一种用于物料快速运输的双向可调AGV路径规划方法

一种用于物料快速运输的双向可调agv路径规划方法
技术领域
1.本技术涉及路径规划技术领域，特别是涉及一种用于物料快速运输的双向可调agv路径规划方法。


背景技术：

2.本部分的陈述仅仅是提到了与本技术相关的背景技术，并不必然构成现有技术。
3.当今人们越来越重视车间的工作环境和健康，迫使企业将传统车间生产模式转型升级。为了提高车间生产的智能化水准，企业在车间运输系统中慢慢使用agv代替了人工，其中，agv对任务调度的快速响应和路径的最优规划是提升车间生产效率和降低成本的有效手段。但是由于车间环境具有覆盖范围广、系统性强、包含种类多等特征，导致对agv的路径规划一直比较困难。agv的路径规划就是以最小的成本规划查找两点之间的最安全、最短的路径。
4.目前常见的研究和分析都是在正四边形网格建模的基础上进行，但是正四边形网格的几何结构特征，决定了其在距离度量与连通性方面存在不一致的问题，将会影响agv路径规划的安全性和稳定性。


技术实现要素：

5.为了解决现有技术的不足，本技术提供了一种在保证agv路径规划的稳定性和安全性的同时，提高搜索效率，减少迭代次数的用于物料快速运输的双向可调agv路径规划方法、系统、电子设备和存储介质。
6.第一方面，本技术提供了一种用于物料快速运输的双向可调agv路径规划方法；
7.一种用于物料快速运输的双向可调agv路径规划方法，包括：
8.根据生产车间的工作环境，获取agv的工作地图；
9.基于所述工作地图，根据agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离，双向搜索agv行驶的路径；
10.根据路径的长度和路径的权重，获取agv行驶的最优路径。
11.通过采用上述技术方案，能够获取更为准确的最小路径长度；能够提高搜索效率，减少迭代次数。
12.第二方面，本技术提供了一种用于物料快速运输的双向可调agv路径规划系统；
13.一种用于物料快速运输的双向可调agv路径规划系统，包括：工作地图获取模块，用于根据生产车间的工作环境，获取agv的工作地图；
14.路径搜索模块，用于基于所述工作地图，根据agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离，双向搜索agv行驶的路径；
15.最优路径获取模块，用于根据路径的长度和路径的权重，获取agv行驶的最优路径。
16.第三方面，本技术提供了一种电子设备；
17.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的用于物料快速运输的双向可调agv路径规划方法的步骤。
18.第四方面，本技术提供了一种存储介质；
19.一种存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述用于物料快速运输的双向可调agv路径规划方法的步骤。
20.与现有技术相比，本技术的有益效果是：
21.1、针对正四边形栅格建模法在距离度量和连通性方面的不足，采用正六边形栅格建模法进行建模，在连通性、采样率和安全性方面具有优势，缩短了最短路径的长度；
22.2、充分考虑agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离对路径规划的影响，能够获得更为准确的最短路径；
23.3、采用双向搜索，能够提高搜索效率，减少迭代次数。
附图说明
24.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
25.图1为本技术实施例的流程示意图；
26.图2为本技术实施例中使用可调双向智能搜索蚁群算法进行路径规划的结果示意图；
27.图3为本技术实施例中使用可调双向智能搜索蚁群算法得到的路径长度随着迭代次数的变化示意图；
28.图4为本技术实施例中使用传统蚁群算法和正四边形栅格建模法进行路径规划的结果示意图；
29.图5为本技术实施例中基于正四边形栅格地图使用传统蚁群算法得到的路径长度随着迭代次数的变化示意图；
30.图6为本技术实施例中使用传统蚁群算法和正六边形栅格建模法进行路径规划的结果示意图；
31.图7为本技术实施例基于正六边形栅格地图使用传统蚁群算法得到的路径长度随着迭代次数的变化示意图；
32.图8为本技术实施例中基于正六边形栅格地图和仅对启发因子进行改进的蚁群算法进行路径规划的结果示意图；
33.图9为本技术实施例中使用仅对启发因子进行改进的蚁群算法得到的路径长度随着迭代次数的变化示意图。
34.图10为本技术实施例中使用可调双向智能搜索蚁群算法的路径搜索示意图。
具体实施方式
35.应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本技术使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
36.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
37.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
38.实施例一
39.本实施例提供了一种用于物料快速运输的双向可调agv路径规划方法。
40.如图1-10所示，一种用于物料快速运输的双向可调agv路径规划方法，包括：
41.根据生产车间的工作环境，通过正六边形栅格建模法获取agv的工作地图；
42.基于工作地图，根据agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离，双向搜索agv行驶的路径；
43.根据路径出现的概率，获取agv行驶的最优路径。
44.进一步的，根据agv的当前位置和目标位置之间的距离及其所占权重和当前位置和起始位置之间的距离及其所占权重，对下一步路径进行选择。
45.进一步的，通过正六边形栅格建模法对生产车间的工作环境进行建模。
46.进一步的，根据正六边形栅格地图中障碍物的位置，获取agv行驶的规则。
47.进一步的，根据工作地图，分别从agv的起始位置和目标位置出发，搜索agv路径；若从不同位置出发搜索的路径时相遇，则搜索新的路径。
48.结合图1-10对本实施例公开的一种用于物料快速运输的双向可调agv路径规划方法进行详细说明。
49.一种用于物料快速运输的双向可调agv路径规划方法，通过正六边形栅格建模法对生产车间的工作环境建模，通过可调双向智能搜索蚁群算法进行agv路径规划，实现搜索效率的提高和最优路径的准确获得；包括：
50.s1、根据生产车间的工作环境，通过正六边形栅格建模法获取agv的工作地图；其中，工作地图为正六边形栅格地图。具体的，生产车间的工作环境用n*n的栅格表示，并将生产车间内的障碍物做膨化处理，agv在正六边形栅格地图中设置为质点。
51.设定agv行驶的规则为agv在行驶过程中不会碰到障碍物：
[0052][0053]
其中，对于栅格地图中，黑色的为1，表示agv无法行走，有障碍物存在。白色为0，表示可以通过，无障碍物的存在。
[0054]
本实施例中，n＝20。
[0055]
目前常见的研究和分析都是在正四边形栅格建模法的基础上进行的，但是正四边形栅格的几何结构特征，决定了其在距离度量与连通性方面存在不一致的问题，而正六边形栅格建模法在连通性、采样率和安全性方面具有明显的优势。
[0056]
首先，正四边形栅格的边和点具有共享性，中心点距离临近栅格的距离不一致，因此存在连通性的悖论；而正六边形栅格的中心点距离临近栅格都为相同的距离。其次，正六
边形栅格与正四边形栅格相比，与圆的形状更为接近，研究表明，正六边形栅格的采样率比正四边形栅格的采样率高出13.4％。此外，虽然正四边形栅格可以向八个方向延伸，但是容易遇到障碍物，安全性较低。
[0057]
s2、基于工作地图，根据agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离，双向搜索agv行驶的路径；具体的，基于正六边形栅格地图，通过可调双向智能搜索蚁群算法进行agv路径规划。
[0058]
在传统的蚁群算法中，根据以下公式选择未被探索的地方，加入到禁忌列表中来。
[0059][0060]
式中：τ
ab
为当前节点a到目标节点b之间路径上信息素浓度的大小，g1为当前节点a到目标节点b之间路径上的启发因子，且α为当前节点a到目标节点b之间路径上τ
ab
的重要程度，β为当前节点a到目标节点b之间路径上g1的重要程度；为未访问过的节点；为在t时刻的时候第k只蚂蚁处于当前节点a到目标节点b路径上的概率，此时更新信息素的公式为
[0061][0062][0063]
式中：是一个常数；ρ为信息素挥发因子，ρ∈(0，1)；lk表示为第k只蚂蚁在规定时间内行走过的全部路线的总长度，m表示蚂蚁的总数量，q为系统常数，通过提前设定好环游次数，当蚂蚁环游次数达到这个次数的时候结束搜索，这个时候寻找最合适的路线。
[0064]
在传统的算法中，为解决算法容易陷入局部最优的问题，常用方法是加入启发因子，作用是在找寻下一个节点时，增加到目标节点距离的倒数，该数值随着距离目标点的缩进而增大，从而解决陷入局部最优的问题。其中，当前节点a的启发因子g1可以用公式表示为
[0065][0066]
其中，d
ab
为当前节点a与目标节点b的距离。
[0067]
虽然通过引入启发因子虽然可以在一定程度上能够有效的规避算法产生局部最优的情况，但是一旦算法的全局搜索的范围变得很大时，可能会产生一种特殊的情况，那就是具有同样的启发因子，这时候系统会不知道怎么辨别最优路线而产生无法进行下一步选择的问题。为此，本技术对传统的启发因子进行了改进，引入了当前节点到起始节点的距离
因素。
[0068]
此外，传统的算法只考虑了单一方向蚁群搜索策略，即从起始节点出发向目标节点进行搜索，开始的搜寻路径基本相同，但是这样容易引发全局搜索能力不足的问题，上述启发因子的改进会使得迭代次数增加。为此，本技术根据奇数和偶数的不同，将搜寻蚂蚁分成两组分别放置到起点和终点一起来寻找，从而加快搜索效率。
[0069]
因此，本技术对传统的蚁群算法进行改进，提出一种可调双向智能搜索蚁群算法，通过可调双向智能搜索蚁群算法，根据正六边形栅格地图对agv进行路径规划。
[0070]
综上所述，如图10所示，示例性的，将两组蚂蚁分为正向搜索和反向搜索，综合考虑当前节点到起始节点的距离因素和当前节点到目标节点的距离因素；其中，在正向搜索过程中当前节点为i，起始节点为a，目标节点为b。启发因子为
[0071][0072][0073][0074]
其中，d
ib
表示当前节点i到目标节点b的距离,d
ai
表示起始节点a到当前节点i的距离，p为d
ai
的权重，q为d
ib
的权重，p值和q值可以在仿真时根据需求进行调节，本实施例中，p的值和q的最终值为通过多次仿真获得，取路径长度最短时的p值和q值。
[0075][0076]
式中：τ
ib
为当前节点i到目标节点b之间路径上信息素浓度的大小，η1为当前节点i到目标节点b之间路径上的启发因子，且α为当前节点i到目标节点b之间路径上τ
ib
的重要程度，β为当前节点i到目标节点b之间路径上η1的重要程度；为未访问过的节点；为在t时刻的时候第k只蚂蚁处于当前节点i到目标节点b路径上的概率，此时更新信息素的公式为
[0077][0078][0079]
式中：是一个常数；ρ为信息素挥发因子，ρ∈(0，1)；lk表示为第k只蚂蚁在规定时间内行走过的全部路线的总长度，m表示蚂蚁的总数量，q为系统常数。
[0080]
在反向搜索过程中，当前节点为j，起始节点为b,目标节点为a。启发因子为
[0081][0082][0083][0084]
其中，d
ja
表示当前节点j到目标节点a的距离，d
bj
表示起始节点b到当前节点j的距离，p为d
bj
的权重，q为d
ja
的权重，p值和q值可以在仿真时根据需求进行调节，本实施例中，p的值和q的最终值为通过多次仿真获得，取路径长度最短时的p值和q值。
[0085]
则
[0086]
式中：τ
ja
为当前节点j到目标节点a之间路径上信息素浓度的大小，η1为当前节点j到目标节点a之间路径上的启发因子，且α为当前节点j到目标节点a之间路径上τ
ja
的重要程度，β为当前节点j到目标节点a之间路径上η2的重要程度；为未访问过的节点；为在t时刻的时候第k只蚂蚁处于当前节点j到目标节点a路径上的概率，此时更新信息素的公式为
[0087][0088][0089]
式中：是一个常数；ρ为信息素挥发因子，ρ∈(0，1)；lk表示为第k只蚂蚁在规定时间内行走过的全部路线的总长度，m表示蚂蚁的总数量，q为信息素增加强度系数。
[0090]
一对蚂蚁在行驶的过程中一旦产生相遇的时候，它们会停止搜索。
[0091]
本实施例中，p值和q值为多次仿真获得的路径长度最短时的p值和q值。
[0092]
s3、根据路径的长度和路径的权重，获取agv行驶的最优路径；具体的，路径越短，选择该路径的蚂蚁越多，信息素浓度越大，则该路径为最优路径。
[0093]
本技术提供了一种agv路径规划方法，基于正六边形栅格地图，提高了agv路径规划的稳定性和安全性，引入当前节点和起始节点的距离因素，综合考虑当前节点和目标节点的距离以及当前节点和起始节点的距离对转移概率的影响，避免陷入局部最优的问题中；将蚁群分为两组，双向搜索，加快搜索效率，提高全局搜索能力。
[0094]
为了验证上述方法的有效性，下面结合仿真数据做进一步解释说明。
[0095]
本次仿真中，蚂蚁数量设置为m＝50，用来表示信息素重要程度的参数α＝2，用来表示启发式因子的重要程度的参数β＝6，信息素蒸发系数ρ＝0.1，最大迭代次数nc
max
＝200，q＝1。
[0096]
通过传统的蚁群算法、分别基于正四边形栅格建模法建模和正六边形栅格建模法获得的工作地图进行路径规划的仿真对比，其中正四边形栅格地图为20*20，正六边形栅格地图为20*20。
[0097]
如图4-图7所示，仿真结果为基于传统的正四边形栅格建模法获得的最小路径长度为36.04，基于正六边形栅格建模法获得的最小路径长度为32.04，优化了11.1％。
[0098]
在本技术实施例中，基于正六边形栅格地图，通过改进了启发因子的蚁群算法进行仿真，正六边形栅格地图为20*20,蚂蚁数量为50。
[0099]
如图8、9所示，仿真结果为，当权重p＝0.6，q＝1时，最小路径长度为路径29.21，相比于传统正四边形栅格建模的方法，最优路径优化了18.95％。迭代次数为99。
[0100]
基于正六边形栅格地图，通过可调双向智能搜索蚁群算法进行仿真时，正六边形栅格地图为20*20，权重p＝0.6，q＝1，蚂蚁的数量为50，分为两组，分别从起始节点位置和目标节点位置出发，在每次迭代中，蚂蚁根据转移概率进行栅格选择，将当前栅格加入禁忌表中，不在重复选择走过的栅格，直到到达目标节点或者无可选栅格后对所有到达目标栅格的路径上各栅格之间的信息素浓度进行更新；后来进行搜索的蚂蚁选择信息素浓度高的路径，形成正反馈机制。
[0101]
如图2、图3所示，通过仿真，最小路径长度为路径29.21，在双向搜索的条件下，迭代次数为53，迭代次数优化了46.46％。
[0102]
实施例二
[0103]
本实施例公开了一种用于物料快速运输的双向可调agv路径规划系统，包括：
[0104]
工作地图获取模块，用于根据生产车间的工作环境，获取agv的工作地图；
[0105]
路径搜索模块，用于基于所述工作地图，根据agv的当前位置和目标位置之间的距离以及当前位置和起始位置之间的距离，双向搜索agv行驶的路径；
[0106]
最优路径获取模块，用于根据路径出现的概率，获取agv行驶的最优路径。
[0107]
此处需要说明的是，上述工作地图获取模块、路径搜索模块和最优路径获取模块对应于实施例一中的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0108]
实施例3
[0109]
本发明实施例3提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述的用于物料快速运输的双向可调agv路径规划方法的步骤。
[0110]
实施例4
[0111]
本发明实施例4提供一种存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的用于物料快速运输的双向可调agv路径规划方法的步骤。
[0112]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0113]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0114]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0115]
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
[0116]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。