[发明专利]适用于仓库环境的改进A*机器人最优路径规划方法

摘要

适用于仓库环境的改进A*机器人最优路径规划方法，首先设计有效的可灵活扩展的仓库模型，包括货架分布以及道路运行规则的设计；根据仓库模型中道路运行规则，将路径规划问题简化为各个节点之间的路径规划问题；接着，采用改进的A*算法搜索两个节点之间的最优路径；其中，启发式函数的计算包括转向代价、曼哈顿距离、绕行距离的估计；最后，将机器人的初始位置与初始节点之间以及目标位置与目标节点之间的路径添加到之前的节点列表中，组成完整的路径列表。将路径列表中的节点与实际仓库中的位置相对应，获得机器人最优的运行路线，并扩展为机器人的运行状态列表。

主权项

1.适用于仓库环境的改进A*机器人最优路径规划方法，具体步骤如下：步骤1：设计货架和道路的分布状态，规定道路的宽度只允许一个机器人通过，即1个单位长度；在仓库模型中，位于左侧的是分拣处，右侧的是货架堆，每个货架堆由2×5个货架组成，每个货架的长和宽均为0.9个单位长度；货架堆的总数根据需求调整并且为奇数；任意两个货架堆之间有且只有一条道路，并且整体货架堆外围具有两条相距为1个单位长度的道路，从而保证路径规划算法的完备性以及有效性；若有两条道路相交于仓库中的某个点，则将该点作为节点N，N＝(x,y)，其中x为当前节点的x坐标值，y为当前节点的y坐标值；定义S_p＝[x_b y_b x_s y_s]表示货架的相对位置，其中x_b,y_b分别表示当前货架所在货架堆的相对位置，x_s,y_s分别表示当前货架在货架堆内部的相对位置；步骤2：设计仓库中道路的运行规则，规定道路是单向行驶，并且任意相邻的两条道路的行驶方向相反；机器人只能从横向分布的道路进入货架堆中；定义机器人在道路上的运行状态R_S＝[x_R y_R d_x d_y]，其中x_R,y_R表示机器人在仓库坐标系中的坐标位置，d_x,d_y分别表示机器人的可行方向，即机器人所在道路的行驶方向，d_x,d_y∈{0,1,2,3,4}；当d_x为0时，表示机器人无法横向行驶；若d_x为3，则机器人可以向右行驶；若d_x为4，则机器人可以向左行驶；当d_y为0时，表示机器人无法纵向行驶；若d_y为1，则机器人可以向上行驶；若d_y为2，则机器人可以向下行驶；步骤3：给定机器人的起始位置与目标位置，若机器人不经过任何节点就可以到达目标位置，则根据机器人的起始位置与目标位置直接给出最终的路径列表；否则，将其简化为仓库节点之间的路径规划问题；将机器人从初始位置出发到达的第一个节点作为初始节点，机器人到达目标位置时经过的最后一个节点作为目标节点；步骤4：在步骤3的基础上，对于给定的初始节点与目标节点，使用改进的A*算法搜索最优路径；在计算启发式函数代价时，改进的A*算法需要计算当前节点与目标节点之间的曼哈顿距离，转向次数以及绕行距离；假设作为当前估计的节点为n，记曼哈顿距离代价为h_m(n)，h_m(n)＝|x_b‑x_f|+|y_b‑y_f|，其中x_b,y_b为初始节点的坐标，x_f,y_f为目标节点的坐标；记转向代价为h_t(n)，h_t(n)＝q×turncost，其中q表示当前节点与目标节点之间的最少转向次数，turncost表示每次转向的代价值；记绕行距离代价为h_e(n)，通过判断当前节点与目标节点的绕行次数，结合仓库模型的信息可以得到具体的h_e(n)值；在得到曼哈顿距离代价、转向代价、绕行距离代价后，记改进A*算法的启发式函数为h(n)，用于估计当前节点n与目标节点的启发式代价，h(n)＝h_m(n)+h_t(n)+h_e(n)；利用改进A*算法搜索节点列表，记为List_j；步骤5：记机器人的初始位置与初始节点之间的路径列表为List_b，机器人的目标位置与目标节点之间的路径列表为List_f；将List_b添加至List_j的头部，将List_f添加至List_j的尾部，构成完整的路径列表；将列表中的节点坐标位置与实际的仓库中的位置坐标相对应，得到机器人的运行路线；步骤6：将机器人的运行路线扩展为机器人的运行状态列表，记为SList_R，由一系列的机器人状态构成；根据给定的机器人运行路线，判断路线上各个点所在道路的运行规则，得到机器人在当前点的运行方向，从而将机器人的运行路线扩展为机器人的运行状态；将机器人的运行状态列表发送给机器人，让机器人完成巡线的任务。