CN113703452A - 一种用于大型仓储环境的agv路径规划方法 - Google Patents
一种用于大型仓储环境的agv路径规划方法 Download PDFInfo
- Publication number
- CN113703452A CN113703452A CN202110974440.7A CN202110974440A CN113703452A CN 113703452 A CN113703452 A CN 113703452A CN 202110974440 A CN202110974440 A CN 202110974440A CN 113703452 A CN113703452 A CN 113703452A
- Authority
- CN
- China
- Prior art keywords
- agv
- path
- node
- time
- algorithm
- 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 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009046 primary transport Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05D1/0212—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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉一种用于大型仓储环境的AGV路径规划方法,通过限制搜索树向着AGV的目标点方向扩展,提高单次搜索速度;改进传统MCTS算法在搜索树扩展至目标点才进行节点评价,使其每进行一次节点扩展便进行一次评价,避免“反向传播”过程的时间浪费,提高了算法效率。然后,将DP算法多阶段优化问题的思想和改进的MCTS算法相结合建立DP‑MCTS算法,进一步提高了大型自动化仓储***下AGV的路径规划效率;能够缩短AGV路径规划时间,得到多AGV的距离和时间均最短的路径、降低多AGV***能量消耗,能够方便快捷的选择出最优的AGV路径有利于提高整个仓储***的实时性。
Description
技术领域
本发明属于AGV路径规划技术领域,具体涉及一种用于大型仓储环境的AGV路径规划方法。
背景技术
大型自动化仓储***指仅需少量人工作业,通过自动引导车(AGV)实现自动存取物料的***。作为自动化仓储***中主要的运输工具,AGV承担从指定起点到指定目标点的货物运输工作。AGV的运行效率对***的整体效率有重要影响,而AGV的运行效率取决于路径规划的效率。对AGV的路径进行合理规划不仅可以提高仓储***的效率,还可以节省大量的能源。多AGV路径规划逐渐演化成一个多目标组合优化问题:除了需要关注算法快速性外,还需要考虑路径距离最短、时间最小和耗能最少。因此,大型自动化仓储***下多AGV的路径规划问题得到了广泛的关注。
现有的Dijkstra算法是AGV路径规划最有效的方法之一,但是其不能满足仓储环境规模不断扩大的需求;传统的动态规划算法(Dynamic Programming,DP)通过随机选择起点对样本集进行迭代,经多次训练得到最接近最优策略的Value Function,从而找到解决问题的策略。随着路径规划环境规模的扩大,训练次数和单次训练时间也会越来越大,DP算法在大型自动化仓储***中的计算量会随着工位点个数的增加而指数增加;传统的蒙特卡洛树搜索算法(Monte Carlo Tree Search,MCTS)缺少启发机制不能平衡“探索”与“利用”,其“盲目搜索”机制计算量较大。此外,在传统的MCTS的节点扩展过程中,当搜索树的叶子节点扩展至目标点时才对已遍历过的节点进行评价,在大型仓储***中效率不高。
因此如何方便快捷的选择出最优的AGV路径已经成为亟需解决的技术问题。
发明内容
为了解决现有技术存在的效率低、实时性差的问题,本发明提供了一种用于大型仓储环境的AGV路径规划方法,其具有效率更高、实时性更好等特点。
根据本发明的具体实施方式的一种用于大型仓储环境的AGV路径规划方法,包括:
基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围;
基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向;
在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径;
对所述可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径。
进一步的,所述用于大型仓储环境的AGV路径规划方法还包括:
对多个AGV的距离-时间最短路径进行成对冲突预检测,并确定路径冲突关键段及其长度。
进一步的,所述用于大型仓储环境的AGV路径规划方法还包括:
获取存在路径冲突的相关AGV的优先级,并采用自适应的方法对相关AGV的路径和/或到达路径中每个节点的时间进行修改;
在AGV遇到临时障碍物时采用自适应的方法解决路径冲突。
进一步的,所述用于大型仓储环境的AGV路径规划方法还包括:
获取运输任务并基于调度算法找到距离任务起点Manhattan距离最近的空闲AGV,进行运送。
进一步的,所述基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围包括:
基于动态规划算法多阶段进行区域划分。
进一步的,所述基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向包括:
基于深度优先搜索和广度优先搜索以及加入限定过程的蒙特卡洛树搜索算法限定节点的搜索方向。
进一步的,所述在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径包括:
基于AGV的负载情况建立邻接表,在扩展叶子节点前根据AGV起点和目标点的位置限定搜索树扩展范围,减少无关节点的个数。
进一步的,所述对所述可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径包括:
基于可行路径评分得出距离最短路径,同时为AGV转弯增加惩罚因子并选择惩罚最小的路径作为AGV的最优路径。
本发明的有益效果为:通过限制搜索树向着AGV的目标点方向扩展,提高单次搜索速度;改进传统MCTS算法在搜索树扩展至目标点才进行节点评价,使其每进行一次节点扩展便进行一次评价,避免“反向传播”过程的时间浪费,提高了算法效率。然后,将DP算法多阶段优化问题的思想和改进的MCTS算法相结合建立DP-MCTS算法,进一步提高了大型自动化仓储***下AGV的路径规划效率;能够缩短AGV路径规划时间,得到多AGV的距离和时间均最短的路径、降低多AGV***能量消耗,能够方便快捷的选择出最优的AGV路径有利于提高整个仓储***的实时性。
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是根据一示例性实施例提供的用于大型仓储环境的AGV路径规划方法的流程图;
图2是根据一示例性实施例提供的包含10个AGV的25×34大型自动化仓储***模拟图;
图3是根据一示例性实施例提供的在单个AGV情形下本发明提出的DP-MCTS算法与传统DP算法分别运行1000次找到距离-时间最短路径的计算时间对比图;
图4是根据一示例性实施例提供的单AGV情形下DP-MCTS算法与传统DP算法分别运行1000次找到距离-时间最短路径的能源消耗对比图;
图5是根据一示例性实施例提供的随着环境规模(节点数)的增加,经典DP算法及DP-MCTS算法的路径计算时间变化趋势对比图;
图6是根据一示例性实施例提供的随着环境规模(节点数)的增加,经典DP算法及DP-MCTS算法的***能源消耗变化趋势对比图;
图7是根据一示例性实施例提供的随着环境规模(节点数)的增加,经典DP算法及DP-MCTS算法的***吞吐量变化趋势对比图;
图8是根据一示例性实施例提供的用于大型仓储环境的AGV路径规划方法的另一流程图;
图9是根据一示例性实施例提供的在包含10个AGV同时行驶时,DP-MCTS算法与传统DP算法分别运行1000次找到初始最短路径的计算时间对比图;
图10是根据一示例性实施例提供的在包含10个AGV同时行驶时,DP-MCTS算法与传统DP算法分别运行1000次找到初始最短路径的能源消耗对比图;
图11是根据一示例性实施例提供的在包含10个AGV同时行驶时,DP-MCTS算法与传统DP算法分别运行1000次找到初始最短路径的能量消耗对比图;
图12是根据一示例性实施例提供的多用于大型仓储环境的AGV路径规划方法与传统方法在25×34大型自动化仓储***下各评价指标对比表格。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
首先大型自动化仓储***路径规划算法评价指标可总结为:(1)***路径计算时间(Compute Time of Routes,CTR);(2)多AGV的移动路径长度(Routes Distance forAgents,RDA);(3)多AGV路径完成用时(Routes Time for AGV,RTA);(4)多AGV任务(多个AGV均从起点移动至目标点)完成用时(Task Time for AGV,TTA)(s);(5)单位时间内多个AGV从起点移动至目标点的完成数量(Finished Routes per Unit Time,FRUT);(6)多个AGV移动期间转弯个数(Turn Numbers for AGVs,TNA);(7)多AGV的总能量消耗(TotalEnergy Cost for AGVs,TECA)。
其中CTR、RDA和TNA可通过程序仿真直接得出,以此为基础计算其他评价指标:设环境中共有n个AGV,栅格图形中AGV在每两个相邻节点间移动时间为tm,在节点处转弯耗时为tδ,假设***进行路径计算时的能量消耗为E1W/h,AGV在直线行驶的能量消耗为E2W/h,在停车转弯时的能量消耗为E3 W/h,以1min作为单位时间,RTA,TTA,FRUT和TECA的计算方法为:RTA=RDA×tm+TNA×tδ,TTA=RTA+CTR,FRUT=n/60×TFR,TECA=CTR×E1+RDA×E2+TNA×E3。
参照图1所示,本发明的实施例提供了一种用于大型仓储环境的AGV路径规划方法,具体包括以下步骤:
101、基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围;
通过采用动态规划算法多阶段解决问题的思想,提出大型自动化仓储***区域分割的方法;
具体的,参照图2所示,设仓储环境的维度是m×n,设AGV的起点坐标为(Sx,Sy),其目标点的横坐标为(Gx,Gy),栅格图形的左边界的横坐标为Xl,右边界的横坐标为Xr,上边界的纵坐标为Yu,下边界的纵坐标为Yd。则此AGV的路径规划区域的左上角坐标为右上角坐标为左下角坐标为右下角坐标为路径规划区域的共有n'row行n'col列。路径规划区域分割的方法如下:
n'row=max(Sx,Gx)-Xl 式(5)
n'col=|Gy-Sy| 式(6)
式(1)为此agent的路径规划区域的左上角坐标计算方法;式(2)为路径规划区域右上角坐标计算方法;式(3)为左下角坐标计算方法;式(4)为右下角坐标计算方式;式(5)和式(6)为路径规划区域的行数(n'row)和列数(n'col)的计算方法。
102、基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向;
结合深度优先搜索和广度优先搜索,使用加入“剪枝”即限定的过程的改进蒙特卡洛树搜索算法,以提供启发机制:
具体的,假设AGV起点的坐标为(Sx,Sy),目标点的坐标为(Gx,Gy),当前所在节点的坐标为(Vx,Vy),要扩展的子节点坐标为(V'x,V'y),子节点选择的方法如下:
(1)IfGx≥Sx:
(2)IfGx<Sx:
式(7)表示若AGV的目标点位于AGV的起点的右下方,则只考虑扩展位于当前节点右下方的节点;式(8)表示若AGV的目标点位于AGV的起点的右上方,则只考虑扩展位于当前节点右上方的节点;式(9)表示若AGV的目标点位于AGV的起点的左下方,则只考虑扩展位于当前节点左下方的节点;式(10)表示若AGV的目标点位于AGV的起点的左上方,则只考虑扩展位于当前节点左上方的节点。
103、在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径;
即通过“单步更新”确定AGV起点至目标点的所有可行路径,对所有可行路径进行评价,确定距离和时间均最短的路径,包括:
根据AGV执行的是负载任务还是空载任务建立邻接表,在扩展叶子节点前根据AGV起点和目标点的位置限定搜索树扩展范围,减少无关节点的个数,提高算法效率。
具体的,设AGV的路径为U(v,t)={u(v1,t1),u(v2,t2),…,u(vk,tk)},元素u(vi,ti)表示AGV到达路径中第i个节点的状态,vi表示路径中第i个节点的编号,ti表示AGV到达此节点的时间,i=1,2,3…k(k为路径长度)。根据每个AGV所执行的是负载任务还是空载任务计算邻接表:若执行的是负载任务,根据算法1建立有障碍邻接表adjobs[];若执行的是空载任务,则根据算法2建立无障碍邻接表adj[]。
算法1中,“G’[i][j]:G’[i+1][j+1]→adjobs[]”表示节点G’[i][j]与节点G’[i+1][j+1]邻接,将节点G’[i][j]加入邻接表adjobs[]中。
算法2中,“G’[i][j]:G’[i+1][j+1]→adj[]”表示节点G’[i][j]与节点G’[i+1][j+1]邻接,将节点G’[i][j]加入邻接表adj[]中。
根据邻接表找到已分割的区域中AGV起点至目标点的所有可行路径伪代码如下:
遍历区域中与AGV的起点邻接的节点(第3行),然后对所有邻接节点进行“剪枝”,选出符合AGV前进方向的节点作为起点再次进行节点扩展,同时将该节点加入路径列表path[]中(第4行和第5行)。
104、对可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径。
即选择“Move”值最小的路径作为AGV的距离-时间最短路径,并根据优先级确定其初始最优路径,包括:
提出基于路径“Move”值的评价标准,通过在节点过程中对所有从起点到目标点的可行路径进行打分,通过给路径增加惩罚找出“Move”值最小的路径,即从起点到目标点的转弯最少的路径。
具体的,将节点评价过程提前至模拟过程之前,通过给可行路径评分得出距离最短路径,同时为AGV转弯增加惩罚因子,然后选择惩罚最小的路径作为AGV的最终路径。改进的MCTS算法每进行一次叶子节点扩展同时对该过程进行打分,当搜索树扩展至目标点后不需要进行反向传播过程便可以获得每次扩展的节点是否最优。此时只需要从搜索树中找到AGV起点至目标点的距离最短且转弯最少的路径。
设AGV的路径为U(v,t)={u(v1,t1),u(v2,t2),…,u(vk,tk)},元素u(vi,ti)表示AGV到达路径中第i个节点的状态,vi表示路径中第i个节点的编号,ti表示AGV到达此节点的时间,i=1,2,3…k(k为路径长度),伪代码如下:
在找到所有符合AGV前进方向的可行路径的基础上,根据路径Move值选出转弯最少的路径:遍历列表path[]中的每条路径(path[]i)中的每两个相邻节点((V'x,V'y)与(Vx,Vy)),其中i=1,2…k,k为路径path[]i的长度。如果节点(Vx,Vy)是转弯点,则该路径的Move值+2,否则+1。然后将列表path[]中所有路径的Move汇总并与路径一一对应。最后,通过选择列表Move[]中最小值所对应的路径即找到AGV起点至目标点的距离-时间最短路径(即转弯最少的路径)。
参照图3至图7所示在包含10个AGV同时行使的情况下,本发明提出的改进DP-MCTS算法与传统DP算法在不同规模(不同节点数)自动化仓储***中距离-时间最短路径的计算时间对比图、路径能源消耗对比图以及多AGV***吞吐量(单位时间完成运输任务数量)对比图。自动化仓储***规模越大(节点数越多),本实施例所述的改进算法的优势越大。这样通过限制搜索树向着AGV的目标点方向扩展,提高单次搜索速度;改进传统MCTS算法在搜索树扩展至目标点才进行节点评价,使其每进行一次节点扩展便进行一次评价,避免“反向传播”过程的时间浪费,提高了算法效率。然后,将DP算法多阶段优化问题的思想和改进的MCTS算法相结合建立DP-MCTS算法,进一步提高了大型自动化仓储***下AGV的路径规划效率;能够缩短AGV路径规划时间,得到多AGV的距离和时间均最短的路径、降低多AGV***能量消耗,能够方便快捷的选择出最优的AGV路径有利于提高整个仓储***的实时性。
参照图8所示,本发明所提供的用于大型仓储环境的AGV路径规划方法包括以下步骤:
201、基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围;
202、基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向;
203、在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径;
204、对可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径。
205、对多个AGV的距离-时间最短路径进行成对冲突预检测,并确定路径冲突关键段及其长度。
206、获取存在路径冲突的相关AGV的优先级,并采用自适应的方法对相关AGV的路径和/或到达路径中每个节点的时间进行修改;
207、在AGV遇到临时障碍物时采用自适应的方法解决路径冲突。
208、获取运输任务并基于调度算法找到距离任务起点Manhattan距离最近的空闲AGV,进行运送。
具体的在实际执行时,当收到一个运送任务便实时调度一个空闲的AGV执行这一任务,首先上述实施例所提供的多用于大型仓储环境的AGV路径规划方法为每个AGV规划起点到目标点的距离-时间最短路径;
步骤205、然后采用基于路径冲突关键段的多AGV的路径冲突检测方法检测环境中的AGV之间是否存在路径冲突,并确定冲突关键段长度;
基于路径冲突关键段的多AGV的路径冲突检测方法分为:(1)冲突预检测和(2)确定冲突关键段两个部分。首先根据式(11)确定AGV的优先级(prio);然后根据表1确定AGV的初始最短路径。
表1确定初始路径
假设栅格图形中同时存在p个AGV,其路径为:
因此,p个AGV经过的节点集合为S={S1,S2…Sp},其中AGVi经过的节点集合为p个AGV经过节点的时间集合为T={T1,T2…Tp},其中AGVi经过节点的时间集合为(i=1,2…p)。路径冲突检测分为冲突预检测和确定冲突关键段两个部分,路径冲突预检测的伪代码如下:
通过算法5可判断p个AGV的初始距离-时间最短路径间是否存在相同节点,如果某两条路径中包含相同节点,则进一步通过确定路径冲突关键段(算法6)比较相关AGV到达这些节点的时间以确定两条路径是否存在冲突。确定路径冲突关键段的伪代码如下所示:
确定路径冲突的原理是:如果两个AGV到达某个重复节点的时间相同,则两个AGV确实存在路径冲突。由于路径冲突除了可能发生在节点处之外,还可能在两相邻节点的路段上,但是列表中只储存了AGVi到达路径中每个节点的时间而没有储存AGVi在路段上的时间。算法6的第1-3行是根据AGVi到达路径中节点的时间计算到达路段的时间;第4-8行表示进行次比较(其中n表示AGV的个数),得出每个AGV到达节点和路段的时间列表。然后将重复元素所对应的节点或路段加入列表section[]中,并获得冲突关键段的长度。
步骤206,若存在路径冲突,判断相关AGV是否存在备选最优路径采用自适应的路径冲突解决策略:此AGV选择另一条备选路径或在冲突关键段前等待;
为了保证全部AGV在完成一次任务的***总时间最小,本文规定修改Manhattan距离(式(12))小的AGV的路径或时间表;(1)若Manhattan距离大的agent的目标点在Manhattan距离小的AGV的最短路径上,则Manhattan距离小的agent在进入冲突关键段前停车等待Len×run_time+work_time(s),其中Len表示冲突关键段的长度;run_time表示每台AGV在相邻节点间的行驶时间;work_time表示AGV在某指定节点上停留所需要的时间;(2)若Manhattan距离大的agent的目标点不在Manhattan距离小的AGV的最短路径上,则Manhattan距离小的AGV在进入冲突关键段前停车等待Len×run_time(s)。然后修改Manhattan距离小的AGV的最终路径时间表,得到所有AGV的最优无碰撞路径。
在平面上,点Pi(xi,yi)与点Pj(xj,yj)的Manhattan距离如式(12)所示。
d(i,j)=|xi-xj|+|yi-yj| 式(12)
式中,d(i,j)表示i到j的Manhattan距离;xi表示i的横坐标,yi为i的纵坐标;xj表示j的横坐标,yj为j的纵坐标。
确定AGV的最终路径的方法如表2所示:
表2确定AGV的最终路径
重复步骤2-3直到没有冲突存在,***下发最优路径规划结果和时间表给各AGV;
步骤207,当AGV按照下发的路径行驶中遇到临时障碍物,AGV在临时障碍物前停止,然后以当前所在节点为起点,实时使用本发明提出的改进DP-MCTS算法(如S11-S14所述)判断当前节点到目标点之间是否存在备选最优路径,然后采用自适应的方法(直接使用备选路径或等待障碍解除)解决路径冲突。
步骤208,当多AGV***在t时接到新的运输任务,设任务起点为(x0,y0)。此时,自动化仓储***中有p个备选AGV(即完成运输任务处于空闲状态且电量高于20%的agent),它们的所在位置分别为Loc={(x1,y1),(x2,y2),…,(xp,yp)}。***实时计算列表Loc[]中每个元素与任务起点(x0,y0)的Manhattan距离,计算方法见式(12)。***将上述计算结果储存到列表中,其中p为备选AGV的个数,则最优的AGV为最小Manhattan距离对应的AGV,即argmin{DM}。
其中图2是本发明采用的25×34大型自动化仓储***。注:其中灰色栅格表示确定障碍物存放节点(在自动化仓储***中表示货架停放工位),白色栅格表示AGV的通道。图12是本发明提出的多AGV路径规划算法与传统算法在包含10个AGV同时行使的25×34大型自动化仓储***下各评价指标对比表格,通过该表格可以看出,采用本实施例所述方法能够为多个AGV确定无冲突的距离-时间最短路径,采用该方法能够降低多AGV***能源消耗,提高单位时间AGV完成运输任务量(自动化仓储***中的吞吐量)。
结合图9至图11所示的对比效果,本发明上述实施例所提供的用于大型仓储环境的AGV路径规划方法,通过利用DP算法分阶段优化问题的思想,根据AGV起点和目标点的位置对大型自动化仓储***进行区域分割,实现环境降维、减少训练样本个数。本发明根据大型自动化仓储***的特点在以下三个方面改进了传统的MCTS算法:(1)提出带有“剪枝”操作的节点“扩展”过程,根据AGV的起点和目标点的位置赋予算法“启发式搜索”的能力,增加算法搜索速度;(2)将“反向传播”过程提前至“模拟”过程前,实现叶子节点的实时评价,提高路径寻优效率;(3)提出基于“Move”值的路径评价标准,根据“Move”值最小原则减少AGV移动过程中的转弯次数,得到AGV的时间且距离均最短的路径。同时本文根据AGV是否负载提出不同的路径规划方法,进一步提高了自动化仓储***效率。在得到每个AGV的时间最短路径的基础上进行路径冲突预检测,以此确定AGV优先级、冲突关键段、发生冲突的AGV起点到目标点的Manhattan距离。然后根据Manhattan距离的大小确定冲突解决策略。通过采用以上方法能够为多AGV规划距离-时间最短路径,有利于降低多AGV***能源消耗,也有利于提高整个自动化仓储***的实时性。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件和软件的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,针对单AGV情形,可采用现场可编程逻辑控制器(FPGA),也可使用服务器与无线通讯的组合实现,即先在服务器进行路径规划然后通过无线通讯将规划结果传输给此AGV;而对于多AGV情形,由于在线计算量较大,只能通过高速服务器进行多AGV路径规划,并实时监控多AGV的行驶状态及路线上是否出现临时障碍物,AGV到达每个节点时通过无线通讯向服务器上传当前位置,服务器据此进行路径冲突检测/解决。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种用于大型仓储环境的AGV路径规划方法,其特征在于,包括:
基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围;
基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向;
在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径;
对所述可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径。
2.根据权利要求1所述的用于大型仓储环境的AGV路径规划方法,其特征在于,还包括:
对多个AGV的距离-时间最短路径进行成对冲突预检测,并确定路径冲突关键段及其长度。
3.根据权利要求2所述的用于大型仓储环境的AGV路径规划方法,其特征在于,还包括:
获取存在路径冲突的相关AGV的优先级,并采用自适应的方法对相关AGV的路径和/或到达路径中每个节点的时间进行修改;
在AGV遇到临时障碍物时采用自适应的方法解决路径冲突。
4.根据权利要求3所述的用于大型仓储环境的AGV路径规划方法,其特征在于,还包括:
获取运输任务并基于调度算法找到距离任务起点Manhattan距离最近的空闲AGV,进行运送。
5.根据权利要求1所述的用于大型仓储环境的AGV路径规划方法,其特征在于,所述基于AGV的行驶起点和目标点的位置所确定的区域进行区域划分,以确定AGV的路径搜索范围包括:
基于动态规划算法多阶段进行区域划分。
6.根据权利要求1所述的用于大型仓储环境的AGV路径规划方法,其特征在于,所述基于搜索范围内当前节点与目标节点的位置对AGV节点扩展过程进行限定,以限定其搜索的方向包括:
基于深度优先搜索和广度优先搜索以及加入限定过程的蒙特卡洛树搜索算法限定节点的搜索方向。
7.根据权利要求1所述的用于大型仓储环境的AGV路径规划方法,其特征在于,所述在每进行一次节点扩展时则对该节点进行一次筛选直到目标节点,以找到AGV起点至目标点的所有可行路径包括:
基于AGV的负载情况建立邻接表,在扩展叶子节点前根据AGV起点和目标点的位置限定搜索树扩展范围,减少无关节点的个数。
8.根据权利要求1所述的用于大型仓储环境的AGV路径规划方法,其特征在于,所述对所述可行路径进行评分,选择分值最小的可行路径作为AGV的距离-时间最短路径,并根据优先级确定AGV最优路径包括:
基于可行路径评分得出距离最短路径,同时为AGV转弯增加惩罚因子并选择惩罚最小的路径作为AGV的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974440.7A CN113703452A (zh) | 2021-08-24 | 2021-08-24 | 一种用于大型仓储环境的agv路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974440.7A CN113703452A (zh) | 2021-08-24 | 2021-08-24 | 一种用于大型仓储环境的agv路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113703452A true CN113703452A (zh) | 2021-11-26 |
Family
ID=78654338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110974440.7A Pending CN113703452A (zh) | 2021-08-24 | 2021-08-24 | 一种用于大型仓储环境的agv路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703452A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355926A (zh) * | 2021-12-29 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
CN114384908A (zh) * | 2021-12-16 | 2022-04-22 | 杭州申昊科技股份有限公司 | 一种用于轨道机器人的智能导航路径规划***及方法 |
CN114626794A (zh) * | 2022-05-17 | 2022-06-14 | 山东西曼克技术有限公司 | 基于物联网的仓储立库穿梭车路径规划方法及*** |
CN117151596A (zh) * | 2023-11-01 | 2023-12-01 | 领先未来科技集团有限公司 | 物联网仓储agv物流管理方法、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
CN111708364A (zh) * | 2020-06-19 | 2020-09-25 | 南京理工大学 | 一种基于a*算法改进的agv路径规划方法 |
CN112161630A (zh) * | 2020-10-12 | 2021-01-01 | 北京化工大学 | 适用于大型仓储***的agv在线无碰撞路径规划方法 |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
-
2021
- 2021-08-24 CN CN202110974440.7A patent/CN113703452A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
CN111708364A (zh) * | 2020-06-19 | 2020-09-25 | 南京理工大学 | 一种基于a*算法改进的agv路径规划方法 |
CN112161630A (zh) * | 2020-10-12 | 2021-01-01 | 北京化工大学 | 适用于大型仓储***的agv在线无碰撞路径规划方法 |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384908A (zh) * | 2021-12-16 | 2022-04-22 | 杭州申昊科技股份有限公司 | 一种用于轨道机器人的智能导航路径规划***及方法 |
CN114384908B (zh) * | 2021-12-16 | 2023-07-11 | 杭州申昊科技股份有限公司 | 一种用于轨道机器人的智能导航路径规划***及方法 |
CN114355926A (zh) * | 2021-12-29 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
CN114626794A (zh) * | 2022-05-17 | 2022-06-14 | 山东西曼克技术有限公司 | 基于物联网的仓储立库穿梭车路径规划方法及*** |
CN117151596A (zh) * | 2023-11-01 | 2023-12-01 | 领先未来科技集团有限公司 | 物联网仓储agv物流管理方法、***及存储介质 |
CN117151596B (zh) * | 2023-11-01 | 2023-12-29 | 领先未来科技集团有限公司 | 物联网仓储agv物流管理方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113703452A (zh) | 一种用于大型仓储环境的agv路径规划方法 | |
CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
CN113074728B (zh) | 基于跳点寻路与协同避障的多agv路径规划方法 | |
CN111532641B (zh) | 仓储分拣中自动引导车的并行路径规划方法 | |
CN112833905B (zh) | 基于改进a*算法的分布式多agv无碰撞路径规划方法 | |
CN109782757A (zh) | 一种基于分段调度的多agv***的路径调度方法 | |
CN113075927A (zh) | 基于预约表的仓储潜伏式多agv路径规划方法 | |
Zhu et al. | DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion | |
CN113625716B (zh) | 一种多智能体动态路径规划方法 | |
CN112525196B (zh) | 一种基于多维数据的agv路线规划调度方法及*** | |
CN109115220B (zh) | 一种用于停车场***路径规划的方法 | |
CN115237135A (zh) | 一种基于冲突的移动机器人路径规划方法及*** | |
CN113899383B (zh) | 基于短路径的多车防死锁方法、***、设备及存储介质 | |
CN111598332A (zh) | 一种智能制造环境下车间双资源集成调度方法及*** | |
CN113592158A (zh) | 多agv路径规划和多agv智能生产线中agv与机器联合调度方法 | |
CN114489062A (zh) | 面向车间物流的多自动导引车分布式动态路径规划方法 | |
CN111857149A (zh) | 一种a*算法与d*算法复合的自主路径规划方法 | |
CN115437382A (zh) | 一种用于无人仓库的多agv路径规划方法、***及设备介质 | |
CN114169628B (zh) | 基于a*算法和遗传算法的舰载机调度优化方法及*** | |
Shi et al. | Task allocation and path planning of many robots with motion uncertainty in a warehouse environment | |
CN112161630B (zh) | 适用于大型仓储***的agv在线无碰撞路径规划方法 | |
CN116907490A (zh) | 一种基于冲突搜索的多机器人路径规划方法 | |
CN115638804B (zh) | 一种无死锁的无人车辆在线路径规划方法 | |
CN116719312A (zh) | 一种单行道场景下基于折返避让的多agv解锁方法 | |
CN114187781B (zh) | 一种分布式多车协同行为决策方法和*** |
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 |
Application publication date: 20211126 |
|
RJ01 | Rejection of invention patent application after publication |