AGV静态路径规划和动态路径规划

   随着柔性制造系统的广泛应用和物流自动化运输系统的快速发展,AGV技术得到了快速发展。从一开始对单台AGV的研究,发展到了对多AGV组成的物流系统的研究。而多AGV路径规划作为直接影响多AGV系统整体性能的重要部分,一直倍受广大学者的关注。随着研究的深入,国内外学者提出了很多计算模型和策略。韩国的Jung Hoon Lee等人将两阶段的交通控制策略应用于多AGV的无碰规划,刘国栋等提出了多AGV调度系统中的两阶段动态路径规划的方法。两阶段控制策略离线生成路径库,减少了在线运算的负担,但是随着节点数的增多,动态规划的负担加重,不适用于大规模多AGV系统。其他如Petri网,遗传算法Tabu Search算法(禁忌搜索算法)等策略和算法,在系统节点数增多的情况下,也有同样的缺陷。为了有效地共享系统路径,时间窗(Time-window)方法被提出并用于解决多AGV最优路径问题。然而使用时间窗实现多AGV路径规划也是一个NP完全问题,并且在使用时间窗的模型中,获得时间窗的AGV占用路径时间过长,容易导致关键路段发生拥堵,降低系统效率。

upfile

1) 静态环境中确定AGV 路径规划

AGV 路径规划在智能控制系统中具有重要作用, 对于保证工作的安全性来说具有重要意义。一直以来,很多学者都对此进行孜孜不倦的探索,这也是机器人学中最新最热的内容之一。主要研究的是在障碍物的环境下,机器人如何寻找到目标,也就是选择合适的路径规划。智能控制下的AGV 路径规划较为重要的两种形态,静态环境中的路径规划以及动态环境中的路径规划。

静态环境下的路径规划是假定在环境信息未被完全掌握的情况下,机器人是通过怎么样的路径感知环境,并且运用局部区域传播算法。因此这种路径一般会在环境中仅存在静态已知障碍物的情况下被采用。但是要分析静态环境中AGV 路径规划,需要解决的一个问题是在这种环境中什么样的路径才能够被认为是合理的。总而言之,能够使AGV 系统实现控制的就是合理路径。合理的路径由路径的平滑程度决定,路径越趋于平缓,则AGV 系统将会更容易实现。此时可以将路径分为四个种类,第一类平滑程度非常低,表现为路径的不连续性,此时很多存在位置会表现突变的特性, 这种情况下AGV 系统不容易被控制,因为这些曲线不连续,无法对其追踪。第二类,这类曲线相对于第一种来说具有连续性,但是在切线方向有时也会发生突变现象。此时也不能够被AGV 系统控制。第三类,这类曲线不仅具有连续性的特点, 而且还能在切线方向保持连续性,因此是较为合理的路径规划,一般情况下也常常被采用。第四类,将以上三类曲线的优点都集于一身,但是要生产这类曲线十分复杂,因此在实践当中,这类曲线很难被采用。

2) 动态环境中确定的路径规划

在动态复杂环境的中的路径规划不同于静态环境中的路径规划。因为环境变化之后,很多信息无法被掌握,要保证最优性在这种情况下是无法被实现的。在进行路径规划时,应当在安全性以及时间性之间进行衡量。在较为复杂的环境下,不管决定适用何种性能指标,都必须要考虑目标吸引、动态安全性以及时间约束三个方面的内容