基于DQN的自动化集装箱码头自动引导车多目标调度优化

以自动引导车利用率最大和能源消耗量最小为目标,建立AGV调度优化数学模型,设计7种不同调度策略作为可变调度策略空间,提炼自动引导车调度问题的状态特征和奖励函数,提出一种基于深度Q学习网络算法(deep Q-network,DQN)的可变调度策略的调度算法。算例分析结果表明:与GA算法和Q-learning算法相比,采用基于DQN的调度优化方法求得的调度方案可使自动引导车的利用率分别提高14.76%和19.92%;能源消耗方面,采用DQN算法求得的调度方案平均能耗与GA算法和Q-learning算法相比分别降低16.88%和10.77%。通过与固定调度策略相比,平均利用率提升12.39%,平均能耗降低7.58%。可见本文方法的求解质量更高,同时与固定策略相比验证了所提出可变策略的有效性。

基于运动学模型的自动引导车轨迹跟踪控制

为了使自动引导车在行驶过程中更加精确稳定,本文研究其运行轨迹跟踪问题。针对自动引导车的运动学模型,建立位姿状态误差方程,并基于Lyapunov稳定理论,设计出一种简单有效的轨迹跟踪控制器。仿真结果表明,本文所设计的轨迹跟踪控制器不仅确保系统稳定,同时能够满足自动引导车在不同运行轨迹下的快速纠偏。

集装箱工业码头上多自动引导车的调度和路径规划

在集装箱工业码头引导车调度和路径规划过程中,实现智能化和物联网化是其主要发展趋势。目前,智能化和物联网化在多自动引导车调度和路径规划方面的应用越来越普遍。在本次研究中主要对集装箱工业码头多自动引导车调度的研究现状进行分析,探讨自动引导车调度和路径规划的相关算法,对算法进行优化。同时对多自动引导球调度和路径规划场景进行分析,明确不同任务场景下调度策略的实施情况。遗传算法能够提高多自动引导车调度和路径规划效果,并且在对遗传算法进行优化时,通过模拟退火算法可以对遗传算法进行优化,发挥基于组合策略的模拟退火遗传算法的优势,提升引导车调度与路径规划效果。

融合A-Star与DWA双优化算法的自动引导车路径规划

自动引导车的应用越来越广泛,为了达到自动引导车在路径规划中要达到全局最优,实时避障的要求,提出了一种优化A-Star算法与优化DWA算法相融合的自动引导车路径规划方案。A-Star算法能找到全局最优路径,根据A-Star算法进行优化,引入自适应启发函数,并进行路径关键点选取,删除冗余路径点。优化后的A-Star算法解决了传统算法规划效率低,路径不平滑的问题。动态障碍物躲避采用DWA算法,优化评价函数,提升了规划效率。仿真结果表明,融合优化后的A-Star算法与优化后的DWA算法,减小了搜索范围,提高了路径规划效率且能实现避障的效果。该融合算法相较其他融合算法在路径规划效率上有很大提升,最终实现全局最优路径规划和局部动态实时避障。

民用客机总装车间自动引导车任务分配及路径规划

为了实现自动引导车(AGV)在某民用客机总装车间的高效运作,提出AGV任务分配与路径规划两阶段求解方法,有效地解决了车间内AGV的多次往返配送调度问题.在任务分配阶段,提出基于行程的AGV任务分配模型,提高任务分配的效率;在路径规划阶段,采用时间窗算法,对AGV占用的地图资源进行时间窗的初始化、更新和排布,并针对由于避障和等待引起的物料送达时间无法满足的情况,设计了料包交换、优先级提前、预留时长放宽共3种递进的调整策略,实现AGV的无冲突路径规划.在数值实验中,两阶段方法应用于50、100、150个料包问题的平均求解时间分别为15.86、41.12、162.29 s,表明两阶段方法有效缓解了多行程AGV调度问题的复杂性,能在合理时间内实现民用客机总装车间AGV的调度优化,以适应民用客机年产量逐年快速递增的生产需求.

轻质多材料重载自动引导车总成优化设计

自动引导车(AGV)在智能制造高速发展的过程中逐渐呈现大型化、重载化的趋势,关键承载部件的优化设计能够显著降低重载AGV的重量及运行时的能耗,直接降低其制造及使用成本。本研究使用碳纤维增强树脂基复合材料(CFRP)作为轻质材料,针对80 t级标准平台AGV关键承载部件从材料到结构进行总成优化设计。首先,使用双向渐进结构法(BESO)拓扑优化车架及舵轮安装板,采用单元灵敏度过滤技术消除细小的分叉结构,得到了适合实际制造的优化结构。然后,制备不同层数及编织方向的CFRP试样,进行拉伸及面内剪切实验,获得CFRP的力学性能参数。随后,优化复合材料层合板的铺层角度,仿真结果表明,复合材料优化后的铺层角度为[–12/33/55/–68](从下至上铺层角度依次为–12°、33°、55°、–68°),使多层材料面内最大Mises应力和位移分别降低了25.79%和9.95%。最后,针对车身进行有限元分析。研究结果表明:优化设计使重载AGV重量明显降低,新结构在未大幅提升最大Mises应力与位移的前提下,总重量降低21.79%,其中,舵轮安装板采用角度优化后的CFRP铺层组,其重量仅为优化前的8.83%。模态分析表明,新结构的前6阶特征频率在核定工况范围内随着载荷增加呈减速下降的趋势,满载情况下在61.95~109.75 Hz之间变化平稳。研究为实现重载AGV的低能耗、轻量化及低成本制造提供一定的参考。

基于改进NSGA-Ⅱ的考虑自动引导车充电策略的集成调度

针对自动引导车(AGV)在自动化集装箱码头(ACT)执行任务过程中的电量问题,提出基于改进的非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)的考虑AGV充电策略的集成调度。首先,在岸桥、场桥和AGV集成调度模式下,考虑AGV在不同作业状态下的耗电量,并建立以最小化作业完工时间和总耗电量为目标的多目标混合规划模型;其次,为提高传统NSGA-Ⅱ的性能,设计自适应NSGA-Ⅱ,并将所提算法与CPLEX求解器、NSGA-Ⅱ和多目标粒子群优化(MOPSO)算法进行性能对比;最后,设计AGV不同充电策略并对设备数量配比进行实验研究。算法对比实验结果表明:相较于传统NSGA-Ⅱ算法,自适应NSGA-Ⅱ对双目标的优化分别提升了2.8%和2.63%。利用自适应NSGA-Ⅱ进行的充电策略和设备数量配比实验的结果表明:增加AGV充电次数能够减少AGV的充电时间,且调整设备数量配比至3∶3∶9和3∶7∶3时,场桥和AGV的时间利用率分别达到最高。可见,AGV充电策略及设备数量配比对码头多设备集成调度有一定影响。

结合ISO 13849-1的自动引导车(AGV)安全评估

自动引导车(AGV)作为生产物流自动化中必不可少的一部分,在国内没有很好的安全标准可以参照执行,导致AGV的制造水平良莠不齐。随着工业4.0和智能化工厂的蓬勃发展,AGV的市场需求逐步变大,高效和安全成为了衡量AGV的重要标准。AGV的安全性能设计需要符合ISO 13849-1标准,本文通过对AGV的控制系统的安全性能进行评估,确定AGV的安全等级,并提出相应的安全对策,以保障人员和设备的安全。

皮尔磁:自动引导车的安全防护方案

作为智能工厂物流的核心设备之一,自动引导车(AGV)在工厂物流自动化体系中发挥着越来越重要的作用。它们在仓库中穿行,高效地完成搬运任务,为生产带来极大便利的同时,也存在着一定的安全隐患。AGV的安全应用标准可参考ISO 3691-4(在我们的往期内容中,可以搜索到相关内容哦)。

自动引导车轨迹偏差的智能控制

针对自动化仓储设备AGV固定轨迹控制方式,建立了ACV小车路径偏差控制系统的数学模型。应用数学方法分析偏差与车轮速度的相互关系,从而得到其动态结构图;通过小偏差线性化的方法,将该非线性系统简化成单输入单输出线性系统。采用多点信号采集,利用模糊控制理论,进一步提高了小车路径偏差的控制准确度。通过对系统加载输入正弦信号,验证了系统具有良好的跟随性和稳定性。

新型自动引导车导航与控制系统

提出了一种可适应复杂环境、实时性强、鲁棒性好的自动引导车导航和控制系统 ,此系统集成了自动引导车的多种功能并采用在弧线上找点的方法进行导航。采用此系统的自动引导车不仅能快速处理环境信息 ,而且能有效避开动态和静态障碍物 ,安全、可靠地驶向指定的目标。通过多种环境模式的仿真实验 。

基于动力学模型的自动引导车智能导航控制研究

提出了一种基于动力学模型的智能控制方法 ,将导航系统得到的信息输入智能控制器 ,由它输出自动引导车动力学模型所需要的控制量。因为该控制器记忆了自动引导车的动力学特性 ,所以使用此智能控制器的自动引导车能够较平稳地避开动态和静态障碍物。仿真实验结果表明 ,装有此系统的自动引导车能有效避开动态和静态障碍物 ,安全、可靠、平稳地驶向指定的目标 ,从而验证了本文提出的方法是正确和有效的。

惯性导航自动引导车磁钉校正路径迭代学习方法

针对编码器和陀螺仪组成的AGV导航系统的积累误差,在路径上每隔一段距离设置一对磁钉,由磁栅尺检测进行绝对位姿校正。车间环境障碍使得磁钉的绝对位置难以精确测量,给AGV的实际应用调试带来不便。先采用示教方法由AGV测量并记录磁钉的位置,并在以后的重复运动中采用迭代学习方法不断更新局部路径段的目标值,使AGV更能精确地通过磁钉,从而保证AGV跟踪路径的精度。这种方法安装磁钉快捷,AGV系统规划调试方便,并能克服AGV误差积累。在前轮操舵型AGV牵引车上的实验证明了该方法的有效性。

基于卡尔曼滤波的自动引导车串级轨迹跟踪控制

针对三轮AGV具有不完整约束特性的运动学模型,提出一种串级轨迹跟踪算法,把模型转换为两个非线性时变系统,通过运用串级控制及状态微分反馈控制实现系统全局渐进稳定,最后再利用卡尔曼滤波算法对带有噪声干扰的状态进行估计,提高AGV自定位精度,从而进一步提高该控制器的输出精度。该控制策略具有一般性,对所有AGV及其他轮式移动机器人的运动学模型都适用,且设计方法简单、鲁棒性强。计算机仿真结果表明,该系统能在较短时间内实现全局渐进稳定,验证了该控制策略的有效性。

基于回归算法的自动引导车跟踪控制

提出了一种跟踪控制效果好、适应性广的自动引导车跟踪方法。以自动引导车的动力学模型作为系统的被控对象 ,通过回归算法对系统以前的输入和输出跟踪误差信号进行运算来反复调整输入量 ,使得系统在经过一定次数的迭代以后 ,其实际输出趋于期望输出。仿真与试验结果均表明 ,装有此系统的自动引导车能够很好地跟踪给定的路径 ,验证了所提方法的正确性和有效性。

自动引导车跟踪控制的仿真研究

提出一种跟踪精度高、计算量小、易于实现的自动引导车跟踪控制方法 .这一方法将要跟踪的轨迹划分成若干段 ,然后进行分段跟踪 .采用此法 ,可以避免使用路径曲线段进行跟踪时曲率的计算以及计算量大和计算复杂等问题 ,使得自动引导车跟踪的实时性 ,精确度得到提高 .通过多种路径跟踪的仿真实验 。

基于遗传算法的自动引导车自适应变结构控制

为了提高自动引导车控制的精度,提出了一种基于遗传算法的变结构控制方法。利用遗传算法在线调整变结构控制律中的参数,克服了常规变结构控制方法中需预先设定趋近律参数的限制,既保留了传统趋近律的优点,又有效改善了系统的控制品质,使系统最终以理想方式在滑模面上运动。试验表明直线跟踪误差为±0.02 m,曲线跟踪误差为±0.03m,没有出现抖振现象。

基于位置信息融合的自动引导车路径跟踪研究

提出一种对自动引导车传感器测得的位置信息进行融合的方法 ,该方法克服了相对位置估计方法长时间精度低的缺点和绝对位置估计方法误差值偏大的不足。仿真结果表明 ,应用融合技术后 ,自动引导车的跟踪误差可限制在较小的范围之内 ,与不使用融合技术的自动引导车相比 ,其跟踪效果较好。

基于负载特性的自动引导车转向偏差补偿方法

设计了一种简单实用的测量AGV负载特性的方法,即通过测量车体的纵向倾角间接推算转弯时负载给AGV带来的附加力矩,并针对2轮差速驱动的6轮AGV的结构,进行了动力学的理论分析和推导,在AGV上进行了现场的实验研究,找出了附加力矩对操舵角的影响和相应的补偿修正系数。实验结果表明,该方法在一定程度上消除了纵向不对称负载对AGV轨迹跟踪精度的影响。

基于彩色视觉的自动引导车路标识别

针对基于彩色视觉导航的自动引导车的工作特点,对地面上预先铺设的彩色条带状路标图像信息进行了快速提取研究,提出了一种颜色分量近似的滤波方法。该方法简单、快速,减少了路标图像处理的计算量,提高了路标提取的实时性和鲁棒性。经在QDU-I型自动引导车上实际应用表明,该方法可以解决图像处理计算量大而影响自动引导车决策系统的实时性问题。