股份有限公司 路径规划方法、装置、处理设备、移动设备及存储介质
CN112819211A (zh) * 2021-01-21 2021-05-18 安徽农业大学 一种基于蚁群迭代算法的多区域调度航线规划方法
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
CN113253686B (zh) * 2021-06-10 2021-10-15 浙江华睿科技股份有限公司 Agv车辆路径规划方法及装置、电子设备、存储介质
CN113847926B (zh) * 2021-09-18 2024-01-19 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN114783189A (zh) * 2022-06-20 2022-07-22 安徽交欣科技股份有限公司 基于ai和gis的智慧预警及路径规划交通系统
CN117408496B (zh) * 2023-12-12 2024-03-26 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117727197B (zh) * 2024-02-07 2024-05-03 南京信息工程大学 基于混合型蚁群算法的车辆报警器控制方法、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014009517A (ja) * 2012-06-29 2014-01-20 Ihi Corp 経路計画装置
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN106997682A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于动态交通的智能停车系统
CN107734457A (zh) * 2017-09-29 2018-02-23 桂林电子科技大学 智慧停车场导航系统及方法
CN109584610A (zh) * 2018-12-13 2019-04-05 深圳桓轩科技有限公司 一种高效的停车场智能泊车系统
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG119169A1 (en) * 2003-01-20 2006-02-28 Nanyang Polytechnic Path searching system using multiple groups of cooperating agents and method thereof
CN105938572B (zh) * 2016-01-14 2019-08-02 上海海事大学 一种物流存储系统预防干涉的多自动导引车路径规划方法
CN108563239A (zh) * 2018-06-29 2018-09-21 电子科技大学 一种基于势场蚁群算法的无人机航迹规划方法
CN109471444B (zh) * 2018-12-12 2022-03-01 南京理工大学 基于改进Dijkstra算法的停车AGV路径规划方法
CN109839935B (zh) * 2019-02-28 2020-08-25 华东师范大学 多agv的路径规划方法及设备
CN110174111A (zh) * 2019-05-31 2019-08-27 山东华锐智能技术有限公司 基于时间窗的任务分段式的多agv路径规划算法
CN110471417B (zh) * 2019-08-22 2021-08-24 东北大学 一种基于负载均衡的多agv避碰方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014009517A (ja) * 2012-06-29 2014-01-20 Ihi Corp 経路計画装置
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN106997682A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于动态交通的智能停车系统
CN107734457A (zh) * 2017-09-29 2018-02-23 桂林电子科技大学 智慧停车场导航系统及方法
CN109584610A (zh) * 2018-12-13 2019-04-05 深圳桓轩科技有限公司 一种高效的停车场智能泊车系统
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法

Cited By (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885503A (zh) * 2021-10-11 2022-01-04 同济大学 一种基于蚁群算法在不均匀空间中的多定位方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114020045A (zh) * 2021-10-25 2022-02-08 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114020045B (zh) * 2021-10-25 2023-09-26 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法
CN113985888A (zh) * 2021-11-08 2022-01-28 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN113985888B (zh) * 2021-11-08 2022-09-16 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114077254A (zh) * 2021-11-18 2022-02-22 合肥工业大学 一种agv路径冲突处理方法
CN114077254B (zh) * 2021-11-18 2022-09-13 合肥工业大学 一种agv路径冲突处理方法
CN114035586B (zh) * 2021-11-22 2024-03-29 江苏科技大学 改进蚁群算法和动态窗口的车间agv小车路径规划方法
CN114035586A (zh) * 2021-11-22 2022-02-11 江苏科技大学 改进蚁群算法和动态窗口的车间agv小车路径规划方法
CN114217609A (zh) * 2021-11-26 2022-03-22 贵州电网有限责任公司 一种满足多约束条件的电网线路走廊带智能划分方法
CN114415668A (zh) * 2021-12-23 2022-04-29 西北工业大学 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN114415668B (zh) * 2021-12-23 2023-07-07 西北工业大学 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN114355913A (zh) * 2021-12-27 2022-04-15 浙江工业大学 基于时空自适应双向蚁群算法的移动机器人路径规划方法
CN114442631B (zh) * 2022-01-26 2023-08-22 南京天溯自动化控制系统有限公司 医院物资运送机器人智慧调度系统和方法
CN114442631A (zh) * 2022-01-26 2022-05-06 南京天溯自动化控制系统有限公司 医院物资运送机器人智慧调度系统和方法
CN115542892A (zh) * 2022-01-29 2022-12-30 安徽工程大学 一种基于多步长蚁群算法的移动机器人路径规划方法
CN114489081A (zh) * 2022-02-07 2022-05-13 国网上海市电力公司 多火源灭火最优路径规划方法
CN114489081B (zh) * 2022-02-07 2024-02-02 国网上海市电力公司 多火源灭火最优路径规划方法
CN114844823A (zh) * 2022-04-07 2022-08-02 桂林电子科技大学 一种改进aco算法的必经点有向带环最短链路生成方法
CN114844823B (zh) * 2022-04-07 2024-03-05 桂林电子科技大学 一种改进aco算法的必经点有向带环最短链路生成方法
CN114866459A (zh) * 2022-04-18 2022-08-05 北京计算机技术及应用研究所 一种多约束条件下的路径规划方法
CN114866459B (zh) * 2022-04-18 2023-04-28 北京计算机技术及应用研究所 一种多约束条件下的路径规划方法
CN114722984B (zh) * 2022-04-20 2022-11-22 张家界富源仿真花有限公司 一种智能货物仓储优化方法
CN114722984A (zh) * 2022-04-20 2022-07-08 张家界富源仿真花有限公司 一种智能货物仓储优化方法
CN114565195B (zh) * 2022-04-27 2022-08-19 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114565195A (zh) * 2022-04-27 2022-05-31 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114967680B (zh) * 2022-05-06 2024-04-12 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN114967680A (zh) * 2022-05-06 2022-08-30 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN114897235A (zh) * 2022-05-07 2022-08-12 河海大学 一种基于多机协同的混凝土坝振捣台车实时调度方法
CN115169690A (zh) * 2022-07-05 2022-10-11 水利部交通运输部国家能源局南京水利科学研究院 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法
CN115018211B (zh) * 2022-08-08 2022-11-01 北京建筑大学 一种运输调度线路设定方法和装置
CN115018211A (zh) * 2022-08-08 2022-09-06 北京建筑大学 一种运输调度线路设定方法和装置
CN115391385A (zh) * 2022-09-13 2022-11-25 南京开特信息科技有限公司 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN115454070A (zh) * 2022-09-15 2022-12-09 安徽工程大学 一种K-Means蚁群算法多机器人路径规划方法
CN115454070B (zh) * 2022-09-15 2024-04-05 安徽工程大学 一种K-Means蚁群算法多机器人路径规划方法
CN115328161B (zh) * 2022-09-15 2024-04-26 安徽工程大学 一种基于k视界蚁群算法的焊接机器人路径规划方法
CN115328161A (zh) * 2022-09-15 2022-11-11 安徽工程大学 一种基于k视界蚁群算法的焊接机器人路径规划方法
CN115640921B (zh) * 2022-10-12 2023-05-05 中南大学湘雅医院 一种院内危重患者转运路径规划方法和系统
CN115640921A (zh) * 2022-10-12 2023-01-24 中南大学湘雅医院 一种院内危重患者转运路径规划方法和系统
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN115638805B (zh) * 2022-10-24 2024-05-28 西北工业大学 一种网络化的无人车辆线路规划方法、装置和电子设备
CN115638805A (zh) * 2022-10-24 2023-01-24 西北工业大学 一种网络化的无人车辆线路规划方法、装置和电子设备
CN115560774B (zh) * 2022-10-24 2023-11-17 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN116399352A (zh) * 2023-04-06 2023-07-07 深圳市森歌数据技术有限公司 一种智慧无人停车场agv的路径规划方法、装置及存储介质
CN116399352B (zh) * 2023-04-06 2024-01-19 深圳市森歌数据技术有限公司 一种智慧无人停车场agv的路径规划方法、装置及存储介质
CN116481546A (zh) * 2023-04-26 2023-07-25 大连海事大学 一种无人机航标巡检的路径规划方法
CN116481546B (zh) * 2023-04-26 2024-02-23 大连海事大学 一种无人机航标巡检的路径规划方法
CN116757454B (zh) * 2023-08-21 2023-11-17 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN116757454A (zh) * 2023-08-21 2023-09-15 松立控股集团股份有限公司 基于蚁群优化算法的智能巡检配置优化方法及系统
CN117109622B (zh) * 2023-09-21 2024-03-26 哈尔滨理工大学 一种多障碍物下双向搜索的uuv蚁群路径规划方法
CN117109622A (zh) * 2023-09-21 2023-11-24 哈尔滨理工大学 一种多障碍物下双向搜索的uuv蚁群路径规划方法
CN117455087B (zh) * 2023-10-25 2024-04-12 南京迅集科技有限公司 基于物联网的物流节能控制方法及系统
CN117455087A (zh) * 2023-10-25 2024-01-26 南京迅集科技有限公司 基于物联网的物流节能控制方法及系统
CN117492450B (zh) * 2024-01-02 2024-04-05 深圳前海格致科技有限公司 一种自动驾驶路线规划方法和系统
CN117492450A (zh) * 2024-01-02 2024-02-02 深圳前海格致科技有限公司 一种自动驾驶路线规划方法和系统
CN117745033A (zh) * 2024-01-10 2024-03-22 杭州国辰机器人科技有限公司 基于空间机器人的geo太空垃圾主动清除任务规划方法
CN117829713A (zh) * 2024-03-05 2024-04-05 深圳市久通物联科技股份有限公司 一种基于混合整数线性规划的成品油智慧运输方法
CN117829713B (zh) * 2024-03-05 2024-05-10 深圳市久通物联科技股份有限公司 一种基于混合整数线性规划的成品油智慧运输方法

Also Published As

Publication number Publication date
KR20210118721A (ko) 2021-10-01
KR102457297B1 (ko) 2022-10-20
CN111289007A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
WO2021189720A1 (zh) 基于改进蚁群算法的泊车agv路径规划方法
AU2020101761A4 (en) Method for planning path of parking agv based on improved dijkstra algorithm
CN109471444B (zh) 基于改进Dijkstra算法的停车AGV路径规划方法
CN113093724A (zh) 一种基于改进蚁群算法的agv路径规划方法
WO2020056875A1 (zh) 一种基于深度强化学习的停车策略
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
CN105760954A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN103592926A (zh) 基于机械式立体停车场与agv相结合的智能控制系统及方法
CN113870602B (zh) 一种多agv泊车调度的方法和系统
CN114495552B (zh) 一种快速停车找车导航方法及其系统
CN111982142A (zh) 一种基于改进a星算法的智能车全局路径规划方法
CN110471417A (zh) 一种基于负载均衡的多agv避碰方法
CN114089760A (zh) 一种基于混合蚁群算法的agv路径规划方法
CN116620264A (zh) 基于多智能体强化学习的泊车任务分配与轨迹规划系统
CN114723125A (zh) 一种结合深度学习和多任务优化的城际车订单分配方法
CN114879687A (zh) 一种用于无人物流车的智能控制方法
CN116804879A (zh) 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法
CN115373384A (zh) 一种基于改进rrt的车辆动态路径规划方法及系统
CN116449863A (zh) 一种基于信息素的强化学习的无人机集群多目标搜索方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN111353621B (zh) 一种基于冷热度原理改进蚁群算法的agv路径规划方法
Chen et al. Research on parking lot management system based on parking space navigation technology
CN111290391A (zh) 一种基于独狼蚁群混合算法的移动机器人路径规划方法
CN116449846A (zh) 一种蚁群算法的优化方法
CN115936058A (zh) 一种基于图注意力网络的多智能体迁移强化学习方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20927745

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20927745

Country of ref document: EP

Kind code of ref document: A1