CN112286211A - 一种不规则布局车间的环境建模及agv路径规划方法 - Google Patents

一种不规则布局车间的环境建模及agv路径规划方法 Download PDF

Info

Publication number
CN112286211A
CN112286211A CN202011573270.3A CN202011573270A CN112286211A CN 112286211 A CN112286211 A CN 112286211A CN 202011573270 A CN202011573270 A CN 202011573270A CN 112286211 A CN112286211 A CN 112286211A
Authority
CN
China
Prior art keywords
agv
grid
path
modeling
area
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
Application number
CN202011573270.3A
Other languages
English (en)
Inventor
陈志祥
徐晗
陈耀峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Smartstate Technology Co ltd
Original Assignee
Shanghai Smartstate Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Smartstate Technology Co ltd filed Critical Shanghai Smartstate Technology Co ltd
Priority to CN202011573270.3A priority Critical patent/CN112286211A/zh
Publication of CN112286211A publication Critical patent/CN112286211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Physiology (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种不规则布局车间的环境建模及AGV路径规划方法，包括作业环境模型的建立及AGV路径的规划。作业环境模型的建立经拓扑建模法建立不规则布局车间的总体结构模型，经栅格建模法建立复杂作业区域的描述模型。AGV路径的规划包括以下步骤：第一AGV运动路径、第二AGV运动路径的建立、第三AGV运动路径的建立，第三AGV运动路径的建立依据改进遗传算法进行，改进遗传算法包括设计新适应度函数及引入模拟退火种群选择方法。本发明通过采用拓扑建模及栅格建模的方法实现不规则布局车间的作业环境建模，能够实现复杂作业环境的精确细致的描述，以提高AGV路径规划的准确度。

Description

一种不规则布局车间的环境建模及AGV路径规划方法
技术领域
本发明涉及AGV路径规划技术领域，具体为一种不规则布局车间的环境建模及AGV路径规划方法。
背景技术
随着制造业的不断发展，生产线物流的自动化成为企业转型升级的重要方向之一。AGV（Automated Guided Vehicle），即自动导引运输车或无人搬运车，是能够沿规定的导引路径行驶且具有安全保护以及各种移载功能的运输车。一般来说，当生产车间或物流车间建立后，需要对AGV的行走路径进行规划，只有当AGV的行走路径规划好后，才能确保AGV的行走速度、避免AGV在行走过程中转向次数过多或者角度过大造成的磨损，才能够避免AGV车体的运行稳定性差而造成的货物的掉落。
目前，现有的车间的AGV路径规划大多是单一的建模方式，例如栅格建模法，其可以对复杂作业环境进行精确细致的描述，路径规划准确度高，但是其计算复杂程度高，且运算量随栅格数量的增加呈指数增加，大大增加了建模的难度及成本。例如拓扑建模法，其将路径交叉点和作业点位视为节点，将行驶路径视为边，通过有序的节点集合描述AGV的路径及其方向，建模方法结构紧凑，适用于多节点关联场景，但其对于复杂的车间，AGV路径规划准确度却较低。
同时，现有的AGV路径规划方法是由传统遗传算法改进而来，传统遗传算法通常从编码、初始种群设定、适应度函数设计、遗传操作、控制参数2个方面进行的，其中，传统的适应度函数没有结合AGV的实际运动过程来考虑路径的平滑度，在实际的运动过程中，如果AGV转向次数过多，不仅会增加运动时间，还会造成车辆机械结构的快速磨损，运动的累积误差也会随转向次数的增多而增大的问题。
因此，需要对现有的车间的AGV路径规划方法进行改进。
发明内容
本发明的目的在于提供一种不规则布局车间的环境建模及AGV路径规划方法，通过采用拓扑建模及栅格建模的方法实现不规则布局车间的作业环境建模，能够实现复杂作业环境的精确细致的描述，以提高AGV路径规划的准确度。
实现发明目的的技术方案如下：一种不规则布局车间的环境建模及AGV路径规划方法，包括作业环境模型的建立及AGV路径的规划。
其中，作业环境模型的建立包括以下步骤：
S1、经拓扑建模法建立不规则布局车间的总体结构模型，总体结构模型包括简单作业区域及复杂作业区域；
S2、将简单作业区域内的各个路径交叉点及作业点命名为第一拓扑节点，将复杂作业区域命名为第二拓扑节点；
S3、经栅格建模法建立复杂作业区域的描述模型。
其中，AGV路径的规划包括以下步骤：
S100、简单作业区域内第一AGV运动路径的建立；
S200、复杂作业区域与复杂作业区域之间第二AGV运动路径的建立；
S300、复杂作业区域内第三AGV运动路径的建立，第三AGV运动路径的建立依据改进遗传算法进行，改进遗传算法包括设计新适应度函数，引入模拟退火种群选择方法。
进一步的，新适应度函数的表达式为：
Figure 771459DEST_PATH_IMAGE001
,其中，
Figure 577741DEST_PATH_IMAGE002
为传统适应度函数表达式，
Figure DEST_PATH_IMAGE003
为增加平滑度的适应度函数表达式，
Figure 939321DEST_PATH_IMAGE004
为AGV通过的栅格数，D为AGV通过的路径长度，
Figure DEST_PATH_IMAGE005
为三个相邻栅格之间的距离差。
进一步的，上述
Figure 743329DEST_PATH_IMAGE005
的表达式为：
Figure 941092DEST_PATH_IMAGE006
。
其中，
Figure DEST_PATH_IMAGE007
为栅格
Figure 488748DEST_PATH_IMAGE008
与栅格
Figure DEST_PATH_IMAGE009
之间的距离，表达式为：
Figure 704834DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
为栅格
Figure 883006DEST_PATH_IMAGE012
与栅格
Figure 364803DEST_PATH_IMAGE008
之间的距离，表达式为：
Figure DEST_PATH_IMAGE013
；
Figure 716150DEST_PATH_IMAGE014
为栅格
Figure 524093DEST_PATH_IMAGE012
与栅格
Figure 935483DEST_PATH_IMAGE009
之间的距离，表达式为：
Figure DEST_PATH_IMAGE015
。
在本发明的优选实施例中，改进遗传算法还包括编码、初始种群设定、遗传操作、控制参数设定。
进一步的，模拟退火种群选择方法引入了基于固体退火原理的模拟退火种群选择方法。
进一步的，上述栅格建模方法为：
将复杂作业区域进行栅格分解形成格栅地图；
标注格栅地图内障碍物区域、无障碍物区域；
将障碍物区域的格栅属性值设为1，形成非通行区域；将无障碍物区域的格栅属性值设为0，形成通行区域。
更进一步的，在障碍物区域与无障碍物区域之间设置膨胀区域，将膨胀物区域的格栅属性值设为1，且将膨胀物区域与障碍物区域合并，形成非通行区域。
与现有技术相比，本发明的有益效果是：
1.通过采用拓扑建模及栅格建模的方法实现不规则布局车间的作业环境建模，能够实现复杂作业环境的精确细致的描述，以提高AGV路径规划的准确度。同时，在AGV路径规划时，栅格建模法建立的描述模型通过对传统的遗传算法进行改进，通过引入路径平滑度的概念对生成的AGV路径进行优化，在避免增加运动时间的基础上，减少AGV转向次数及转向角度，从而避免车辆机械结构造成的快速磨损。
2.在栅格建模方法中，在障碍物区域与无障碍物区域之间设置膨胀区域，且将膨胀区域规定为非通行区域，能够避免AGV在行走过程中与障碍物区域触碰或者撞击，造成AGV及其搭载的物品的损坏及掉落，也能够避免障碍物区域的障碍物被损坏进而产生安全隐患。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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，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为本发明实施例中不规则布局车间的环境建模及AGV路径规划方法的流程图；
图2为本发明实施例中不规则布局车间的布局图及AGV路径示意图；
图3为本发明实施例中复杂作业区域的描述模型的栅格地图；
图4为本发明实施例中AGV路径的第一AGV运动路径及第二AGV运动路径的示意图；
图5为本发明实施例中改进遗传算法的模拟退火种群选择流程图；
图6为本发明实施例中第三AGV运动路径的最佳路径的计算流程图；
图7为本发明实施例中AGV路径的第三AGV运动路径的示意图。
具体实施方式
下面结合具体实施例来进一步描述本发明，本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
在本实施例的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。
此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本公开实施例提供了一种不规则布局车间的环境建模及AGV路径规划方法，如图1所示，包括作业环境模型的建立及AGV路径的规划。
其中，如图1所示，作业环境模型的建立包括以下步骤：
S1、经拓扑建模法建立不规则布局车间的总体结构模型，总体结构模型包括简单作业区域及复杂作业区域。
S2、将简单作业区域内的各个路径交叉点及作业点命名为第一拓扑节点，将复杂作业区域命名为第二拓扑节点。
具体的，由于简单作业区域内的作业点及路径交叉点均较少，因此此区域的AGV路径的规划较为简单，可以将简单作业区域内的各作业点及路径交叉点均设置为第一拓扑节点。同时，由于复杂作业区域的作业区比较复杂，所以将各个复杂作业区域整体视为一个作业节点。AGV路径规划时，将在各个第一拓扑节点之间，在第一拓扑节点与第二拓扑节点之间建立平直的路径，以简化AGV路径规划设置。
S3、经栅格建模法建立复杂作业区域的描述模型，栅格建模方法如下所述：
S301、将复杂作业区域进行栅格分解形成格栅地图。
具体的，规定描述模型内的栅格尺寸长度为AGV的外形尺寸最大值，如图3所示，建立的栅格地图的大小为20*20。
S302、标注格栅地图内障碍物区域（如图3中黑色格栅所示）、无障碍物区域（如图3中白色格栅所示）；
S303、将障碍物区域的格栅属性值设为1，形成非通行区域；将无障碍物区域的格栅属性值设为0，形成通行区域。
更进一步的，由于在实际环境中AGV不能视为质点，为了使得AGV行走时不会经过障碍物边界，因此在障碍物区域与无障碍物区域之间设置膨胀区域（如图3中灰色格栅所示），将膨胀物区域的格栅属性值设为1，且将膨胀物区域与障碍物区域合并，形成非通行区域。
其中，作业环境模型的建立后，对不规则布局车间内的AGV行走的路径进行规划，在本实施方式中，如图1所示，AGV路径的规划包括以下步骤：
S100、简单作业区域内第一AGV运动路径的建立，具体的，简单作业区内第一AGV运动路径为简单的直行路径。在路径规划时，根据作业需求，在各个路径交叉点及作业点，即各个第一拓扑节点之间设置第一AGV运动路径。
S200、复杂作业区域与复杂作业区域之间第二AGV运动路径的建立，具体的，复杂作业区域与复杂作业区域之间建立的第二AGV运动路径也为简单的直行路径。在路径规划时，根据作业需求，在简单作业区域内与复杂作业区域最近的第一拓扑节点（路径交叉点或作业点），与各个复杂作业区域的第二拓扑节点之间建立第二AGV运动路径。
S300、复杂作业区域内第三AGV运动路径的建立，第三AGV运动路径的建立依据改进遗传算法进行，改进遗传算法包括设计新适应度函数，引入模拟退火种群选择方法。
具体的，传统遗传算法是一种模拟生物进化过程的计算模型，其通过模拟自然进化过程来搜索最优解。遗传算法以种群中的所有个体为对象，并利用随机化原理对一个编码后的参数空间进行高效搜索。其中包括编码、初始种群设定、适应度函数设计、遗传操作、控制参数设定这五个方面的内容为传统遗传算法的最基本内容。
本发明是通过对传统遗传算法的适应度函数进行设计，得到新适应度函数，并应用模拟退火种群选择方法进行初始种群的选择，进而形成的改进遗传算法。
其中，在AGV的路径规划中，通常需要优化AGV路径的长度，在传统遗传算法中，适应度函数表达式为：
Figure 842259DEST_PATH_IMAGE002
，
Figure 528455DEST_PATH_IMAGE004
为AGV通过的栅格数，D为AGV通过的路径长度。
具体的，D的表达式为：
Figure 204287DEST_PATH_IMAGE016
，通过
Figure DEST_PATH_IMAGE017
衡量种群个体的适应度可以淘汰路径长度较大的个体，但这种传统适应度函数的问题在于，其并未结合AGV的实际运动过程来考虑AGV路径的平滑度。在实际的运动过程中，如果AGV转向次数过多，不仅会增加运动时间，还会造成车辆机械结构的快速磨损，其运动的累积误差也会随转向次数的增多而增大，因此，需要对生成的AGV路径的平滑度（非数学意义上的平滑）进行考量。
具体的，根据三角形的几何关系，相邻三点之间的距离关系可以表征路径的平滑度，因此，在本发明中复杂作业区域内描述模型的三个相邻栅格之间的距离表达式如下：
表达式：
Figure 770267DEST_PATH_IMAGE018
，
Figure 961077DEST_PATH_IMAGE007
为栅格
Figure 654226DEST_PATH_IMAGE008
与栅格
Figure 184565DEST_PATH_IMAGE009
之间的距离。
表达式：
Figure DEST_PATH_IMAGE019
，
Figure 937757DEST_PATH_IMAGE011
为栅格
Figure 615863DEST_PATH_IMAGE020
与栅格
Figure 830813DEST_PATH_IMAGE008
之间的距离；
表达式：
Figure 277975DEST_PATH_IMAGE021
，
Figure 936489DEST_PATH_IMAGE014
为栅格
Figure 101891DEST_PATH_IMAGE020
与栅格
Figure 871264DEST_PATH_IMAGE009
之间的距离。
表达式：
Figure 376195DEST_PATH_IMAGE006
，
Figure 267927DEST_PATH_IMAGE005
为三个相邻栅格之间的距离差。根据三角形的几何关系，当
Figure 107576DEST_PATH_IMAGE022
越小时，
Figure 477378DEST_PATH_IMAGE009
、
Figure 836815DEST_PATH_IMAGE008
、
Figure 899449DEST_PATH_IMAGE012
三个栅格之间的夹角越大，AGV的路径也就越平滑，AGV的转角幅度越小，磨损也会越小，AGV的平衡性也会提高。因此，增加平滑度的适应度函数表达式为：
Figure 711547DEST_PATH_IMAGE023
。
综合考虑路径的长度（D）以及平滑度（
Figure 150619DEST_PATH_IMAGE024
），改进后的新适应度函数的表达式为：
Figure 364562DEST_PATH_IMAGE001
。
进一步的，由于传统遗传算法易陷入局部最优的缺陷，因此，改进遗传算法中，模拟退火种群选择方法通过引入模拟退火的算法来对初始种群中的个体进行选择。
具体的，参照图5所示，模拟退火种群选择方法包括以下步骤：
将复杂作业区域的格栅地图输入改进遗传算法内；
选取初始化后的种群个体，计算适应度函数值
Figure 53557DEST_PATH_IMAGE025
；
扰动产生新值X，计算适应度函数值
Figure 415268DEST_PATH_IMAGE026
；
计算
Figure 64555DEST_PATH_IMAGE027
并判
Figure 460902DEST_PATH_IMAGE028
大小；
当
Figure 803021DEST_PATH_IMAGE029
时，接受新值X，使
Figure 652029DEST_PATH_IMAGE030
；当达到迭代次数且满足终止条件时，结束操作；当达到迭代次数但不满足终止条件时，缓慢降温使
Figure 105007DEST_PATH_IMAGE031
，返回产生新X，重新计算适应度函数值
Figure 355859DEST_PATH_IMAGE025
；当未达到迭代次数时，返回产生新X，重新计算适应度函数值
Figure 118148DEST_PATH_IMAGE025
。
当
Figure 657714DEST_PATH_IMAGE032
时，根据模拟退火概率突跳特性，令
Figure 976700DEST_PATH_IMAGE033
，判断P是否大于由程序随机生成的0到1之间的一个值，若大于该值，则接受新值X，使
Figure 19742DEST_PATH_IMAGE030
，并继续外层循环；若小于等于该值，则直接判断程序是否达到迭代次数，并继续外层循环。
根据本发明的一个具体实施例，本实施例的不规则布局车间如图2所示，AGV路径的规划请参阅图3、图5所示：
首先，作建立业环境模型。
具体的，S1、经拓扑建模法建立总体结构模型，总体结构模型包括简单作业区域及复杂作业区域（Z1、Z2）。
S2、将简单作业区域内的各个路径交叉点（C1、C2）及作业点（夹具库、充电桩）命名为第一拓扑节点（C1、C2、夹具库、充电桩），将复杂作业区域命名为第二拓扑节点。
S3、经栅格建模法建立复杂作业区域的描述模型（Z1、Z2），如图4所示。
其次，对不规则布局车间内的AGV行走的路径进行规划。
具体的，S100、简单作业区域内第一AGV运动路径的建立，简单作业区内第一AGV运动路径为简单的直行路径，如图4中所示，第一AGV运动路径为充电桩→C1→夹具库→C1→C2的路径。
S200、复杂作业区域与复杂作业区域之间第二AGV运动路径的建立，第二AGV运动路径也为简单的直行路径，如图4中所示，第二AGV运动路径为C2→Z1和C2→Z2路径。
具体的，AGV在上述第一AGV运动路径和第二AGV运动路径的行驶通过简单运动控制实现，AGV通过里程计获取运动的里程信息和转向角度信息，里程计信息来源于车身驱动轮光电编码器和惯性测量单元记录的相对位姿变化。在此基础上，AGV的激光雷达可以实时测量其与车间固定参照物（如贴在墙体上的激光反射条）的距离，由此解算出AGV的实时位置姿态信息，进而实现固定路径行驶。
S300、复杂作业区域内第三AGV运动路径的建立，第三AGV运动路径的建立依据改进遗传算法进行，第三AGV运动路径如图7所示。
具体的，第三AGV运动路径是通过应用改进遗传算法计算得出，遗传算法的改进包括适应度函数的重新设计、用模拟退火种群选择方法进行种群选择，具体包括经栅格地图和栅格编码（复杂作业区域由栅格建模法建立的栅格地图，并得到栅格编码）、初始化种群、模拟退火进行种群选择、交叉操作、变异操作、迭代次数的判断步骤得到最优路径，最优路径计算流程图参见图6所示，应用改进后的遗传算法求出的最优路径如图7所示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种不规则布局车间的环境建模及AGV路径规划方法，其特征在于：包括作业环境模型的建立及AGV路径的规划；
其中，所述作业环境模型的建立包括以下步骤：
S1、经拓扑建模法建立不规则布局车间的总体结构模型，总体结构模型包括简单作业区域及复杂作业区域；
S2、将所述简单作业区域内的各个路径交叉点及作业点命名为第一拓扑节点，将所述复杂作业区域命名为第二拓扑节点；
S3、经栅格建模法建立所述复杂作业区域的描述模型；
其中，所述AGV路径的规划包括以下步骤：
S100、所述简单作业区域内第一AGV运动路径的建立；
S200、所述复杂作业区域与所述复杂作业区域之间第二AGV运动路径的建立；
S300、所述复杂作业区域内第三AGV运动路径的建立，所述第三AGV运动路径的建立依据改进遗传算法进行，所述改进遗传算法包括设计新适应度函数，引入模拟退火种群选择方法。
2.根据权利要求1所述的环境建模及AGV路径规划方法，其特征在于：所述新适应度函数的表达式为：
Figure 715725DEST_PATH_IMAGE001
，其中，
Figure 24346DEST_PATH_IMAGE002
为传统适应度函数表达式，
Figure 708269DEST_PATH_IMAGE003
为增加平滑度的适应度函数表达式，
Figure 266289DEST_PATH_IMAGE004
为AGV通过的栅格数，D为AGV通过的路径长度，
Figure 567127DEST_PATH_IMAGE005
为三个相邻栅格之间的距离差。
3.根据权利要求2所述的环境建模及AGV路径规划方法，其特征在于： 所述
Figure 526993DEST_PATH_IMAGE006
的表达式为：
Figure 381817DEST_PATH_IMAGE007
，
其中，
Figure 692712DEST_PATH_IMAGE008
为栅格
Figure 556763DEST_PATH_IMAGE009
与栅格
Figure 308818DEST_PATH_IMAGE010
之间的距离，表达式为：
Figure 662439DEST_PATH_IMAGE011
；
Figure 382002DEST_PATH_IMAGE012
为栅格
Figure 846482DEST_PATH_IMAGE013
与栅格
Figure 453044DEST_PATH_IMAGE009
之间的距离，表达式为：
Figure 977566DEST_PATH_IMAGE014
；
Figure 935158DEST_PATH_IMAGE015
为栅格
Figure 141011DEST_PATH_IMAGE013
与栅格
Figure 929975DEST_PATH_IMAGE010
之间的距离，表达式为：
Figure 812350DEST_PATH_IMAGE016
。
4.根据权利要求1至3任一项所述的环境建模及AGV路径规划方法，其特征在于：所述改进遗传算法还包括编码、初始种群设定、遗传操作、控制参数设定。
5.根据权利要求4所述的环境建模及AGV路径规划方法，其特征在于：所述模拟退火种群选择方法引入了基于固体退火原理的模拟退火种群选择方法。
6.根据权利要求1~3、5任一项所述的环境建模及AGV路径规划方法，其特征在于：所述栅格建模方法为：
将所述复杂作业区域进行栅格分解形成格栅地图；
标注所述格栅地图内障碍物区域、无障碍物区域；
将所述障碍物区域的格栅属性值设为1，形成非通行区域；将所述无障碍物区域的格栅属性值设为0，形成通行区域。
7.根据权利要求6所述的环境建模及AGV路径规划方法，其特征在于：在所述障碍物区域与所述无障碍物区域之间设置膨胀区域，将所述膨胀物区域的格栅属性值设为1，且将所述膨胀物区域与所述障碍物区域合并，形成非通行区域。
CN202011573270.3A 2020-12-28 2020-12-28 一种不规则布局车间的环境建模及agv路径规划方法 Pending CN112286211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011573270.3A CN112286211A (zh) 2020-12-28 2020-12-28 一种不规则布局车间的环境建模及agv路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011573270.3A CN112286211A (zh) 2020-12-28 2020-12-28 一种不规则布局车间的环境建模及agv路径规划方法

Publications (1)

Publication Number Publication Date
CN112286211A true CN112286211A (zh) 2021-01-29

Family

ID=74426461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011573270.3A Pending CN112286211A (zh) 2020-12-28 2020-12-28 一种不规则布局车间的环境建模及agv路径规划方法

Country Status (1)

Country Link
CN (1) CN112286211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439031A (zh) * 2022-11-09 2022-12-06 北京德汇伟业技术服务有限公司 一种电力设备的制造智能监测管理方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN106681334A (zh) * 2017-03-13 2017-05-17 东莞市迪文数字技术有限公司 基于遗传算法的自动搬运小车调度控制方法
US9751210B2 (en) * 2014-11-26 2017-09-05 Irobot Corporation Systems and methods for performing occlusion detection
CN107490959A (zh) * 2017-08-11 2017-12-19 潘金文 一种有效的机器人路径规划***
CN109151332A (zh) * 2018-06-26 2019-01-04 杭州电子科技大学 基于适应度函数的相机编码曝光最优码字序列搜索方法
CN109241633A (zh) * 2018-09-12 2019-01-18 西安交通大学 基于遗传算法的流体机械并行仿真程序进程映射方法
CN110702133A (zh) * 2019-09-29 2020-01-17 安克创新科技股份有限公司 路径规划方法、机器人以及具有存储功能的装置
CN111780759A (zh) * 2020-05-28 2020-10-16 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN111836199A (zh) * 2020-06-01 2020-10-27 同济大学 一种室内导航动态避障寻径方法
CN112091950A (zh) * 2020-08-21 2020-12-18 华南理工大学 基于混合遗传模拟退火算法的机器人运动学参数辨识方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9751210B2 (en) * 2014-11-26 2017-09-05 Irobot Corporation Systems and methods for performing occlusion detection
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN106681334A (zh) * 2017-03-13 2017-05-17 东莞市迪文数字技术有限公司 基于遗传算法的自动搬运小车调度控制方法
CN107490959A (zh) * 2017-08-11 2017-12-19 潘金文 一种有效的机器人路径规划***
CN109151332A (zh) * 2018-06-26 2019-01-04 杭州电子科技大学 基于适应度函数的相机编码曝光最优码字序列搜索方法
CN109241633A (zh) * 2018-09-12 2019-01-18 西安交通大学 基于遗传算法的流体机械并行仿真程序进程映射方法
CN110702133A (zh) * 2019-09-29 2020-01-17 安克创新科技股份有限公司 路径规划方法、机器人以及具有存储功能的装置
CN111780759A (zh) * 2020-05-28 2020-10-16 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN111836199A (zh) * 2020-06-01 2020-10-27 同济大学 一种室内导航动态避障寻径方法
CN112091950A (zh) * 2020-08-21 2020-12-18 华南理工大学 基于混合遗传模拟退火算法的机器人运动学参数辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋启松 等: "基于改进遗传算法的自动导引小车路径规划", 《组合机床与自动化加工技术》 *
徐力 等: "自适应遗传算法在机器人路径规划的应用", 《计算机工程与应用》 *
江涛 等: "改进遗传算法与领航跟随法的机器人编队方法", 《计算机工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439031A (zh) * 2022-11-09 2022-12-06 北京德汇伟业技术服务有限公司 一种电力设备的制造智能监测管理方法及***

Similar Documents

Publication Publication Date Title
Zhang et al. Hybrid trajectory planning for autonomous driving in highly constrained environments
EP3623759B1 (en) A computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles
CN113031583B (zh) 一种结构化道路避障方法
Nikolos et al. Evolutionary algorithm based offline/online path planner for UAV navigation
CN112284393B (zh) 一种智能移动机器人全局路径规划方法和***
Artunedo et al. Motion planning approach considering localization uncertainty
CN112539750B (zh) 一种智能运输车路径规划方法
Mouhagir et al. A markov decision process-based approach for trajectory planning with clothoid tentacles
CN114237256B (zh) 一种适用于欠驱动机器人的三维路径规划与导航方法
CN112577506A (zh) 一种自动驾驶局部路径规划方法和***
CN114355923B (zh) 一种a*引导下基于mpc的轨迹规划及跟踪方法
CN114879660A (zh) 一种基于目标驱动的机器人环境感知方法
CN112286211A (zh) 一种不规则布局车间的环境建模及agv路径规划方法
CN117109620A (zh) 基于采样的车辆行为与环境交互的自动驾驶路径规划方法
CN116880209A (zh) 一种机器人时间-能量最优平滑轨迹规划方法
Smit et al. Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Ouach et al. PRM path smoothening by circular arc fillet method for mobile robot navigation
Karakaya et al. A novel local motion planner: Navibug
Stefanopoulou et al. Spline-Based Dynamic Object Handling in Autonomous Vehicles: A Model-Based Path Planning Algorithm
Bai et al. IMTP: Intention-Matching Trajectory Prediction for Autonomous Vehicles
Chu et al. Intelligent Logistics Vehicle Path Planning Using Fused Optimization Ant Colony Algorithm With Grid
Bårdevik Motion Planning for UGVs in Terrain Scenarios Based on RRT, RRT* and the Fast Marching Method
Lee et al. Development of an Adaptive AHP Path Planning Method considering the Mobile Robot Driving Environment
Liu et al. Multiple Unmanned Ground Vehicles Cooperative Trajectory Planning with Flexible Safety Guarantees
CN117451068A (zh) 一种基于改进a*算法和动态窗口法的混合路径规划方法

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: 20210129