[发明专利]一种多数量仓储无人车智能调度方法及装置

说明书

本发明公开了一种多数量仓储无人车智能调度方法及装置，方法包括：创建初始条件；通过A‑Star算法进行全局路径规划，确定全局路径节点；当动态环境中存在障碍物时，通过TEB算法以及ACO算法进行局部路径规划，对全局路径节点进行更新，并把动态障碍物转换为静态带障碍物的栅格地图；通过A‑Star算法再次进行全局路径规划，确定全局路径节点以及得到新的路径规划图；根据最终的路径规划图完成对无人车的智能调度。本发明可以得到耗时短、平滑的路径，能够实时躲避动态障碍物，有效地避免陷入局部最优解的问题，使得路径规划结果的适用场景广、效率高，可广泛应用于智能物流技术领域。

技术领域

本发明涉及智能物流技术领域，尤其是一种多数量仓储无人车智能调度方法及装置。

背景技术

名词解释：

A*：(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是许多其他问题的常用启发式算法。

ACO：蚁群算法(Ant Colony Algorithm,ACO)，是一种群智能算法，它是由一群无智能或有轻微智能的个体(Agent)通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。

TEB：Timed-Elastic-Band从给定路径中得到一系列带时间信息的离散位姿(pose)，通过图优化的方法将这些离散位姿组成满足时间最短、距离最短和远离障碍物等目标的轨迹，同时满足机器人运动动力学的约束。需要注意的是，优化得到的轨迹并不一定满足所有约束，即给定的约束条件实际上都是软约束条件。

无人车调度技术主要分为启发式与非启发式两种，其中非启发式表示其对于问题求解有明确的多项式，使用复杂多项式的求解技术来进行无人车调度方案的求解。但随着生产任务的增加，仓储环境内无人车的台数也在逐步增多，此时使用复杂多项式求解的技术也无法求得最优解。因此，非启发式算发仅适用于单个无人车或小规模无人车的调度工作，使用场景少。

启发式算法是一个基于直观或经验构造的算法，在指定的空间下给出待解决问的组合优化问题的每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被估计。因此使用启发式算法技术求解无人车调度问题的能力显著提高。

启发式算法又分为传统启发式和新式启发式算法两类，其中，新式启发式算法是目前无人车调度问题应用较为广泛的算法，特别是蚁群算法(Ant Colony Algorithm,ACO)。但是，蚁群算法在初期会因为信息素缺乏，导致算法前期计算时间长，且积累过程较久。同时蚁群算法作为启发式算法，其参数设置没有合理的数学解释，主要依靠经验与调试。此外，蚁群算法的时间效率不高，对于规模较大的问题其前期搜索时间过长。为改善这些缺点，蚁群算法可与其他全局搜索性好且前期不易早熟的启发算法进行融合来发挥其优点。而A*算法是在起始位置到终点位置中全局求解最短路径的有效方法，且求解精度很高，但实时性偏低，每一节点计算量大、运算时间长，且在无人车运送货物的运动过程中，要考虑无人车的实际情况，防止无人车因为遇到障碍物而加大一定量的计算。

发明内容

有鉴于此，本发明实施例提供一种适用场景广、效率高的多数量仓储无人车智能调度方法及装置，以优化无人车的路径规划结果。

本发明实施例的一方面提供了一种多数量仓储无人车智能调度方法，包括：

获取栅格地图，对无人车的起始点、目标终点和初始速度进行初始化配置，创建初始条件；

根据所述初始条件，通过A-Star算法进行全局路径规划，确定全局路径节点；

当动态环境中存在障碍物时，通过TEB算法以及ACO算法进行局部路径规划，对所述全局路径节点进行更新，并把动态障碍物转换为静态带障碍物的栅格地图；