[发明专利]一种基于网络拥堵模型的多AGV全局规划方法

说明书

本发明公开了一种基于网络拥堵模型的多AGV全局规划方法，首先建立区域化的地图，并根据运输需求给AGV分配任务，确定AGV路径的起始区域和目标区域；然后，在距离代价的基础上，引入包含转弯代价的时间代价与基于修正网络拥塞扩散模型的区域密度估值，以更新A*算法的估计代价值；最后基于改进A*算法进行区域间全局路径规划，获取连接当前区域和目标区域的路径区域集。本发明根据区域拥堵情况这一指标对传统的A*算法进行改进。本发明利用网络拥塞模型预测各个区域的拥堵情况，在调度时尽可能使AGV合理分布在各个区域内，提高了多AGV系统的运输效率的同时降低了调度算法的复杂度。

技术领域

本发明属于智能车路径规划领域，涉及一种基于网络拥堵模型的多AGV全局规划方法。

背景技术

我国电子商务的崛起推动了物流仓储行业发展，快递业务量保持高速增长态势，物流仓库的分拣运输工作日益繁重，不少电商巨头已进军仓储自动化领域，尝试以机器分拣运输代替人工，先有亚马逊的Kiva机器人，后有京东、菜鸟等的各种仓储AGV，仓储自动化、智能化已成趋势。

但目前国内智能化仓储仍处于发展阶段，现有技术仍有提升空间。在单台AGV路径规划算法方面，现行主流方法多采用A*算法和D*算法，尽管这两种经典路径规划方法在进行单台机器路径规划时都能取得不错的效果，但对于复杂环境中的多AGV协同路径规划，传统A*算法与D*算法存在一定局限性。传统A*算法规划路径时默认地图环境是静态的，因而若环境改变，如出现新的障碍物时，原规划路径将被丢弃，需要进行重规划，这种路径规划方法不适于实时变化的复杂仓储环境；改进的D*算法考虑了环境的实时变化，一定程度上减少了重规划的计算量。当D*算法检测到周围环境变化后，AGV会重新规划并求出最优路径。但是当AGV数量增加，重规划的次数也随之递增，给大规模AGV的实时调度任务带来挑战。

为此，本发明利用A*算法路径固定这一特点，引入时间变量对A*算法进行改进，通过改进现有的网络拥堵扩散模型(G.Wen,N.Huang,C.Wang,Network congestiondiffusion model considering congestion distribution information,IEEE Access 7(2019)102064–102072.)(A.Tareen,N.S.Wingreen,R.Mukhopadhyay,Modeling evolutionof crosstalk in noisy signal transduction networks,Phys.Rev.E97(2)(2018)20402)预测各个区域的拥堵情况，在调度时尽可能使AGV合理分布在各个区域内，使A*算法单次规划的调度效果与基于模型预测控制的D*算法(V.Digani,M.A.Hsieh,L.Sabattini,C.Secchi,Coordination of multiple AGVs:aquadratic optimization method,Auton.Robot.43(3)(2019)539–555.)多次重规划后的调度效果近似的同时大大减少了算法的规划次数。经过测试，本发明能够适应于大规模AGV的调度，在算法复杂度和调度效率之间进行了一个科学的权衡。

发明内容

本发明旨在通过修正网络拥塞扩散模型对现有路径规划算法进行改进，以提高多AGV系统的运输效率和智能仓库的空间利用率，故提供一种基于网络拥堵模型的多AGV全局规划方法。

本发明至少通过如下技术方案之一实现。

一种基于网络拥堵模型的多AGV全局规划方法，包括以下步骤：

1)建立区域化的仓储环境地图，为各空闲AGV分配运输任务；

2)分别获取各区域的距离代价与时间代价；

3)预测各区域的AGV密度，根据仓储系统的调度建立改进的网络拥堵扩散模型；

4)根据各区域的AGV密度，获取各区域密度估值；