[发明专利]改进蚁群算法和动态窗口的车间AGV小车路径规划方法

说明书

本发明公开一种改进蚁群算法和动态窗口的车间AGV小车路径规划方法，将m只蚂蚁随机地置于n个任务点，添加动态惯性权重保证每只蚂蚁的随机性；蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度以及对应的适应度函数，适应度函数最小值所对应的路径最优全局路径，根据最优全局路径中蚂蚁走过的车间顺序获取任务点序列，按照任务点序列工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径工作过程中规划出一条避开障碍物的局部路径；本发明能在任务点较多时规划出的重复路径减少，改进后的蚁群算法在算法初期增强跳出局部极值能力，在算法后期进行更细致的搜索，提高路径寻优能力，实现最优全局路径规划。

技术领域

本发明涉及用于车间配送的自动引导车(AGV)，具体是AGV小车的路径规划方法。

背景技术

自动引导车(Automatic Guided Vehicle，AGV)作为一种自动化程度高，灵活性好，抗干扰能力强的移动机器人，广泛用于物流仓储系统。当车间下达配送任务，需要AGV小车接收任务从起点出发，经过各个任务点仓库，最终到达目标车间。现有的AGV小车在配送过程中，出现重复路径多，总路径较长的问题。随着AGV小车的普及，多个AGV同时工作时还会出现路径干涉及碰撞的问题，无法充分体现出AGV小车的智能性，导致小车配送效率低，因此，对AGV小车的路径规划是达到物料精准配送的重要工作之一。目前，大多数AGV小车路径规划都采用人工现场绘制栅格路径，效率低，精确度低，且改变路径时需要改造基础设施，路径规划成本高，路径规划灵活性差，操作的工作量大，影响路径规划效率。当栅格路线中的一个栅格出现障碍物时，常用的运行方法是使AGV小车退回到起始点，然后需要重新计算、规划新的栅格路径进行运行，显然影响AGV小车的运行效率和物料的配送效率。

现有的蚁群算法(Ant Colony Algorithm，ACA)采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解，但是该算法收敛速度慢，容易陷入局部最优。例如中国专利公开号为CN107272679A的文献公开了一种基于改进的蚁群算法的路径规划方法，通过自适应调整信息素挥发系数来促进蚁群算法的正反馈效应，减少蚁群算法计算时间。中国专利公开号为CN109213157A的文献公开了一种基于改进型蚁群算法的数据中心巡检机器人路径规划方法，将算法与邻域搜索相结合，使得巡检机器人能够在任务点较多时，规划路径的时间控制在一秒之内，重复路径明显减少。但上述两种路径规划方法存在的问题是：1、遇障后只能重新规划新的路线，2、没有涉及对蚁群算法易陷入局部最优时避障方法的改进。因此，运行效率和寻优精确仍然低。

发明内容

本发明的目的是为了解决现有技术中存在的蚁群算法容易陷入局部最优及AGV小车遇到障碍停止配送的缺点，提出的一种基于改进蚁群算法和动态窗口的车间AGV小车路径规划方法，能够在任务点较多时，减少重复路径，提高路径寻优能力，具有更高的寻优精度和稳定性，提高运行效率。

本发明改进蚁群算法和动态窗口的车间AGV小车路径规划方法采用如下技术方案：包括以下步骤：

步骤1)获得起点车间、终点车间以及AGV小车所需到达车间的任务点数量n，

步骤2)：将m只蚂蚁随机地置于n个任务点，添加动态惯性权重p保证每只蚂蚁的随机性；

步骤3)：蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度L_k，k＝1,2,3…m，以及对应的适应度函数F，适应度函数F最小值所对应的路径最优全局路径L；

步骤4)根据所述的最优全局路径L中蚂蚁走过的车间顺序获取任务点序列S，AGV小车按照该任务点序列S的路径工作，将任务点序列S依序进行分解形成多段起始点和目标点；

步骤5)：AGV小车按照任务点序列S工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径L工作过程中规划出一条避开障碍物的局部路径L1。