CN111879327A - 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 - Google Patents
集群自动驾驶车辆泊位作业的空间配置和时序规划方法 Download PDFInfo
- Publication number
- CN111879327A CN111879327A CN202010560394.1A CN202010560394A CN111879327A CN 111879327 A CN111879327 A CN 111879327A CN 202010560394 A CN202010560394 A CN 202010560394A CN 111879327 A CN111879327 A CN 111879327A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- grid
- automatic driving
- driving vehicle
- planning
- 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
Images
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
- G01C21/26—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
- 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种集群自动驾驶车辆泊位作业的空间配置和时序规划方法，包括以下步骤：S100对目标区域建立地图模型，采用MATLAB对地图模型进行栅格化，每个栅格为一个栅格节点，形成栅格地图；S200确定栅格地图中的出入口位置坐标，根据自动驾驶车辆的停车数量及初始位置，结合作业需求，找出各自动驾驶车辆的最优化作业路线；S300根据各自动驾驶车辆的最优化作业路线及其作业移动建立栅格节点占用的初始时序表；S400判断初始时序表是否存在时序冲突；若存在冲突则进行调整解决，然后输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。该方法可应用于集群式自动驾驶车辆的空间配置及其时序规划，以实现精益生产。
Description
技术领域
本发明涉及自动驾驶车辆作业技术领域，特别涉及一种集群自动驾驶车辆泊位作业的空间配置和时序规划方法。
背景技术
在当今的工业化大生产中，尤其是制造业，普遍的核心技术在于生产工艺，由于劳动力变的越来越紧缺与昂贵，所以现代作业多向机器人自动作业发展。
目前，作业中常用AGV(Automated Guided Vehicle)无人搬运车，也叫自动导航车或者激光导航车。采用这类无人的自动驾驶车辆，AGV上装备有自动导向***，可以保障***在不需要人工引航的情况下就能够沿预定的路线自动行驶，将货物或物料自动从起始点运送到目的地。AGV的柔性好，自动化程度高和智能化水平高，AGV的行驶路径可以根据仓储货位要求、生产工艺流程等改变而灵活改变，并且运行路径改变的费用与传统的输送带和刚性的传送线相比非常低廉。AGV一般配备有装卸机构，可以与其他物流设备自动接口，实现货物和物料装卸与搬运全过程自动化。此外，AGV还具有清洁生产的特点，AGV依靠自带的蓄电池提供动力，运行过程中无噪声、无污染，可以应用在许多要求工作环境清洁的场所。
在采用AGV作业的规模化大型生产场所，同时作业的自动驾驶车辆往往至少有几百辆，但是针对这么多自动驾驶车辆的集群作业，尚没有任何可供参考的标准和指导方法，以实现类制造业生产线的最优化生产工艺设计，即如自动驾驶车辆的作业动作、作业空间配置、作业时序规划等细节。虽然室内AGV的集群调度作业应用比较广泛，如最大的室内AGV应用项目-京东一号仓，迄今为止，仍没有任何一个自动驾驶车辆的集群调度项目可论证其空间配置和时序规划的作业过程最优化，导致配置不合理，降低了自动化生产的效率。
发明内容
为了解决上述技术问题，本发明提供了一种集群自动驾驶车辆泊位作业的空间配置和时序规划方法，包括以下步骤：
S100对目标区域建立地图模型，采用MATLAB对地图模型进行栅格化，每个栅格为一个栅格节点，形成栅格地图；
S200确定栅格地图中的出入口位置坐标，根据自动驾驶车辆的停车数量及初始位置，结合作业需求，找出各自动驾驶车辆的最优化作业路线；
S300根据各自动驾驶车辆的最优化作业路线及其作业移动建立栅格节点占用的初始时序表；
S400判断初始时序表是否存在时序冲突；若存在冲突则进行调整解决，然后输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
可选的，在S100步骤中，所述栅格化是通过ind2sub函数将数列和栅格坐标值进行换算，得到栅格地图。
可选的，若目标区域存在障碍物时，在S200步骤中应当先将障碍物所占的栅格节点排除。
可选的，在S200步骤中，采用一维搜索法找出最优化作业路线，过程如下：
首先，以出入口位置作为终点E坐标为(Ex，Ey)，以某一自动驾驶车辆的初始位置作为起点M坐标为(Mx，My)，搜索起点M的相邻栅格节点N1(Nx1，Ny1)、N2(Nx2，Ny2)、…至Nk(Nxk，Nyk)；
其次，计算起点M的各相邻栅格节点到终点E的最短步长，公式为：
其中，S(Nk，E)是栅格节点Nk到终点E的最短步长，
取起点M的各相邻栅格节点N1(Nx1，Ny1)、N2(Nx2，Ny2)、…至Nk(Nxk，Nyk)到终点E的最短步长中的最小值，选出最小值对应的栅格节点为Ni(Nxi，Nyi)并记录；
再次，以栅格节点为Ni(Nxi，Nyi)为起点，搜索栅格节点Ni的相邻栅格节点，计算到终点E的最短步长，选出最短步长中的最小值对应的栅格节点并记录，重复此搜索过程至最短步长中的最小值为零到达终点E结束；
最后，上述搜索过程选出的所有最小值对应的栅格节点的集合组成了该自动驾驶车辆的最优化作业路线，其路线长度为最优化步长；采用上述方法找出每辆自动驾驶车辆的最优化作业路线。
可选的，在S200步骤中，采用Fibonacci法找出最优化作业路线，过程如下：
针对栅格地图设定一个搜索函数，在搜索区间内取两个不同点，并计算出两个点的函数值，去除函数值较大的点外侧区间以缩小搜索区间；再在缩小后的搜索区间内重新取两个不同点，进行函数值计算和比较以进一步对搜索区间进行缩小，重复上述过程直至得到一维极小点，对应的最小步长线路为最优化作业路线。
可选的，在S300步骤中，根据作业需求和设定车速，预测各自动驾驶车辆沿其最优化作业路线移动时，经过各栅格节点的时间，对各自动驾驶车辆占用栅格节点的时间进行列表记录，得到初始时序表。
可选的，在S300步骤中，设定自动驾驶车辆的安全间距，在初始时序表中同步记录自动驾驶车辆沿其最优化作业路线移动时的安全间距范围内的栅格节点占用时间。
可选的，在S400步骤中，通过以下步骤对初始时序表是否存在时序冲突进行判断及调整：
S410根据栅格节点占用的初始时序表定义推盘矩阵n*n；
S420确定推盘矩阵的维度n的奇偶性；
S430计算推盘矩阵的逆序数，确定逆序数的奇偶性；
S440判断维度n和逆序数两者的奇偶性是否一致，若不一致表示存在时序冲突，进行步骤S450；若一致表示不存在时序冲突，进行步骤S460；
S450对初始时序表进行调整，然后以调整后的时序表重新定义推盘矩阵n*n，回到S420步骤；
S460输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
可选的，在S400步骤中，若初始时序表存在时序冲突，采用距离出入口位置较近者优先原则对初始时序表进行调整，以保证所有自动驾驶车辆在最短的时间安全行驶经出入口位置。
可选的，所述自动驾驶车辆移动作业采用无线导航方式，先对各自动驾驶车辆进行编号和定位，然后根据所述空间配置和时序规划进行移动作业。
本发明的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，主要应用于集群式自主移动机器人在封闭、半封闭区域内，设计业务的整体解决方案，涉及自主机器人(自动驾驶车辆)的作业动作、作业空间及作业时序的规划，属于业务规划。对于自主移动式机器人(自动驾驶车辆)的作业空间配置及其时序规划，依托于集群调度***FDS(FleetDispatching Ssytem)，依据独创的智能制造方法论，以实现精益生产为最终目的。
本发明可适用于任何自主移动式机器人(自动驾驶车辆)的作业场景，提供指导方法论，以最优化生产为目标，实现最大化空间利用，最优化作业效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的集群自动驾驶车辆泊位作业的空间配置和时序规划方法实施例流程图；
图2为本发明的集群自动驾驶车辆泊位作业的空间配置和时序规划方法所采用的对初始时序表是否存在时序冲突进行判断及调整的流程图；
图3为在栅格地图中采用一维搜索法找出最优化作业路线的过程示意图；
图4为三辆自动驾驶车辆从初始位置至同一目标出入口位置的最优化作业路线示意图；
图5为考虑障碍物及安全间距情况下的五辆自动驾驶车辆从初始位置至同一目标出入口位置的最优化作业路线示意图；
图6至图10为一个大型物流仓储项目规划过程实例图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示的集群自动驾驶车辆泊位作业的空间配置和时序规划方法可选实施例流程，包括以下步骤：
S100对目标区域建立地图模型，采用MATLAB对地图模型进行栅格化，每个栅格为一个栅格节点，形成栅格地图；
S200确定栅格地图中的出入口位置坐标，根据自动驾驶车辆的停车数量及初始位置，结合作业需求，找出各自动驾驶车辆的最优化作业路线；
S300根据各自动驾驶车辆的最优化作业路线及其作业移动建立栅格节点占用的初始时序表；
S400判断初始时序表是否存在时序冲突；若存在冲突则进行调整解决，如图4所示的三辆自动驾驶车辆从初始位置至同一目标出入口位置的最优化作业路线存在交汇的栅格节点，对各自动驾驶车辆占据交汇的栅格节点的时间需要被估算，以确认相互间不会发生路权冲突；然后输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
上述技术方案的工作原理为：MATLAB是matrix和laboratory两个词的组合，意为矩阵工厂(矩阵实验室)。是主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态***的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式。
上述技术方案的有益效果为：本发明的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，主要应用于集群式自主移动机器人在封闭、半封闭区域内，设计业务的整体解决方案，涉及自主机器人(自动驾驶车辆)的作业动作、作业空间及作业时序的规划，属于业务规划。对于自主移动式机器人(自动驾驶车辆)的作业空间配置及其时序规划，依托于集群调度***FDS(Fleet Dispatching Ssytem)，依据独创的智能制造方法论，以实现精益生产为最终目的，通过最优组合数学论证空间和时间规划的最优化方案，并将其落实到实际应用中。采用本发明可以得到自动驾驶车辆的集群调度空间配置和时序规划的最优化作业过程，有效规避自动驾驶车辆相互冲突，减去停顿或者绕行时间，增强集群控制的协调性，避免配置不合理，提高自动化生产的效率。
在一个实施例中，在S100步骤中，所述栅格化是通过ind2sub函数将数列和栅格坐标值进行换算，得到栅格地图。
上述技术方案的工作原理为：ind2sub函数是matlab中的通过doc ind2sub查看函数的具体使用方法。语法格式：[I,J]＝ind2sub(siz,IND)，这种调用格式适用于二维数组，其中siz是数组的尺寸，通常通过调用size函数获取。IND则是索引值，返回值为索引值为IND的元素在该二维数组内的行列下标。[I1,I2,I3,...,In]＝ind2sub(siz,IND)这种调用格式适用于多维情况。
上述技术方案的有益效果为：为后续实现科学的空间配置和时序规划建立数字化模型，方便进行相应的计算处理。
在一个实施例中，如图3所示，在S200步骤中，采用一维搜索法找出最优化作业路线，过程如下：
首先，以出入口位置作为终点E坐标为(Ex，Ey)，以某一自动驾驶车辆的初始位置作为起点M坐标为(Mx，My)，通过一维搜索，搜索到栅格节点N1(Nx1，Ny1)和N2(Nx2，Ny2)，栅格节点N1(Nx1，Ny1)和N2(Nx2，Ny2)到起点M的距离(步长)相等；
其次，计算栅格节点N1(Nx1，Ny1)到终点E的最短步长为：
其中，S(N1，E)是栅格节点N1到终点E的最短步长，
计算栅格节点N2(Nx2，Ny2)到终点E的最短步长为：
其中，S(N2，E)是栅格节点N2到终点E的最短步长，
若有
S(N1，E)<S(N2，E)
则取最短步长中的最小值栅格节点N1(Nx1，Ny1)，选出最小值S(N1，E)对应的栅格节点N1(Nx1，Ny1)并记录；
再次，以栅格节点为Ni(Nxi，Nyi)为起点，搜索栅格节点Ni的相邻栅格节点，计算到终点E的最短步长，选出最短步长中的最小值对应的栅格节点并记录，重复此搜索过程至最短步长中的最小值为零到达终点E结束；
最后，上述搜索过程选出的所有最小值对应的栅格节点的集合组成了该自动驾驶车辆的最优化作业路线，其路线长度为最优化步长；采用上述方法找出每辆自动驾驶车辆的最优化作业路线。
以如图3所示为例，在实际操作中可以建立两个表UNKNOWN、KNOWN，及一个结构体SAVE。
UNKNOWN：用来保存当前搜索到的相邻栅格节点N，如图中的N1、N2；
KNOWN：保存已经被计算过的栅格节点；
SAVE：用来保存从起点M到达当前搜索到的相邻栅格节点N的当前最优路径，如M-N1
以当前搜索到的相邻栅格节点N的关联节点为(N1，N2，N3，N4，N5)为例
伪代码如下：
While(UNKNOWN！＝null)
{
if(N＝＝E)break；
else
{
min(F(N，Nk))//k＝1，2，3，4，5，求取M至那个当前搜索到的相邻节点后到达E的最短距离最小值
保存该最短距离最小值栅格节点至SAVE，形成新路径，保存当前搜索到的相邻栅格节点至KNOWN表，从UNKOWN中清除计算后的栅格节点
}
如上述结果求得栅格节点为N1，再将N1相邻的栅格节点保存至UNKNOWN，重复上述计算，直至最后到达终点E，SAVE保存的结果即为最短路径，即最优化作业路线。
当通过栅格地图获取所有自动驾驶车辆的最优化作业路线后，得到还是一个静态路线地图，并没有考虑空间占用的时效性，当某条路径或是栅格节点在被某一自动驾驶车辆占用时，其他自动驾驶车辆是无法通行的，所以获取的最优化作业路线需要在后续进行时序方面的安全验证。
上述技术方案的工作原理：一维搜索法，又称一维优化法，是通过采用一维目标函数求解最优解的方法，来解决相应的问题。求一维目标函数的最优值时，迭代过程每一步的格式都是从某一定点出发，沿着某一使目标函数下降的规定方向搜索，以找出此方向的极小点。
上述技术方案的有益效果为：采用数据论方法进行方案优化，保证任何位置的车辆能够自如的到达停放位置，且停放车辆能够随时无阻碍离开。
在一个实施例中，在S200步骤中，采用Fibonacci法找出最优化作业路线，过程如下：
针对栅格地图设定一个搜索函数，在搜索区间内取两个不同点，并计算出两个点的函数值，去除函数值较大的点外侧区间以缩小搜索区间；再在缩小后的搜索区间内重新取两个不同点，进行函数值计算和比较以进一步对搜索区间进行缩小，重复上述过程直至得到一维极小点，对应的最小步长线路为最优化作业路线。
上述技术方案的工作原理：斐波那契法(Fibonacci method)，又称Fibonacci法、斐波那契分数法，是一种一维搜索的区间消去法。这种方法与0.618法(黄金分割法)类似，也是用于单峰函数，在计算过程中，也是第1次迭代需要计算两个迭代点，以后每次迭代只需新算一点，另一点取自上次迭代。
上述技术方案的有益效果为：采用数据论方法进行方案优化，保证任何位置的车辆能够自如的到达停放位置，且停放车辆能够随时无阻碍离开。
在一个实施例中，在S300步骤中，根据作业需求和设定车速，可以假定每辆自动驾驶车辆的车速恒定，预测各自动驾驶车辆沿其最优化作业路线移动时，经过各栅格节点的时间，对各自动驾驶车辆占用栅格节点的时间进行列表记录，得到初始时序表。
上述技术方案的工作原理与有益效果为：根据作业需求和设定车速，假定每辆自动驾驶车辆的车速恒定，结合最优化作业路线，就可以预测出各自动驾驶车辆沿其最优化作业路线移动时，所经过各栅格节点的具体时间。
在一个实施例中，如图5所示，若目标区域存在障碍物时，在S200步骤中应当先将障碍物所占的栅格节点排除；在S300步骤中，设定自动驾驶车辆的安全间距，假如安全间距为5米，若栅格地图中每个栅格为标准1m×1m的正方形，即约束条件是必须以自动驾驶车辆间距保持5×5个栅格节点空间来保持安全行驶，在初始时序表中同步记录自动驾驶车辆沿其最优化作业路线移动时的安全间距范围内的栅格节点占用时间。
如图5所示，当前一辆自动驾驶车辆移动至终点E时，其后一辆自动驾驶车辆最多只能移动至距离终点E为5米处的栅格节点P位置，即为了保持5个栅格的安全间距，所有自动驾驶车辆要驶离出口E，只能先后到达栅格节点P，为优化前面的计算过程，可以栅格节点P作为终点取代E点，按前述算法计算最优化作业路线后，建立所有车辆的路径表：V_RECORD；以最大时速要求v_speed，计算建立理论通过时间表V_T，并按时间递增排序；以5米间隔的要求，在S400步骤中，进行时序验证与调整，在路权冲突点，可以依次将路径表中冲突的节点中涉及的自动驾驶车辆进行降速处理，以保障所有车辆到达栅格节点P的空间保障在5米间距；依据V_T表格，生成调度***最终的任务发布池，所有自动驾驶车辆以不同的启动时间依据最优化路径到达栅格节点P，并形成连续首尾相连的通行状态。
上述技术方案的工作原理和有益效果为：考虑目标区域的障碍物情况以及自动驾驶车辆行驶所需要的安全间距，更全面地反映自动驾驶车辆在目标区域的最优化作业路线移动的时序情况，以便后续更合理地解决时序冲突问题。
在一个实施例中，所述目标区域是属于项目场地的一个基本单元，所述项目场地包含多个基本单元，在每个基本单元内都采用相同的空间配置和时序规划。
上述技术方案的工作原理与有益效果为：此方式为模块化作业设计，将此局部区域的空间和时序配置作为一个基本模块，复制拷贝、放大到整个全局区域，即实现了以局部最优化向全局最优化逼近，可以根据项目特点，简化空间配置和时序规划过程，节省时间与成本，提高空间配置和时序规划的效率。
在一个实施例中，如图2所示，在S400步骤中，通过以下步骤对初始时序表是否存在时序冲突进行判断及调整：
S410根据栅格节点占用的初始时序表定义推盘矩阵n*n；
S420确定推盘矩阵的维度n的奇偶性；
S430计算推盘矩阵的逆序数，确定逆序数的奇偶性；
S440判断维度n和逆序数两者的奇偶性是否一致，若不一致表示存在时序冲突，进行步骤S450；若一致表示不存在时序冲突，进行步骤S460；
S450对初始时序表进行调整，然后以调整后的时序表重新定义推盘矩阵n*n，回到S420步骤；
S460输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
上述技术方案的工作原理为：在一个排列中，如果一对数的前后位置与大小顺序相反，即前面的数大于后面的数，那么它们就称为一个逆序。一个排列中逆序的总数就称为这个排列的逆序数。也就是说，对于n个不同的元素，先规定各元素之间有一个标准次序(例如n个不同的自然数，可规定从小到大为标准次序)，于是在这n个元素的任一排列中，当某两个元素的先后次序与标准次序不同时，就说有1个逆序。一个排列中所有逆序总数即为这个排列的逆序数。
上述技术方案的有益效果为：对空间配置和时序规划进行验证可以防止过程中出现的失误，或者查找错漏点，保证空间配置和时序规划实施的成功。
在一个实施例中，所述项目场地的多个基本单元间若存在跨基本单元作业，对每个基本单元进行栅格化，以连接两个基本单元的栅格称之为中转栅格，中转栅格的数量集合Ω(a,b)表示，其中a,b为相邻基本单元的编号，跨基本单元路径规划步骤如下：
第一步：获取当前栅格和目标栅格的基本单元编号，假设分别为a,b，查询基本单元a的迁徙路由表，确定要到达目标基本单元首先需要经过的基本单元h，从中转栅格集合Ω(a,h)中选取其中一个栅格S作为临时目标栅格，选取方式是通过概率算法随机选择，所述概率算法为
其中，D(target-grid,S)表示目标栅格与栅格S的距离，D(target-grid,Z)表示目标栅格与栅格Z的距离，z为集合Ω(a,b)中的栅格；
第二步：以当前栅格位置为起点和临时目标栅格为终点，执行基本单元内部的时序规划；
第三步：判断临时目标栅格是否为目标栅格，若是则结束；若不是则以临时目标栅格为当前栅格，回到第一步。
上述技术方案的工作原理与有益效果为：利用概率论与无限接近方法，解决采用组合拼接方式时没有考虑的单元关联性和协调问题，使得对接后没有冲突和其他不利影响。
在一个实施例中，所述自动驾驶车辆移动作业采用无线导航方式，先对各自动驾驶车辆进行编号和定位，然后根据所述空间配置和时序规划进行移动作业。
上述技术方案的工作原理与有益效果为：无线导航已经逐渐成为比较成熟的导航方式，其***设计简单，成本低廉。
下面以一个大型物流仓储项目规划为例，在该仓储项目中采用自动驾驶取代人为驾驶进行货物搬运作业，涉及的AGV的集群调度作业自动驾驶车辆多达500辆，根据相关行业的作业现状，采用本发明的方法进行设计规划，能够涵盖所有自动驾驶车辆的作业空间配置及其时序规划，提供最优化作业流程。
在设计作业流程时，考虑以下三要素：
1.自动驾驶车辆操纵动作模块化设计—即自主移动机器人的动作规范化；
2.仓储空间配置、自动驾驶车辆动作时序的数学论证—即自主移动机器人行驶作业的过程设计；
3.动作+空间+时序—达到输出最优化的自主移动机器人作业过程工艺。
一、对仓储空间配置最优化，涉及自动驾驶车辆行驶路径空间优化和停放位置空间配置优化两个方面。
1、自动驾驶车辆行驶路径空间优化
如图6所示，针对一个飞机泊位的车辆行驶路径规划，涉及到时序和空间配置。
先对仓储区域进行栅格化，得到栅格地图，对某一自动驾驶车辆的作业移动需求，当作业路径较多时，需要规划最优化行驶路径，参见图7所示，从起点A到达终点J的动态规划问题，路径选择的算法根据运筹学动态规划计算过程如下：
先从A至B、C、D路径数值如下表：
| A | |
| B | 20 |
| C | 40 |
| D | 30 |
然后以上表数值为B、C、D的初始值，计算由B、C、D至E、F、G路径数值如下表：
| B(20) | C(40) | D(30) | 最小值 | 最小值路径点 | |
| E | 70+20＝90 | 30+40＝70 | 40+30＝70 | 70 | C、D |
| F | 40+20＝60 | 10+40＝50 | 10+30＝40 | 40 | D |
| G | 60+20＝80 | 40+40＝80 | 50+30＝80 | 80 | B、C、D |
再以上表最小值为E、F、G的初始值，计算由E、F、G至H、I路径数值如下表：
| E(70) | F(40) | G(80) | 最小值 | 最小值路径点 | |
| H | 10+70＝80 | 60+40＝100 | 30+80＝110 | 80 | E |
| I | 40+70＝110 | 30+40＝70 | 30+80＝110 | 70 | F |
最后再以上表最小值为H、I的初始值，计算由H、I至J路径数值如下表：
| H(80) | I(70) | 最小值 | 最小值路径点 | |
| J | 30+80＝110 | 40+70＝110 | 110 | H、I |
根据上述计算倒推，得出以下路径的数值之和都为最小值110，属于优化路径：
J-I-F-D-A
J-H-E-C-A
J-H-E-D-A
以上述逐层演进方式，可保证起点-目的点的每条路径最优化，相当于将A-J之间的过程不断进行递进，直到J点完成。就相当于A-()-J之间仅隔一层，使问题变得简单化。依据此过程，就可实现路径空间的最优化计算。
2、自动驾驶车辆停放位置空间配置优化
如图8所示的空间基本单元中，要停放一定数量的自动驾驶车辆，切要保证任何一个位置的自动驾驶车辆可以自如的到达停放位置，并随时无阻碍离开停放区域。
采用Matlab栅格法来实现空间配置优化，如图9所示栅格，此部分空间规划依据运筹学非线性动态规划一维搜索法或者Fibonacci法可求得规划的最优解，获取该指定区域(约束条件)的停车数量及出入路线，具体过程参照前述内容。
二、对时序最优化，根据特定作业区域的约束条件和空间配置结果，如有n辆自动驾驶车辆在预定空间内进行指定作业，则空间配置后的结果，结合时序变化，解决可能存在的时序冲突问题，输出调整后的自动驾驶车辆的最优化作业过程，时序最优化仍然依据动态规划和非线性规划来计算：
1.空间配置按照上述输出结果；
2.按照出入口位置坐标，以最优化作业线路规划出入时序；
3.当有多个出入口时，可根据动态规划来计算分配时序。
该部分计算过程可参照华容道，栅格地图的空间配置，可视为n*n初始状态的推盘矩阵(已得的空间配置)，图10所示为只有一个出入口的4*4栅格推盘矩阵，首先判断n的奇偶性，其次再计算矩阵初始状态的逆序数，结合逆序数的奇偶性，就可以判断出空间移动是否可以成功。
上述项目设计的自主移动式机器人的作业空间配置及其时序规划，依托于集群调度***FDS(Fleet Dispatching Ssytem)，依据独创的智能制造方法论，以实现精益生产为最终目的，通过最优组合数学论证空间和时间规划的最优化方案，并将其落实到实际应用中。
该方法在实现类制造业生产线的最优化生产工艺设计也可以使用，对制造业中的自主移动机器人的作业动作、作业空间配置和作业时序规划等细节进行设计和优化。
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)
1.一种集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，包括以下步骤：
S100对目标区域建立地图模型，采用MATLAB对地图模型进行栅格化，每个栅格为一个栅格节点，形成栅格地图；
S200确定栅格地图中的出入口位置坐标，根据自动驾驶车辆的停车数量及初始位置，结合作业需求，找出各自动驾驶车辆的最优化作业路线；
S300根据各自动驾驶车辆的最优化作业路线及其作业移动建立栅格节点占用的初始时序表；
S400判断初始时序表是否存在时序冲突；若存在冲突则进行调整解决，然后输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
2.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S100步骤中，所述栅格化是通过ind2sub函数将数列和栅格坐标值进行换算，得到栅格地图。
3.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，若目标区域存在障碍物时，在S200步骤中应当先将障碍物所占的栅格节点排除。
4.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S200步骤中，采用一维搜索法找出最优化作业路线，过程如下：
首先，以出入口位置作为终点E坐标为(Ex，Ey)，以某一自动驾驶车辆的初始位置作为起点M坐标为(Mx，My)，搜索起点M的相邻栅格节点N1(Nx1，Ny1)、N2(Nx2，Ny2)、…至Nk(Nxk，Nyk)；
其次，计算起点M的各相邻栅格节点到终点E的最短步长，公式为：
其中，S(Nk，E)是栅格节点Nk到终点E的最短步长，
取起点M的各相邻栅格节点N1(Nx1，Ny1)、N2(Nx2，Ny2)、…至Nk(Nxk，Nyk)到终点E的最短步长中的最小值，选出最小值对应的栅格节点为Ni(Nxi，Nyi)并记录；
再次，以栅格节点为Ni(Nxi，Nyi)为起点，搜索栅格节点Ni的相邻栅格节点，计算到终点E的最短步长，选出最短步长中的最小值对应的栅格节点并记录，重复此搜索过程至最短步长中的最小值为零到达终点E结束；
最后，上述搜索过程选出的所有最小值对应的栅格节点的集合组成了该自动驾驶车辆的最优化作业路线，其路线长度为最优化步长；采用上述方法找出每辆自动驾驶车辆的最优化作业路线。
5.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S200步骤中，采用Fibonacci法找出最优化作业路线，过程如下：
针对栅格地图设定一个搜索函数，在搜索区间内取两个不同点，并计算出两个点的函数值，去除函数值较大的点外侧区间以缩小搜索区间；再在缩小后的搜索区间内重新取两个不同点，进行函数值计算和比较以进一步对搜索区间进行缩小，重复上述过程直至得到一维极小点，对应的最小步长线路为最优化作业路线。
6.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S300步骤中，根据作业需求和设定车速，预测各自动驾驶车辆沿其最优化作业路线移动时，经过各栅格节点的时间，对各自动驾驶车辆占用栅格节点的时间进行列表记录，得到初始时序表。
7.根据权利要求6所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S300步骤中，设定自动驾驶车辆的安全间距，在初始时序表中同步记录自动驾驶车辆沿其最优化作业路线移动时的安全间距范围内的栅格节点占用时间。
8.根据权利要求1所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S400步骤中，通过以下步骤对初始时序表是否存在时序冲突进行判断及调整：
S410根据栅格节点占用的初始时序表定义推盘矩阵n*n；
S420确定推盘矩阵的维度n的奇偶性；
S430计算推盘矩阵的逆序数，确定逆序数的奇偶性；
S440判断维度n和逆序数两者的奇偶性是否一致，若不一致表示存在时序冲突，进行步骤S450；若一致表示不存在时序冲突，进行步骤S460；
S450对初始时序表进行调整，然后以调整后的时序表重新定义推盘矩阵n*n，回到S420步骤；
S460输出各自动驾驶车辆的最优化作业路线和时序表，得到集群自动驾驶车辆作业的空间配置和时序规划。
9.根据权利要求1或者8所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，在S400步骤中，若初始时序表存在时序冲突，采用距离出入口位置较近者优先原则对初始时序表进行调整，以保证所有自动驾驶车辆在最短的时间安全行驶经出入口位置。
10.根据权利要求1-9中任意一项所述的集群自动驾驶车辆泊位作业的空间配置和时序规划方法，其特征在于，所述自动驾驶车辆移动作业采用无线导航方式，先对各自动驾驶车辆进行编号和定位，然后根据所述空间配置和时序规划进行移动作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560394.1A CN111879327B (zh) | 2020-06-18 | 2020-06-18 | 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560394.1A CN111879327B (zh) | 2020-06-18 | 2020-06-18 | 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111879327A true CN111879327A (zh) | 2020-11-03 |
| CN111879327B CN111879327B (zh) | 2022-02-22 |
Family
ID=73156816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010560394.1A Active CN111879327B (zh) | 2020-06-18 | 2020-06-18 | 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111879327B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022120717A1 (zh) * | 2020-12-10 | 2022-06-16 | 华为技术有限公司 | 仿真任务调度方法、执行方法、仿真实现方法及装置 |
| CN114995466A (zh) * | 2022-08-02 | 2022-09-02 | 北京理工大学 | 一种多无人驾驶车辆三维时空运动走廊生成方法和*** |
| CN114999163A (zh) * | 2022-08-04 | 2022-09-02 | 北京科技大学 | 一种封闭区域无人驾驶车辆集群优化控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110530386A (zh) * | 2019-08-26 | 2019-12-03 | 浙江工业大学 | 一种基于改进Dijkstra算法的动态最短路径规划方法 |
| CN110989570A (zh) * | 2019-10-15 | 2020-04-10 | 浙江工业大学 | 一种多agv防碰撞协同路径规划方法 |
| CN111290391A (zh) * | 2020-02-28 | 2020-06-16 | 重庆邮电大学 | 一种基于独狼蚁群混合算法的移动机器人路径规划方法 |
-
2020
- 2020-06-18 CN CN202010560394.1A patent/CN111879327B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110530386A (zh) * | 2019-08-26 | 2019-12-03 | 浙江工业大学 | 一种基于改进Dijkstra算法的动态最短路径规划方法 |
| CN110989570A (zh) * | 2019-10-15 | 2020-04-10 | 浙江工业大学 | 一种多agv防碰撞协同路径规划方法 |
| CN111290391A (zh) * | 2020-02-28 | 2020-06-16 | 重庆邮电大学 | 一种基于独狼蚁群混合算法的移动机器人路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| KELEN VIVALDINI: ""Integrated tasks assignment and routing for the estimation of the optimal number of AGVS"", 《INT J ADV MANUF TECHNOL》 * |
| 曾献君，毛志刚，来逢昌，叶以正: "时序冲突及时序检查", 《微电子学与计算机》 * |
| 泰应鹏: ""多AGV路径规划方法研究"", 《计算机科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022120717A1 (zh) * | 2020-12-10 | 2022-06-16 | 华为技术有限公司 | 仿真任务调度方法、执行方法、仿真实现方法及装置 |
| CN114995466A (zh) * | 2022-08-02 | 2022-09-02 | 北京理工大学 | 一种多无人驾驶车辆三维时空运动走廊生成方法和*** |
| CN114995466B (zh) * | 2022-08-02 | 2022-11-15 | 北京理工大学 | 一种多无人驾驶车辆三维时空运动走廊生成方法和*** |
| CN114999163A (zh) * | 2022-08-04 | 2022-09-02 | 北京科技大学 | 一种封闭区域无人驾驶车辆集群优化控制方法 |
| CN114999163B (zh) * | 2022-08-04 | 2022-10-25 | 北京科技大学 | 一种封闭区域无人驾驶车辆集群优化控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111879327B (zh) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111879327B (zh) | 集群自动驾驶车辆泊位作业的空间配置和时序规划方法 | |
| Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
| EP4002049A1 (en) | Systems and methods for optimizing route plans in an operating environment | |
| Małopolski | A sustainable and conflict-free operation of AGVs in a square topology | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| Yang et al. | Hierarchical planning for multiple AGVs in warehouse based on global vision | |
| CN111532641B (zh) | 仓储分拣中自动引导车的并行路径规划方法 | |
| CN113780633B (zh) | 面向复杂环境的带实时冲突消解的多agv智能协同调度方法 | |
| Guney et al. | Dynamic prioritized motion coordination of multi-AGV systems | |
| Hu et al. | Conflict-free scheduling of large-scale multi-load AGVs in material transportation network | |
| EP4141599B1 (en) | Multi-robot route planning | |
| CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及*** | |
| Vasquez et al. | High-speed autonomous navigation with motion prediction for unknown moving obstacles | |
| Li et al. | A route and speed optimization model to find conflict-free routes for automated guided vehicles in large warehouses based on quick response code technology | |
| Gu et al. | Path planning for mobile robot in a 2.5‐dimensional grid‐based map | |
| Liu et al. | Research on multi-AGVs path planning and coordination mechanism | |
| Solichudin et al. | Conflict-free dynamic route multi-agv using dijkstra Floyd-warshall hybrid algorithm with time windows | |
| Luo et al. | An efficient simulation model for layout and mode performance evaluation of robotic mobile fulfillment systems | |
| CN113359774B (zh) | 一种用于四向穿梭车的路径规划方法 | |
| Fan et al. | Research and implementation of multi-robot path planning based on genetic algorithm | |
| Hameed et al. | Automatic storage and retrieval system using the optimal path algorithm | |
| Zhao et al. | Dynamic node allocation-based multirobot path planning | |
| CN116522801A (zh) | 一种用于物流***的布局仿真方法及装置 | |
| Mugarza et al. | Towards collision-free automated guided vehicles navigation and traffic control | |
| Goutham et al. | Optimal path planning through a sequence of waypoints |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230113 Address after: No. 1-1, Aofeng Road, Wozhou Town, Xinchang County, Shaoxing City, Zhejiang Province 312500 Patentee after: Jiuyao Intelligent Technology (Zhejiang) Co.,Ltd. Address before: Floor 9, building 26, courtyard 9, Linhe Avenue, Renhe Town, Shunyi District, Beijing Patentee before: Beijing Jiuquan Intelligent Technology Co.,Ltd. |