CN107203190A - 一种基于复杂路径的惯性导航agv调度方法及*** - Google Patents
一种基于复杂路径的惯性导航agv调度方法及*** Download PDFInfo
- Publication number
- CN107203190A CN107203190A CN201710352594.6A CN201710352594A CN107203190A CN 107203190 A CN107203190 A CN 107203190A CN 201710352594 A CN201710352594 A CN 201710352594A CN 107203190 A CN107203190 A CN 107203190A
- Authority
- CN
- China
- Prior art keywords
- node
- agv
- task
- mrow
- optimal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013459 approach Methods 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009183 running Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
- G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31086—Communication of carriage, agv data, workpiece data at each station
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/60—Electric or hybrid propulsion means for production processes
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于复杂路径的惯性导航AGV调度方法及***,属于自动控制领域。该方法包括:根据获取到的配送任务信息,通过权重加权算法确定多个派发任务中的最优派发任务;根据AGV当前所在的节点位置,最优派发任务对应的起始节点位置,目标节点位置和运输网络模型,通过图论方法,确定AGV与起始节点位置之间距离最短的第一路径以及起始节点位置与目标节点之间距离最短的第二路径;根据所述第一路径,所述第二路径和基于优先级的交通规则,将AGV从当前所在的节点行驶至起始节点位置,并将所述AGV从起始节点位置行驶至目标节点位置;上述方法为AGV***的任务调度及路径规划问题提供了有效、完整可行的解决方案。
Description
技术领域
本发明属于自动控制领域,更具体的涉及一种基于复杂路径的惯性导航 AGV调度方法及***。
背景技术
AGV(英文为:Automated Guided Vehicle,中文简称:自动导引运输车) 是指能够执行特定任务的自动导引车,一般在工业生产中主要用于物料的运输。目前,AGV大多采取固定路径导引方式,如电磁导引及磁带导引等,这些方式的主要特点是技术比较成熟,但是前期安置信息媒介物的工作较为麻烦,而且小车的行驶路径不够灵活。与上述导引方式相比,惯性导航具有技术先进、定位精度高及灵活性强等特点,因此被逐渐地应用到AGV的导航***中。
现有技术中,针对AGV***的任务调度问题,主要有基于单性能指标和多性能指标的两种调度策略;其中,基于单性能指标的任务调度策略中,顾名思义即简单采用单独的指标作为计算最优执行任务的依据,这些性能指标包括最短行驶距离、任务最大等待时间及最小AGV利用率等;由于单性能指标的调度策略往往难以有效的优化***性能,例如在现有的调度策略中常常采用最短行驶距离作为调度指标,在这种情况下,可能会导致距离较远的运输任务响应滞后,甚至难以得到响应。基于多性能指标的任务调度策略中,采用多个指标综合计算,最终得出最优的执行任务。通常包括,结合***实际需求选择几个对***性能影响较大的性能指标;将上述指标融合为统一的表达式,并分别为这些性能指标设置一定的影响权重;分别根据每一个性能指标的取值综合计算出最优的执行任务。由于多指标的调度策略中,对各指标对于最终性能的影响没有做归一化处理,导致各性能指标对调度结果的影响不均衡,最终调度结果可能背离最初的设计目标。上述两种调度策略方法仅仅给出最优的执行任务,而对于具体任务在执行阶段如何处理没有给出明确的说明。
现有技术中,针对于AGV***的路径规划问题,通常采用基于时间窗的路径规划技术。具体地,首先,离线为每个任务规划出行驶路径;然后,根据 AGV进出每段路径的时间设计出其对应的时间窗;最后,通过合理调整这些时间窗为每一个任务优化出一条无冲突的最优路径。由于在基于时间窗的技术中,所有路径需要预先得到,并且需要一次性利用时间窗规划完毕,即以“批”为单位执行任务,存在实时性不太好,鲁棒性较差和无法规划出最优路径的可能性。
发明内容
本发明实施例提供一种基于复杂路径的惯性导航AGV调度方法及***,该方法为AGV***的任务调度及路径规划问题提供了有效、完整可行的解决方案。
本发明实施例提供一种基于复杂路径的惯性导航AGV调度方法,包括:
根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV当前所在的节点位置与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV 从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述 AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
优选地,所述通过图论方法,确定所述AGV当前所在的节点位置与所述最优派发任务对应的起始节点位置之间距离最短的第一路径,包括:
在所述运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;
将所述AGV当前所在的节点位置和所述最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,所述第一节点集合为集合S,所述第二节点集合为集合U,初始化后,所述集合S内只包含所述节点vi时,则有u=vi, D(u)=D(vi)=0;
所述集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有 D(v)=D(u)+D(u,v),f(v)=u;
在所述集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*,将所述节点v*加入到集合S内,并更新所述集合S,且令u=v*;
所述集合U为空集时,从所述节点vf迭代查询所述节点vf的父节点序列,当所述节点vf的父节点序列中包括所述节点vi时,将确定的所述节点vf的父节点序列按照逆向排序确定为所述节点vi和所述节点vf之间距离最短的第一路径;
其中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合, D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
优选地,所述交通规则中包括减速区域和停止区域,所述减速区域的边界阈值为所述AGV的长度的2倍,所述停止区域的边界阈值为所述AGV的长度的1倍。
所述基于优先级的交通规则法,包括:
通过设置在所述AGV上的传感器,当确定所述AGV在行进方向的减速区域内存在障碍,则所述AGV减速行驶,当所述AGV与所述障碍之间的距离小于等于所述停止区域的距离时,所述AGV停止到所述停止区域等待。
优选地,所述基于优先级的交通规则法,还包括:
所述AGV到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求,其中,所述检查位置与所述交叉节点之间的距离等于所述AGV 的长度的1.5倍;
收到所述通过请求后,确定所述交叉节点是否被占用,若所述交叉节点被占用,则等待所述交叉节点空闲时,向所述AGV发送通过命令。
优选地,还包括:若所述交叉节点空闲,根据所述通过请求对应的派发任务,从多个所述派发任务中确定优先级最高的所述最优派发任务对应的AGV,向所述AGV发送通过命令。
本发明实施例还提供了一种基于复杂路径的惯性导航AGV调度***,包括:
第一确定单元,用于根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
第二确定单元,用于根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
行驶单元,用于根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
优选地,所述第二确定单元还用于:
在所述运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;
将所述AGV当前所在的节点位置和所述最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,所述第一节点集合为集合S,所述第二节点集合为集合U,初始化后,所述集合S内只包含所述节点vi时,则有u=vi, D(u)=D(vi)=0;
所述集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有 D(v)=D(u)+D(u,v),f(v)=u;
在所述集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*,将所述节点v*加入到集合S内,并更新所述集合S,且令u=v*;
所述集合U为空集时,从所述节点vf迭代查询所述节点vf的父节点序列,当所述节点vf的父节点序列中包括所述节点vi时,将确定的所述节点vf的父节点序列按照逆向排序确定为所述节点vi和所述节点vf之间距离最短的第一路径;
其中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合, D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
优选地,所述交通规则中包括减速区域和停止区域,所述减速区域的边界阈值为所述AGV的长度的2倍,所述停止区域的边界阈值为所述AGV的长度的1倍。
所述行驶单元具体用于:
通过设置在所述AGV上的传感器,当确定所述AGV在行进方向的减速区域内存在障碍,则所述AGV减速行驶,当所述AGV与所述障碍之间的距离小于等于所述停止区域的距离时,所述AGV停止到所述停止区域等待。
优选地,所述行驶单元还用于:
所述AGV到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求,其中,所述检查位置与所述交叉节点之间的距离等于所述AGV 的长度的1.5倍;
收到所述通过请求后,确定所述交叉节点是否被占用,若所述交叉节点被占用,则等待所述交叉节点空闲时,向所述AGV发送通过命令。
优选地,所述行驶单元还用于:
若所述交叉节点空闲,根据所述通过请求对应的派发任务,从多个所述派发任务中确定优先级最高的所述最优派发任务对应的AGV,向所述AGV发送通过命令。
本发明实施例中,提供了一种基于复杂路径的惯性导航AGV调度方法及***,该方法包括:根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;所述权重加权算法如下所示:
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。在上述方法中,在任务调度方法中,一方面采用权重加权算法算出最优的派发任务,另一方面,以AGV行驶距离与任务等待时间作为派发任务的约束条件,提高了AGV执行任务的效率,并缓解了现有技术中任务响应滞后的问题;在路径规划控制方法中,采用了基于图论的路径规划以及基于优先级的交通规则相结合的闭环控制策略,提高了AGV运输***的实时性以及鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于复杂路径的惯性导航AGV调度方法流程示意图;
图2为本发明实施例提供的AGV行驶距离对应的隶属度函数示意图;
图3为本发明实施例提供的任务等待时间对应的隶属度函数示意图;
图4为本发明实施例提供的两阶段路径规划控制结构示意图;
图5为本发明实施例提供的AGV行驶冲突类型示意图;
图6为本发明实施例提供的任务执行的状态迁移示意图;
图7为本发明实施例提供的AGV***测试场景地图示意图;
图8为本发明实施例提供的一种基于复杂路径的惯性导航AGV调度***结构示意图。
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。
图1示例性的示出了本发明实施例提供的一种基于复杂路径的惯性导航 AGV调度方法示意图,如图1所示,该方法包括以下步骤:
步骤101,根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
步骤102,根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
步骤103,根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
需要说明的是,本发明实施例提供的一种基于复杂路径的惯性导航AGV 调度方法,主要包含任务调度及路径规划两部分内容。在任务调度算法中,将其分为任务派发和执行两阶段进行设计;在路径规划算法中,采用两阶段闭环路径规划控制算法实现针对具体任务的路径规划及交通控制。
图1所示的一种基于复杂路径的惯性导航AGV调度方法中,其中,步骤 101对应调度算法中的任务派发,步骤102对应路径规划算法中的路径规划,步骤103对应调度算法中的任务执行。
在步骤101中,根据获取到的配送任务信息,在任务派发阶段,采用改进的权重加权算法,确定配送任务中包括的每个派发任务的得分以及多个派发任务中的最优派发任务。
其中,改进的权重加权算法公式如(1)所示:
公式(1)中,Ai为每个派发任务对应的得分,A*为最优派发任务对应的得分;wj为第j个约束条件的权重;xij为任务i中第j个约束条件的影响因子。
需要说明的是,在本发明实施例中,xij由约束条件对应的影响模糊集的成员隶属度函数决定。其中,约束条件分别为AGV执行任务时的行驶距离与任务等待时间。在实际的应用中,AGV执行任务时的行驶距离与任务等待时间对应的权重及影响因子应该根据具体的任务情况设定。优选地,可以根据经验分别确定AGV执行任务时的行驶距离与任务等待时间对应的权重值为0.4和 0.6。
进一步地,根据经验设置这两个约束条件对应的参考模糊集的隶属度函数分别如图2所示的AGV行驶距离对应的隶属度函数示意图和图3所示的任务等待时间对应的隶属度函数示意图。
在步骤102中,在上述步骤101确定最优派发任务之后,采用两阶段闭环路径规划控制算法实现针对具体任务的路径规划及交通控制。
图4为本发明实施例提供的两阶段路径规划控制结构示意图,如图4所示,两阶段路径规划控制结构主要包括阶段1和阶段2,其中,阶段1包括导向路径信息,运输网络模型和生成最优路径;阶段2包括交通控制。
如图4所示,在阶段1中,根据现场实际情况提取导向路段信息,生成运输网络模型,在运输网络模型中确定AGV当前所在的节点位置,最优派发任务对应的起始节点位置和最优派发任务对应的目标节点位置。先后确定AGV 与最优派发任务对应的起始节点位置之间距离最短的第一路径以及最优派发任务对应的起始节点与最优派发任务对应的目标节点之间的距离最短的第二路径。
需要说明的是,图论是数学的一个分支,是以图为研究对象,研究节点和弧段组成的图形的数学理论和方法。图论中的图是由若干给定的节点和连接两节点的边所构成的图形,通常这种图形用来描述事物之间的联系,用节点代表事物,用连接两个节点的弧段表示两个事物间的联系。
需要说明的是,在本发明实施例所包括的路径规划算法中,环境地图由一个有向加权图G(V,E)表示,其中V表示图中所有节点的集合,E表示图中全部边的集合,每条边都具有一定的权重,表示从一个节点到另一个节点的代价值。规划算法的基本原理如下:如果v1→v2→v3…→vn为节点v1到vn的最短路径,则v1→v2→v3…→vn-1必定是节点v1到vn-1的最短路径。根据这个递归原理,算法从起始节点为中心向外层层扩展,直到扩展到目标节点。
具体地,确定AGV当前所在的节点位置与最优派发任务对应的起始节点位置之间的距离最短的第一路径包括以下:
(1~1)、在运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;比如,第一节点集合为集合S,第二节点集合为集合U。
(1~2)、将AGV当前所在的节点位置和最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,其中,第一节点集合为集合S,第二节点集合为集合U,对集合S和集合U进行初始化后,让集合S内只包含节点vi时,集合 U内包含了除节点vi之外的所有节点,存在如下关系:u=vi,D(u)=D(vi)=0。
(1~3)、对于集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有 D(v)=D(u)+D(u,v),f(v)=u。
(1~4)、在集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*后,将节点v*加入到集合S内,并更新集合S,则有u=v*。
(1~5)、循环上述步骤(1~3)和步骤(1~4),当集合U为空集时,从节点vf迭代查询节点vf的父节点序列,当节点vf的父节点序列中包括节点vi时,将确定的节点vf的父节点序列按照逆向排序确定为节点vi和节点vf之间距离最短的第一路径。即将节点vf的父节点序列按照逆向排序确定为AGV当前所在的节点位置与最优派发任务对应的起始节点位置之间的距离最短的第一路径;当集合U为非空集时,继续循环上述步骤(1~3)和步骤(1~4),直至集合S为空集。
需要说明的是,上述步骤中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合,D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
具体地,确定最优派发任务对应的起始节点与最优派发任务对应的目标节点之间的距离最短的第二路径,包括:
(2~1)、在运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;比如,第一节点集合为集合S,第二节点集合为集合U。
(2~2)、将最优派发任务对应的起始节点位置和最优派发任务对应的目标节点位置分别设置为节点vi和节点vf,其中,第一节点集合为集合S,第二节点集合为集合U,对集合S和集合U进行初始化后,让集合S内只包含节点vi时,集合U内包含了除节点vi之外的所有节点,即存在如下关系:u=vi, D(u)=D(vi)=0。
(2~3)、对于集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有 D(v)=D(u)+D(u,v),f(v)=u。
(2~4)、在集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*后,将节点v*加入到集合S内,并更新集合S,则有u=v*。
(2~5)、循环上述步骤(2~3)和步骤(2~4),当集合U为空集时,从节点vf迭代查询节点vf的父节点序列,当节点vf的父节点序列中包括节点vi时,将确定的节点vf的父节点序列按照逆向排序确定为节点vi和节点vf之间距离最短的第二路径。即将节点vf的父节点序列按照逆向排序确定为最优派发任务对应的起始节点与最优派发任务对应的目标节点之间的距离最短的第二路径;当集合U为非空集时,继续循环上述步骤(2~3)和步骤(2~4),直至集合S为空集。
需要说明的是,上述步骤中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合,D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
在步骤103中,根据第一路径,第二路径和基于优先级的交通规则,将AGV从当前所在的节点行驶至最优派发任务对应的起始节点位置,并将AGV 从最优派发任务对应的起始节点位置行驶至最优派发任务对应的目标节点位置。
如图4所示,在阶段2中,采用基于优先级的交通规则法解决路径中存在的冲突问题,与阶段1构成基于图论的两阶段闭环路径规划控制算法,其中优先级可根据任务的紧急程度预先设定。
为了提高运输的稳定性,在AGV路径交叉及分支较多的情况下,一般采用单向通路,即AGV在一个特定的弧段中只能沿着一个方向行驶。
图5为本发明实施例提供的AGV行驶冲突类型示意图,如图5所示,在单向通路中,主要存在追击冲突和交叉节点冲突两种类型。
在本发明实施例中,针对图5中所示的追击冲突,主要采用以下解决策略:
设定减速区域和停止区域的范围,其中,减速区域边界阈值设置为2倍车长,停止区域边界阈值设置为1倍车长。在实际运行中,由AGV自带的传感器进行检测,如发现在其行进方向的减速区域范围内存在障碍,则逐渐减速行驶,直到AGV与障碍的距离达到停止区域的范围,则AGV停止在停止区域内等待,如果AGV等待一定时间后,障碍仍存在,则AGV可以向控制中心发送该障碍信息。
需要说明的是,减速区域边界阈值设置为2倍车长,停止区域边界阈值设置为1倍车长,在本发明实施例中,车长等于AGV的长度。
在本发明实施例中,针对图5中所示的交叉节点冲突,主要采用以下解决策略:
(1)、AGV小车到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求。其中,检查位置可以设置在距离交叉节点为1.5倍车长的位置处。
(2)、控制中心收到通过请求之后,检查交叉节点是否被占用,若交叉节点被占用,则等待交叉节点空闲时再处理上述请求。若交叉节点未被占用,则需要检查请求序列,如通过请求只有一个,则向申请通过请求的AGV发送允许通过命令,并将交叉节点设为占用状态;如存在多个通过请求,则从多个通过请求对应的AGV中,选择具有最高优先级的AGV,并向其发送允许通过命令,其他多个通过请求对应的AGV继续等待,等控制中心收到通过交叉节点的AGV返回的释放节点信息之后,可以从余下的多个通过请求对应的AGV 中,向优先级最高的AGV发送允许通过命令。
需要说明的是,在任务的执行阶段,采用状态机的设计思想,根据单个运输任务的起始节点、目标节点及AGV当前位置将具体任务的执行过程分为四个状态,图6为本发明实施例提供的任务执行的状态迁移示意图,如图6所示,任务执行的状态主要分为:
等待状态:当前运输任务在任务序列中等待调度;
准备状态:接收到运输任务的AGV由当前位置向运输任务的起始节点行驶;
执行状态:AGV由起始节点向运输任务的目标节点行驶并执行具体操作;
结束状态:完成整个运输任务。
基于上述四个任务状态,具体执行流程如下图6所示:
需要说明的是,在上述图6中,条件1为当前任务被选定为最优派发任务,即步骤101中确定的最优派发任务。条件2为接收到运输任务的AGV行驶到达任务的起始节点,即通过步骤102确定AGV当前所在的节点位置与最优派发任务对应的起始节点位置之间距离最短的第一路径和根据步骤103提供的交通规则,行驶至任务的起始节点。条件3为AGV行驶到达任务的目标节点并完成具体操作,即通过步骤102确定的最优派发任务对应的起始节点位置与最优派发任务对应的目标节点之间距离最短的第二路径和根据步骤103提供的交通规则,行驶到达任务的目标节点并完成具体操作。
为了验证本发明实施例所提供的一种基于复杂路径的惯性导航AGV调度方法有效性,以下结合图7,给出一个应用示例。
图7为本发明实施例提供的AGV***测试场景地图,如图7所示,箭头方向为该场景地图中的通路方向。假设在上述测试场景地图中包括AGV1和 AGV2两台AGV,其中,AGV1的初始位置为节点6,AGV2的初始位置为26,当前有三个运输任务,三个运输任务分别为(8,33),(27,24)和(28, 22)。经过本发明实施例所提供的规划调度算法处理后得到的结果如下:
任务派发结果:AGV1执行任务(8,33);AGV2执行任务(27,24) 和(28,22)。
路径规划结果:任务(8,33)的执行路径为(6,7,8)和(8,9,10, 11,12,13,14,15,33);任务(27,24)的执行路径为(26,27)和(27, 19,20,21,22,23,24);任务(28,22)的执行路径为(24,1,2,3, 4,5,6,7,8,9,10,31,28)和(28,25,26,27,19,20,21,22)。
综上所述,本发明实施例提供的一种基于复杂路径的惯性导航AGV调度方法及***,在上述方法中,在任务调度方法中,一方面采用权重加权算法算出最优的派发任务,另一方面,以AGV行驶距离与任务等待时间作为派发任务的约束条件,提高了AGV执行任务的效率,并缓解了现有技术中任务响应滞后的问题;在路径规划控制方法中,采用了基于图论的路径规划以及基于优先级的交通规则相结合的闭环控制策略,提高了AGV运输***的实时性以及鲁棒性。
基于同一发明构思,本发明实施例提供了一种基于复杂路径的惯性导航 AGV调度***,由于该***解决技术问题的原理与一种基于复杂路径的惯性导航AGV调度方法相似,因此该***的实施可以参见方法的实施,重复之处不再赘述。
图8为本发明实施例提供的一种基于复杂路径的惯性导航AGV调度***结构示意图,如图8所示,该***包括第一确定单元81,第二确定单元82和行驶单元83。
第一确定单元81,用于根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
第二确定单元82,用于根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
行驶单元83,用于根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
优选地,所述第二确定单元82还用于:
在所述运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;
将所述AGV当前所在的节点位置和所述最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,所述第一节点集合为集合S,所述第二节点集合为集合U,初始化后,所述集合S内只包含所述节点vi时,则有u=vi, D(u)=D(vi)=0;
所述集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有 D(v)=D(u)+D(u,v),f(v)=u;
在所述集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*,将所述节点v*加入到集合S内,并更新所述集合S,且令u=v*;
所述集合U为空集时,从所述节点vf迭代查询所述节点vf的父节点序列,当所述节点vf的父节点序列中包括所述节点vi时,将确定的所述节点vf的父节点序列按照逆向排序确定为所述节点vi和所述节点vf之间距离最短的第一路径;
其中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合,D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
优选地,所述交通规则中包括减速区域和停止区域,所述减速区域的边界阈值为所述AGV的长度的2倍,所述停止区域的边界阈值为所述AGV的长度的1倍。
所述行驶单元83具体用于:
通过设置在所述AGV上的传感器,当确定所述AGV在行进方向的减速区域内存在障碍,则所述AGV减速行驶,当所述AGV与所述障碍之间的距离小于等于所述停止区域的距离时,所述AGV停止到所述停止区域等待。
优选地,所述行驶单元83还用于:
所述AGV到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求,其中,所述检查位置与所述交叉节点之间的距离等于所述AGV 的长度的1.5倍;
收到所述通过请求后,确定所述交叉节点是否被占用,若所述交叉节点被占用,则等待所述交叉节点空闲时,向所述AGV发送通过命令。
优选地,所述行驶单元83还用于:
若所述交叉节点空闲,根据所述通过请求对应的派发任务,从多个所述派发任务中确定优先级最高的所述最优派发任务对应的AGV,向所述AGV发送通过命令。
应当理解,以上一种基于复杂路径的惯性导航AGV调度***包括的单元仅为根据该设备***实现的功能进行的逻辑划分,实际应用中,可以进行上述单元的叠加或拆分。并且该实施例提供的一种基于复杂路径的惯性导航AGV 调度***所实现的功能与上述实施例提供的一种基于复杂路径的惯性导航 AGV调度方法一一对应,对于该***所实现的更为详细的处理流程,在上述方法实施例一中已做详细描述,此处不再详细描述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于复杂路径的惯性导航AGV调度方法,其特征在于,包括:
根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV当前所在的节点位置与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>A</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>max</mi>
<mrow>
<mo>{</mo>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2...</mn>
<mi>m</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
2.如权利要求1所述的方法,其特征在于,所述通过图论方法,确定所述AGV当前所在的节点位置与所述最优派发任务对应的起始节点位置之间距离最短的第一路径,包括:
在所述运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;
将所述AGV当前所在的节点位置和所述最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,所述第一节点集合为集合S,所述第二节点集合为集合U,初始化后,所述集合S内只包含所述节点vi,则有u=vi,D(u)=D(vi)=0;
所述集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有D(v)=D(u)+D(u,v),f(v)=u;
在所述集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*,将所述节点v*加入到集合S内,并更新所述集合S,且令u=v*;
所述集合U为空集时,从所述节点vf迭代查询所述节点vf的父节点序列,当所述节点vf的父节点序列中包括所述节点vi时,将确定的所述节点vf的父节点序列按照逆向排序确定为所述节点vi和所述节点vf之间距离最短的第一路径;
其中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合,D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
3.如权利要求1所述的方法,其特征在于,所述交通规则中包括减速区域和停止区域,所述减速区域的边界阈值为所述AGV的长度的2倍,所述停止区域的边界阈值为所述AGV的长度的1倍。
所述基于优先级的交通规则法,包括:
通过设置在所述AGV上的传感器,当确定所述AGV在行进方向的减速区域内存在障碍,则所述AGV减速行驶,当所述AGV与所述障碍之间的距离小于等于所述停止区域的距离时,所述AGV停止到所述停止区域等待。
4.如权利要求3所述的方法,其特征在于,所述基于优先级的交通规则法,还包括:
所述AGV到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求,其中,所述检查位置与所述交叉节点之间的距离等于所述AGV的长度的1.5倍;
收到所述通过请求后,确定所述交叉节点是否被占用,若所述交叉节点被占用,则等待所述交叉节点空闲时,向所述AGV发送通过命令。
5.如权利要求4所述的方法,其特在于,还包括:若所述交叉节点空闲,根据所述通过请求对应的派发任务,从多个所述派发任务中确定优先级最高的所述最优派发任务对应的AGV,向所述AGV发送通过命令。
6.一种基于复杂路径的惯性导航AGV调度***,其特征在于,包括:
第一确定单元,用于根据获取到的配送任务信息,通过权重加权算法确定所述配送任务信息中包括的多个派发任务中的最优派发任务;
第二确定单元,用于根据AGV当前所在的节点位置,所述最优派发任务对应的起始节点位置,所述最优派发任务对应的目标节点位置和运输网络模型,通过图论方法,确定所述AGV与所述最优派发任务对应的起始节点位置之间距离最短的第一路径以及所述最优派发任务对应的起始节点位置与所述最优派发任务对应的目标节点之间距离最短的第二路径;
行驶单元,用于根据所述第一路径,所述第二路径和基于优先级的交通规则,将所述AGV从当前所在的节点行驶至所述最优派发任务对应的起始节点位置,并将所述AGV从所述最优派发任务对应的起始节点位置行驶至所述最优派发任务对应的目标节点位置;
所述权重加权算法如下所示:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>A</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>max</mi>
<mrow>
<mo>{</mo>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2...</mn>
<mi>m</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Ai为第i个派发任务对应得分值,A*为最优派发任务的得分值,wj为第j个约束条件的权重;xij为第i个任务的第j个约束条件的影响因子。
7.如权利要求6所述的***,其特征在于,所述第二确定单元还用于:
在所述运输网络模型中,将全部节点分为已经确定最短路径的第一节点集合和未确定最短路径的第二节点集合;
将所述AGV当前所在的节点位置和所述最优派发任务对应的起始节点位置分别设置为节点vi和节点vf,所述第一节点集合为集合S,所述第二节点集合为集合U,初始化后,所述集合S内只包含所述节点vi时,则有u=vi,D(u)=D(vi)=0;
所述集合U内的节点v,当满足D(v)>D(u)+D(u,v)时,则有D(v)=D(u)+D(u,v),f(v)=u;
在所述集合U内确定使得D(v)取得最小值D(v*)时对应的节点v*,将所述节点v*加入到集合S内,并更新所述集合S,且令u=v*;
所述集合U为空集时,从所述节点vf迭代查询所述节点vf的父节点序列,当所述节点vf的父节点序列中包括所述节点vi时,将确定的所述节点vf的父节点序列按照逆向排序确定为所述节点vi和所述节点vf之间距离最短的第一路径;
其中,S为已求出最短路径的节点集合,U为未确定最短路径的节点集合,D(u)为从起始节点到节点u之间的代价值,D(u,v)为从节点u到节点v之间的代价值,f(v)为节点v的父节点,用于表示最短路径。
8.如权利要求6所述的***,其特征在于,所述交通规则中包括减速区域和停止区域,所述减速区域的边界阈值为所述AGV的长度的2倍,所述停止区域的边界阈值为所述AGV的长度的1倍。
所述行驶单元具体用于:
通过设置在所述AGV上的传感器,当确定所述AGV在行进方向的减速区域内存在障碍,则所述AGV减速行驶,当所述AGV与所述障碍之间的距离小于等于所述停止区域的距离时,所述AGV停止到所述停止区域等待。
9.如权利要求8所述的***,其特征在于,所述行驶单元还用于:
所述AGV到达每个交叉节点前的检查位置时,停止行驶并向控制中心发送通过请求,其中,所述检查位置与所述交叉节点之间的距离等于所述AGV的长度的1.5倍;
收到所述通过请求后,确定所述交叉节点是否被占用,若所述交叉节点被占用,则等待所述交叉节点空闲时,向所述AGV发送通过命令。
10.如权利要求9所述的***,其特征在于,所述行驶单元还用于:
若所述交叉节点空闲,根据所述通过请求对应的派发任务,从多个所述派发任务中确定优先级最高的所述最优派发任务对应的AGV,向所述AGV发送通过命令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352594.6A CN107203190B (zh) | 2017-05-18 | 2017-05-18 | 一种基于复杂路径的惯性导航agv调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352594.6A CN107203190B (zh) | 2017-05-18 | 2017-05-18 | 一种基于复杂路径的惯性导航agv调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203190A true CN107203190A (zh) | 2017-09-26 |
CN107203190B CN107203190B (zh) | 2019-12-13 |
Family
ID=59906217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710352594.6A Active CN107203190B (zh) | 2017-05-18 | 2017-05-18 | 一种基于复杂路径的惯性导航agv调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203190B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703939A (zh) * | 2017-09-27 | 2018-02-16 | 上海斐讯数据通信技术有限公司 | 一种基于语音的agv路径规划方法及*** |
CN107943072A (zh) * | 2017-11-13 | 2018-04-20 | 深圳大学 | 无人机飞行路径生成方法、装置、存储介质及设备 |
CN108363385A (zh) * | 2017-12-01 | 2018-08-03 | 杭州南江机器人股份有限公司 | Agv同场工作协同方法、电子设备、存储介质及*** |
CN108446923A (zh) * | 2018-01-31 | 2018-08-24 | 安庆师范大学 | 一种基于自助式劳务众包平台的任务定价方法 |
CN108470238A (zh) * | 2018-02-14 | 2018-08-31 | 复旦大学 | 基于图论km匹配算法的agv自动调度方法 |
CN108520326A (zh) * | 2018-04-20 | 2018-09-11 | 湖北工业大学 | 一种基于agv任务路径调度的监督控制器实时合成方法 |
CN108681861A (zh) * | 2018-06-19 | 2018-10-19 | 品信科技有限公司 | 一种配送路径规划方法及装置 |
CN109557886A (zh) * | 2018-12-28 | 2019-04-02 | 芜湖哈特机器人产业技术研究院有限公司 | 一种栅格地图及基于栅格地图的多agv调度方法 |
CN109934438A (zh) * | 2017-12-18 | 2019-06-25 | 中国科学院沈阳自动化研究所 | 一种基于语义化建模的多agv调度方法 |
CN110263970A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110262472A (zh) * | 2018-06-04 | 2019-09-20 | 北京京东尚科信息技术有限公司 | 路径规划方法、装置和计算机可读存储介质 |
WO2019232734A1 (en) * | 2018-06-07 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for path determination |
CN110780651A (zh) * | 2019-11-01 | 2020-02-11 | 四川长虹电器股份有限公司 | Agv调度***及方法 |
CN111062646A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种多层级嵌套循环任务派发方法 |
CN111815161A (zh) * | 2020-07-07 | 2020-10-23 | 中船重工信息科技有限公司 | 一种水平运输调度***的交通管制规则应用方法 |
CN111830952A (zh) * | 2019-03-29 | 2020-10-27 | 阿里巴巴集团控股有限公司 | 实体店铺内的运输车调度方法及装置 |
CN113190020A (zh) * | 2021-05-31 | 2021-07-30 | 山东建筑大学 | 一种移动机器人队列***及路径规划、跟随方法 |
CN113537672A (zh) * | 2020-04-15 | 2021-10-22 | 北京旷视机器人技术有限公司 | 任务分配方法、任务分配装置、介质及电子设备 |
CN114967617A (zh) * | 2022-05-20 | 2022-08-30 | 山东农业大学 | 二叉树布局的吊挂agv控制***与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110286A (ja) * | 2002-09-17 | 2004-04-08 | Mitsubishi Heavy Ind Ltd | Agv経路探索方法及びプログラム |
KR20050020204A (ko) * | 2003-08-21 | 2005-03-04 | 삼성전자주식회사 | 무인 반송차의 오더 예측 시스템 |
CN105354648A (zh) * | 2015-12-12 | 2016-02-24 | 深圳力子机器人有限公司 | Agv调度管理的建模及其优化方法 |
CN105739508A (zh) * | 2016-05-12 | 2016-07-06 | 哈尔滨工业大学 | 基于电磁导航的多节点导航*** |
-
2017
- 2017-05-18 CN CN201710352594.6A patent/CN107203190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110286A (ja) * | 2002-09-17 | 2004-04-08 | Mitsubishi Heavy Ind Ltd | Agv経路探索方法及びプログラム |
KR20050020204A (ko) * | 2003-08-21 | 2005-03-04 | 삼성전자주식회사 | 무인 반송차의 오더 예측 시스템 |
CN105354648A (zh) * | 2015-12-12 | 2016-02-24 | 深圳力子机器人有限公司 | Agv调度管理的建模及其优化方法 |
CN105739508A (zh) * | 2016-05-12 | 2016-07-06 | 哈尔滨工业大学 | 基于电磁导航的多节点导航*** |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703939A (zh) * | 2017-09-27 | 2018-02-16 | 上海斐讯数据通信技术有限公司 | 一种基于语音的agv路径规划方法及*** |
CN107943072A (zh) * | 2017-11-13 | 2018-04-20 | 深圳大学 | 无人机飞行路径生成方法、装置、存储介质及设备 |
CN108363385A (zh) * | 2017-12-01 | 2018-08-03 | 杭州南江机器人股份有限公司 | Agv同场工作协同方法、电子设备、存储介质及*** |
CN109934438A (zh) * | 2017-12-18 | 2019-06-25 | 中国科学院沈阳自动化研究所 | 一种基于语义化建模的多agv调度方法 |
CN108446923A (zh) * | 2018-01-31 | 2018-08-24 | 安庆师范大学 | 一种基于自助式劳务众包平台的任务定价方法 |
CN108470238A (zh) * | 2018-02-14 | 2018-08-31 | 复旦大学 | 基于图论km匹配算法的agv自动调度方法 |
CN108520326B (zh) * | 2018-04-20 | 2022-03-04 | 湖北工业大学 | 一种基于agv任务路径调度的监督控制器实时合成方法 |
CN108520326A (zh) * | 2018-04-20 | 2018-09-11 | 湖北工业大学 | 一种基于agv任务路径调度的监督控制器实时合成方法 |
CN110262472B (zh) * | 2018-06-04 | 2022-09-30 | 北京京东乾石科技有限公司 | 路径规划方法、装置和计算机可读存储介质 |
CN110262472A (zh) * | 2018-06-04 | 2019-09-20 | 北京京东尚科信息技术有限公司 | 路径规划方法、装置和计算机可读存储介质 |
US11293768B2 (en) | 2018-06-07 | 2022-04-05 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for path determination |
WO2019232734A1 (en) * | 2018-06-07 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for path determination |
CN108681861A (zh) * | 2018-06-19 | 2018-10-19 | 品信科技有限公司 | 一种配送路径规划方法及装置 |
CN109557886A (zh) * | 2018-12-28 | 2019-04-02 | 芜湖哈特机器人产业技术研究院有限公司 | 一种栅格地图及基于栅格地图的多agv调度方法 |
CN111830952A (zh) * | 2019-03-29 | 2020-10-27 | 阿里巴巴集团控股有限公司 | 实体店铺内的运输车调度方法及装置 |
CN110263970A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110263970B (zh) * | 2019-05-14 | 2023-02-10 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110780651A (zh) * | 2019-11-01 | 2020-02-11 | 四川长虹电器股份有限公司 | Agv调度***及方法 |
CN111062646A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种多层级嵌套循环任务派发方法 |
CN111062646B (zh) * | 2019-12-31 | 2023-11-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种多层级嵌套循环任务派发方法 |
CN113537672A (zh) * | 2020-04-15 | 2021-10-22 | 北京旷视机器人技术有限公司 | 任务分配方法、任务分配装置、介质及电子设备 |
CN111815161A (zh) * | 2020-07-07 | 2020-10-23 | 中船重工信息科技有限公司 | 一种水平运输调度***的交通管制规则应用方法 |
CN113190020A (zh) * | 2021-05-31 | 2021-07-30 | 山东建筑大学 | 一种移动机器人队列***及路径规划、跟随方法 |
CN114967617A (zh) * | 2022-05-20 | 2022-08-30 | 山东农业大学 | 二叉树布局的吊挂agv控制***与方法 |
CN114967617B (zh) * | 2022-05-20 | 2024-05-14 | 山东农业大学 | 二叉树布局的吊挂agv控制***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107203190B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203190A (zh) | 一种基于复杂路径的惯性导航agv调度方法及*** | |
CN110530369B (zh) | 基于时间窗的agv任务调度方法 | |
CN113486293B (zh) | 全自动化边装卸集装箱码头的智能水平运输***及方法 | |
Le-Anh et al. | A review of design and control of automated guided vehicle systems | |
Digani et al. | Hierarchical traffic control for partially decentralized coordination of multi AGV systems in industrial environments | |
CN111638717B (zh) | 一种分布式自主机器人交通协调机制的设计方法 | |
CN110515380B (zh) | 基于转弯权重约束的最短路径规划方法 | |
Jeon et al. | Routing automated guided vehicles in container terminals through the Q-learning technique | |
CN107179078A (zh) | 一种基于时间窗优化的agv路径规划方法 | |
CN110471418B (zh) | 智能停车场中的agv调度方法 | |
Digani et al. | Towards decentralized coordination of multi robot systems in industrial environments: A hierarchical traffic control strategy | |
Guo et al. | An improved acceleration method based on multi-agent system for AGVs conflict-free path planning in automated terminals | |
EP4141599B1 (en) | Multi-robot route planning | |
Guney et al. | Dynamic prioritized motion coordination of multi-AGV systems | |
CN109557886B (zh) | 一种栅格地图及基于栅格地图的多agv调度方法 | |
KR101010718B1 (ko) | 복수개의 자원을 점유하는 무인 반송차의 동적 주행방법 | |
CN108170146A (zh) | 一种基于已知环境的路径规划方法 | |
An et al. | Space-time routing in dedicated automated vehicle zones | |
Spatharis et al. | Multiagent reinforcement learning for autonomous driving in traffic zones with unsignalized intersections | |
Gong et al. | Toward safe and efficient human–swarm collaboration: A hierarchical multi-agent pickup and delivery framework | |
Hao et al. | Managing connected and automated vehicles with flexible routing at “lane-allocation-free” intersections | |
CN115638804B (zh) | 一种无死锁的无人车辆在线路径规划方法 | |
Ge et al. | Distributed model predictive control of connected multi-vehicle systems at unsignalized intersections | |
Zhao et al. | A review of unmanned vehicle distribution optimization models and algorithms | |
CN111695750B (zh) | 车辆调度方法、车辆调度装置及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |