多AGV的路径规划方法及设备与流程

本发明涉及计算机领域，尤其涉及一种多agv的路径规划及设备。

背景技术：

随着电商物流行业的快速发展，电子商务的规模越来越大。传统的人工分拣已不能满足要求，依靠传送带等传输设备的自动分拣系统虽然分拣效率高，但占地面积大，一次性投入成本高，只适用于大型的分拣中心，而且一旦建成就不可改变，柔性和灵活性差，能耗高。自动引导小车(agv)高度的灵活性，低能耗能很好的适应现代物流“多品种，小批量，相对集中”的特点。因此基于agv的快递分拣系统的研究具有重要的实用价值。

传统的自动引导小车(agv)主要应用于光电制造、烟草、汽车、银行、印刷等行业。在这些行业中，agv的应用大多表现出工作独立，固定轨道，以及agv应用规模小等特点。

所以相关的研究主要集中在单agv单任务或者小规模、大型的agv在物料配送过程中路径和生产效率的优化。本文针对的是分拣中心大批量、外形规则、小而轻量的快递在大规模小型agv自动分拣过程中路径和系统的优化。

路径规划是自动引导小车系统(agvs)的关键技术之一。其包含两个方面，一是建立环境模型，即对移动机器人工作空间(环境信息)进行有效表达，是移动机器人导航定位的基础。二是进行路径搜索，即寻找从起点到终点的符合条件约束的路径。

不同的环境建模方式对路径搜索有显著的影响。常见的的环境地图表示方法，可概括为栅格地图法(gridmap)[1]、几何特征地图法(geometricfeaturemap)[2]、拓扑地图法(topologicmap)[3]和三种基本地图表示法。

几何特征地图法又称可视图(visibilitygraph)，可视图法将移动机器人看做一个质点，将障碍物在空间中扩展为多边形，将移动机器人的起始点、目标点和多边形障碍物的各个顶点通过直线相连并且不与障碍物相交，路径规划任务就转换为可视图中两点距离最短的问题。节点数量和连线数量少，故搜索所需的时间短。但是由于当起始点和目标点发生改变后，整个地图需要重建。在大规模、快速刷新的分拣任务中，这种重建的代价会迅速提升。

拓扑地图法相对于栅格建模法和几何建模法而言，结构较为紧凑。路径通常由代表路径交叉的节点、代表行驶路径的线段或弧及同样位于节点处的各个装卸载站点等组成。在描述车辆的运行路径时，可以用有序的节点集合进行表示，其中节点的顺序指明了车辆的运行方向。在物料车间等具有装配顺序的场合，尤为适用。

栅格地图法是目前研究最广泛的方法之一。该方法将机器人的工作空间分解为多个简单的区域，一般称为栅格。由这些栅格构成一个显式的连通图，或在搜索过程中形成隐式的连通图，然后在图上搜索一条从起始栅格到目标栅格的路径。栅格地图信息直接与环境区域对应，容易创建和维护，方便进行自定位。但是栅格划分需要精准，划分过大会导致环境信息存储量小、分辨率和精度低，路径规划不明确。划分过小会提高精度但寻找时间过长，效率下降。

路径搜索算法根据对环境信息掌握的程度将其分为2种：基于传感器信息的局部路径规划，又称动态或在线路径规划。基于环境先验完全信息的全局路径规划，又称静态或离线规划。局部的路径规划有人工势场法、蚁群优化算法，粒子群算法等。全局路径规划主要方法有可视图法、自由空间法、a*算法等。

人工势场法将机器人在周围环境中的运动,设计成一种抽象的人造引力场中的运动,目标点对移动机器人产生“引力”,障碍物对移动机器人产生“斥力”,最后通过求合力来控制移动机器人的运动。该法结构简单，便于低层实时控制，但容易产生死锁，适应能力较差,不能够满足agv动态环境中实时规划路径的要求。

蚁群优化算法是通过模拟自然界蚂蚁觅食行为提出的一种仿生进化算法。在该算法需要设置参数,如果设置不当,就会导致求解速度慢且所得解的质量特别差.此外该算法计算量大、收敛速度慢、求解所需时间较长,不适合实时规划,易陷入局部最优。

粒子群算法具有收敛速度快、算法简单、容易编程实现和鲁棒性强等特点，但是粒子群算法容易陷入局部极值点，而且若参数选择不当，会导致寻优过程中粒子的多样性迅速消失，造成算法“早熟收敛”。

可视图法将agv看做一个质点，将障碍物在空间中扩展为多边形，将agv的起始点、目标点和多边形障碍物的各个顶点通过直线相连并且不与障碍物相交，路径规划任务就转换为可视图中两点距离最短的问题。节点数量和连线数量少，故搜索所需的时间短。但是由于当起始点和目标点发生改变后，整个地图需要重建。在大规模、快速刷新的分拣任务中，这种重建的代价会迅速提升。

自由空间法和可视图法类似，只不过是预先定义凸多边形和广义锥形等基本形状构造自由空间，并将自由空间表示为连通图通过搜索连通图来进行路径规划。起始点和目标点的改变不会造成连通图的重构，但其缺点是复杂程度较大。

a*(a-star)是一种静态路网中求解最短路径最有效的直接启发式搜索方法，是在dijsktra算法基础上加了一个启发式规则(heuristicapproaches)，引导搜索方向，能大大提高搜索效率。但其得到的路线折线多，由于agv在转弯的地方先要减速转弯，然后加速，大大影响了其效率。针对这种情况，也有相关文献提出了解决办法。现有的方法都是在规划出路径后进行平滑化处理，而且方法较为复杂，计算量大。最重要的是以上方法都只适用于移动机器人可以斜向或自由方向行走的情况，不适用于规则的、具有较强方向约束的道路模型。

技术实现要素：

本发明的一个目的是提供一种多agv的路径规划方法及设备。

根据本发明的一个方面，提供了一种多agv的路径规划方法，该方法包括：

采用栅格法，其中,栅格的大小以agv小车自身尺寸为准，将路径规划的场地映射成一系列规则的网格得到环境栅格化后的地图，所述地图中包括多外节点,在所有的栅格中，栅格范围内不包含任何障碍物的栅格被称为自由栅格；反之，称为障碍栅格,每个节点只充许往一个方向行走；

在所述地图中进行路径搜索时，将转弯时间映射为距离,找到转弯次数最少且距离最短的路径。

进一步的，上述方法中，在所述地图中进行路径搜索时将转弯时间映射为距离，包括：

假设预留一个地图中的节点作为减速缓冲，假设减速前速度为v0，减速后的速度为vt，加速度为a，记减速距离为s，所用时间为t，则根据运动学公式得：

vt＝v0+at(3)

记一个节点的边长为d，则s＝2×d，vt＝0；代入(2)、(3)算出减速所用的时间：

加速是减速的相反过程，时间是一样的，故总时间

等效为agv不转弯，沿直线做匀速运动的的距离为：s′＝v0×t＝8×d。

进一步的，上述方法中，找到转弯次数最少且距离最短的路径，包括：

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα(5)

其中,x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长。

进一步的，上述方法中，找到转弯次数最少且距离最短的路径，包括：

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα+aβ(6)

其中，x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长，β为节点的拥挤度，β∈{0,1}，a是拥挤度系数，取值为正数。

进一步的，上述方法中，节点的拥挤度β的计算，包括：

将拥挤度定义为当检测到某一节点注册的小车数量超过一定阈值时当前节点定义为拥挤，其拥挤度为1，否则拥挤度为0；

定义β：拥挤度，∈{0,1}，a：地图上每个节点的注册集合，初始值为空集alen：注册集合a的大小，即集合中元素的个数，n：地图上某个节点，γ：拥挤阈值；

进行节点注册，即把将要经过此节点的agv编号加入集合中，根据所述集合计算每个节点的拥挤度β。

根据本发明的另一方面，还提供了一种多agv的路径规划设备，该设备包括：

第一装置，用于采用栅格法，其中,栅格的大小以agv小车自身尺寸为准，将路径规划的场地映射成一系列规则的网格得到环境栅格化后的地图，所述地图中包括多外节点,在所有的栅格中，栅格范围内不包含任何障碍物的栅格被称为自由栅格；反之，称为障碍栅格,每个节点只充许往一个方向行走；

第二装置，用于在所述地图中进行路径搜索时，将转弯时间映射为距离,找到转弯次数最少且距离最短的路径。

进一步的，上述设备中，所述第二装置，用于将转弯时间映射为距离中，假设预留一个地图中的节点作为减速缓冲，假设减速前速度为v0，减速后的速度为vt，加速度为a，记减速距离为s，所用时间为t，则根据运动学公式得：

vt＝v0+at(3)

记一个节点的边长为d，则s＝2×d，vt＝0；代入(2)、(3)算出减速所用的时间：

加速是减速的相反过程，时间是一样的，故总时间

等效为agv不转弯，沿直线做匀速运动的的距离为：s′＝v0×t＝8×d。

进一步的，上述设备中，所述第二装置，用于找到转弯次数最少且距离最短的路径中，

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα(5)

其中,x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长。

进一步的，上述设备中，所述第二装置，用于找到转弯次数最少且距离最短的路径中，

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα+aβ(6)

其中，x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长，β为节点的拥挤度，β∈{0,1}，a是拥挤度系数，取值为正数。

进一步的，上述设备中，所述第二装置，用于节点的拥挤度β的计算中，

将拥挤度定义为当检测到某一节点注册的小车数量超过一定阈值时当前节点定义为拥挤，其拥挤度为1，否则拥挤度为0；

定义β：拥挤度，∈{0,1}，a：地图上每个节点的注册集合，初始值为空集alen：注册集合a的大小，即集合中元素的个数，n：地图上某个节点，γ：拥挤阈值；

进行节点注册，即把将要经过此节点的agv编号加入集合中，根据所述集合计算每个节点的拥挤度β。

与现有技术相比，本发明着眼于大规模agv快递分拣系统的分拣峰值和分拣效率优化。在传统a*路径规划算法的基础上，经过改进得出一种具有自动平滑化的的路径搜索算法，改进算法通过将转弯的时间映射成水平距离，充分考虑了agv转弯的时间，减少路线的的转折次数，通过实验验证，确实改进了场地的峰值分拣量和分拣效率，验证了算法的有效性。在改进的a*算法基础上再次改进，引入拥挤度，解决拥挤问题。通过实验验证，确实能一定程度上有效的避免拥挤，提高场地的agv饱和值，提升场地的分拣峰值，使得场地能得到充分利用。综合以上内容可以得出结论：本发明在针对大规模agv在快递分拣系统中的路径规划，能提高系统的分拣效率和场地的峰值分拣量。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出本发明一实施例的在环境栅格化后的地图节点往邻域的八个方向延伸示意图；

图2示出本发明一实施例的四邻域方式的示意图；

图3示出本发明一实施例的节点方向说明的示意图；

图4示出本发明一实施例的栅格化后的地图；

图5示出本发明一实施例的算法流程图；

图6示出本发明一实施例的使用基本a*算法搜索出来的路径图；

图7示出本发明一实施例的预留一个地图节点作为减速缓冲示意图；

图8示出本发明一实施例的使用改进后的启发函数进行路径规划的结果图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

如图1所示，本发明提供一种多agv的路径规划方法，包括：

步骤s1，采用栅格法，其中,栅格的大小以agv小车自身尺寸为准，将路径规划的场地映射成一系列规则的网格得到环境栅格化后的地图，所述地图中包括多外节点,在所有的栅格中，栅格范围内不包含任何障碍物的栅格被称为自由栅格；反之，称为障碍栅格,每个节点只充许往一个方向行走；

步骤s2，在所述地图中进行路径搜索时，将转弯时间映射为距离,找到转弯次数最少且距离最短的路径。

本发明的多agv的路径规划方法一实施例中，在所述地图中进行路径搜索时将转弯时间映射为距离，包括：

假设预留一个地图中的节点作为减速缓冲，假设减速前速度为v0，减速后的速度为vt，加速度为a，记减速距离为s，所用时间为t，则根据运动学公式得：

vt＝v0+at(3)

记一个节点的边长为d，则s＝2×d，vt＝0；代入(2)、(3)算出减速所用的时间：

加速是减速的相反过程，时间是一样的，故总时间

等效为agv不转弯，沿直线做匀速运动的的距离为：s′＝v0×t＝8×d。

本发明的多agv的路径规划方法一实施例中，找到转弯次数最少且距离最短的路径，包括：

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα(5)

其中,x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长。

本发明的多agv的路径规划方法一实施例中，找到转弯次数最少且距离最短的路径，包括：

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα+aβ(6)

其中，x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长，β为节点的拥挤度，β∈{0,1}，a是拥挤度系数，取值为正数。

本发明的多agv的路径规划方法一实施例中，节点的拥挤度β的计算，包括：

将拥挤度定义为当检测到某一节点注册的小车数量超过一定阈值时当前节点定义为拥挤，其拥挤度为1，否则拥挤度为0；

定义β：拥挤度，∈{0,1}，a：地图上每个节点的注册集合，初始值为空集alen：注册集合a的大小，即集合中元素的个数，n：地图上某个节点，γ：拥挤阈值；

进行节点注册，即把将要经过此节点的agv编号加入集合中，根据所述集合计算每个节点的拥挤度β。

在此，本发明提出一种直接将转弯时间映射为距离，在进行路径搜索时自动选择更平滑，转弯次数更少的方法。并且引入拥挤度的概念，使得算法能有效的避免拥堵，提高了场地的分拣峰值。

具体的,

1、环境模型描述

本发明采用的是栅格法，栅格的大小以agv小车自身尺寸为准，将路径规划的场地映射成一系列规则的网格。在所有的栅格中，栅格范围内不包含任何障碍物的栅格被称为自由栅格；反之，称为障碍栅格。

在环境栅格化后的地图节点可以往邻域的八个方向延伸，如图1。行走机器人、游戏人物中栅格化方式常采用这种方式，因为这更符合自由空间中自由行走的实际场景。对于agv这样的轮式机器人，采用更多的是如图2所示的四邻域方式，每个节点只能通向上下左右四个节点，斜对角不可通行。

上述的方式生成的道路是双向的，在agv规模较小的时候，可以很好的发挥节点自由灵活的特点，但是当agv规模较大时，很容易相互堵塞，造成agv小车长时间聚集在一个地方，难以完成任务。所以本发明根据现实中交通道路的模型，将场地道路设计成单向的，某一条道路只能往一个方向行走。节点方向说明如图3。

以实际项目的仿真场地为例，加上具有交通的方向约束，栅格化后的地图，如图4所示。黑色代表障碍物(投放口、工位、承重墙、充电桩等)，是禁入点。

2算法描述

2.1基本a*算法

a*算法是hartpe,nilssonnj[1]等人1968年在dijkstra算法基础上提出的，加入了目标点到当前结点的估计代价，根据地图上从起始点经过当前结点到达目标点的代价决定搜索的方向,大大提高了dijkstra算法的效率。a*算法关键在于其估价函数：

f(n)＝g(n)+h(n)(1)

f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价，h(n)是从状态n到目标状态的最佳路径的估计代价。假设d(n)表示从状态n到目标状态的实际距离。则

(1)如果h(n)<d(n)，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。

(2)如果h(n)＝d(n)，即距离估计h(n)等于最短距离，那么搜索将严格沿着最短路径进行，此时的搜索效率是最高的。

(3)如果h(n)>d(n)，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。

常用的估计代价h(n)有曼哈顿距离、切比雪夫距离、欧几里得距离等。我们使用曼哈顿距离即两点的横纵坐标距离之和作为估值函数，根据前面我们地图设计，节点不允许斜向走，只能上下左右走，故此时估计距离一定小于等于实际距离，即h(n)<＝d(n)，所以保证能搜索到一条最短路线。

a*算法在搜索过程中要维持更新两个列表，一个是开启列表(open)，一个是关闭列表(close)，开启列表存储的是待搜索的候选节点，关闭列表存储的是已经搜索过的节点。

step1：把起点加入开启列表open中

step2：检查open表，假如为空则搜索结束，说明未搜索到路径。假如不为空，则执行step3.

step3：选择open表中f(n)最小的点作为当前点，检查当前点是否是终点，假如是则转到step4，否则将当前点的子节点加入open表中，其中子节点需满足以下约束：①子节点可达；②子节点不在open表中；③子节点不在close表中(子节点没有被搜索过)。并记录子节点的父节点为当前点，最后将当前点加入close表中。转到step2。

step4：将终点加入path表中，并沿着父节点移动，将其加入path表中，得到的就是最短路径，将path表反向输出即得到了最终的最短路径。

算法流程图如图5所示。

使用基本a*算法搜索出来的路径如图6所示。可以看到整条路径存在许多转折点，虽然也是最短路径，但agv在沿着路线走时，在转弯点前需要减速，然后再加速，这无疑就增加了时间成本。针对这种情况，本文提出一种直接将时间映射成距离的、具有自动平滑化的a*算法。

2.2具有自动平滑化的a*算法

2.2.1时间映射成距离

假设预留一个地图节点作为减速缓冲(实际场地上根据不同的速度可能预留出一个以上)，如图7所示。假设减速前速度为v0，减速后的速度为vt，加速度为a，记减速距离为s，所用时间为t，则根据运动学公式可得：

vt＝v0+at(3)

记一个节点的边长为d，则s＝2×d。vt＝0；代入(2)、(3)可算出减速所用的时间：

加速是减速的相反过程，可知时间是一样的，故总时间

等效为agv不转弯，沿直线做匀速运动的的距离为：s′＝v0×t＝8×d。

2.2.2改进算法描述

使用曼哈顿距离，原来的估值函数为h(n)＝|x1-x2|+|y1-y2|，其中x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标。

本发明改进后的估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα(5)

其中,ɑ表示是否是转弯点，取值空间为{0,1}，d为建模地图中每个节点的边长。

使用改进后的启发函数进行路径规划，得到的结果如图8所示。找到的确实是当前存在的转弯次数最少的路径。

2.3多agv避免拥堵a*算法

由2.2.2可知，改进后的a*算法可以找到具有转弯次数最少的、最短路径。但是在多agv相互协作的环境里，本发明考虑的是全局最优，所以agv不仅应该考虑自身因素，还应该考虑其他agv对其产生的影响。一台agv占据一个地图的节点，对地图产生影响，进而对其他agv产生影响。我们在改进的算法基础上引入拥挤度，使得算法能有效的避免拥堵，从而达到全局最优。

2.3.1拥挤度描述

我们引入拥挤度的概念，拥挤度定义为当检测到某一节点注册的小车数量超过一定阈值时当前节点定义为拥挤，其拥挤度为1，否则拥挤度为0。

符号说明：

β：拥挤度，∈{0,1}。

a：地图上每个节点的注册集合，初始值为空集

alen：注册集合a的大小，即集合中元素的个数。

n：地图上某个节点。

γ：拥挤阈值，根据具体场地模型调整。

节点注册即把将要经过此节点的小车编号加入集合中，例如，假设小车1、小车4、小车6、小车11都要经过地图上的节点n，则n的注册集合a＝{1,4,6,11}。假设设置拥挤阈值γ＝3，因为此时集合中注册了4辆小车，即alen＝4，alen>γ，则此时节点n的拥挤度β＝1。假设经过一段时间后，小车6已经从n节点经过了，则将6从a集合中移除，则a＝{1,4,11}。此时alen＝3，alen≯γ，则节点n的拥挤度β＝0。

2.3.2算法描述

同样使用曼哈顿距离，其中x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标。则改进后的估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα+aβ(6)

其中ɑ表示是否是转弯点，取值空间为{0,1}，d为建模地图中每个节点的边长。β为拥挤度，β∈{0,1}，a是拥挤度系数，取值为正数。

3.实验结果及分析

仿真场地如图4，场地为50.05×34.01(长×宽)，单位为米。栅格化后的场地为91×62(长×宽),单位为格，每小格为550×550，单位为毫米。整个场地共有17个扫描位(左边8个，右边9个)，17个充电桩(左边8个，右边9个，和扫描仪水平相对的)。中间是投放口，共270个。

实验的任务是随机生成的，使用的是固定的随机种子，生成伪随机数列，保证了每次生成的随机任务序列是同样的。任务的起点是扫描仪，终点是随机生成的投放口地点，小车到达终点后，完成倒货，那么当前任务就算完成了。再根据就近原则回到某一个扫描仪等待下一个任务。仿真过程不考虑agv充电、agv故障等因素，为理想状态下的仿真模型。仿真取点为agv数量每间隔25辆车统计其分拣效率，agv在转弯点模拟停3个节拍，每个节拍为小车行驶一个小格距离的时间，模拟使用750毫秒，实验数据如表1所示。

表1agv数量与拣选效率

本发明着眼于大规模agv快递分拣系统的分拣峰值和分拣效率优化。在传统a*路径规划算法的基础上，经过改进得出一种具有自动平滑化的的路径搜索算法，改进算法通过将转弯的时间映射成水平距离，充分考虑了agv转弯的时间，减少路线的的转折次数，通过实验验证，确实改进了场地的峰值分拣量和分拣效率，验证了算法的有效性。在改进的a*算法基础上再次改进，引入拥挤度，解决拥挤问题。通过实验验证，确实能一定程度上有效的避免拥挤，提高场地的agv饱和值，提升场地的分拣峰值，使得场地能得到充分利用。综合以上内容可以得出结论：本发明在针对大规模agv在快递分拣系统中的路径规划，能提高系统的分拣效率和场地的峰值分拣量。

根据本发明的另一方面，还提供了一种多agv的路径规划设备，该设备包括：

第一装置，用于采用栅格法，其中,栅格的大小以agv小车自身尺寸为准，将路径规划的场地映射成一系列规则的网格得到环境栅格化后的地图，所述地图中包括多外节点,在所有的栅格中，栅格范围内不包含任何障碍物的栅格被称为自由栅格；反之，称为障碍栅格,每个节点只充许往一个方向行走；

第二装置，用于在所述地图中进行路径搜索时，将转弯时间映射为距离,找到转弯次数最少且距离最短的路径。

进一步的，上述设备中，所述第二装置，用于将转弯时间映射为距离中，假设预留一个地图中的节点作为减速缓冲，假设减速前速度为v0，减速后的速度为vt，加速度为a，记减速距离为s，所用时间为t，则根据运动学公式得：

vt＝v0+at(3)

记一个节点的边长为d，则s＝2×d，vt＝0；代入(2)、(3)算出减速所用的时间：

加速是减速的相反过程，时间是一样的，故总时间

等效为agv不转弯，沿直线做匀速运动的的距离为：s′＝v0×t＝8×d。

进一步的，上述设备中，所述第二装置，用于找到转弯次数最少且距离最短的路径中，

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα(5)

其中,x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长。

进一步的，上述设备中，所述第二装置，用于找到转弯次数最少且距离最短的路径中，

使用如下估值函数找到转弯次数最少且距离最短的路径，其中，所述估值函数为：

h(n)＝|x1-x2|+|y1-y2|+8dα+aβ(6)

其中，x1、x2分别为起点和终点的横坐标，y1、y2分别为起点和终点的纵坐标，ɑ表示是否是转弯点，取值空间为{0,1}，d为地图中每个节点的边长，β为节点的拥挤度，β∈{0,1}，a是拥挤度系数，取值为正数。

进一步的，上述设备中，所述第二装置，用于节点的拥挤度β的计算中，

将拥挤度定义为当检测到某一节点注册的小车数量超过一定阈值时当前节点定义为拥挤，其拥挤度为1，否则拥挤度为0；

定义β：拥挤度，∈{0,1}，a：地图上每个节点的注册集合，初始值为空集alen：注册集合a的大小，即集合中元素的个数，n：地图上某个节点，γ：拥挤阈值；

进行节点注册，即把将要经过此节点的agv编号加入集合中，根据所述集合计算每个节点的拥挤度β。

本发明的各设备实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。