CN110262408A - 一种用于多agv的智能仓储路线识别装置和方法 - Google Patents
一种用于多agv的智能仓储路线识别装置和方法 Download PDFInfo
- Publication number
- CN110262408A CN110262408A CN201910378416.XA CN201910378416A CN110262408A CN 110262408 A CN110262408 A CN 110262408A CN 201910378416 A CN201910378416 A CN 201910378416A CN 110262408 A CN110262408 A CN 110262408A
- Authority
- CN
- China
- Prior art keywords
- agv
- time
- path
- node
- section
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006872 improvement Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000007254 oxidation reaction Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000005530 etching Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 210000004209 hair Anatomy 0.000 claims 1
- 230000001172 regenerating effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery 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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于多AGV的智能仓储路线识别装置和方法,S100、确定离线阶段AGV车辆最短路径,提高***的实时性,减小调度***在线运算的负担;S200、生成最优调度方案;S300、获取***实时运行状态,在计算调度方案适应度值时加以不同的惩罚因子处理,并提取***的实时信息;S400、实施多AGV的动态调度策略,利用时间窗掌握整个***的实时状态;S500、实现通信交互***,AGV调度***与AGV车辆之间建立可靠的通讯连接,以便传输上位机发送的命令、下位机能收集到的AGV运行状态和环境信息;整个***有利于平衡因重新生成离线最短路径库所消耗的时间,同时便于实现路段出现故障时***实现快速响应,提高了调度方案适应度值,有效提高了***的效率和稳定性。
Description
技术领域
本发明涉及仓储路线识别技术领域,具体为一种用于多AGV的智能仓储路线识别装置和方法。
背景技术
自动化物流***指当在特定的空间和时间,由需要的设备、物料、仓储设施、人员、通讯联系和输送工具等多个相互制约的动态因素组成,是一个具有特定功能的有化整体。它由自动输送机***、自动立体仓库、计算机管理***、自动导引小车(AGV)***和电控***组成,是一个跨时代的现代化的高科技产业。
随着物流自动化、智能化***的需求日益增加,国内对自动导引车的需求量也渐渐增长。在整个自动化仓储物流中,AGV运输成本占总成本比重较高,仓储任务的精准调度以及AGV良好的路径规划策略,对提高物流作业效率、降低运输成本有重要意义。
AGV调度理论指的是仓储车间中对搬运作业的调度和对AGV车辆的调度。良好的作业调度策略可以使得物流仓储任务死锁、任务饥饿情况尽可能避免发生;良好的AGV小车调度可以使得物流仓储任务及时完成,AGV小车之间密切合作,可以极大提高设备利用率,减少物资成本。国内外学者对仓储物流车间AGV调度寻优方面做了诸多研究,取得了诸多成果,这些成果对AGV调度***的设计有指导作用,可以有效降低任务死锁和饥饿发生的概率,对企业提高生产力,降低人力成本,提高设备资源利用率,提高企业核心竞争力有重要意义。
虽然关于AGV调度的诸多研究成果可以为不同速度的多个AGV提供不同的无冲突路线,可以实现动态避障。但对路径冲突种类和突发故障提及较少,无法满足较大规模***的场景需求,当任务和车辆非常多时,容易产生任务饥饿。
但是,现有用于多AGV的智能仓储路线识别装置和方法还存在以下缺陷:
尽管多AGV***的相互协调能力远远乂于单台AGV***,但其也存在着多AGV***特有的一些问题:(1)如何解决AGV之间的冲突;(2)如何确保AGV之间的行为协调;(3)如何实现AGV之间的信息共享。
发明内容
为了克服现有技术方案的不足,本发明提供一种种用于多AGV的智能仓储路线识别装置和方法,本发明与传统的提取方法不同,采用两阶段车间调度***解决了***实时运行状态获取、离线最短路径库生成、在线最优调度方案生成的三个关键技术,降低以往直接通过时间窗避碰造成的计算难度,并使***运行状态更加透明可控,同时,通过算法模型在综合考虑运行时间、停车次数、转弯次数的情况下对路径选择策略进行优化,解决了多AGV实时调度问题,能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是:
一种用于多AGV的智能仓储路线识别方法,包括如下步骤:
S100、确定离线阶段AGV车辆最短路径,先提取路径坐标、节点关系,建立赋权的无向图模型,再基于时间窗实时进行在线路径规划,实现避碰,提高***的实时性,减小调度***在线运算的负担;
S200、生成最优调度方案,结合交通规则法、预测式避碰方法控制***中各节点、路段上AGV的通过时间,通过微遗传算法在综合考虑运行时间、停车次数、转弯次数的情况下对路径选择方案进行优化;
S300、获取***实时运行状态,综合考虑停车、转弯对AGV机械结构和电机的负担,计算调度方案适应度值时加以不同的惩罚因子处理,并提取***的实时信息;
S400、实施多AGV的动态调度策略,利用时间窗掌握整个***的实时状态,根据多个AGV车辆的实时状态信息实现车辆动态调度策略;
S500、实现通信交互***,AGV调度***与AGV车辆之间建立可靠的通讯连接,以便传输上位机发送的命令、下位机能收集到的AGV运行状态和环境信息。
进一步地,所述S100中,还包括:
S101,根据车间地图中节点坐标信息,节点关系信息,先生成包含车间路段实际信息邻接矩阵;
S102,采用改进蚁群算法模型求出起始站点i到目标站点j的最短路径,并将相应节点信息储存在包含路径库信息矩阵中,记录的信息包括路段中节点数目、路段数目、路段长度,其中存储形式为path(i,j,1),表示为起始站点i到目标站点j的搜索到第一条路径;
S103,统计当前备选路径数目,判断当前备选路径数目是否大于设定的备选路径数目最大值,是则转向S104,否则转向S105;
S104,对当前路径集L按长度进行排序,剔除路径长度最长的路径,保证备选路径数为预先设定的数目,提高在线调度时的搜索效率;
S105,根据最短路径上的路段信息,判断是否可继续生成新的路段,是转向S106,否则转向S107;
S106,依次删除站点i到站点j当中最短路径的一条边,即依次最短路径中的一条边长度为∞。在新的邻接矩阵下调用改进蚁群算法模型求出当前最短路径I,转向S103;
S107,判断起始站点i和目标站点j的值,i≤N,j<N,i不变,j=j+1;i<N,j=N时,i=i+1,j=1,转向S102;
S108,离线路径库生成成功,并且生成的路径中第一条均为最短路径,其余路径中包含次短路经。
进一步地,所述S102中改进蚁群算法模型为:
S1021,假设整个蚁群的蚂蚁总量为m,当前蚂蚁的编号为k,t时刻边(i,j)上的信息素浓度为Δτij(t),蚂蚁k每经过一次迭代信息素更新量为
S1022,根据信息素的更新策略,得到局部信息素为::
其中,Q为信息素总量,为一个常数;Lk为当前蚂蚁本次迭代过程中经过的总距离,θ为信息素增加因子,取值范围为(0.1)
S1023,将每条道路上的信息素浓度设置在[min,max],之间,并且对信息素挥发引入辅助挥发因子,对全局信息素更新策略为:
其中,添加参数ω∈(0,1)和γ∈(1,2),ω为信息素负挥发因子,γ为信息素正挥发因子。
S1024,当前道路信息素浓度小于道路信息素浓度下限时,***会将当前道路信息素浓度置为道路信息素浓度最小值。
进一步地,所述S200还包括:
S201,首先根据AGV任务信息和调度方案生成理想情况下描述AGV运行状态的时间窗,包括占用节点、路段的AGV编号、起始时间、结束时间、时间窗长度等信息;
S202,通过生成节点时间窗,防止AGV在节点时间窗产生重叠的方式避免节点冲突发生,包括相向冲突和十字交叉节点冲突;
S203,设定AGV为匀速来避免发生追及冲突,通过生成路段时间窗,防止AGV在路段时间窗产生重叠的方式避免路段相向冲突发生;
S204,对当前所有重叠的节点时间窗和路段时间窗进行排序,其中路段时间窗只查找线路共线且方向相反的路段。
S205,重复S202、S203和S204的操作,直至AGV在所有的节点时间窗、路段时间窗上均无重叠,结束查找更新操作;
S206,统计各AGV到达目标节点的时间,取其中运行时间最长的时间作为为调度方案整体运行时间。
进一步地,所述S200还包括:根据S200中得到的路径运行时间,进行以下操作:
S207,根据表示路段间关系的邻接矩阵表和节点编号规律,在生成间窗过程中标记车间路段位置是平行或是垂直,从而根据前后路段之间的位置查询统计调度方案中AGV转弯的次数;
S208,根据查找重叠时间窗以后对时间窗进巧更新的次数的统计,从而计算出调度方案中AGV停车等待的次数;
S209,采用以下公式实现调度方案:
其中,trun为运行时间,aL为AGV车长,av为AGV车速,trurn为转弯次数,Sstop为AGV停车次数。
进一步地,所述S300中还包括:
S301,首先利用AGV内部的无线传感网络确定各个AGV的边界路线范围;
S302,然后边界路线范围上根据检测区域的大小、现场环境及定位精度的要求合理布置信标节点,并编号,形成信标节点库;
S303,当待测节点接入网络后,向周围发送广播包,所有接收到此广播包的信标节点发送广播包给该待测节点;
S304,把信标节点按照RSSI值由高到低的顺序排序,优选前n个信标节点为本次定位的参考节点,读取其编号及相应RSSI值:
RSSI=Pi-PL(d);
其中,PL(d)为经过距离d后的路径损耗,d0为参考距离,是经过参考距离d0后的路径损耗。
进一步地,所述S400中还包括:
S401,生产车间正常运转情况下,假设t时刻***监测到存在AGV在某个节点处发生故障,通过测试可得到正常情况下调度***从监测到故障到计算完成下发命令到AGV所需要的时间t′,并查询产生故障的AGV在t+t′时刻的所处的时间窗;
S402,生产车间节点处出现AGV故障后,其余正在执行调度任务的AGV在t+t′时刻所处的时间窗有且仅有三种,故障节点相连路段时间窗、正常节点时间窗和正常路段时间窗;
S403,生产车间调度***监测到存在AGV在某个路段上发生故障后,根据***环境的实时监控信息以及AGV的实时反馈判断故障AGV任务是否完成,完成则不需要新派车辆,否则查询是否等待故障处理完成,等待则暂不操作该任务,否则查询是否有空车,无则不派,有则发新车;
S404,查询生产车间环境信息以及AGV的运行状态,根据S402、S403确定t+t′时刻***的调度任务,并生成具体的任务计划表;
S405,生产车间节点出现故障时,原离线生成的最短路径库失效,需要根据故障信息重新更新生产车间地图中的节点关系、邻接矩阵,将节点相连的路段距离设为无穷,并对最短路径库的生成算法做出调整,产生新的符合车间状况的离线路径库,及时响应***变化
S406,调用静态车间二阶段AGV调度求解的改进蚁群算法模型进行计算;
S407,优化结束后,调度***生成最佳调度方案,并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数以及各AGV在其规划路径上经过节点、路段的具体时间窗信息。
另外本发明还提供了一种用于权利要求1所述方法的智能仓储路线识别装置,包括数据获取模块、数据库、数据处理单元和AGV控制模块;
所述数据获取模块的数据端与数据库交互连接,所述数据获取模块输出AGV调度信息到数据处理单元进行处理;
所述数据处理单元利用改进型蚁群算法实现对多AGV调度策略信息的处理,并将处理信息传递到AGV控制模块;
所述AGV控制模块根据接收到的处理信息以及自身传感器网络的定位信息识别路线;
所述AGV控制模块的通信端口还通过无线网络连接有上位机,所述AGV控制模块的控制端还交互连接有射频控制模块。
与现有技术相比,本发明的有益效果是:
本发明与传统的路线识别方法不同,整个***根据车间出现故障时最短路径库中的AGV备选路径数目降低,从而导致种群初始化时个体组合种类减少、路径优化计算过程收敛速度加快等现象,平衡因重新生成离线最短路径库所消耗的时间,同时便于实现路段出现故障时***实现快速响应,提高了调度方案适应度值,有效提高了***的效率和稳定性。
附图说明
图1为本发明的方法流程图;
图2为本发明的结构框图;
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。
如图2所示,本发明提供了一种用于多AGV的智能仓储路线识别装置,包括数据获取模块、数据库、数据处理单元和AGV控制模块;所述数据获取模块的数据端与数据库交互连接,所述数据获取模块输出AGV调度信息到数据处理单元进行处理;所述数据处理单元利用改进型蚁群算法实现对多AGV调度策略信息的处理,并将处理信息传递到AGV控制模块;所述AGV控制模块根据接收到的处理信息以及自身传感器网络的定位信息识别路线;所述AGV控制模块的通信端口还通过无线网络连接有上位机,所述AGV控制模块的控制端还交互连接有射频控制模块。
本实施例中,在AGV调度***与AGV车辆之间建立可靠的通讯连接,以便传输上位机发送的命令、下位机收集到的AGV运行状态和环境信息,本发明选用OSI参考模型中的UDP协议进行无线模块传输数据,利用ESP8266串口无线模块通过UDP控制块和相关应用接口函数实现数据传输功能,通过AGV控制模块、数据处理单元、数据获取模块的静态车间调度的情况,调用二阶段策略调度算法求解优化路径。
本实施例中,AGV控制模块根据车间出现故障时最短路径库中的AGV备选路径数目降低,从而导致种群初始化时个体组合种类减少、路径优化计算过程收敛速度加快等现象,平衡因重新生成离线最短路径库所消耗的时间,同时便于实现路段出现故障时***实现快速响应,提高了调度方案适应度值,有效提高了***的效率和稳定性。
在本实施方式中,如图1所示,用于多AGV的智能仓储路线识别方法,包括如下步骤:
S100、确定离线阶段AGV车辆最短路径,先提取路径坐标、节点关系,建立赋权的无向图模型,再基于时间窗实时进行在线路径规划,实现避碰,提高***的实时性,减小调度***在线运算的负担;
S200、生成最优调度方案,结合交通规则法、预测式避碰方法控制***中各节点、路段上AGV的通过时间,通过微遗传算法在综合考虑运行时间、停车次数、转弯次数的情况下对路径选择方案进行优化;
S300、获取***实时运行状态,综合考虑停车、转弯对AGV机械结构和电机的负担,计算调度方案适应度值时加以不同的惩罚因子处理,并提取***的实时信息;
S400、实施多AGV的动态调度策略,利用时间窗掌握整个***的实时状态,根据多个AGV车辆的实时状态信息实现车辆动态调度策略;
S500、实现通信交互***,AGV调度***与AGV车辆之间建立可靠的通讯连接,以便传输上位机发送的命令、下位机能收集到的AGV运行状态和环境信息。
本实施例中,关于AGV的任务调度问题,即在物流运输***中,存在若干台AGV、若干个工作站点和物料仓库站点,要求尽可能合理地对运输任务和AGV车辆进行分配,从而在运行路径、运行时间、车辆性能等限定条件下,满足一定的调度指标,完成调度任务,着重考虑了AGV资源分配问题,包括对空间资源及时间合理安排,协调车库中AGV车辆,使***中的AGV在评价指标最优的情况下,到达目标终点。
本实施例中,常规的二阶段求解策略做出改进,其中改进的地方主要有三个方面:
(1)采用AGV时间窗、节点时间窗、路段时间窗多时间窗的概念计算多AGV***给定路径下完成调度任务需要的运行时间,而非常规采用时间窗处理碰撞问题,求解无碰路径;
(2)采用改进的蚁群算法优化AGV的运行路径,车间调度备选路径方案有限,求解速度要求高,与微遗传算法小样本、快速收敛的特性非常匹配,充分考虑车间调度***中AGV路径选择时实时性高、备选路径数目有限的特性;(3)AGV调度指标上除了考虑运行最短时间和最短路径外,综合考虑了停车、转弯对AGV机械结构和电机的负担,计算调度方案适应度值时加以不同的惩罚因子处理,有效的提高了***的效率和稳定性。
所述S100中,还包括:
S101,根据车间地图中节点坐标信息,节点关系信息,先生成包含车间路段实际信息邻接矩阵;
S102,采用改进蚁群算法模型求出起始站点i到目标站点j的最短路径,并将相应节点信息储存在包含路径库信息矩阵中,记录的信息包括路段中节点数目、路段数目、路段长度,其中存储形式为path(i,j,1),表示为起始站点i到目标站点j的搜索到第一条路径;
S103,统计当前备选路径数目,判断当前备选路径数目是否大于设定的备选路径数目最大值,是则转向S104,否则转向S105;
S104,对当前路径集L按长度进行排序,剔除路径长度最长的路径,保证备选路径数为预先设定的数目,提高在线调度时的搜索效率;
S105,根据最短路径上的路段信息,判断是否可继续生成新的路段,是转向S106,否则转向S107;
S106,依次删除站点i到站点j当中最短路径的一条边,即依次最短路径中的一条边长度为∞。在新的邻接矩阵下调用改进蚁群算法模型求出当前最短路径I,转向S103;
S107,判断起始站点i和目标站点j的值,i≤N,j<N,i不变,j=j+1;i<N,j=N时,i=i+1,j=1,转向S102;
S108,离线路径库生成成功,并且生成的路径中第一条均为最短路径,其余路径中包含次短路经。
所述S102中改进蚁群算法模型为:
S1021,假设整个蚁群的蚂蚁总量为m,当前蚂蚁的编号为k,t时刻边(i,j)上的信息素浓度为Δτij(t),蚂蚁k每经过一次迭代信息素更新量为
S1022,根据信息素的更新策略,得到局部信息素为::
其中,Q为信息素总量,为一个常数;Lk为当前蚂蚁本次迭代过程中经过的总距离,θ为信息素增加因子,取值范围为(0.1)
S1023,将每条道路上的信息素浓度设置在[min,max],之间,并且对信息素挥发引入辅助挥发因子,对全局信息素更新策略为:
其中,添加参数ω∈(0,1)和γ∈(1,2),ω为信息素负挥发因子,γ为信息素正挥发因子。
S1024,当前道路信息素浓度小于道路信息素浓度下限时,***会将当前道路信息素浓度置为道路信息素浓度最小值。
本实施例中,蚂蚁在寻路过程中,道路上的信息素浓度会按照一定速率挥发,若某条道路上的信息素持续挥发至0,蚂蚁将停止向此条路径转移,为了避免蚂蚁陷入局部最优解,将每条道路上的信息素浓度设置在[min,max]之间,并且对信息素挥发引入辅助挥发因子。
本实施例中,当蚂蚁预测到自己走过的路程大于起点与目的点的欧几里得距离时,便加快当前道路上的信息素浓度,同时,为了避免算法陷入局部最优,每条道路上的信息素浓度都会维持在一定范围,如果当前道路信息素浓度小于道路信息素浓度下限时,***会将当前道路信息素浓度置为道路信息素浓度最小值。
本实施例中,在信息素挥发策略中,为蚂蚁提供智能功能,蚂蚁在开始搜索路径之间,先对起点到目的点的欧几里得距离做一个估值D0,蚂蚁寻路开始后,当蚂蚁发现经过的距离D大于时D0,说明当前路径并非最短路径,为了减少算法迭代次数,智能蚂蚁将适当提高当前道路的信息素挥发因子,加快算法运行速度。当蚂蚁发现经过的距离D小于D0时,则降低当前道路信息素挥发因子,以保证算法能够找到最短路径。
所述S200还包括:
S201,首先根据AGV任务信息和调度方案生成理想情况下描述AGV运行状态的时间窗,包括占用节点、路段的AGV编号、起始时间、结束时间、时间窗长度等信息;
S202,通过生成节点时间窗,防止AGV在节点时间窗产生重叠的方式避免节点冲突发生,包括相向冲突和十字交叉节点冲突;
S203,设定AGV为匀速来避免发生追及冲突,通过生成路段时间窗,防止AGV在路段时间窗产生重叠的方式避免路段相向冲突发生;
S204,对当前所有重叠的节点时间窗和路段时间窗进行排序,其中路段时间窗只查找线路共线且方向相反的路段。
S205,重复S202、S203和S204的操作,直至AGV在所有的节点时间窗、路段时间窗上均无重叠,结束查找更新操作;
S206,统计各AGV到达目标节点的时间,取其中运行时间最长的时间作为为调度方案整体运行时间。
所述S200还包括:根据S200中得到的路径运行时间,进行以下操作:
S207,根据表示路段间关系的邻接矩阵表和节点编号规律,在生成间窗过程中标记车间路段位置是平行或是垂直,从而根据前后路段之间的位置查询统计调度方案中AGV转弯的次数;
S208,根据查找重叠时间窗以后对时间窗进巧更新的次数的统计,从而计算出调度方案中AGV停车等待的次数;
S209,采用以下公式实现调度方案:
其中,trun为运行时间,aL为AGV车长,av为AGV车速,trurn为转弯次数,Sstop为AGV停车次数。
所述S300中还包括:
S301,首先利用AGV内部的无线传感网络确定各个AGV的边界路线范围;
S302,然后边界路线范围上根据检测区域的大小、现场环境及定位精度的要求合理布置信标节点,并编号,形成信标节点库;
S303,当待测节点接入网络后,向周围发送广播包,所有接收到此广播包的信标节点发送广播包给该待测节点;
S304,把信标节点按照RSSI值由高到低的顺序排序,优选前n个信标节点为本次定位的参考节点,读取其编号及相应RSSI值:
RSSI=Pi-PL(d);
其中,PL(d)为经过距离d后的路径损耗,d0为参考距离,是经过参考距离d0后的路径损耗。
所述S400中还包括:
S401,生产车间正常运转情况下,假设t时刻***监测到存在AGV在某个节点处发生故障,通过测试可得到正常情况下调度***从监测到故障到计算完成下发命令到AGV所需要的时间t′,并查询产生故障的AGV在t+t′时刻的所处的时间窗;
S402,生产车间节点处出现AGV故障后,其余正在执行调度任务的AGV在t+t′时刻所处的时间窗有且仅有三种,故障节点相连路段时间窗、正常节点时间窗和正常路段时间窗;
S403,生产车间调度***监测到存在AGV在某个路段上发生故障后,根据***环境的实时监控信息以及AGV的实时反馈判断故障AGV任务是否完成,完成则不需要新派车辆,否则查询是否等待故障处理完成,等待则暂不操作该任务,否则查询是否有空车,无则不派,有则发新车;
S404,查询生产车间环境信息以及AGV的运行状态,根据S402、S403确定t+t′时刻***的调度任务,并生成具体的任务计划表;
S405,生产车间节点出现故障时,原离线生成的最短路径库失效,需要根据故障信息重新更新生产车间地图中的节点关系、邻接矩阵,将节点相连的路段距离设为无穷,并对最短路径库的生成算法做出调整,产生新的符合车间状况的离线路径库,及时响应***变化
S406,调用静态车间二阶段AGV调度求解的改进蚁群算法模型进行计算;
S407,优化结束后,调度***生成最佳调度方案,并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数以及各AGV在其规划路径上经过节点、路段的具体时间窗信息。
在本实施方式中,主要特点如下:
本发明与传统的路线识别方法不同:
(1)保证了所有起止站点之间在路径上均有可以到达的线路;
(2)规划的路线上尽量避免了AGV发生节点、路段冲突,减少阻塞的现象发生;
(3)规划的路线尽量使调度任务完成的整体路径行使时间较短,从而提高了***运行效率;
(4)减少了停车次数、转弯次数,降低AGV机械结构和电机的负担,提高了效率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种用于多AGV的智能仓储路线识别方法,其特征在于:包括如下步骤:
S100、确定离线阶段AGV车辆最短路径,先提取路径坐标、节点关系,建立赋权的无向图模型,再基于时间窗实时进行在线路径规划,实现避碰,提高***的实时性,减小调度***在线运算的负担;
S200、生成最优调度方案,结合交通规则法、预测式避碰方法控制***中各节点、路段上AGV的通过时间,通过微遗传算法在综合考虑运行时间、停车次数、转弯次数的情况下对路径选择方案进行优化;
S300、获取***实时运行状态,综合考虑停车、转弯对AGV机械结构和电机的负担,计算调度方案适应度值时加以不同的惩罚因子处理,并提取***的实时信息;
S400、实施多AGV的动态调度策略,利用时间窗掌握整个***的实时状态,根据多个AGV车辆的实时状态信息实现车辆动态调度策略;
S500、实现通信交互***,AGV调度***与AGV车辆之间建立可靠的通讯连接,以便传输上位机发送的命令、下位机能收集到的AGV运行状态和环境信息。
2.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S100中,还包括:
S101,根据车间地图中节点坐标信息,节点关系信息,先生成包含车间路段实际信息邻接矩阵;
S102,采用改进蚁群算法模型求出起始站点i到目标站点j的最短路径,并将相应节点信息储存在包含路径库信息矩阵中,记录的信息包括路段中节点数目、路段数目、路段长度,其中存储形式为path(i,j,1),表示为起始站点i到目标站点j的搜索到第一条路径;
S103,统计当前备选路径数目,判断当前备选路径数目是否大于设定的备选路径数目最大值,是则转向S104,否则转向S105;
S104,对当前路径集L按长度进行排序,剔除路径长度最长的路径,保证备选路径数为预先设定的数目,提高在线调度时的搜索效率;
S105,根据最短路径上的路段信息,判断是否可继续生成新的路段,是转向S106,否则转向S107;
S106,依次删除站点i到站点j当中最短路径的一条边,即依次最短路径中的一条边长度为∞。在新的邻接矩阵下调用改进蚁群算法模型求出当前最短路径I,转向S103;
S107,判断起始站点i和目标站点j的值,i≤N,j<N,i不变,j=j+1;i<N,j=N时,i=i+1,j=1,转向S102;
S108,离线路径库生成成功,并且生成的路径中第一条均为最短路径,其余路径中包含次短路经。
3.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S102中改进蚁群算法模型为:
S1021,假设整个蚁群的蚂蚁总量为m,当前蚂蚁的编号为k,t时刻边(i,j)上的信息素浓度为Δτij(t),蚂蚁k每经过一次迭代信息素更新量为
S1022,根据信息素的更新策略,得到局部信息素为::
其中,Q为信息素总量,为一个常数;Lk为当前蚂蚁本次迭代过程中经过的总距离,θ为信息素增加因子,取值范围为(0.1)
S1023,将每条道路上的信息素浓度设置在[min,max],之间,并且对信息素挥发引入辅助挥发因子,对全局信息素更新策略为:
其中,添加参数ω∈(0,1)和γ∈(1,2),ω为信息素负挥发因子,γ为信息素正挥发因子。
S1024,当前道路信息素浓度小于道路信息素浓度下限时,***会将当前道路信息素浓度置为道路信息素浓度最小值。
4.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S200还包括:
S201,首先根据AGV任务信息和调度方案生成理想情况下描述AGV运行状态的时间窗,包括占用节点、路段的AGV编号、起始时间、结束时间、时间窗长度等信息;
S202,通过生成节点时间窗,防止AGV在节点时间窗产生重叠的方式避免节点冲突发生,包括相向冲突和十字交叉节点冲突;
S203,设定AGV为匀速来避免发生追及冲突,通过生成路段时间窗,防止AGV在路段时间窗产生重叠的方式避免路段相向冲突发生;
S204,对当前所有重叠的节点时间窗和路段时间窗进行排序,其中路段时间窗只查找线路共线且方向相反的路段。
S205,重复S202、S203和S204的操作,直至AGV在所有的节点时间窗、路段时间窗上均无重叠,结束查找更新操作;
S206,统计各AGV到达目标节点的时间,取其中运行时间最长的时间作为为调度方案整体运行时间。
5.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S200还包括:根据S200中得到的路径运行时间,进行以下操作:
S207,根据表示路段间关系的邻接矩阵表和节点编号规律,在生成间窗过程中标记车间路段位置是平行或是垂直,从而根据前后路段之间的位置查询统计调度方案中AGV转弯的次数;
S208,根据查找重叠时间窗以后对时间窗进巧更新的次数的统计,从而计算出调度方案中AGV停车等待的次数;
S209,采用以下公式实现调度方案:
其中,trun为运行时间,aL为AGV车长,av为AGV车速,trurn为转弯次数,Sstop为AGV停车次数。
6.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S300中还包括:
S301,首先利用AGV内部的无线传感网络确定各个AGV的边界路线范围;
S302,然后边界路线范围上根据检测区域的大小、现场环境及定位精度的要求合理布置信标节点,并编号,形成信标节点库;
S303,当待测节点接入网络后,向周围发送广播包,所有接收到此广播包的信标节点发送广播包给该待测节点;
S304,把信标节点按照RSSI值由高到低的顺序排序,优选前n个信标节点为本次定位的参考节点,读取其编号及相应RSSI值:
RSSI=Pi-PL(d);
其中,PL(d)为经过距离d后的路径损耗,d0为参考距离,是经过参考距离d0后的路径损耗。
7.根据权利要求1所述的一种用于多AGV的智能仓储路线识别方法,其特征在于:所述S400中还包括:
S401,生产车间正常运转情况下,假设t时刻***监测到存在AGV在某个节点处发生故障,通过测试可得到正常情况下调度***从监测到故障到计算完成下发命令到AGV所需要的时间t′,并查询产生故障的AGV在t+t′时刻的所处的时间窗;
S402,生产车间节点处出现AGV故障后,其余正在执行调度任务的AGV在t+t′时刻所处的时间窗有且仅有三种,故障节点相连路段时间窗、正常节点时间窗和正常路段时间窗;
S403,生产车间调度***监测到存在AGV在某个路段上发生故障后,根据***环境的实时监控信息以及AGV的实时反馈判断故障AGV任务是否完成,完成则不需要新派车辆,否则查询是否等待故障处理完成,等待则暂不操作该任务,否则查询是否有空车,无则不派,有则发新车;
S404,查询生产车间环境信息以及AGV的运行状态,根据S402、S403确定t+t′时刻***的调度任务,并生成具体的任务计划表;
S405,生产车间节点出现故障时,原离线生成的最短路径库失效,需要根据故障信息重新更新生产车间地图中的节点关系、邻接矩阵,将节点相连的路段距离设为无穷,并对最短路径库的生成算法做出调整,产生新的符合车间状况的离线路径库,及时响应***变化
S406,调用静态车间二阶段AGV调度求解的改进蚁群算法模型进行计算;
S407,优化结束后,调度***生成最佳调度方案,并输出该调度方案的适应度值、整体运行时间、停车次数、转弯次数以及各AGV在其规划路径上经过节点、路段的具体时间窗信息。
8.一种用于权利要求1所述方法的智能仓储路线识别装置,其特征在于:包括数据获取模块、数据库、数据处理单元和AGV控制模块;
所述数据获取模块的数据端与数据库交互连接,所述数据获取模块输出AGV调度信息到数据处理单元进行处理;
所述数据处理单元利用改进型蚁群算法实现对多AGV调度策略信息的处理,并将处理信息传递到AGV控制模块;
所述AGV控制模块根据接收到的处理信息以及自身传感器网络的定位信息识别路线;
所述AGV控制模块的通信端口还通过无线网络连接有上位机,所述AGV控制模块的控制端还交互连接有射频控制模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910378416.XA CN110262408A (zh) | 2019-05-08 | 2019-05-08 | 一种用于多agv的智能仓储路线识别装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910378416.XA CN110262408A (zh) | 2019-05-08 | 2019-05-08 | 一种用于多agv的智能仓储路线识别装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262408A true CN110262408A (zh) | 2019-09-20 |
Family
ID=67914421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910378416.XA Pending CN110262408A (zh) | 2019-05-08 | 2019-05-08 | 一种用于多agv的智能仓储路线识别装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262408A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941250A (zh) * | 2019-12-06 | 2020-03-31 | 国网天津市电力公司电力科学研究院 | 一种用于低压计量箱自动上下货的agv柔性物流控制方法 |
CN111309028A (zh) * | 2020-03-25 | 2020-06-19 | 安吉智能物联技术有限公司 | 一种物料运输方法及*** |
CN111459171A (zh) * | 2020-05-15 | 2020-07-28 | 合肥卓科智能技术有限公司 | 一种agv小车的路径优化调控*** |
CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv***的任务分配及无冲突路径规划方法 |
CN111653098A (zh) * | 2020-06-04 | 2020-09-11 | 南京航空航天大学 | 多载量自动导引车交叉路口通行顺序优化方法 |
CN111650930A (zh) * | 2020-04-09 | 2020-09-11 | 吉利汽车研究院(宁波)有限公司 | 基于遗传算法的自动泊车路径规划方法及装置 |
CN111832816A (zh) * | 2020-07-03 | 2020-10-27 | 浙江大学医学院附属妇产科医院 | 一种基于调度算法的医用agv群体物流调控***及方法 |
CN111913465A (zh) * | 2020-06-19 | 2020-11-10 | 广东工业大学 | 一种多智能小车***的故障实时监测方法及装置 |
CN112000113A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于中药房的多agv仓储管理***及方法 |
CN112001541A (zh) * | 2020-08-24 | 2020-11-27 | 南京理工大学 | 一种用于路径优化的改进遗传算法 |
CN112001646A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料调度方法、装置、存储介质及电子设备 |
CN112749927A (zh) * | 2021-02-03 | 2021-05-04 | 香港中文大学(深圳) | 一种仓储机器人的调度方法及相关设备 |
CN113256713A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | 一种栈板位置识别方法、装置、电子设备及存储介质 |
CN113433896A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种动态生产调度方法及*** |
CN113778097A (zh) * | 2021-09-15 | 2021-12-10 | 龙岩学院 | L型路径趋势改进a-star算法的智能仓储物流机器人路径规划方法 |
CN113848828A (zh) * | 2021-09-08 | 2021-12-28 | 广州杰赛科技股份有限公司 | 一种agv小车自动避障控制方法、装置、设备及介质 |
CN113955362A (zh) * | 2021-08-11 | 2022-01-21 | 浙江立镖机器人有限公司 | 立体分拣控制方法、立体分拣机器人和相关设备 |
CN114063584A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种舰船关重件集成化加工的调度控制方法、装置及*** |
CN114442627A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种面向智能家居移动设备的动态桌面寻路***及方法 |
CN114842641A (zh) * | 2022-03-11 | 2022-08-02 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
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*** |
CN116542417A (zh) * | 2023-07-05 | 2023-08-04 | 泓浒(苏州)半导体科技有限公司 | 一种面向半导体生产线搬运***的控制***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 分散型経路計画装置及び方法、分散型経路計画プログラム |
WO2015108819A1 (en) * | 2014-01-14 | 2015-07-23 | Qualcomm Incorporated | Connectivity maintenance using a quality of service-based robot path planning algorithm |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
-
2019
- 2019-05-08 CN CN201910378416.XA patent/CN110262408A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280213A (ja) * | 2003-03-13 | 2004-10-07 | Japan Science & Technology Agency | 分散型経路計画装置及び方法、分散型経路計画プログラム |
WO2015108819A1 (en) * | 2014-01-14 | 2015-07-23 | Qualcomm Incorporated | Connectivity maintenance using a quality of service-based robot path planning algorithm |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
Non-Patent Citations (3)
Title |
---|
徐燕等: "无线传感器网络中基于RSSI差值的改进定位算法", 《厦门大学学报(自然科学版)》 * |
汪先超: "《中国优秀硕士学位论文全文数据库信息科技辑》", 15 March 2017 * |
许向阳等: "基于改进蚁群算法的消防路线规划***", 《通信技术》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941250A (zh) * | 2019-12-06 | 2020-03-31 | 国网天津市电力公司电力科学研究院 | 一种用于低压计量箱自动上下货的agv柔性物流控制方法 |
CN111309028B (zh) * | 2020-03-25 | 2022-11-29 | 安吉智能物联技术有限公司 | 一种物料运输方法及*** |
CN111309028A (zh) * | 2020-03-25 | 2020-06-19 | 安吉智能物联技术有限公司 | 一种物料运输方法及*** |
CN111459108A (zh) * | 2020-04-08 | 2020-07-28 | 北京理工大学 | 拖挂式多agv***的任务分配及无冲突路径规划方法 |
CN111650930A (zh) * | 2020-04-09 | 2020-09-11 | 吉利汽车研究院(宁波)有限公司 | 基于遗传算法的自动泊车路径规划方法及装置 |
CN111459171A (zh) * | 2020-05-15 | 2020-07-28 | 合肥卓科智能技术有限公司 | 一种agv小车的路径优化调控*** |
CN111653098A (zh) * | 2020-06-04 | 2020-09-11 | 南京航空航天大学 | 多载量自动导引车交叉路口通行顺序优化方法 |
CN111653098B (zh) * | 2020-06-04 | 2022-04-26 | 南京航空航天大学 | 多载量自动导引车交叉路口通行顺序优化方法 |
CN111913465A (zh) * | 2020-06-19 | 2020-11-10 | 广东工业大学 | 一种多智能小车***的故障实时监测方法及装置 |
CN112000113A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于中药房的多agv仓储管理***及方法 |
CN111832816A (zh) * | 2020-07-03 | 2020-10-27 | 浙江大学医学院附属妇产科医院 | 一种基于调度算法的医用agv群体物流调控***及方法 |
CN112001541B (zh) * | 2020-08-24 | 2022-10-11 | 南京理工大学 | 一种基于改进遗传算法的路径优化方法 |
CN112001541A (zh) * | 2020-08-24 | 2020-11-27 | 南京理工大学 | 一种用于路径优化的改进遗传算法 |
CN112001646A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料调度方法、装置、存储介质及电子设备 |
CN112749927B (zh) * | 2021-02-03 | 2023-11-28 | 香港中文大学(深圳) | 一种仓储机器人的调度方法及相关设备 |
CN112749927A (zh) * | 2021-02-03 | 2021-05-04 | 香港中文大学(深圳) | 一种仓储机器人的调度方法及相关设备 |
CN113433896A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种动态生产调度方法及*** |
CN113256713B (zh) * | 2021-06-10 | 2021-10-15 | 浙江华睿科技股份有限公司 | 一种栈板位置识别方法、装置、电子设备及存储介质 |
CN113256713A (zh) * | 2021-06-10 | 2021-08-13 | 浙江华睿科技有限公司 | 一种栈板位置识别方法、装置、电子设备及存储介质 |
CN113955362B (zh) * | 2021-08-11 | 2024-02-06 | 浙江立镖机器人有限公司 | 立体分拣控制方法、立体分拣机器人和相关设备 |
CN113955362A (zh) * | 2021-08-11 | 2022-01-21 | 浙江立镖机器人有限公司 | 立体分拣控制方法、立体分拣机器人和相关设备 |
CN113848828A (zh) * | 2021-09-08 | 2021-12-28 | 广州杰赛科技股份有限公司 | 一种agv小车自动避障控制方法、装置、设备及介质 |
CN113778097B (zh) * | 2021-09-15 | 2023-05-19 | 龙岩学院 | L型路径趋势改进a-star算法的智能仓储物流机器人路径规划方法 |
CN113778097A (zh) * | 2021-09-15 | 2021-12-10 | 龙岩学院 | L型路径趋势改进a-star算法的智能仓储物流机器人路径规划方法 |
CN114063584A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种舰船关重件集成化加工的调度控制方法、装置及*** |
CN114063584B (zh) * | 2021-11-19 | 2024-04-26 | 江苏科技大学 | 一种舰船关重件集成化加工的调度控制方法、装置及*** |
CN114442627A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种面向智能家居移动设备的动态桌面寻路***及方法 |
CN114442627B (zh) * | 2022-01-24 | 2023-10-13 | 电子科技大学 | 一种面向智能家居移动设备的动态桌面寻路***及方法 |
CN114842641A (zh) * | 2022-03-11 | 2022-08-02 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
CN114842641B (zh) * | 2022-03-11 | 2024-02-09 | 华设设计集团股份有限公司 | 面向省域的多模式链式交通分配方法 |
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*** |
CN116542417A (zh) * | 2023-07-05 | 2023-08-04 | 泓浒(苏州)半导体科技有限公司 | 一种面向半导体生产线搬运***的控制***及方法 |
CN116542417B (zh) * | 2023-07-05 | 2023-09-12 | 泓浒(苏州)半导体科技有限公司 | 一种面向半导体生产线搬运***的控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262408A (zh) | 一种用于多agv的智能仓储路线识别装置和方法 | |
Saad et al. | Hedonic coalition formation for distributed task allocation among wireless agents | |
CN109634187A (zh) | 一种agv远程监控*** | |
CN110210806B (zh) | 一种5g边缘计算的云基无人车架构及其控制评价方法 | |
CN103256931B (zh) | 无人机的可视导航*** | |
CN104662847A (zh) | 网关装置及数据处理方法 | |
CN110244712A (zh) | 一种多agv***路径规划方法 | |
Kopeikin et al. | Multi-uav network control through dynamic task allocation: Ensuring data-rate and bit-error-rate support | |
CN110446184A (zh) | 一种多模式切换的车联网路由方法 | |
CN113965948A (zh) | 一种基于自适应分簇网络的传感器数据采集方法 | |
KR20190138294A (ko) | 드론 네트워크에서 효율적인 배터리 충전을 위한 클라우드 기반 드론 내비게이션 방법 | |
CN102104542A (zh) | 转发和控制分离网络件架构下实现业务集群路由器的方法 | |
CN111539574A (zh) | 用于多机器人的订单派送方法及*** | |
CN113885466A (zh) | 一种agv调度算法仿真*** | |
Romaniuk et al. | Objective control functions of FANET communication nodes of land-air network | |
CN117726153B (zh) | 一种适用于无人机集群作业任务的实时重规划方法 | |
Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
Kasturi et al. | An improved energy efficient solution for routing in IoT | |
CN112947457A (zh) | 一种分拣机器人群动态无线供电路径规划方法 | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
CN108280530A (zh) | 双向路径不对称状态下库区无人行车吊运路径优化方法及*** | |
CN115790594A (zh) | 多类型机器人路径规划方法、装置、设备和存储介质 | |
CN110855507B (zh) | 一种基于软件定义的无人驾驶数据网络交互方法 | |
CN111582579A (zh) | 一种基于拓扑地图的预测性多agv任务分配方法 | |
Yu et al. | Reinforcement learning based prioritized cross-area resource management for vehicular cloud networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |