CN109556610A - 一种路径规划方法、控制器及*** - Google Patents
一种路径规划方法、控制器及*** Download PDFInfo
- Publication number
- CN109556610A CN109556610A CN201811426933.1A CN201811426933A CN109556610A CN 109556610 A CN109556610 A CN 109556610A CN 201811426933 A CN201811426933 A CN 201811426933A CN 109556610 A CN109556610 A CN 109556610A
- Authority
- CN
- China
- Prior art keywords
- path
- agv
- planning
- paths
- turning
- 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
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种路径规划方法、控制器及***。其中，一种基于改进A算法的路径规划方法，包括：利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和；统计每一段路径出现的次数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量；将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度；将每一段路径的繁忙程度与1相累加作为相应路径的权值，进而计算出加权后的所有路径；基于加权后的所有路径对所有AGV进行路径规划。
Description
技术领域
本公开属于路径规划领域，尤其涉及一种路径规划方法、控制器及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着社会生产力和科学技术的发展，以及劳动力成本的提高，传统的人力和的仓储***物流方式已经无法满足现代物流的需求，那么生产自动化和物流***的自动化已经成为社会发展的趋势，AGV(Automated Guided Vehicle，自动导引运输车)***结合了计算机、自动控制等科学技术的综合应用，对于提高自动化生产和降低生产成本、促进社会发展具有重大的意义。而AGV的路径规划是AGV***的重要的基础，路径规划方法的评价指标有：最短路径长度、最短运行时间、AGV的最大利用率等,路径规划算法的经典算法主要有：Dijkstra算法、A*算法、遗传算法等；每一种算法都有自己的优缺点；Dijkstra算法基于广度优先，一定能找到最短的路径，但是时间复杂度过高，搜索了许多不必要的点；遗传算法在寻找全局最优解的过程中，是一个随机搜索的过程，当节点增多时，搜索时间较长，且容易出现早熟的现象；A*算法是带启发式的搜索算法，能够求得接近最优解的解、求解速度快及效率高而被较广泛使用。
发明人发现传统的A*算法没有考虑在节点转弯处的消耗，并且只是进行简单的路径规划，对路径冲突没有一种很好的预防。
发明内容
根据本公开的一个或多个实施例，提供一种路径规划方法，其一方面，加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯；另一方面通过权值路径来改善路径的繁忙程度，解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
本公开的一种路径规划方法，包括：
利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和；
统计每一段路径出现的次数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量；
将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度；
将每一段路径的繁忙程度与1相累加作为相应路径的权值，进而计算出加权后的所有路径；
基于加权后的所有路径对所有AGV进行路径规划。
在一个或多个实施例中，所有路径上预规划的AGV数量初始值为通过对应的路径的AGV的总数。
在一个或多个实施例中，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；到达停止位置处进行停止，然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径(即直行路径)，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速行驶等长路径消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
在一个或多个实施例中，改进A*算法的启发式函数表示为：
对每个点的评估函数等于从起点到当前节点的实际代价与从当前节点到终点的距离评估值累加和。
根据本公开的一个或多个实施例，提供一种路径规划控制器，其一方面，加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯；另一方面通过权值路径来改善路径的繁忙程度，解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
本公开的一种路径规划控制器，包括：
路径初始规划模块，其被配置为利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和；
实际AGV数量规划模块，其被配置为统计每一段路径上出现AGV出现的个数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量；
路径繁忙程度评估模块，其被配置为将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度；
加权路径计算模块，其被配置为将每一段路径的繁忙程度与1相累加作为相应路径的权值，进而计算出加权后的所有路径；
加权路径规划模块，其被配置为基于加权后的所有路径对所有AGV进行路径规划。
在一个或多个实施例中，在所述实际AGV数量规划模块中，所有路径上预规划的AGV数量初始值均为对应的路径上出现的AGV的总数。
在一个或多个实施例中，在所述路径初始规划模块中，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；到达停止位置处进行停止，然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径(即直行路径)，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速行驶等长路径消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
在一个或多个实施例中，在所述路径初始规划模块中，改进A*算法的启发式函数表示为：
对每个点的评估函数等于从起点到当前节点的实际代价与从当前节点到终点的距离评估值累加和。
根据本公开的一个或多个实施例，提供一种路径规划控制***，其一方面，加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯；另一方面通过权值路径来改善路径的繁忙程度，解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
本公开的一种路径规划***，包括上述所述的路径规划控制器。
在一个或多个实施例中，所述路径规划控制器还与存储器相连。
与现有技术相比，本公开的有益效果是：
(1)本公开在传统A*算法的基础上，首先，从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和得到从起点到当前节点的实际代价，对所有AGV进行路径初始规划，因为转弯会有一定的时间消耗，而时间又是路径规划的评价标准，所以加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯，这样更节约资源；
(2)本公开将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度，加入权值路径这个概念，是因为用初始路径规划完之后肯定是有路径冲突的，通过记录路径规划的次数来表示繁忙程度，繁忙程度高的路径产生冲突的可能性最大，所以通过权值路径来改善路径的繁忙程度，进而解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开的一种路径规划方法流程图。
图2是转弯实施例流程图。
图3是本公开的一种路径规划控制器结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释部分：
A*算法，A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。A*算法是带启发式的搜索算法，能够求得接近最优解的解、求解速度快及效率高。
A*算法的启发式函数采用的计算公式是：
F(n)＝G(n)+H(n)
其中，F(n)就是A*算法对每个点的评估函数，它包含两部分信息，一个是G(n)，另一个是H(n)；
G(n)是代表从起点到当前节点n的实际代价，也就是从起点到当前节点的移动距离；
H(n)是从当前节点n到终点的距离评估值，也就是一个从当前节点到终点的距离的评估值。
本公开中的改进A*算法正是基于传统的A*算法得到的。
图1是本公开的一种路径规划方法流程图。
如图1所示，本公开的一种路径规划方法，包括：
S110：利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和。
具体地，改进A*算法的启发式函数表示为：
对每个点的评估函数F1(n)等于从起点到当前节点的实际代价G1(n)与从当前节点到终点的距离评估值H(n)累加和。
从当前节点到终点的距离评估值H(n)，也就是一个从当前节点到终点的距离的评估值。
具体地，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；到达停止位置处进行停止，然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径(即直行路径)，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速转弯消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
如图2所示，每次在转弯的时候，AGV需要在距离节点的s0＝1m处将速度降为0.2m/s；并且加速度a可以由电机的转速计算而来为：a＝0.5m/s2；
所以这段减速距离可根据物理运动学公式
v1 2-v2 2＝2ax
得到这段减速距离s1＝0.24m，所需要的时间是t10＝0.4s；
然后运动到转弯处立即停止所需的时间是t11＝0.2/0.2＝1s；
在进行转弯消耗时间t12＝1s；
再从速度0以2m/s2的加速度加速到1m/s；需要时间t13＝0.5s；
加速距离为s2＝0.25m。
转弯这一段的过程是：
先由匀速开始减速，减速到0.2m/s，然后再匀速行驶至停止位置(经过实验测试可得这样停止更稳定)，然后进行转弯，再加速至1m/s，进而匀速行驶消耗的总时间t1可由以下公式计算：
t1＝t10+t11+t12+t13
得：t1＝0.4+1+1+0.5＝2.9s；
如果不进行减速的话(也就是直线行驶)所需要的时间t0可由以下公式计算
t0＝(s0+s1+s2)/v1
得：t0＝(0.24+1+0.25)/1＝1.49s；
所以时间是增加了1.51s；转化成原来速度(1m/s)所对应的距离应该是1.51m；
则可以得到改进后的实际代价函数和评价函数：
Gt(n)＝G(n)+1.51m
F1(n)＝G1(n)+H(n)。
需要说明的是，以上数据和公式是根据实验环境和参数设定所求出的，与实验环境有关。
S120：统计每一段路径上AGV出现的次数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量。
具体地，所有路径上预规划的AGV数量初始值均为AGV的总数。
根据记录下来的路径对每一段路径出现的次数进行统计，并记录ni；N表示所有路径的个数；i＝1,2，…，N。
M表示隔断路径上AGV数量的集合；mi表示的是***运行时为每一段路径规划的AGV的数量；如果有AGV通过该路径，那么这个mi就减去1。
S130：将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度
S140：将每一段路径的繁忙程度与1相累加作为相应路径Li的权值，进而计算出加权后的所有路径Li *。
加权后的路径Li *；
S150：基于加权后的所有路径对所有AGV进行路径规划。
本公开在传统A*算法的基础上，首先，从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和得到从起点到当前节点的实际代价，对所有AGV进行路径初始规划，因为转弯会有一定的时间消耗，而时间又是路径规划的评价标准，所以加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯，这样更节约资源；
本公开将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度，加入权值路径这个概念，是因为用初始路径规划完之后肯定是有路径冲突的，通过记录路径规划的次数来表示繁忙程度，繁忙程度高的路径产生冲突的可能性最大，所以通过权值路径来改善路径的繁忙程度，进而解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
图3是本公开的一种路径规划控制器结构示意图。
如图3所示，本公开的一种路径规划控制器，包括：
(1)路径初始规划模块，其被配置为利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和。
具体地，改进A*算法的启发式函数表示为：
对每个点的评估函数F1(n)等于从起点到当前节点的实际代价G1(n)与从当前节点到终点的距离评估值H(n)累加和。
从当前节点到终点的距离评估值H(n)，也就是一个从当前节点到终点的距离的评估值。
具体地，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径(即直行路径)，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速转弯消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
如图2所示，每次在转弯的时候，AGV需要在距离节点的s0＝1m处将速度降为0.2m/s；并且加速度a可以由电机的转速计算而来为：a＝0.5m/s2；
所以这段减速距离可根据物理运动学公式
v1 2-v2 2＝2ax
得到这段减速距离s1＝0.24m，所需要的时间是t10＝0.4s；
然后运动到转弯处立即停止所需的时间是t11＝0.2/0.2＝1s；
在进行转弯消耗时间t12＝1s；
再从速度0以2m/s2的加速度加速到1m/s；需要时间t13＝0.5s；
加速距离为s2＝0.25m。
转弯这一段的过程是：
先由匀速开始减速，减速到0.2m/s，然后再匀速行驶至停止位置(经过实验测试可得这样停止更稳定)，然后进行转弯，再加速至1m/s，进而匀速行驶消耗的总时间t1可由以下公式计算：
t1＝t10+t11+t12+t13
得：t1＝0.4+1+1+0.5＝2.9s；
如果不进行减速的话(也就是直线行驶)所需要的时间t0可由以下公式计算
t0＝(s0+s1+s2)/v1
得：t0＝(0.24+1+0.25)/1＝1.49s；
所以时间是增加了1.51s；转化成原来速度(1m/s)所对应的距离应该是1.51m；
则可以得到改进后的实际代价函数和评价函数：
G1(n)＝G(n)+1.51m
F1(n)＝G1(n)+H(n)。
需要说明的是，以上数据和公式是根据实验环境和参数设定所求出的，与实验环境有关。
(2)实际AGV数量规划模块，其被配置为统计每一段路径上AGV出现的次数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量。
具体地，所有路径上预规划的AGV数量初始值均为通过这段路径的AGV的总数。
根据记录下来的路径对每一段路径出现的次数进行统计，并记录ni；N表示所有路径的个数；i＝1,2，…，N。
M表示隔断路径上AGV数量的集合；mi表示的是***运行时为每一段路径规划的AGV的数量；如果有AGV通过该路径，那么这个mi就减去1。
(3)路径繁忙程度评估模块，其被配置为将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度
(4)加权路径计算模块，其被配置为将每一段路径的繁忙程度与1相累加作为相应路径Li的权值，进而计算出加权后的所有路径Li *。
加权后的路径Li *；
(5)加权路径规划模块，其被配置为基于加权后的所有路径对所有AGV进行路径规划。
本公开在传统A*算法的基础上，首先，从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和得到从起点到当前节点的实际代价，对所有AGV进行路径初始规划，因为转弯会有一定的时间消耗，而时间又是路径规划的评价标准，所以加入转弯因素之后会使得规划的路径更为合理，使得尽可能的使AGV进行更少的转弯，这样更节约资源；
本公开将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度，加入权值路径这个概念，是因为用初始路径规划完之后肯定是有路径冲突的，通过记录路径规划的次数来表示繁忙程度，繁忙程度高的路径产生冲突的可能性最大，所以通过权值路径来改善路径的繁忙程度，进而解决部分路径冲突，为后期的AGV调度减轻压力，进而节约资源消耗。
本公开的一种路径规划***，包括如图3所示的路径规划控制器。
在一个或多个实施例中，所述路径规划控制器还与存储器相连。
存储器用于存储路径规划方法步骤，路径规划控制器用于调取存储器内的存储程序并执行路径规划方法步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种路径规划方法，其特征在于，包括：
利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和；
统计每一段路径出现的次数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量；
将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度；
将每一段路径的繁忙程度与1相累加作为相应路径的权值，进而计算出加权后的所有路径；
基于加权后的所有路径对所有AGV进行路径规划。
2.如权利要求1所述的一种路径规划方法，其特征在于，所有路径上预规划的AGV数量初始值均为对应的路径上出现的AGV的总数。
3.如权利要求1所述的一种路径规划方法，其特征在于，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；到达停止位置处进行停止，然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速转弯消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
4.如权利要求1所述的一种路径规划方法，其特征在于，改进A*算法的启发式函数表示为：
对每个点的评估函数等于从起点到当前节点的实际代价与从当前节点到终点的距离评估值累加和。
5.一种路径规划控制器，其特征在于，包括：
路径初始规划模块，其被配置为利用改进A*算法对所有AGV进行路径规划，记录所有路径；其中，改进A*算法的启发式函数中从起点到当前节点的实际代价等于从起点到当前节点的移动距离与转弯带来的时间消耗转化成的路径长度的累加和；
实际AGV数量规划模块，其被配置为统计每一段路径上的AGV出现的个数，当存在AGV途径某一段路径，则相应路径上预规划的AGV数量逐次减1，得到所有路径上实际规划AGV数量；
路径繁忙程度评估模块，其被配置为将每一段路径的实际规划AGV数量与所有路径的数量作比值，评估出每一段路径的繁忙程度；
加权路径计算模块，其被配置为将每一段路径的繁忙程度与1相累加作为相应路径的权值，进而计算出加权后的所有路径；
加权路径规划模块，其被配置为基于加权后的所有路径对所有AGV进行路径规划。
6.如权利要求5所述的一种路径规划控制器，其特征在于，在所述实际AGV数量规划模块中，所有路径上预规划的AGV数量初始值均为对应的路径上出现的AGV的总数。
7.如权利要求5所述的一种路径规划控制器，其特征在于，在所述路径初始规划模块中，转弯带来的时间消耗转化成的路径长度的计算过程为：
在转弯的过程中，若AGV先由匀速开始减速，减速到第一预设速度；然后再匀速行驶至停止位置；到达停止位置处进行停止，然后进行转弯，再加速至第二预设速度；最后按照第二预设速度匀速行驶；根据已知减速度、加速度、速度、时间和距离之间的关系，得到转弯实际消耗的时间；
如果将转弯段路径转换成等长的无转弯的路径，AGV匀速前进，得到匀速行驶等长路径消耗的时间；
根据转弯实际消耗的时间与匀速转弯消耗的时间的差值与已知匀速速度，得到转弯带来的时间消耗转化成的路径长度。
8.如权利要求5所述的一种路径规划控制器，其特征在于，在所述路径初始规划模块中，改进A*算法的启发式函数表示为：
对每个点的评估函数等于从起点到当前节点的实际代价与从当前节点到终点的距离评估值累加和。
9.一种路径规划***，其特征在于，包括如权利要求5-8中任一项所述的路径规划控制器。
10.如权利要求9所述的一种路径规划***，其特征在于，所述路径规划控制器还与存储器相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811426933.1A CN109556610B (zh) | 2018-11-27 | 2018-11-27 | 一种路径规划方法、控制器及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811426933.1A CN109556610B (zh) | 2018-11-27 | 2018-11-27 | 一种路径规划方法、控制器及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109556610A true CN109556610A (zh) | 2019-04-02 |
| CN109556610B CN109556610B (zh) | 2021-06-11 |
Family
ID=65867690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811426933.1A Active CN109556610B (zh) | 2018-11-27 | 2018-11-27 | 一种路径规划方法、控制器及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109556610B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273551A (zh) * | 2020-03-12 | 2020-06-12 | 山东大学 | 双舵轮自动导引车轨迹追踪控制方法及*** |
| CN111693050A (zh) * | 2020-05-25 | 2020-09-22 | 电子科技大学 | 基于建筑信息模型的室内中大型机器人导航方法 |
| CN112506178A (zh) * | 2020-08-25 | 2021-03-16 | 深圳市银星智能科技股份有限公司 | 一种机器人控制方法、装置、终端和介质 |
| CN113310492A (zh) * | 2021-05-27 | 2021-08-27 | 青岛星华智能装备有限公司 | 一种基于a星算法的单舵轮agv路径规划方法和*** |
| CN116501063A (zh) * | 2022-11-22 | 2023-07-28 | 山东卓越精工集团有限公司 | 基于混凝土运输平台的agv小车控制*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103090878A (zh) * | 2011-10-28 | 2013-05-08 | 北京中交兴路信息科技有限公司 | 一种车辆路径规划方法、***及一种车载导航设备 |
| CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及*** |
| CN106092111A (zh) * | 2016-06-03 | 2016-11-09 | 山东师范大学 | 一种车辆路径动态规划方法、服务器及导航*** |
| CN107167154A (zh) * | 2017-04-21 | 2017-09-15 | 东南大学 | 一种基于时间代价函数的时间窗路径规划冲突解决方法 |
| CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
| WO2018148876A1 (zh) * | 2017-02-15 | 2018-08-23 | 深圳市前海中康汇融信息技术有限公司 | 共享摄像模块的机器人管理***及其方法 |
-
2018
- 2018-11-27 CN CN201811426933.1A patent/CN109556610B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103090878A (zh) * | 2011-10-28 | 2013-05-08 | 北京中交兴路信息科技有限公司 | 一种车辆路径规划方法、***及一种车载导航设备 |
| CN103745611A (zh) * | 2013-12-23 | 2014-04-23 | 北京掌城科技有限公司 | 一种交通路径规划方法、装置及*** |
| CN106092111A (zh) * | 2016-06-03 | 2016-11-09 | 山东师范大学 | 一种车辆路径动态规划方法、服务器及导航*** |
| WO2018148876A1 (zh) * | 2017-02-15 | 2018-08-23 | 深圳市前海中康汇融信息技术有限公司 | 共享摄像模块的机器人管理***及其方法 |
| CN107167154A (zh) * | 2017-04-21 | 2017-09-15 | 东南大学 | 一种基于时间代价函数的时间窗路径规划冲突解决方法 |
| CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273551A (zh) * | 2020-03-12 | 2020-06-12 | 山东大学 | 双舵轮自动导引车轨迹追踪控制方法及*** |
| CN111693050A (zh) * | 2020-05-25 | 2020-09-22 | 电子科技大学 | 基于建筑信息模型的室内中大型机器人导航方法 |
| CN112506178A (zh) * | 2020-08-25 | 2021-03-16 | 深圳市银星智能科技股份有限公司 | 一种机器人控制方法、装置、终端和介质 |
| CN112506178B (zh) * | 2020-08-25 | 2023-02-28 | 深圳银星智能集团股份有限公司 | 一种机器人控制方法、装置、终端和介质 |
| CN113310492A (zh) * | 2021-05-27 | 2021-08-27 | 青岛星华智能装备有限公司 | 一种基于a星算法的单舵轮agv路径规划方法和*** |
| CN116501063A (zh) * | 2022-11-22 | 2023-07-28 | 山东卓越精工集团有限公司 | 基于混凝土运输平台的agv小车控制*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109556610B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109556610A (zh) | 一种路径规划方法、控制器及*** | |
| Li et al. | Connected vehicles based traffic signal timing optimization | |
| CN103328931B (zh) | 用于获得速度分布的方法 | |
| Lin et al. | Integrated urban traffic control for the reduction of travel delays and emissions | |
| CN110533932A (zh) | 一种基于滚动优化的城市级全域交通信号推荐方法及*** | |
| CN101465057B (zh) | 智能式动态路线诱导***诱导子区协调方法 | |
| CN101465058A (zh) | 智能式动态路线诱导***诱导单元决策方法 | |
| CN113312752B (zh) | 一种主路优先控制交叉***通仿真方法及装置 | |
| CN109816027A (zh) | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 | |
| CN110207719A (zh) | 一种自动驾驶路径的处理方法及装置 | |
| CN113375689B (zh) | 导航方法、装置、终端和存储介质 | |
| CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
| CN109191847A (zh) | 基于城市卡口数据的自适应干线协调控制方法及*** | |
| CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
| CN113747364A (zh) | 一种基于5g网络的智能交通导航方法、设备及介质 | |
| Suriyarachchi et al. | Gameopt: Optimal real-time multi-agent planning and control for dynamic intersections | |
| CN109214827A (zh) | 一种识别车辆刷单骗补行为的方法和装置 | |
| Guo et al. | Coordination for connected and automated vehicles at non-signalized intersections: A value decomposition-based multiagent deep reinforcement learning approach | |
| Boukerche et al. | Feco: An efficient deep reinforcement learning-based fuel-economic traffic signal control scheme | |
| CN113120003B (zh) | 无人驾驶车辆运动行为决策方法 | |
| CN107392387A (zh) | 一种agv最优管制时间的调度方法 | |
| JP6045388B2 (ja) | 運行管理装置、運行管理方法、及びプログラム | |
| Xiang et al. | A weighted mean velocity feedback strategy in intelligent two-route traffic systems | |
| CN113928337B (zh) | 引导车辆行驶的方法及相关***、存储介质 | |
| CN109686086A (zh) | 模糊控制网络的训练、生成路口建议速度的方法及装置 |
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 |