一种基于数字孪生模型的智能制造AGV动态路径规划算法的制作方法
本发明属于agv控制,具体是涉及一种基于数字孪生模型的智能制造agv动态路径规划算法。
背景技术:
1、随着智能制造向“数字孪生”时代迈进,构建物理车间与虚拟车间实时交互、深度融合的智能生产系统已成为核心趋势。在此背景下,自动导引车作为物理世界中的关键执行单元,其路径规划的智能化水平,直接决定了数字孪生系统整体的效率、敏捷性与可靠性。理想的数字孪生驱动下的agv调度,要求虚拟空间能够实时映射物理agv的状态,并基于全要素环境数据,在虚拟空间中超前计算与优化,再将最优指令下发至物理实体执行,形成一个“感知-分析-决策-执行”的闭环。自动导引车作为物料搬运的核心装备,其路径规划的效率和智能化水平直接决定了整个生产系统的吞吐量与响应能力。尤其是在复杂的车间环境中,agv不仅需要应对预先已知的静态布局,还需实时处理突然出现的人员、其他agv或临时堆放物等动态障碍物。这对agv的路径规划算法提出了更高的要求:即需要具备全局规划能力以保障整体效率,又需要具备局部实时避障能力以确保持续运行的安全性与鲁棒性。目前,业界针对agv路径规划的研究主要分为全局规划和局部规划两类方法,但在实际应用中,尤其是在动态未知环境中,它们各自存在明显的局限性:
2、(1)传统全局规划算法的局限性:以a*算法、dijkstra算法以及群智能优化算法(如遗传算法、粒子群算法)为代表的全局规划方法,通常在已知的、固定的静态地图上进行运算。它们能够找到从起点到终点的全局最优或次优路径。然而,这类算法严重依赖于环境的先验信息。一旦环境中出现未预先录入的静态障碍物或动态障碍物,其预先计算出的最优路径便会失效,可能导致agv死锁或碰撞。换言之,它们缺乏对未知环境的适应性和实时响应能力;
3、(2)传统局部规划算法的局限性:以动态窗口法为代表的局部规划方法,能够利用车载传感器实时感知周围环境信息,并生成安全、无碰撞的局部轨迹,非常适合处理动态障碍物。然而,dwa本质上是一种短视的贪心算法。它过于关注眼前的局部最优,而极易陷入局部极小值区域(如u型障碍物、狭窄通道入口),导致agv运行路径冗长、绕行过多,甚至无法到达目标点。它缺乏全局视角的指引,无法保证最终路径的全局最优性;
4、(3)简单组合算法的不足:为了兼顾全局与局部,现有技术中存在将全局规划与局部规划简单结合的方案。例如,先使用全局算法生成一条参考路径,再由dwa进行局部跟踪和避障。然而,这种简单的“拼接”模式存在固有缺陷:当动态障碍物使agv暂时偏离全局路径后,局部规划可能无法自主地、高效地引导agv回归到最优的全局路径上,而是沿着一条非最优的路径继续行进,导致最终行驶轨迹与全局最优解偏差甚远,整体路径长度显著增加;
5、因此,针对现有技术的不足,需要提出一种基于数字孪生模型的智能制造agv动态路径规划算法来解决。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于数字孪生模型的智能制造agv动态路径规划算法,通过将改进的麻雀搜索算法(issa)与动态窗口法(dwa)进行深度融合,而非简单的“先全局后局部”拼接,使得agv在执行局部实时避障时,其决策过程始终受到全局最优方向的强有力引导,技术方案如下:
2、一种基于数字孪生模型的智能制造agv动态路径规划算法,包括以下步骤:
3、1)建立工厂数字孪生模型,为了测试改进融合算法性能,将建立好的工厂数字孪生模型映射成1:1还原的二维栅格地图模型;
4、2)建立此时避障行为的栅格路径模型,假设agv与障碍物的距离为,是当前agv的位置,是当前障碍物的位置,agv与障碍物之间的距离如下:
5、 (1)
6、定义路径的总长度为,是由相邻两个节点和的欧氏距离之和构成,路径之和具体如下:
7、 (2)
8、定义整个搜寻空间,障碍物空间为,agv在空间中的状态为,则在搜索空间中车辆状态与障碍物空间存在关系:
9、 (3)
10、在判断下一个移动节点时,需要确定两点之间是否存在障碍物,避免agv 与障碍物发生碰撞,假设
ifna为判断函数,是当前agv位置,当存在障碍物,说明agv行驶不够安全,为安全值,此时的机器人安全值为0;反之则说明agv可以安全移动,此时的,此时的机器人安全值为1,所述判断公式可以表示为:
11、 (4)
12、建立好栅格路径模型后,对agv进行运动学分析,约定好agv的坐标系以及速度信息,定义agv的线速度为,线速度方向与x轴同向时为正,反向时为负,定义agv的角速度为,为旋转半径,当逆时针旋转时,角速度为正,反之为负,平移运动是指agv在保持固定朝向的情况下,以一定的线速度沿直线路径前进或后退,当左右主动轮以相同的线速度旋转时,agv将发生直线运动,转向运动是指机器人围绕垂直于平面的轴旋转,以改变其朝向或方向,当左右主动轮的线速度不相等时,机器人将发生转向运动,通过控制主动轮的速度差,可以实现不同半径的转弯和转向动作;
13、所述agv为差速机器人,受到非全向约束, 速度信息为,位姿信息为, 为agv偏转角,agv的运动轨迹空间可以表示为:
14、 (5)
15、式中表示agv自身最大线速度与最小线速度,表示机器人自身最大角速度与最小角速度;
16、所述agv受电机性能的约束:
17、 (6)
18、式中和表示目前时刻的线速度与角速度,与表示在电机影响下线速度所能达到的最大加速度与最大减速度;与表示在电机影响下角速度所能达到的最大加速度与最大减速度;
19、所述agv受障碍物时的约束如下:
20、 (7)
21、式中表示速度空间对应的轨迹离障碍物最近的距离,速度空间应该同时满足上述非全向、电机性能和障碍物这三个约束条件,随着电机的线加速度与角加速度的变化,速度空间会动态变化,将其称为动态窗口,在满足约束条件的情况下,进行速度空间的采样,得到相应的轨迹空间;
22、自主移动机器人在运行过程中不断进行速度采样,可以确定速度范围,根据agv的运动模型和运动速度范围,可以模拟并推演出多条轨迹,这些轨迹的优劣可以通过评价函数进行评价,评价函数的定义如下:
23、 (8)
24、式中, 方位角评价函数,它评估轨迹末端与目标点的角度差,确保自主移动机器人不偏 离终点,表示机器人与最近障碍物的距离;自主 移动机器人当前轨迹上离最近障碍物的距离,为当 前速度大小的评价函数,,,为三项的加权系数;
25、4)改进麻雀搜索算法,将改进后的麻雀搜素算法的全局规划能力与避障行为的数学模型进行深度融合构成基于数字孪生模型的智能制造agv动态路径规划算法;
26、所述改进麻雀搜索算法具体步骤如下:
27、麻雀搜索算法是一种群智能优化算法,式中麻雀搜索算法主要受麻雀的觅食行为和反捕食行为而启发,一类是发现者,是麻雀种群中寻找食物的那部分,占麻雀种群的20%,发现者的更新公式如下:
28、 (10)
29、式中表示的是第只麻雀在j维中的位置,是当前的迭代次数,,分别是在范围和服从正态分布的随机数,,分别是预警值和安全值;
30、一类是跟随者,会随着发现者进行觅食,在觅食的过程中,如果有发现者的适应度值小于跟随者,那么此时跟随者会转变为发现者,但是发现者和跟随者的比例是不变的,跟随者的更新公式如下:
31、 (11)
32、式中,表示代在全局的搜索过程中发现者所在的最优位置,表示第代全局搜索过程中麻雀所在的最差的位置,代表的是种群中麻雀的个数,代表的是维的矩阵,式中的,另一类是占种群10%-20%左右的警戒者,其位置更新公式如下:
33、 (12)
34、式中,是迭代到此时的全局的一个最优位置;式中的是一个随机数并且服从正态分布,代表的是迭代到此时种群的适应度值,表示的是全局的最优适应度值,表示的是全局的最差适应度的值,表示的是一个随机数,范围在(0,1)之间,表示的是一个极小的常量,防止分母为零,取;
35、为了提高麻雀搜索算法在全局寻优能力,将链式邻近学习策略改进的麻雀发现者更新方式中,通过不断链接邻近个体,加深邻近个体之间的信息交流,使所有粒子之间或多或少都有一些影响,整个种群被链接成一个整体,而非个体之间独立搜索互不影响,其具体数学模型为:
36、 (13)
37、式中,表示迭代序列中第个粒子经次迭代后的个体位置,表示迭代序列中第个粒子经次迭代后的个体位置,为0到1的随机数,,
38、因此发现者的更新公式为:
39、 (14)。
40、与现有技术相比,本发明具有以下优点:
41、1、本发明通过将改进的麻雀搜索算法(issa)与动态窗口法(dwa)进行深度融合,而非简单的“先全局后局部”拼接,本发明使得agv在执行局部实时避障时,其决策过程始终受到全局最优方向的强有力引导,这有效避免了传统方法中因临时避障而导致agv最终行驶路径严重偏离全局最优解的问题,从而在保证安全性的前提下,显著缩短了整体行驶路径,提高了运行效率;
42、2、本发明提出的融合算法能够快速响应环境中的动态变化,如移动的工人、叉车、临时障碍物等,通过在数字孪生虚拟空间中利用改进的issa算法进行快速的全局路径重规划,并为dwa提供实时、优化的全局参考指引,使得agv在面对复杂动态环境时,不仅能有效避障,还能快速回归到高效路径上,表现出卓越的实时适应能力和鲁棒性;
43、3、本发明将路径规划算法置于数字孪生框架内,实现了“超前模拟”,可以基于实时数据预测未来时刻可能出现的冲突,如动态障碍物切入,并在虚拟空间中提前运行issa-dwa算法,预演多种避障方案,从中选择最优解提前下发给物理agv,这种预测性规划能力将传统的“反应式”避障提升为“主动式”避障,极大提升了避障的精准性和系统运行的流畅度,减少了因紧急避障导致的停顿和效率损失;
44、4、针对基础麻雀搜索算法(ssa)的不足,本发明提出了“链式邻近学习策略”对发现者位置更新方式进行改进,经标准测试函数(cec2005)验证,改进后的issa算法在收敛精度、稳定性和跳出局部最优的能力上均优于原始ssa及其他多种主流优化算法,如woa、pso等,这一改进直接提升了融合算法中全局规划模块的性能,为生成更优的全局参考路径奠定了坚实基础。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com