一种基于KM算法和人工势场法的仓储物流调度避障优化方法与流程

文档序号:15979502发布日期:2018-11-17 00:09

本发明涉及路经规划及任务调度领域,特别涉及仓库物流领域,具体是指一种基于KM算法和人工势场法的仓储物流调度避障优化方法



背景技术:

随着工厂自动化、计算机集成制造系统技术的逐步发展以及柔性制造系统、自动化立体仓库的广泛应用,AGV(Automatic Guided Vehicle)即自动导引车作为联系和调节离散型物流系统以使其作业连续化的必要的自动化搬运装卸手段,其应用范围和技术水平得到了迅猛的发展。AGV是以微控制器为控制核心、蓄电池为动力、装有非接触导引装置的无人驾驶自动导引运载车,其自动作业的基本功能是导向行驶、认址停准和移交载荷。作为当代物流处理自动化的有效手段和柔性制造系统的关键设备,AGV已经得到了越来越广泛的应用,对AGV的研究也具有十分重要的理论意义和现实意义。路径规划及其调度是实现车辆自动化正常运行不可或缺的部分,它能够提高系统的效率,节省生产成本,促进工业的自动化,实现系统的最优调度,保证每台AGV在规避碰撞的情况下,完成预定的任务。单台AGV无法满足从整体上提高物流自动化系统中生产效率的要求。一个相互协调的多AGV物流系统有着单台AGV系统所无法比拟的优势。然而多台AGV构成的物流运输系统也存在着单台AGV所不具备的问题,如AGV间的冲突、行为协调和信息共享等等问题。因此研究物流系统中多AGV路径规划问题就变得十分必要。



技术实现要素:

为了克服现有的多AGV路径规划的效率较低的不足,本发明提供一种提升效率的基于KM算法和人工势场法的仓储物流调度避障优化方法。

为了解决上述技术问题,本发明提供如下的技术方案:

一种基于KM算法和人工势场法的仓储物流调度避障优化方法,包括以下步骤:

1)通过对两辆AGV小车投影圆几何关系的定义来确定小车的碰撞临界点。观测两车中心距离的改变与反应距离的比较选择不同的方案,通过避让程序的执行拉大两辆AGV小车之间的距离,从而避免碰撞的发生;

2)采用了Kuhn-Munkres算法求出当下时刻使得所有的权重和的最小的完备匹配,让AGV小车按该完备匹配行驶;

3)在给定小车的引进数量,并设置一定的障碍物,寻求实际可行的算法给出AGV小车行驶的最优路线以及执行任务的最短时间;

4)建立一个系统效率评估指标来反映整个系统搬运效率的高低;

5)对于末知的或部分已知的、动态的非结构环境,采用一种将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法。

进一步,所述步骤1)中,确定小车碰撞情况(考虑小车车身体积、速度、路线影响),通过建模计算小车开始发生碰撞的临界点以及如何智能地规划行驶方案来避免碰撞问题。首先必须给出假设,包括小车的车身体积、小车的工作速度以及小车的运行路线的要求。其次要对碰撞做出判定,建立数学模型设定临界碰撞距离、碰撞距离、反应距离。针对小车发生碰撞的临界点,为了对问题进行具体分析,我们规定每辆小车占地是一个投影圆,通过对两辆AGV小车投影圆几何关系的定义来确定小车的碰撞临界点。此外,我们还需要制定行驶的方案来有效的处理小车的碰撞问题,对此,考虑到避免碰撞措施的多样性和操作的简易程度,为了便于后续问题的计算和分析,我们建立了两个合适的数学模型。其中模型一采取了避让的方式,让其中一辆AGV小车停止,另一辆仍按原路线行驶来规避碰撞。模型二中考虑到实际行驶过程中小车间位置的多样性,对小车设置了避让程序,程序中涉及两车中心距离的改变与反应距离的比较选择不同的方案,通过避让程序的执行拉大两辆AGV小车之间的距离,从而避免碰撞的发生。

所述步骤2)中,在沿工厂厂房边缘的货物起始地会随机产生货物,AGV小车需要把货物运送到指定目的地。如何通过合理的模型和算法有效地调度小车,使他们能够搬运离其最近的货物。于是我们采用了Kuhn-Munkres算法,简称KM算法,每当有新的货物产生且并未被车载时,且存在AGV小车没有载货物时,求出当下时刻使得所有的权重和的最小的完备匹配,让AGV小车按该完备匹配行驶。

所述步骤3)中,基于实际场地中,可能存在障碍物的情况下,如何通过建立合理的模型和算法从而规划出小车从取货点到目的地的最短路径,使得系统的搬运效率最高。因此在给定小车的引进数量,并设置一定的障碍物,寻求实际可行的算法给出AGV小车行驶的最优路线以及执行任务的最短时间,并在此基础上定义小车搬运货物的效率表达式来衡量算法的优劣性。

所述步骤4)中,如何建立一个合理的系统效率评估指标来反映整个系统搬运效率的高低。因此通过层次分析法确认成本系数,搬运时间以及碰撞率三个参数的权重,从而建立一个系统效率评估指标来反映整个系统搬运效率的高低。以此来分析系统在AGV数量增加时的临界点和所给解决方案的最优性能等。

所述步骤5)中,对于末知的或部分已知的、动态的非结构环境,此时AGV小车很可能非常频繁地遇到当前探测环境信息和先验环境信息不匹配的情形,这就需要进行路径再规划。重新规划算法仍然是从当前位置到目标点的全局搜索的过程,这样造成了运算量过大。因此可以采用一种将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法,其大致思路如下:AGV小车采用A*算法进行全局路径规划,生成到达目标点的子目标节点序列,同时采用改进的人工势场方法对子目标节点序列中相邻两节点进行路径平滑和优化处理。该方法不但能够充分利用已知环境信息生成全局最优路径,而且还能及时处理所遇到的随机障碍信息,从而提高AGV小车整体路径规划的性能。

本发明的有益效果表现在:采用完全自主的AGV小车,用KM算法,确定小车和货物的最优匹配方式,并考虑了两种碰撞模型,确定最优方案,实现了尽量避免碰撞目标,从而使整个系统的效率最高,此外在面对实际生活中存在障碍的特殊情况下,引进了A*算法,从而规划出小车从出发点到目的地的最短路径,大大提升了系统的搬运效率;而面对非结构化环境下的运动规划与实时避障,采用了全局路径规划技术(A*)和局部路径规划技术(改进后的人工势场)相结合的方法;最后,对所给出的方案编写相关程序,给出数值仿真模拟结果,并通过层次分析法确认权值,建立了一个系统效率评估指标,最后为了消除各原始指标变量间的量纲影响,使各项指标具有可比性,采用相应公式对原始数据进行标准化处理。以此来分析系统在AGV数量增加时的临界点和所给解决方案的最优性能等。

具体实施方式

下面对本发明做进一步说明。

一种基于KM算法和人工势场法的仓储物流调度避障优化方法,包括以下步骤:

1)通过对两辆AGV小车投影圆几何关系的定义来确定小车的碰撞临界点。观测两车中心距离的改变与反应距离的比较选择不同的方案,通过避让程序的执行拉大两辆AGV小车之间的距离,从而避免碰撞的发生;

2)采用了Kuhn-Munkres算法求出当下时刻使得所有的权重和的最小的完备匹配,让AGV小车按该完备匹配行驶;

3)在给定小车的引进数量,并设置一定的障碍物,寻求实际可行的算法给出AGV小车行驶的最优路线以及执行任务的最短时间;

4)建立一个系统效率评估指标来反映整个系统搬运效率的高低;

5)对于末知的或部分已知的、动态的非结构环境,采用一种将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法。

进一步,所述步骤1)中,确定小车碰撞情况(考虑小车车身体积、速度、路线影响),通过建模计算小车开始发生碰撞的临界点以及如何智能地规划行驶方案来避免碰撞问题。首先必须给出假设,包括小车的车身体积、小车的工作速度以及小车的运行路线的要求。其次要对碰撞做出判定,建立数学模型设定临界碰撞距离、碰撞距离、反应距离。针对小车发生碰撞的临界点,为了对问题进行具体分析,我们规定每辆小车占地是一个投影圆,通过对两辆AGV小车投影圆几何关系的定义来确定小车的碰撞临界点。此外,我们还需要制定行驶的方案来有效的处理小车的碰撞问题,对此,考虑到避免碰撞措施的多样性和操作的简易程度,为了便于后续问题的计算和分析,我们建立了两个合适的数学模型。其中模型一采取了避让的方式,让其中一辆AGV小车停止,另一辆仍按原路线行驶来规避碰撞。模型二中考虑到实际行驶过程中小车间位置的多样性,对小车设置了避让程序,程序中涉及两车中心距离的改变与反应距离的比较选择不同的方案,通过避让程序的执行拉大两辆AGV小车之间的距离,从而避免碰撞的发生。

所述步骤2)中,在沿工厂厂房边缘的货物起始地会随机产生货物,AGV小车需要把货物运送到指定目的地。如何通过合理的模型和算法有效地调度小车,使他们能够搬运离其最近的货物。于是我们采用了Kuhn-Munkres算法,简称KM算法,每当有新的货物产生且并未被车载时,且存在AGV小车没有载货物时,求出当下时刻使得所有的权重和的最小的完备匹配,让AGV小车按该完备匹配行驶。

所述步骤3)中,基于实际场地中,可能存在障碍物的情况下,如何通过建立合理的模型和算法从而规划出小车从取货点到目的地的最短路径,使得系统的搬运效率最高。因此在给定小车的引进数量,并设置一定的障碍物,寻求实际可行的算法给出AGV小车行驶的最优路线以及执行任务的最短时间,并在此基础上定义小车搬运货物的效率表达式来衡量算法的优劣性。

所述步骤4)中,如何建立一个合理的系统效率评估指标来反映整个系统搬运效率的高低。因此通过层次分析法确认成本系数,搬运时间以及碰撞率三个参数的权重,从而建立一个系统效率评估指标来反映整个系统搬运效率的高低。以此来分析系统在AGV数量增加时的临界点和所给解决方案的最优性能等。

所述步骤5)中,对于末知的(或部分已知的)、动态的非结构环境,此时AGV小车很可能非常频繁地遇到当前探测环境信息和先验环境信息不匹配的情形,这就需要进行路径再规划。重新规划算法仍然是从当前位置到目标点的全局搜索的过程,这样造成了运算量过大。因此可以采用一种将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法,其大致思路如下:AGV小车采用A*算法进行全局路径规划,生成到达目标点的子目标节点序列,同时采用改进的人工势场方法对子目标节点序列中相邻两节点进行路径平滑和优化处理。该方法不但能够充分利用已知环境信息生成全局最优路径,而且还能及时处理所遇到的随机障碍信息,从而提高AGV小车整体路径规划的性能。

碰撞的处理:拉大两辆AGV小车之间的距离,从而避免碰撞。当小车启动避让程序时,系统会模拟出两个行驶路线,路线一是避让小车沿原轨迹行进一个步长,路线二是避让小车偏移一个β角度行进一个步长,通过比较两次模拟路径的两小车中心之间的距离,选择距离大的方案前进。

调度的处理:在沿工厂厂房边缘的货物起始地会随机产生货物,AGV小车需要把货物运送到指定目的地。为了提升系统的搬运效率,减少搬完货物所需的时间,给AGV小车增加合适的算法,令其在进行货物搬运时每次都能自主进行判断,搬运离其最近的货物。针对这一问题,我们采用Kuhn-Munkres算法,简称KM算法。

避障的处理:在现实情况中,货物搬运的起始地和目的地可能在工厂厂房内的任何地方,且搬运途中可能存在障碍物。为了在现实中也能解决货物的搬运目的,传统的两点之间直线最短的思想就无法使用,这时候就与要一套算法来实现最短路径规划。因此我们选用A*算法来求解,并将工厂网格化,从而得出系统的最优规划,满足了现实中货物的搬运需求。

基于反应和慎思的路径规划法:虽然上文采用了A*算法来实现最优路径的规划,但是该路线的规划是基于静态环境,而实际生活中的场地是一种末知的(或部分已知的)、动态的非结构环境,此时AGV小车很可能非常频繁地遇到当前探测环境信息和先验环境信息不匹配的情形,这就需要进行路径再规划。重新规划算法仍然是从当前位置到目标点的全局搜索的过程,这样造成了运算量过大。在新路径规划期间,AGV小车将会选择停下来等待新的生成路径,或者按照错误的路径继续运动。因此,快速的重新规划算法至关重要。为此,我们提出了一种将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法,其大致思路如下:AGV小车采用A*算法进行全局路径规划,生成到达目标点的子目标节点序列,同时采用改进的人工势场方法对子目标节点序列中相邻两节点进行路径平滑和优化处理。该方法不但能够充分利用已知环境信息生成全局最优路径,而且还能及时处理所遇到的随机障碍信息,从而提高AGV小车整体路径规划的性能。此外,A*算法采用栅格表示地图,栅格粒度越小,障碍物的表示也就越精确,但是同时算法搜素的范围也会按指数增加。因此引进人工势场的局部路径规划方法对A*方法进行优化,可以有效增大A*方法的栅格粒度,达到降低A*方法运算量的目的。

系统效率评估指标η的设定:由于系统本身的复杂性,如果单一的从搬运时间去衡量整个系统效率的高低是不全面的,因为在任务数量恒定的情况下,随着车数的增多,系统所耗费的搬运时间呈现出减少趋势,但这并不意味着车数越多,系统效率越高,因为随着车数的增长,碰撞率和成本都会相应增加。为此,我们以0.637:0.2583:0.1047(通过层次分析法求得)的比重引入时间系数、碰撞系数和成本系数来定义系统效率评估指标η,η=0.637*Tx+0.2583*Px+0.1047*Mox。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1