一种基于分段调度的多AGV系统的路径调度方法与流程

本发明涉及自动化智能仓储调度系统技术领域，特别涉及一种基于分段调度的多agv系统的路径调度方法。

背景技术：

随着智能物流和自动化技术的快速发展，agv作为现代物流系统的核心设备得到了广泛的应用。路径规划问题作为最基本、最值得研究的问题之一，越来越受到学者以及工程师们的重视。良好的行驶路径可以保证系统的整体协调性，提高系统的灵活性和效率。对于多agv系统最优路径的选取，不仅需要同时满足最短的距离和最少的时间成本，还需要解决多agv之间的交互和信息共享以避免碰撞和死锁。因此，利用现代数学方法和计算机技术快速求解优化调度问题是一个非常重要课题。

agv路径调度规划就是在agv的运动过程中，避开各种障碍物，从起始点到达目标点，并且满足各种优化指标，如路径长度最短，运行时间最短等。

目前对agv路径规划运用的方法多种多样，随着遗传算法的广泛应用，其对路径规划不断取得新的进展。遗传算法最早产生于20世纪60年代，由美国的holland教授开创，它借鉴于达尔文的生物进化论，通过对实际问题的分析，建立相应的生物进化模型，并对种群中的个体进行选择，交叉和变异等一系列遗传操作，使种群中的个体向有利的方向进化，直至生成或接近最优个体。

随着对多agv系统调度的研究，多agv系统的任务调度可以描述如下：在智能物流系统中，有多个agv、多个需求站点、多个可行的运输路径和多个商品补充站点，需要在任务和agv之间建立一定的相关性。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于分段调度的多agv系统的路径调度方法，在离线阶段先进行最优路径的规划，然后在上位机发出任务信息后，在线调度系统查到离线中的最优路径后进行在线调度，通过在线调度的解决节点冲突问题。

为了实现上述目的，本发明采用的技术方案为：一种基于分段调度的多agv系统的路径调度方法，包括如下步骤：

离线调度步骤：agv运行环境中的各个节点进行离线规划，采用遗传算法规划每个节点到所有其他节点的最优路径，将每个路径以链表的形式存储到路径库中

在线调度步骤：在接收到上位机控制系统的运输任务时，从路径库中查找运输任务对应的最优路径；判断agv运行过程中是否有冲突并根据冲突的类型进行调节避免agv之间的冲突。

在线调度步骤中，计算每个agv最优路径中agv以预设速度到达每个节点对应的时间，从而形成每个agv的具有时间窗口的路径信息表，通过比较每个agv路径中到达相同节点的时间来判断是否在该相同节点产生冲突，若在该不同的agv路中相同节点以及对应到达该节点的时间相同，则判断为节点冲突。

在节点冲突中，根据接收到的运输任务的时间设置优先级，时间早优先级高，在接近节点冲突时，优先级低的agv降低车速。

优先级低的agv在降低车速后根据车速的变化更新具有时间窗口的路径信息表，然后由调度系统实时根据更新后具有时间窗口的路径信息表循环进行节点冲突判断。

所有agv路径中选择具有连续相同节点的节点链，在该段节点链中具有追击冲突，对于具有追击冲突的agv，通过调节前车、后车的速度来避免冲突，同时更新路径信息表中的时间窗口，重新选择具有相同节点的节点链，循环判断是否存在冲突。

本发明的优点在于：在离线阶段先对各个节点到达其它所有节点的最优路径进行规划后存储在路径库中，在接收到运输指令后，直接从路径库中选择最优路径，为在线任务调度提供可选路径，减少在线任务调度的计算量。当上位机控制系统发出详细的运输任务时，在线调度过程中通过计算各个节点中的时间窗口来判断节点冲突，最终解决节点冲突问题。

附图说明

下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：

图1为多agv系统的路径网络示意图；

图2为多agv可能的冲突类型；

图3为本发明调度方法流程示意图；

图4为包括agv1、agv2的多agv行驶路径网络示意图。

具体实施方式

下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。

如图所示，图1是一个多agv系统执行任务的简单计划。在图1中，网络中同时有3个agv执行任务，每个agv有12个配送站点提供货物给每个agv。agv在上位控制系统的统一调度下，根据任务订单完成任务。上位机控制系统在调度过程中需要为每个agv规划最优路径，并进行实时计算，以确定是否有多个agv同时出现。如果存在agv与上控制系统的碰撞，需要合理的处理。目前针对多agv系统路径规划的算法主要有两大类：离线任务调度和在线任务调度。

在多agv系统中，根据agv遇到时不同的运行状态，冲突主要分为节点冲突、追击冲突和相向冲突。

节点冲突，如图2所示，agv1和agv2两种不同的运行方向在同一路网中到达节点a。如果其中一个的运行状态没有改变，则会在节点a发生碰撞冲突。

追击冲突，如图2所示，相同方向的agv1和agv2由于运行速度不同，在路网的某个地方会发生碰撞，称为追击冲突。

反向冲突，如图2所示，不同运行方向的agv1和agv2在同一路径上运行；因为每条路径只允许一个agv通过，然后就会发生碰撞，这被称为反向冲突。

离线任务调度是指在agv已知任务需求和周围环境条件下的调度方法；agv在运行前通过优化算法计算其运行路径。agv运行环境中，对于离线调度只有静态障碍障，且碍物位置的坐标是已知的。同时还有多个agv在运行。调度的目的是在任务实现的前提下使每个agv不发生冲突，并为每个agv从起点到目的地找到满足目标函数的最优路径。离线任务调度对环境的适应性较弱；一般来说，任何细微的环境变化都可能导致整个系统不可用，从而导致agv运行的灵活性下降。因此，离线任务调度方法不具有很好的通用性，但由于不考虑一些随机因素对系统的影响，而具有相对简单的操作过程。

由于在智能物流系统中存在着生产的节奏、任务优先、配送中心货物是否充足，以及agv的运行状态(如电力等)和故障等影响，导致agv的运行环境是动态的、未知的。多agv的速度和方向是在运行过程中实时变化的。agv需要传感器对周围环境进行在线实时地图扫描，检测扫描半径是否存在障碍物，以及障碍物的位置、大小和形状。其中，障碍包括静态障碍和其他运行状态下的agv。动态环境下agv路径规划称为在线任务调度。

在线任务调度是一种基于传感器的动态路径规划，不需要事先创建地图。传感器用于局部路径规划，避免障碍物，防止agv之间的碰撞；一系列连续的局部路径规划形成了agv的全局路径规划。

两阶段的调度策略建模，基本原理是利用离线任务调度生成agv的离线路径，然后利用在线任务调度策略进行动态环境下的实时路径规划。离线调度阶段是在静态环境下，从每个节点生成到所有其他节点的最优路径。该步骤可以利用遗传算法进行路径规划，将每个路径以链表的形式存储到路径库中。其目的是为在线任务调度提供可选路径，减少在线任务调度的计算量。当上位机控制系统发出详细的运输任务时，通过路径库中的链表和每个agv的状态信息来规划避免碰撞的优化路径。流程图如图3所示。

在离线任务调度中，第一个重要问题是在有障碍物的静态环境下建立路网模型。一个通用的路线图包括切线图和voronoi图。切线图使用障碍物的轮廓来表示agv运行的路径部分，它更倾向于使agv在靠近障碍物的节点上运行。voronoi图模型简单直观，可使agv运行精度高，当大于距离精度时可能导致agv与障碍物之间的碰撞。相比之下，voronoi图作为道路网络模型可以保证agv无碰撞运行，它尽可能利用障碍物的边缘来表示agv的路径部分。详细的方案是将障碍物的轮廓边缘向外延伸到一定的距离，形成新的轮廓线作为agv的安全路径。一般来说，向外延伸的距离不小于agv的最大轮廓尺寸。

在线任务调度是多agv路径规划的核心部分，也是离线任务调度的补充和扩展。本发明所采用的离线任务调度的基本思想是基于时间窗，将离线路径库的在线信息与agv传感器结合起来。根据agv的优先级、停车和等待，使用速度变化和路径变化解决冲突。其约束条件根据实际需求设置比如可以设置节点不冲突的约束，进行规划。同时对多agv进行路径规划，计算各agv的无冲突最优路径。多agv系统在线调度策略的假设如下:

1、这条路是单行道；

2、在路网的同一节点上，只允许一辆agv执行转弯。

3、设定agv(加速、减速或停车)的调速过程是瞬时的。

4、每次任务前，应确保agv有足够的电量。

5、每辆agv只能执行一个任务。

在每个任务之前，由人工设置任务的优先级，任务越早，优先级越高。

以下主要讨论带有时间窗口的agv路径信息表，即运行在规划路径段上的agv的时间段信息表。假设系统启动为零时刻00：00：00，那么agv到达每个节点的时间可以由以下类型确定

其中n表示路径网络的节点数目，t0是上位机系统分配给agv的时间，ti是agv到达节点的时间，vagv表示agv的行驶速度，l(i-1)i表示节点i-1到节点i之间的距离。

图4中显示的是agv路径网络，假设上位机调度系统发送的任务是agv1从节点b到节点n，查询到的最优路径为b→c→e→g→l→n。agv2从节点a行驶到节点n，查询到的最优路径为a→d→e→g→l→n。因此在e→g→i→n路段可能会发生agv的碰撞。两辆agv的行驶速度不同，其基于时间窗的路径信息表如表1所示。

从表1中可以得出结论，0时刻agv1在起点出发，35s后agv2出发，在节点e可能会发生节点冲突，由于agv1、agv2的速度不同，在g、l、o节点，两辆车会先后到达。

由于不考虑其他agv在离线调度阶段对系统动态的影响，agv之间的冲突在实际运行中会明显发生。在路径规划的过程中，关键是处理节点冲突、追击冲突和反向冲突。在多agv系统中，冲突检测主要是检测agv执行路径上时间与空间是否存在交集；也就是说，如果同一路径节点同时有多个agv集合，则可以判断为碰撞。可以根据agv的运行方向、速度和各自的路径信息表来判断冲突类型。

对于节点冲突，根据路径信息检查每个agv在路网中同一节点的到达时间是否一致；如果一致，就会发生节点冲突。优先级比较可以用于解决节点冲突。当低优先级agv靠近冲突节点时，会降低速度或停车，让高优先级agv先行。具有速度变化的agv需要实时更新路径信息表。

对于追击冲突，从所有agv路径中选择具有连续和相同节点的节点链。这些由节点组成的部分是可能存在冲突的部分。比较agv在相同路径链选择后到达这些节点的时间值。从第一个节点到同一路径链的下一个节点，agv之间的操作结果有先走先到、先走后到、后走先到，对于后两种情况，agv之间会发生追击冲突。我们可以通过提高前agv的速度或降低后agv的速度来避免两个agv之间的冲突。

对于反向冲突，应在路径信息表的同一节中找到相反方向的agv，并找到路径部分的节点数。可通过再次路径规划和时间窗向后来解决相向冲突，但两种策略都可能导致新的路径冲突，冲突会体现在路径信息表中，需要多次计算才能实现最优路径。

本发明提出了一种基于两阶段调度控制策略的多agv系统最优路径规划方法。即离线调度阶段，利用遗传算法对agv在静态环境下的最佳避障路径规划进行优化，解决了在线规划的计算量，提高在线调取避免冲突的效率。不仅解决了遗传算法的早收敛问题，而且解决了agv路径规划的障碍规避问题。在线调度阶段主要通过检测agv之间的三种典型冲突类型并解决这些冲突来实现agv的在线避障调度。

显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。