CN107037812A - 一种基于仓储无人车的车辆路径规划方法 - Google Patents

Abstract

本发明公开了一种基于仓储无人车的车辆路径规划方法。该方法首先确定仓储环境下无人车的运行节点，制作基于该环境的拓扑地图；然后通过对传统A*算法的改进，以离线的方式计算出无人车从起点至目标点的最短路径；在无人车进行路径跟踪的过程中，同时以自身携带的传感器探测路径上是否有障碍物，若有障碍物且障碍物未完全阻碍通行，则切换至人工势场法进行在线实时避障；若障碍物完全阻碍通行，则切换至A*算法重新规划路径，直至无人车到达目标点。该方法不但可以充分利用已知信息生成全局最优路径，而且能够对路径上的随机障碍物进行有效避障。

Description

一种基于仓储无人车的车辆路径规划方法

技术领域

本发明属于路径规划技术，特别是一种基于仓储无人车的车辆路径规划方法。

背景技术

随着物联网的快速发展，智能仓储也变得尤为重要。大型仓库的库房众多、货物繁多，道路情况复杂，如何在这复杂的环境中快速有效地寻找货物就显的尤为突出，为解决该问题，仓储无人车应运而生。仓储无人车是指装有自动导引装置，能够沿着指定的路径行进，能够智能控制运行动作，具有安全保护装置的具有搬运功能的小车。

在无人车相关技术的研究方面，路径规划技术是一个重要课题。根据无人车对环境信息感知程度的不同，路径规划分为两种：环境信息完全知道的全局路径规划和环境信息完全未知或局部未知的局部路径规划。全局路径规划一般离线进行，通常可以通过设定合适的启发函数，全面评估各节点的代价值，通过比较各扩展节点代价值的大小，选择最有希望的点加以扩展，直到找到目标节点为止(1.李伟光,苏霞.基于改进A*算法的AGV路径规划[J].现代制造工程,2015(10):33-36.2.李季,孙秀霞.基于改进A-Star算法的无人机航迹规划算法研究[J].兵工学报,2008,29(7):788-792.)。局部路径规划可以采用模仿引力斥力下物体运动的方法，目标点和运动体间为引力，运动体和障碍物间为斥力，通过建立引力场、斥力场函数进行路径寻优(3.谭宝成,崔佳超.改进人工势场法在无人车避障中的应用[J].西安工业大学学报,2014(12):1007-1011.4.Sciavicco L,Siciliano B.Asolution algorithm to the inverse kinematic problem for redundantmanipulators[J].Robotics&Automation IEEE Journal of,2010,4(4):403-410.)。但此类方法通常计算量较大，定位难度高，而且单一运用全局路径规划或局部路径规划方法，灵活性差，无法同时解决寻优和避障的问题。

发明内容

本发明的目的在于提供一种将无人车全局路径规划和局部路径规划相结合，从而在寻找最优路径的同时能够有效躲避障碍物的路径规划方法。

实现本发明目的的技术解决方案为：一种基于仓储无人车的车辆路径规划方法，步骤如下：

第一步，制作仓储环境拓扑地图，即采集仓储环境无人车可行路径与货架的相对位置，根据采集到的信息，设置无人车可以到达的节点，然后根据节点信息创建基于拓扑地图的邻接矩阵；

第二步，离线进行全局路径规划，即采用改进后A*算法，以离线的方式计算出从起始点至目标点的最优路径；

第三步，路径跟踪，即以无人车自身携带的循迹模块对离线规划出的最优路径进行跟踪；

第四步，探测并采集随机障碍物信息，判断路径环境，根据障碍物信息进行全局路径规划和局部路径规划两种算法之间的切换；

第五步，车辆按照第四步规划的路径行驶，在行驶过程中按照局部路径规划算法躲避随机障碍物，达到局部避障的目的。

本发明与现有技术相比，其显著优点为：1)在全局路径规划工程中，优化拓扑节点，使得计算量减少，效率更高；2)在路径跟踪过程中，只需寻找规划好的拓扑节点即可，因此可以采用循迹的方式进行路径跟踪，使得定位更加准确；3)将全局路径规划与局部路径规划相结合，在寻找最优路径的同时可以进行局部避障，使无人车的运行更灵活，在遇到障碍物时运行距离更短，提高了仓储无人车的工作效率。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明基于仓储无人车的车辆路径规划方法的流程图。

图2是仓储环境的示意图。

图3是创建的拓扑地图。

图4是全局路径规划的流程图。

图5是全局路径规划的结果图。

图6是无人车避障时的结果图。

图7是无人车遇到无法绕过的障碍物时重新进行全局路径规划的结果图。

具体实施方式

结合附图，本发明的一种基于仓储无人车的车辆路径规划方法，步骤如下：

步骤1、制作仓储环境拓扑地图，具体是采集仓储环境无人车可行路径与货架的相对位置，根据采集到的信息，设置无人车可以到达的节点，然后根据节点信息创建基于拓扑地图的邻接矩阵；所述制作仓储环境拓扑地图步骤如下：

步骤1-1、采集环境地图信息，以环境地图中每个路口拐点及无人车需要停靠的点作为拓扑节点，与该拓扑节点相通的道路作为拓扑边，将环境地图抽象为由拓扑节点和拓扑边组成的拓扑地图，该拓扑地图用符号表示为G＝(V，E)，其中V为节点集合，E为连接节点的边的集合；

步骤1-2、用邻接矩阵来表示各节点之间的关系，若拓扑地图中共有n个拓扑节点v₁，v₂，…，v_n，则该邻接矩阵是一个n×n的矩阵，通过赋予各条边不同的属性，以区分可通行路径和不可通行路径，将可通行路径的权值属性设为1，不可通行路径的权值属性设为0；该邻接矩阵中的第(i，j)个元素a_ij表示为

步骤2、离线进行全局路径规划，即采用改进后A*算法，以离线的方式计算出从起始点至目标点的最优路径；所述离线进行全局路径规划步骤如下：

步骤2-1、采用A*算法，对每个道路节点设计一个估价函数，如下式所示：

f(s)＝g(s)+h(s)

式中，f(s)表示从起始节点经过节点s到达目标节点的估计长度，g(s)表示从起始节点到当前节点的路径长度，h(s)为启发函数，是当前节点到目标节点的估计值；

其中估价函数的设计方法为：

步骤2-1-1、记录从起始节点到当前节点的路径长度g(s)；

步骤2-1-2、确定启发函数h(s)，其中A*算法一定能搜索到最优路径的前提条件为：

h(s)≤cost*(s,s_goal)

式中，cost*(s,s_goal)为当前节点到目标节点的最优距离，满足上式的h(s)值越大，则扩展节点越少；

所述启发函数h(s)为欧几里德距离函数，对于给定的两个位置坐标(x_i，y_i)和(x_j，y_j)，它们的欧几里德距离d_e如下式所示：

步骤2-1-3、确定估价函数，如下式所示：

f(s)＝g(s)+h(s)。

步骤2-2、创建OPEN和CLOSED两个集合来管理道路节点，其中OPEN集合用于存放扩展过的道路节点的子节点，这些节点属于待扩展节点；CLOSED集合用于存放扩展过的节点；

步骤2-3、进行全局路径规划，每次都从OPEN集合中选择f(s)值最小的节点s进行扩展，节点s被扩展到的子节点存放于OPEN集合中；节点s扩展完成后，从OPEN集合中移到CLOSED集合中；之后循环上述过程，直到扩展到目标节点或者OPEN集合为空时，终止算法，记录规划出的路径。

步骤3、对路径进行跟踪，即以无人车自身携带的循迹模块对离线规划出的最优路径进行跟踪；

步骤4、探测并采集随机障碍物信息，判断路径环境，根据障碍物信息进行全局路径规划和局部路径规划两种算法之间的切换；具体步骤如下：

步骤4-1、无人车通过自身携带的超声波模块，实时探测路径上的随机障碍物，生成障碍边界以及相对位置信息；

步骤4-2、通过传感器采集到的障碍物信息，对道路环境进行判断，并根据判断结果进行全局路劲规划和局部路径规划算法间的切换；具体为：

设置无人车与障碍物之间的安全距离，若障碍物边界与墙壁之间距离小于该安全距离，认为无人车无法绕过，则以当前无人车所在拓扑节点为起始点，并且设置该拓扑节点与下一节点之间的拓扑边为不可通行，更新邻接矩阵，返回步骤2重新规划全局路径；若障碍物边界与墙壁之间距离大于安全距离，则切换至步骤5执行局部路径规划算法进行避障。

步骤5、车辆按照步骤4规划的路径行驶，在行驶过程中按照局部路径规划算法躲避随机障碍物，达到局部避障的目的。具体步骤如下：

步骤5-1、建立局部路径规划的起始点以及终点，具体以无人车当前所处节点为起始点，以全局路径规划中该节点的下一节点终点；

步骤5-2、根据无人车尺寸，确定障碍物作用域；

步骤5-3、建立人工势场法的引力势场函数和斥力势场函数，进行局部避障；具体步骤如下：

步骤5-3-1、建立引力势场函数U_att，公式如下：

式中：K_a为引力势场常量，Q_c为无人车地球坐标系位置向量，Q_g为地球坐标系中目标点的位置向量；

步骤5-3-2、建立斥力势场函数U_rep，公式如下：

式中：K_r为斥力势场常量，ρ(Q_c,Q_obs)为无人车与障碍物的相对距离，D为安全距离。

本发明将全局路径规划与局部路径规划相结合，在寻找最优路径的同时可以进行局部避障，使无人车的运行更灵活，在遇到障碍物时运行距离更短，提高了仓储无人车的工作效率。

下面结合实施例对本发明做进一步详细的描述。

实施例

结合图1，本发明基于仓储无人车的车辆路径规划方法，具体实施步骤如下：

步骤1、制作仓储环境拓扑地图，如图2所示为仓储环境的示意地图，图中矩形代表货架，采集仓储环境无人车可行路径与货架的相对位置，根据采集到的信息，设置无人车可以到达的节点，然后根据节点信息创建基于拓扑地图的邻接矩阵；

步骤1-1、如图3所示，采集环境地图信息，以环境地图中每个路口拐点及无人车需要停靠的点作为一个拓扑节点，与该拓扑节点相通的道路作为一条拓扑边，因此可将环境地图抽象为由拓扑节点和拓扑边组成的拓扑地图，该拓扑地图用符号可以表示为G＝(V，E)，其中V为节点集合，E为连接节点的边的集合，在该仓储环境中，可设置如图3所示A至O共15个拓扑节点，即矩阵

V＝[0.5,0.5；2.5,0.5；4.5,0.5；0.5,2.5；2.5,2.5；4.5,2.5；5.5,2.5；0.5,4.5；2.5,4.5；4.5,4.5；5.5,4.5；0.5,6.5；2.5,6.5；4.5,6.5；5.5,0.5]；

步骤1-2、为了便于对该拓扑图的保存和搜索，用邻接矩阵来表示各节点之间的关系。若拓扑地图中共有n个拓扑节点v₁，v₂，…，v_n，则该邻接矩阵是一个n×n的矩阵，通过赋予各条边的属性，以区分可通行路径和不可通行路径，这里将可通行路径的权值属性设为1，不可通行路径的权值属性设为0。进而，该邻接矩阵中的第(i，j)个元素可以表示为

在该拓扑地图中n＝15，则邻接矩阵是一个15×15的矩阵，表示为

步骤2、离线进行全局路径规划，即采用改进后A*算法，以离线的方式计算出从起始点至目标点的最优路径，如图4所示，为全局路径规划的流程图；

步骤2-1、采用A*算法，对每个道路节点均设计一个估价函数，如下式所示：

f(s)＝g(s)+h(s)

式中，f(s)表示从起始节点经过节点s到达目标节点的估计长度，g(s)表示从起始节点到当前节点的路径长度，h(s)为启发函数，是当前节点到目标节点的估计值；

步骤2-1-1、记录从起始节点到当前节点的路径长度设计为g(s)；

步骤2-1-2、h(s)为启发函数，是当前节点到目标节点的估计值。A*算法一定能搜索到最优路径的前提条件：

h(s)≤cost*(s,s_goal)

式中，cost*(s,s_goal)为当前节点到目标节点的最优距离。满足上式的h(s)值越大，则扩展节点越少。为了保证搜索路径的最优性，本方法将欧几里德距离作为启发函数。对于给定的两个位置坐标(x_i，y_i)和(x_j，y_j)，它们的欧几里德距离d_e如下式所示：

步骤2-2、创建OPEN和CLOSED两个集合来管理道路节点。OPEN存放扩展过的道路节点的子节点。它们属于待扩展节点。CLOSED存放扩展过的节点；

步骤2-3、开始进行全局路径规划，每次都从OPEN中选择f(s)值最小的节点s进行扩展。节点s被扩展到的子节点存放于OPEN中。节点s扩展完成后，从OPEN中移到CLOSED中。循环上述过程，直到扩展到目标节点或者OPEN为空时，终止算法，记录规划出的路径。如图5所示，为全局路径规划的结果图。

步骤3、路径跟踪，即无人车通过自身携带的循迹模块，以及在仓储环境中预先设置的标记物进行无人车相对于仓储环境的定位，从而实现对规划好的全局路径的跟踪。如图6中粗实线所示，在没有障碍物的路段直接进行循迹跟踪，降低定位成本。

步骤4、探测并采集随机障碍物信息，判断路径环境，并进行全局路径规划和局部路径规划两种算法之间的切换；

步骤4-1、无人车通过自身携带的超声波模块，实时探测路径上的随机障碍物，生成障碍边界以及相对位置等信息；

步骤4-2、通过传感器采集到的障碍物信息，对道路环境进行判断，并根据判断结果进行全局路劲规划和局部路径规划算法间的切换；

步骤4-3、设计无人车与障碍物之间的安全距离，该仓储模型设置安全距离为0.3个单位，若障碍物边界与墙壁之间距离小于该安全距离，认为无人车无法通过，如图7所示，则以当前无人车所在拓扑节点为起始点，并且设置该拓扑节点与下一节点之间的拓扑边为不可通行，更新邻接矩阵，将邻接矩阵更新为：

返回步骤2重新规划全局路径，重新规划的路径如图7中粗实线所示；

步骤4-4、如图6所示，若障碍物边界与墙壁之间距离大于步骤4-3中设计的安全距离，则切换至局部路径规划算法进行避障。

步骤5、躲避随机障碍物，即采用人工势场法在线进行局部路径规划，达到局部避障的目的，效果如图6所示，在有障碍物的路段切换至人工势场法进行局部避障。

步骤5-1、建立局部路径规划的起始点以及终点，本方法以无人车当前所处节点为起始点，以全局路径规划中该节点的下一节点终点，在该仓储模型中即以L点和M点为局部路径规划的起点和终点；

步骤5-2、根据无人车尺寸，确定障碍物作用域；

步骤5-3、建立人工势场法的引力势场函数和斥力势场函数，切换至A*算法进行局部避障；

步骤5-3-1、建立引力势场函数，公式如下：

式中：K_a为引力势场常量，Q_c为无人车地球坐标系位置向量，Q_g为地球坐标系中目标点的位置向量，在该方法中，引力势场常量设为1，(Q_c-Q_g)²为无人车与目标点之间的欧氏距离，随着无人车的移动随时更新，则最终引力势场函数为

步骤5-3-2、建立斥力势场函数，公式如下：

式中：K_r为斥力势场常量，ρ(Q_c,Q_obs)为无人车与障碍物的相对距离，D为安全距离，在该方法中，斥力势场常量设置为1，ρ(Q_c,Q_obs)随着无人车的运动实时更新，D设置为0.3，则斥力势场函数为

本发明将全局路径规划与局部路径规划相结合，在寻找最优路径的同时可以进行局部避障，使无人车的运行更灵活，在遇到障碍物时运行距离更短，提高了仓储无人车的工作效率。

Claims (7)

1.一种基于仓储无人车的车辆路径规划方法，其特征在于，步骤如下：

步骤1、制作仓储环境拓扑地图，具体是采集仓储环境无人车可行路径与货架的相对位置，根据采集到的信息，设置无人车可以到达的节点，然后根据节点信息创建基于拓扑地图的邻接矩阵；

步骤2、离线进行全局路径规划，即采用改进后A*算法，以离线的方式计算出从起始点至目标点的最优路径；

步骤3、对路径进行跟踪，即以无人车自身携带的循迹模块对离线规划出的最优路径进行跟踪；

步骤4、探测并采集随机障碍物信息，判断路径环境，根据障碍物信息进行全局路径规划和局部路径规划两种算法之间的切换；

步骤5、车辆按照步骤4规划的路径行驶，在行驶过程中按照局部路径规划算法躲避随机障碍物，达到局部避障的目的。

2.根据权利要求1所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤1中制作仓储环境拓扑地图步骤如下：

步骤1-1、采集环境地图信息，以环境地图中每个路口拐点及无人车需要停靠的点作为拓扑节点，与该拓扑节点相通的道路作为拓扑边，将环境地图抽象为由拓扑节点和拓扑边组成的拓扑地图，该拓扑地图用符号表示为G＝(V，E)，其中V为节点集合，E为连接节点的边的集合；

步骤1-2、用邻接矩阵来表示各节点之间的关系，若拓扑地图中共有n个拓扑节点v₁，v₂，…，v_n，则该邻接矩阵是一个n×n的矩阵，通过赋予各条边不同的属性，以区分可通行路径和不可通行路径，将可通行路径的权值属性设为1，不可通行路径的权值属性设为0；该邻接矩阵中的第(i，j)个元素a_ij表示为

3.根据权利要求1所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤2中离线进行全局路径规划步骤如下：

步骤2-1、采用A*算法，对每个道路节点设计一个估价函数，如下式所示：

f(s)＝g(s)+h(s)

式中，f(s)表示从起始节点经过节点s到达目标节点的估计长度，g(s)表示从起始节点到当前节点的路径长度，h(s)为启发函数，是当前节点到目标节点的估计值；

步骤2-2、创建OPEN和CLOSED两个集合来管理道路节点，其中OPEN集合用于存放扩展过的道路节点的子节点，这些节点属于待扩展节点；CLOSED集合用于存放扩展过的节点；

步骤2-3、进行全局路径规划，每次都从OPEN集合中选择f(s)值最小的节点s进行扩展，节点s被扩展到的子节点存放于OPEN集合中；节点s扩展完成后，从OPEN集合中移到CLOSED集合中；之后循环上述过程，直到扩展到目标节点或者OPEN集合为空时，终止算法，记录规划出的路径。

4.根据权利要求3所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤2-1中估价函数的设计方法为：

步骤2-1-1、记录从起始节点到当前节点的路径长度g(s)；

步骤2-1-2、确定启发函数h(s)，其中A*算法一定能搜索到最优路径的前提条件为：

h(s)≤cos t^*(s,s_goal)

式中，cos t^*(s,s_goal)为当前节点到目标节点的最优距离，满足上式的h(s)值越大，则扩展节点越少；

步骤2-1-3、确定估价函数，如下式所示：

f(s)＝g(s)+h(s)。

5.根据权利要求4所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤2-1-2中所述启发函数h(s)为欧几里德距离函数，对于给定的两个位置坐标(x_i，y_i)和(x_j，y_j)，它们的欧几里德距离d_e如下式所示：

6.根据权利要求1所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤4中探测并采集随机障碍物信息，判断路径环境，根据障碍物信息进行全局路径规划和局部路径规划两种算法之间的切换，具体步骤如下：

步骤4-1、无人车通过自身携带的超声波模块，实时探测路径上的随机障碍物，生成障碍边界以及相对位置信息；

步骤4-2、通过传感器采集到的障碍物信息，对道路环境进行判断，并根据判断结果进行全局路劲规划和局部路径规划算法间的切换；具体为：

设置无人车与障碍物之间的安全距离，若障碍物边界与墙壁之间距离小于该安全距离，认为无人车无法绕过，则以当前无人车所在拓扑节点为起始点，并且设置该拓扑节点与下一节点之间的拓扑边为不可通行，更新邻接矩阵，返回步骤2重新规划全局路径；若障碍物边界与墙壁之间距离大于安全距离，则切换至步骤5执行局部路径规划算法进行避障。

7.根据权利要求1所述的基于仓储无人车的车辆路径规划方法，其特征在于，步骤5中在行驶过程中按照局部路径规划算法躲避随机障碍物，步骤如下：

步骤5-1、建立局部路径规划的起始点以及终点，具体以无人车当前所处节点为起始点，以全局路径规划中该节点的下一节点终点；

步骤5-2、根据无人车尺寸，确定障碍物作用域；

步骤5-3、建立人工势场法的引力势场函数和斥力势场函数，进行局部避障；具体步骤如下：

步骤5-3-1、建立引力势场函数U_att，公式如下：

式中：K_a为引力势场常量，Q_c为无人车地球坐标系位置向量，Q_g为地球坐标系中目标点的位置向量；

步骤5-3-2、建立斥力势场函数U_rep，公式如下：

式中：K_r为斥力势场常量，ρ(Q_c,Q_obs)为无人车与障碍物的相对距离，D为安全距离。