考虑道路负载均衡的码头多AGV无冲突路径规划

随着集装箱运输需求的日益增长以及新型信息技术的广泛应用,集装箱码头作业自动化成为国内外港口发展的主要趋势。集装箱码头作业自动化可有效提高码头的作业效率和安全性,降低码头对人力资源的需求和运营成本。水平运输系统是集装箱码头装卸系统的重要组成部分,同时也是实现集装箱在码头前沿与堆场之间运转的重要纽带,其运行的稳定性和调度的合理性将直接影响码头自动化装卸系统的运行效率。自动导引车(AGV)是自动化集装箱码头常用的水平运输设备,承担着从前沿岸桥到后方堆场的集装箱运输任务。在实际作业过程中,多辆AGV同时运作难免会发生冲突和拥堵。基于此,文中采用基于冲突搜索的双层算法(CBS算法)解决码头多AGV协同作业产生的冲突问题,上层算法搜索AGV间的冲突,下层算法采用A*算法对AGV进行路径规划,并在A*算法中引入负载因子,使得规划路径避开拥堵点,实现码头道路的负载均衡。对于码头多任务点连续作业场景下的多车路径规划,基于CBS算法采用一种滑动时间窗冲突解决方法(STWCR)以提升运算效率。通过仿真实验验证了文中所提算法能够有效解决码头多AGV路径规划的冲突问题,同时均衡路网负载,缓解道路局部拥堵现象,提高道路资源的利用率。研究成果为自动化集装箱码头水平运输系统优化提供了参考。

基于改进CBS算法的自动化码头多AGV无冲突路径规划

针对自动化集装箱码头上自动引导车(automated guided vehicle,AGV)数量增加导致冲突更频繁。提出一种改进的基于冲突的搜索(conflict based search,CBS)算法。底层采用基于曼哈顿距离的A算法,上层结合二叉树原理建立冲突树对AGV之间的冲突进行规避。以最小化AGV在岸桥和堆场之间的总路径长度为目标,使用栅格法建立AGV路网模型。考虑AGV之间的点冲突与边冲突,将自动化码头多AGV无冲突路径规划问题规约为多智能体寻径问题。实验结果表明,所提出的算法在保证堵塞率为0%的前提下,缩短总路径长度并提高运算速度,验证算法的有效性。

基于时空A^(*)算法的多AGV无冲突路径规划

物流中心作为快递转运的重要枢纽,其分拣效率在一定程度上影响着快递的配送时间.多台自动导引车(automatic guided vehicle,AGV)协同分拣能够大幅提高作业效率.本文研究了多AGV协同作业场景中的无冲突路径规划问题,在栅格地图建模环境的基础上,提出了基于冲突搜索的两层路径规划架构.冲突搜索与约束添加均基于二叉树进行,当上层搜索检测到冲突并施加相应的约束后,下层搜索只需要对与新添加的约束相关联的AGV重新规划路径.采用时空A^(*)算法实现下层单AGV路径规划,同时引入冲突规避表以避免与其他已有路径发生冲突.仿真实验结果表明,本文所提的基于冲突搜索的多AGV路径规划算法可以有效解决多种路径冲突.

基于动态避障优先级与预测的多AGV无冲突路径规划

为实现多自动导引运输车(AGV)在机器人履约系统(RMFS)中的高效低成本运行,提出一种无冲突路径规划策略。对RMFS的仓储区域进行栅格处理,考虑重载和空载运行成本差异,细化不同运行状态包括匀速、加减速、等待、转弯等的成本,建立多AGV运行成本最小的路径规划模型。通过避障成本动态设置避障优先级及通过预测AGV在拣选工作区排队等待状态确定AGV重载出发时刻,结合改进A*算法,实现多AGV无冲突路径求解。仿真结果表明:从AGV的运行成本角度,考虑动态避障优先级和重载出发时刻预测的多AGV路径规划策略,降低了系统运行成本,缩短了任务完成时间,避免了多AGV在RMFS中的碰撞及拥堵,实现了降本增效。

基于冲突搜索的多AGV路径规划

为实现仓储环节的自动化操作,对多AGV路径规划进行了研究,使用栅格地图法构建地图环境,以单路径A^(*)搜索算法为基础,采用双层路径规划的冲突搜索算法解决多AGV路径冲突问题。具体实施方法是在高层进行冲突检测和添加约束,在底层使用A^(*)算法进行单路径规划。最后使用Python的matplotlib库编程对路径规划算法进行仿真。仿真结果表明,该课题所使用的规划方法行之有效。

基于冲突搜索增强深度强化学习的多AGV路径规划方法

针对多自动引导车(Automated Guided Vehicle,AGV)路径规划问题,以最小化总行程时间为目标,提出一种基于冲突搜索(Conflict-Based Search,CBS)算法增强的分布式独立Q学习(Independent Q-Learning,IQL)算法。首先,采用栅格图法构建环境地图,并对多AGV路径规划问题进行数学化描述,涵盖了AGV间的碰撞类型和问题的基本假设。随后,将问题转化为部分可观察马尔可夫决策过程(Partially Observable Markov Decision Process,POMDP),并详细定义了观测空间、动作空间及奖励函数。进一步地,采用异步优先级经验回放架构,将IQL方法扩展到分布式环境中,并通过CBS算法引导Q网络,优化AGV在拥挤环境中的决策过程。最后,根据不同AGV数量设计了与其他深度强化学习算法的对比实验,结果表明所提方法在成功率和平均步长关键性能指标上优于对照算法,从而证实了所提方法的有效性和可行性。

AGV路径规划及避障算法研究综述

自动导向车(Automated Guided Vehicle,AGV)目前被广泛应用于物流、仓储、制造业和仓储等领域.AGV的路径规划和避障算法是实现AGV自主导航的关键技术,决定了AGV在复杂环境中能否高效、安全地完成任务,近年来成为AGV领域的重要研究热点之一.本文根据AGV路径规划及避障算法的原理与特点,将主流AGV路径规划及避障算法划分为局部避障路径规划算法、基于几何模型的路径规划算法、智能路径规划算法和混合算法4类,对算法的原理、工作流程、优缺点进行了深入分析,并介绍了相应的改进算法.最后,本文对AGV路径规划及避障的未来发展趋势进行展望,为AGV路径规划及避障算法的研究指出了方向.

多搬运任务下考虑碰撞避免的AGV路径规划

为提升自动导引小车在“货到人”仓库中的运行效率,针对AGV-托盘任务分配、单AGV路径规划及多AGV碰撞避免三个子问题的研究,以最小化AGV行驶距离为目标构建数学模型。首先,根据AGV与托盘的双边匹配问题特点设计改进的匈牙利算法求解匹配结果。其次,提出一种二维编码机制的改进遗传算法(improved genetic algorithm,IGA),采用一种局部搜索算子代替原变异操作,在提高算法搜索性能的基础上使其成功应用于单AGV路径规划问题。然后,利用时空数据设计一种三维网格冲突检测方法,并根据商品SKU数量设定AGV的优先级以降低多AGV执行任务时的碰撞概率。最后,在32 m×22 m的仓库中针对不考虑碰撞与考虑碰撞两种情形进行AGV路径优化分析,给出合理的行驶距离和碰撞次数。IGA与标准遗传算法的对比结果显示,IGA能够在合理的时间内获得更高质量的解,行驶距离减少约1.74%,算法求解时间缩短约37.07%。此外,针对AGV数量灵敏度分析,在不同目标托盘规模下测试不同数量的AGV对行驶距离和碰撞次数的影响,发现14~16台AGV数量是最佳配置,验证了模型的可行性和算法的有效性。

基于改进DQN算法的无人仓多AGV路径规划

针对无人仓中多AGV路径规划与冲突问题,以最小化总行程时间为目标,建立多AGV路径规划模型,提出一种基于动态决策的改进DQN算法。算法设计了基于单AGV静态路径规划的经验知识模型,指导AGV的学习探索方向,提前规避冲突与障碍物,加快算法收敛。同时提出基于总行程时间最短的冲突消解策略,从根本上解决多AGV路径冲突与死锁问题。最后,建立无人仓栅格地图进行仿真实验。结果表明,本文提出的模型和算法较其他DQN算法收敛速度提升13.3%,平均损失值降低26.3%。这说明该模型和算法有利于规避和化解无人仓多AGV路径规划冲突,减少多AGV总行程时间,对提高无人仓作业效率具有重要指导意义。

基于改进蚁群算法的AGV路径规划研究

针对传统蚁群算法在自动导引车(automated guided vehicle,AGV)路径规划研究中存在收敛速度慢、搜索能力差以及容易陷入局部最优等问题,文章提出一种改进蚁群算法。引入自适应启发式函数,增加蚁群寻优方向性;改进信息素更新策略,避免陷入局部最优解;动态调整信息素挥发系数,使其随着迭代时期而减小,从而提高算法搜索效率、加快算法收敛速度。仿真实验结果表明,相较于其他算法,在相同环境下文章所提改进蚁群算法具有较好的收敛性和较高的寻优能力。

基于改进动态窗口的车库AGV路径规划及仿真

针对在智能车库环境下,移动机器人(AGV)在作业过程中面临着复杂路径环境下的路径规划和实时避障,提出一种改进的蚁群算法与动态窗口法(DWA)相结合的混合算法。在全局规划中引入自适应调整信息素挥发系数,融合角度参数建立车库方向信息素矩阵,增大目标点引导能力,扩大蚂蚁的方向选择性;在局部规划中设计基于椭圆方程的障碍物距离评价子函数的改进动态窗口法,并提取改进蚁群算法的全局关键节点作为新增的路径评价子函数,在全局路径的约束下,保持动态规划的最优性。仿真结果表明:改进算法较传统算法能够较好地应对突发的动静态障碍物,更符合AGV实际作业过程中在多重环境因素的影响下的动态规划要求。

融合改进蚁群算法和动态窗口法的AGV路径规划

针对传统蚁群算法中初期路径搜寻盲目、启发式函数作用较小、信息素更新规则单一、动态窗口法缺少全局性指导等问题,提出了基于改进蚁群算法的全局路径规划,通过改进初始信息素,提高了算法初期的寻径效率;通过改进启发式函数,减少了算法收敛的时间;通过改进信息素更新规则,同时考虑了路径长度和能耗,增加了路径的优越性。之后将改进后的蚁群算法与动态窗口法相融合,增加了动态窗口法中的评价函数,使动态窗口法沿改进蚁群算法最优路径进行实时的局部路径规划,令路径的静态全局最优和动态实时规划得到了兼容。仿真实验表明,改进后的蚁群算法相较传统算法迭代速度更快,转弯次数更少,融合后的算法在复杂环境中可以精确地实时路径规划,充分证明了该融合算法的可行性。

基于ISSA和IA^(*)的AGV集成作业调度及其路径规划

针对单一算法在求解车间调度和路径问题时最优性和多样性方面的缺陷,提出了优化飞鼠搜索算法ISSA(improved squirrel search algorithm)和优化A^(*)算法并建立集成作业调度和AGV路径规划的双层模型。首先,采用贪婪策略融合飞鼠搜索算法建立考虑能耗的AGV集成作业调度上层模型;其次,将安全距离因子引入A^(*)算法,构建AGV路径规划下层模型,并通过梯度下降法进行路径平滑;进而,运用6个测试函数和kacem实例验证ISSA的寻优能力,结果表明ISSA的其收敛速度较快,运行效率较高,且不容易陷入局部最优;最后,基于栅格法建模进行对比仿真实验,IA^(*)比A^(*)算法拐点数量降低了22%,同时节约了21%的行驶时间,ISSA和IA^(*)均得到了良好的验证。结果表明,ISSA和IA^(*)能够更有效求解AGV集成作业调度及其路径规划问题。

基于遗传算法改进的AGV路径规划研究

自动引导搬运车(AGV)节能路径规划可提高AGV使用过程的能效,是实现车间生产节能的一种可行方法。为解决AGV在栅格地图中规划路径时易出现的拐弯角度较多和穿墙等问题,并降低AGV在移动时的能耗,提出一种基于遗传算法改进的AGV路径规划方案。首先减少障碍物角点数,并将路径长度作为目标函数;然后对变异算子进行改进,减少拐弯次数,降低AGV在运动过程中的能耗,提高AGV运行的安全性。仿真结果表明,相比普通遗传算法,改进方法能够找到长度短、能耗更低且安全的路径。

基于改进冲突搜索的智能车库多AGV路径规划

智能车库中多自主引导车(automated guided vehicle,AGV)的路径规划问题直接影响存取车的效率和安全性。针对智能车库中AGV的任务执行优先级问题,提出了基于改进冲突搜索的路径规划模型(improved con‐flict-based search with priority,iCBS-pri),该改进模型主要由任务分配(task allocation,TA)、单AGV路径规划(path planning,PP)、多AGV冲突检测与解决(conflict detection and resolution,CDAR)3个模块组成,TA模块将未分配任务分配给AGV,PP模块通过设置直线惩罚函数,减少路径的转弯次数对AGV运行时间的影响以提高AGV任务完成效率,CDAR模块包括冲突检测(conflict detection,CD)子模块和冲突解决(conflict resolution,CR)子模块,CR子模块针对CD子模块检测出的冲突类型,制定基于备用区域(spare zone,SZ)和旁路规划(bypass,BP)的冲突解决策略,以规划多AGV无冲突路线。仿真实验验证了典型场景下的该模型,结果表明:(1)PP模块所提改进A相较于传统A算法在路径长度和拐点数量分别减少8.82%和38.62%;(2)任务分配算法的分配成功率达到100%,任务一致性的概率达88.9%;(3)iCBS-pri算法在任务规划成功率方面比iCBS算法平均提升11.3%,算法平均运行时间提升5.93%,进一步提升了智能车库存取车效率。

基于融合任务规则优先级蚁群算法的多AGV路径规划实现研究

蚁群算法所具备的合作搜索能力被广泛用于寻找单台AGV最短路径,却不适用解决现实情况中多台AGV同时使用的问题,为此提出了融合任务规则优先级的蚁群算法实现多AGV路径规划,用于解决现实问题中多台AGV同时使用而且存在多种碰撞冲突的情形。通过将AGV运行的路径环境进行建模等针对性措施,把蚁群算法引入到AGV路径规划的现实问题中,然后考虑多AGV路径规划可能存在的不同碰撞冲突类型,并考虑不同AGV拥有不同的任务优先级的现实情况,提出了避免AGV碰撞的策略,形成了基于融合任务规则优先级蚁群算法的多AGV路径规划算法。通过仿真实验结果,证实所提出的算法可以避免多台AGV之间的路径冲突,同时利用了蚁群算法寻求最优路径的能力,改进后的蚁群算法能够用于多AGV路径规划的实际场景中。

融合LPA^(*)和DWA算法的导向辊生产车间AGV组合路径规划方法研究

针对造纸类机械的导向辊生产线存在的多车间室内外导航精度不足、多车间运输通道共用、单车间产线交叉等问题,提出了融合LPA*和DWA算法的导向辊生产车间自动引导车(Automated Guided Vehicle,AGV)组合路径规划方法。首先建立了AGV本体运动模型和导向辊生产车间模型;然后提出了局部与全局组合的路径规划方法,采用LPA^(*)算法进行全局路径规划解决了全局最优路径的问题,采用DWA算法进行局部路径规划解决了避障问题;最后通过实验验证将本研究提出的组合路径规划算法与传统路径规划算法对比,组合路径规划算法较大缩短了路径搜索的时间,效率更高。

基于变体天牛须改进QL的AGV路径规划算法研究

针对Q-learning(QL)在解决AGV(automated guided vehicle)路径规划时前期收敛速度慢、后期易陷入局部最优等问题,提出了一种变体天牛须改进QL的进化强化学习算法(BAS-QL)。BAS-QL主要特点有三方面,首先使用变体天牛须算法对Q表格进行初始化,加快AGV路径规划的前期寻优速度;然后使用渐变衰减Epsilon-Greedy搜索策略,利用衰减Epsilon值来避免算法在后期陷入局部最优避免出现结果难收敛的现象。最后求解AGV行走的最优路径,并通过实验对BAS-QL算法进行验证。在n=15和n=20栅格图对比实验中,BAS-QL表现出平均耗时短、平均路程短和平均迭代次数少的特点。说明该方法在智能规划路径的同时还可以有效提升AGV的路径规划效率。

AGV系统的路径规划仿真分析

由于多AGV系统资源分配不均,其协同作业易出现各种问题,为此,研究了多AGV系统的路径规划算法和相关工作流程,进一步完成对应的仿真分析,以提高该系统的智能化程度和工作效率。

考虑冲突避免的多AGV路径规划研究

目的提高物流企业“货到人”拣选系统在实际生产中的工作效率,避免自动导引小车(AGV)间的冲突死锁,研究大规模多AGV的无冲突路径规划和协同避障问题。方法首先考虑AGV空载、负载情况和路径扩展成本,改进A*算法,动态调整代价函数,优化路径扩展方式。其次,提出冲突检测及避免算法,对可能产生局部冲突的路径交叉点进行避障调度,通过预约锁格,实现局部冲突的检测,制定优先级避障策略,解决AGV动态行驶路径上产生的局部冲突和死锁,进而实现全局无冲突路径规划。结果对多组不同任务量和不同AGV规模的场景进行仿真,实验结果表明,考虑冲突避免的改进A*算法能有效实现100个任务、90个货架单位和7个拣选站场景下的多AGV动态路径规划,相较于传统A*算法,其平均拣选时长缩短了52.61%。结论该方法可实现大规模场景下的多AGV动态路径规划,在付出较小转弯代价的同时有效避免局部动态冲突,该方法可为相关企业实现多AGV协同调度提供新的思路和理论依据。