[发明专利]L型路径趋势改进A-STAR算法的智能仓储物流机器人路径规划方法

说明书

本发明公开L型路径趋势改进A‑STAR算法的智能仓储物流机器人路径规划方法，在A‑STAR算法规划出初始路径之后，依据“尽可能使局部路径与S、T构成的路径趋势一致”的原则，通过路径趋势标识进行优化。局部路径中，邻近的三个节点k‑1、k、k+1构成L型链路时，判断其与当前L型路径趋势标识是否匹配，如果匹配，判断局部链路中间节点k的对角节点D是否为障碍物，如果不是障碍物，则将对角节点D替换该节点k。本发明提出的L型路径趋势改进A‑STAR算方法，以微小的算法运行时间代价，能够有效减少智能仓储物流机器人路径规划中局部路径的转折次数和累计转折角度。

技术领域

本发明涉及智能仓储技术领域，尤其涉及L型路径趋势改进A-STAR算法的智能仓储物流机器人路径规划方法。

背景技术

路径规划是物流机器人导航过程中的一个重要环节，物流机器人属于移动机器人中的一种，移动机器人路径规划是指机器人基于环境信息规划出一条从起点到终点的无碰、安全的可行路径，并尽可能地优化路径^[1]。机器人路径规划常用方法有可视图法、人工势场法、A-STAR算法、人工智能算法等。A-STAR算法是Dijikstra算法的一个扩展，它利用等代价搜索和启发式搜索来有效地计算最佳优先搜索，使用的时间更少^[2]。但A-STAR算法规划出的移动机器人路径存在折线多、转折次数多、累计转折角度大等问题。文献^[3]在A-STAR算法初始路径规划的基础上，遍历路径中的所有节点，删除冗余节点，建立平滑A-STAR模型，以极低的计算时间损失有效地降低移动机器人规划路径的长度、转折次数、转折角度,适用于复杂环境路径规划。文献^[4]在A-STAR算法初始路径的基础上，通过划分路径步长、删除冗余路径节点的方法，有效地减小路径长度和转折角度，适合多任务点，高障碍率环境下的移动机器人路径规划。文献^[5]引入Past列表和Frequency列表，重新定义基本A-STAR算法中的关闭列表，并结合动态避碰规则，实现多机器人小车的路径规划。文献^[6]仓储物流中移动机器人多任务调度问题，提出复杂对角线距离算法，改进A-STAR算法的启发函数，实现调度系统中移动机器人总任务完工时间最短，规划之后的路径仍存在冗余节点。智能仓储环境与一般机器人工作环境大不相同，仓储环境中物流机器人可行空间有限，障碍物形状规则，因此，智能仓储环境下的物流机器人路径规划有别于一般移动机器人。

发明内容

本发明的目的在于提供L型路径趋势改进A-STAR算法的智能仓储物流机器人路径规划方法。

本发明采用的技术方案是：

L型路径趋势改进A-STAR算法的智能仓储物流机器人路径规划方法，其包括以下步骤：

步骤1，构建智能仓储环境地图并确定起始位置S和目标位置T，同时利用A-STAR算法得到初始规划路径path以及路径上的节点数N；

步骤2，基于起始位置S和目标位置T的相对位置关系分别设置不同的L型路径趋势标识；

步骤3，判断节点数是否大于2；是则，执行步骤4；否则，执行步骤8；

步骤4，判断当前节点k是否不大于节点数N，k为不小于1的整数且初始值为2；是则，执行步骤5；否则，执行步骤8；

步骤5，判断节点k-1、节点k和节点k+1形成的局部L型链路与当前L型路径趋势标识是否匹配；是则，执行步骤6；否则，执行步骤7；

步骤6，判断局部L型链路中间节点k的对角节点D上是否有障碍物；是则，保持当前规划路径path不变并执行步骤7；否则，将节点D替换节点k以更新当前规划路径path并执行步骤7；

步骤7，当前节点k＝k+1，以指示下个节点，并执行步骤4；

步骤8，以更新后的规划路径path作为优化后的路径。