基于鲸优化算法的自导航机器人路径规划研究

来源:期刊VIP网所属分类:计算机信息管理发布时间:2021-01-19浏览:

  摘 要:自导航机器人(Automated Guided Vehicle,AGV)是现代产业不可或缺的重要组成部分。本文对AGV路径规划算法进行研究和设计。首先,采用栅格法对AGV运行环境建模,并制定约束规则以解决多AGV的冲突问题。其次,引入双非线性收敛因子和强制驱散机制对经典WOA进行改进。再次,定义适应度函数,并将改进的WOA应用于路径规划算法。仿真和实验结果表明,基于改进WOA的规划算法能够有效简化路径复杂度、降低机器人控制难度。

  关键词:群智能算法;鲸优化算法;自导航机器人;路径规划

智能工程师论文

  1 引言(Introduction)

  隨着智能仓储和自动生产线的不断发展,自导航机器人(Automated Guided Vehicle,AGV)成为现代产业不可或缺的重要组成部分[1]。路径规划则成为AGV研究领域中最根本、最关键的内容之一,机器人需要完成避障和自主路径规划等功能到达目标点[2]。其本质上是依据代价最小、路线最短或时间最短等优化准则,在工作空间中找一条从起点到终点的、避开障碍的最优路径[3]。

  许多学者针对AGV的路径规划做出了大量的研究。丁承君等人提出基于粒子群优化算法优化AGV路径规划[4]。党宏社等人采用遗传算法进行AGV路径规划,并验证了算法具有较好的收敛能力和全局搜索能力[5]。李悝提出一种改进的混沌粒子群优化算法,采用基于Bezier曲线的路径规划模型,通过调整Bezier曲线的控制点数量,显著改善AGV轨迹路线的长度和平滑度[6]。汤红杰等人针对工厂内物流运输AGV的路径规划效率等问题,提出一种将Dijkstra算法存储方式变更为邻接表,实现了数据结构上对邻接结点搜索的优化[7]。

  元启发式算法被广泛应用于模式识别、系统控制、信号处理等领域。鲸优化算法(Whale Optimization Algorithm,WOA)是Seyedali Mirjalili于2016年提出的一种新型群智能优化算法[8]。与其他群智能算法相比,WOA结构简单,易于理解,参数少,搜索能力强,全局收敛性好[9]。然而,标准WOA仍然存在收敛速度慢以及无法找到全局最优解的问题。本文在规定多AGV冲突检测规则和优先级设定的基础上,在路径规划中引入改进的鲸优化算法,有效提高算法收敛速度,使算法能够更迅速寻找全局最优解,借助转弯惩罚因子,有效降低路径复杂性。

  2 AGV运行环境建模(Modeling of AGV running environment)

  为了便于对AGV所处位置进行描述和储存,本文首先对空间环境进行栅格化处理,即将整个场景划分为尺寸相同的栅格。栅格按照自左至右,自下至上的原则,横坐标为,纵坐标为,场景中的全部栅格可以表示为,对不满一个栅格的区域按照一个栅格处理。如图1所示,有障碍物栅格用黑色表示,没有障碍物为白色,代表可以自由通过的区域。

  以上数学模型适用于静态地图中点对点循迹,但在多AGV的环境中,每一台AGV只有同时避开静态障碍物及运行中的其他AGV才能安全到达目标点。为了处理多AGV运行可能导致的路线规划冲突问题,首先做如下假设:

  (1)每个栅格在某一时点仅允许通过一台AGV。

  (2)机器人直线运动速度相同。

  (3)满载AGV优先级高于空载AGV。

  (4)对相同负载状态AGV,编号越小,优先级较高。

  (5)更改路径规划的优先级高于停车等待。

  (6)当无法通过低优先级AGV的状态改变而避免冲突时,通过高优先级AGV进行策略变化。

  若当前AGV所处栅格在前进方向上的下一栅格的左侧或者右侧栅格的障碍权重w=1时,即当前AGV处于十字路口或丁字路口,则AGV通过网络向控制中心请求冲突检测,判断运行至前方栅格是否会与其他AGV产生冲突。具体描述如图2所示。

  推荐阅读:生产线智能化方面论文发表期刊

期刊VIP网,您身边的高端学术顾问

文章名称: 基于鲸优化算法的自导航机器人路径规划研究

文章地址: http://www.qikanvip.com/jisuanjixinxiguanli/55185.html