基于拓?fù)鋿鸥窠５腁GV路徑規(guī)劃算法優(yōu)化

徐 晗，金 隼+，羅 磊,2，劉 順

(1.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海 200240； 2.上海交大智邦科技有限公司 研發(fā)部，上海 201306)

0 引 言

AGV在智能制造車間中主要應(yīng)用于重物搬運(yùn)、刀具更換和生產(chǎn)清潔等作業(yè)場(chǎng)景，其在具有較優(yōu)路徑規(guī)劃能力的前提下，能夠在一定程度上實(shí)現(xiàn)作業(yè)過(guò)程的全自動(dòng)化。因此，對(duì)AGV的路徑規(guī)劃方法進(jìn)行研究具有切實(shí)的工程應(yīng)用意義，并且高效的路徑規(guī)劃方法也是后續(xù)研究中實(shí)現(xiàn)多AGV調(diào)度的關(guān)鍵技術(shù)基礎(chǔ)。

目前路徑規(guī)劃的研究方法主要有三大類：隨機(jī)采樣類、圖搜索類及群體智能優(yōu)化類[1]。隨機(jī)采樣類算法具有較強(qiáng)的搜索能力，能夠有效解決高維空間及復(fù)雜約束問(wèn)題[2]，但其運(yùn)算成本過(guò)高，而且隨機(jī)性強(qiáng)。圖搜索類方法中比較具有代表性的是Dijkstra算法和A*算法[3]，但兩者都有較大的搜索量，相較Dijkstra算法而言，A*算法通過(guò)啟發(fā)式搜索的方式在一定程度上提高了計(jì)算效率[4]，并且成為了目前路徑規(guī)劃領(lǐng)域廣泛使用的算法[5]，但在地圖的規(guī)劃范圍過(guò)大時(shí)，其計(jì)算效率依舊不高。群體智能優(yōu)化類的算法則代表了當(dāng)今路徑規(guī)劃算法的發(fā)展方向，主要有煙火、粒子群、模擬退火及遺傳算法等[6]，綜合而言，遺傳算法在處理智能制造車間中的AGV路徑規(guī)劃時(shí)優(yōu)勢(shì)明顯，其計(jì)算時(shí)間少，收斂性良好，適用于求解復(fù)雜的優(yōu)化問(wèn)題，且魯棒性好[7]。因此本課題將結(jié)合實(shí)際的智能制造車間作業(yè)環(huán)境，對(duì)遺傳算法進(jìn)行改進(jìn)，完成AGV路徑規(guī)劃的優(yōu)化。

近些年遺傳算法在許多領(lǐng)域?qū)崿F(xiàn)了廣泛應(yīng)用，但在智能制造車間中AGV路徑規(guī)劃的相關(guān)應(yīng)用研究卻較少，并且相關(guān)研究的對(duì)象主要集中于有規(guī)則布局的倉(cāng)庫(kù)、碼頭等作業(yè)環(huán)境，對(duì)于有復(fù)雜布局的智能制造車間沒(méi)有高效可靠的解決方案。Nouri等[8]用調(diào)度程序代理將基于領(lǐng)域的遺傳算法應(yīng)用于移動(dòng)機(jī)器人的全局搜索空間，這樣能夠使其動(dòng)態(tài)規(guī)劃更加簡(jiǎn)單，但過(guò)程消耗時(shí)間長(zhǎng)。Zabihzadeh等[9]則提出了一種具有雙信息素的遺傳、蟻群混合算法，可以提高機(jī)器人的作業(yè)速度，縮短工件的轉(zhuǎn)移時(shí)間，進(jìn)而一定程度上解決耗時(shí)過(guò)長(zhǎng)的問(wèn)題。徐力等[10]對(duì)一種自適應(yīng)的遺傳算法進(jìn)行了應(yīng)用，該方法通過(guò)改進(jìn)遺傳操作算子，提出新的變異交叉自適應(yīng)策略，也可以在一定程度上提高算法尋優(yōu)的效率。以上研究只是針對(duì)簡(jiǎn)單作業(yè)環(huán)境應(yīng)用遺傳算法，并沒(méi)有對(duì)模型進(jìn)行有效解析進(jìn)而實(shí)現(xiàn)高效的路徑規(guī)劃，本文將以此為切入點(diǎn)，結(jié)合拓?fù)浣：蜄鸥窠?，提出一種不規(guī)則布局智能制造車間的AGV路徑規(guī)劃方法。

1 路徑規(guī)劃區(qū)域模型

1.1 智能制造車間環(huán)境描述

本文以上海交大智邦科技有限公司“轎車動(dòng)力總成關(guān)鍵零部件國(guó)產(chǎn)加工裝備與工藝集成驗(yàn)證平臺(tái)”的智能制造車間為研究對(duì)象，其車間環(huán)境如圖1所示，AGV運(yùn)動(dòng)路徑地圖如圖2所示。

該驗(yàn)證平臺(tái)的作業(yè)AGV有3輛，分屬于3個(gè)不同的作業(yè)種類：上下料AGV、抽檢AGV和換產(chǎn)AGV。不同種類的AGV有不同的作業(yè)點(diǎn)位，如換產(chǎn)AGV的作業(yè)點(diǎn)位包括充電樁、夾具庫(kù)、OP30、OP50、OP90、OP110、OP130，各種類AGV的作業(yè)點(diǎn)位之間互不沖突。此處將考慮對(duì)換產(chǎn)AGV的作業(yè)路徑進(jìn)行示例分析。從圖2中可以看出，該AGV的相鄰作業(yè)點(diǎn)位之間的距離差距較大，如Z1與Z2區(qū)中的作業(yè)點(diǎn)位排布緊密，而Z1與Z2區(qū)相互之間的距離以及二者與充電樁和夾具庫(kù)的距離又較遠(yuǎn)，這就要求路徑規(guī)劃時(shí)需依據(jù)作業(yè)點(diǎn)位的疏密程度對(duì)不同區(qū)域應(yīng)用不同的環(huán)境建模方法。

圖1 轎車動(dòng)力總成關(guān)鍵零部件國(guó)產(chǎn)加工裝備與工藝集成驗(yàn)證平臺(tái)

圖2 AGV運(yùn)動(dòng)路徑

1.2 模型建立

本文采用拓?fù)浣：蜄鸥窠７▽?shí)現(xiàn)環(huán)境建模。拓?fù)浣７ㄊ菍⒙窂浇徊纥c(diǎn)和作業(yè)點(diǎn)位視為節(jié)點(diǎn)，將行駛路徑視為邊，通過(guò)有序的節(jié)點(diǎn)集合描述AGV的路徑及其方向，該方法結(jié)構(gòu)緊湊，尤其適用于多節(jié)點(diǎn)關(guān)聯(lián)場(chǎng)景，但在如Z1或Z2區(qū)這樣的作業(yè)環(huán)境下，其路徑規(guī)劃準(zhǔn)確度卻較低；柵格建模法是將環(huán)境離散化為基礎(chǔ)柵格，通過(guò)對(duì)柵格的描述來(lái)獲取環(huán)境信息，該方法可以對(duì)復(fù)雜作業(yè)環(huán)境進(jìn)行精確細(xì)致的描述，路徑規(guī)劃準(zhǔn)確度高，但其計(jì)算復(fù)雜程度高，且運(yùn)算量隨柵格數(shù)量的增加呈指數(shù)增加。目前的AGV路徑規(guī)劃建模方法都是采用單一的建模方式，但這樣的建模方式并不適用于如圖2所示的不規(guī)則作業(yè)車間。因此，針對(duì)不規(guī)則作業(yè)車間的環(huán)境建模需求，設(shè)計(jì)雙層建模方法，首先采用拓?fù)浣７ń⒖傮w結(jié)構(gòu)模型，然后采用柵格建模法建立作業(yè)緊密區(qū)域的描述模型，即，拓?fù)浣r(shí)將Z1、Z2區(qū)視為節(jié)點(diǎn)(圖3)，柵格建模時(shí)將Z1、Z2區(qū)域用柵格分解。其中，C1、C2為該AGV必經(jīng)的路口節(jié)點(diǎn)，如圖2標(biāo)示。

圖3 換產(chǎn)AGV路徑拓?fù)?/p>

在對(duì)Z1、Z2類型區(qū)域進(jìn)行柵格建模時(shí)，設(shè)定柵格單元長(zhǎng)度為AGV外形尺寸最大值，柵格地圖大小為20*20，其中黑色柵格屬性值為1，表示障礙物所在區(qū)域，白色柵格屬性值為0，表示AGV可行區(qū)域，如圖4所示?；疑珫鸥癖硎镜氖钦系K物的膨脹區(qū)域，在實(shí)際環(huán)境中AGV不能視為質(zhì)點(diǎn)，設(shè)置膨脹區(qū)域可以使得路徑規(guī)劃不經(jīng)過(guò)障礙物邊界。左下角和右上角柵格分別代表路徑規(guī)劃的起點(diǎn)和終點(diǎn)。

圖4 區(qū)域柵格建模

以下將前文所述遺傳算法應(yīng)用于區(qū)域柵格環(huán)境，并在此基礎(chǔ)上對(duì)算法進(jìn)行優(yōu)化。

2 區(qū)域內(nèi)遺傳算法應(yīng)用及優(yōu)化

遺傳算法是一種模擬生物進(jìn)化過(guò)程的計(jì)算模型，其通過(guò)模擬自然進(jìn)化過(guò)程來(lái)搜索最優(yōu)解。遺傳算法以種群中的所有個(gè)體為對(duì)象，并利用隨機(jī)化原理對(duì)一個(gè)編碼后的參數(shù)空間進(jìn)行高效搜索。其中，編碼、初始種群設(shè)定、適應(yīng)度函數(shù)設(shè)計(jì)、遺傳操作、控制參數(shù)設(shè)定這5個(gè)方面是遺傳算法的基本內(nèi)容?；玖鞒倘鐖D5所示。

圖5 遺傳算法基本流程

2.1 編 碼

在構(gòu)建如圖4所示的柵格地圖時(shí)，需要對(duì)每一個(gè)柵格進(jìn)行編碼。在圖4中建立直角坐系，柵格的坐標(biāo)值為 {x，y}。 對(duì)每一行中的柵格從左到右進(jìn)行編碼，并逐行從下到上進(jìn)行編碼，編碼方式為十進(jìn)制。柵格坐標(biāo)與編號(hào)的轉(zhuǎn)換公式為

(1)

其中，N為柵格的十進(jìn)制編碼值，起始值為0，Sraw為每一行的柵格數(shù)量，[x]為高斯取整函數(shù)，%表示取余數(shù)函數(shù)。

2.2 種群初始化

路徑規(guī)劃的種群初始化就是按一定規(guī)則生成多條初始路徑，并判斷各路徑的連續(xù)性，并將間斷的路徑連接成連續(xù)的路徑。路徑的起點(diǎn)和終點(diǎn)分別設(shè)定為AGV的起始點(diǎn)和目標(biāo)點(diǎn)，并在每一行中隨機(jī)選取一個(gè)柵格，構(gòu)成路徑節(jié)點(diǎn)集合，按照?qǐng)D6所示種群初始化流程完成路徑的初始化。

圖6 路徑種群初始化流程

其中，柵格j與柵格j+1是否連續(xù)的判別方法為

d=max{|xj+1-xj|,|yj+1-yj|}

(2)

當(dāng)d=1時(shí)，柵格j和柵格j+1連續(xù)，否則不連續(xù)。

在對(duì)兩個(gè)不連續(xù)柵格選取中間柵格時(shí)，其坐標(biāo)的計(jì)算方法為

(3)

2.3 適應(yīng)度函數(shù)設(shè)計(jì)

適應(yīng)度函數(shù)是衡量種群質(zhì)量的唯一標(biāo)準(zhǔn)，適應(yīng)度函數(shù)的設(shè)定取決于系統(tǒng)要優(yōu)化什么樣的目標(biāo)。在AGV的路徑規(guī)劃中，通常需要優(yōu)化的首要目標(biāo)就是路徑的長(zhǎng)度。在傳統(tǒng)的路徑規(guī)劃遺傳算法中，適應(yīng)度函數(shù)的表達(dá)式為[7]

(4)

其中，ng為所通過(guò)的柵格數(shù)，D為路徑的總長(zhǎng)度，表達(dá)式為

(5)

通過(guò)f0衡量種群個(gè)體的適應(yīng)度可以淘汰路徑長(zhǎng)度較大的個(gè)體，但這種傳統(tǒng)適應(yīng)度函數(shù)的問(wèn)題在于，其并未結(jié)合AGV的實(shí)際運(yùn)動(dòng)過(guò)程來(lái)考慮路徑的平滑度。在實(shí)際的運(yùn)動(dòng)過(guò)程中，如果AGV轉(zhuǎn)向次數(shù)過(guò)多，不僅會(huì)增加運(yùn)動(dòng)時(shí)間，還會(huì)造成車輛機(jī)械結(jié)構(gòu)的快速磨損，其運(yùn)動(dòng)的累積誤差也會(huì)隨轉(zhuǎn)向次數(shù)的增多而增大，因此這里需要對(duì)生成路徑的平滑度(非數(shù)學(xué)意義上的平滑)進(jìn)行考量。

根據(jù)三角形的幾何關(guān)系，相鄰三點(diǎn)之間的距離關(guān)系可以表征路徑的平滑度。3個(gè)相鄰柵格之間的距離表達(dá)式如下

(6)

(7)

(8)

(9)

(10)

綜合考慮路徑的長(zhǎng)度以及平滑度，改進(jìn)后的適應(yīng)度函數(shù)表達(dá)式如下

f=f0+f1

(11)

2.4 遺傳操作

2.4.1 選擇

傳統(tǒng)遺傳算法中通常采用輪盤賭的方式來(lái)選擇個(gè)體，即計(jì)算個(gè)體適應(yīng)度占總體的適應(yīng)度和的比例[7]

(12)

此方法雖然簡(jiǎn)單有效，但極易使算法陷入局部最優(yōu)。通過(guò)對(duì)照模擬退火算法的特性，本課題考慮使用其來(lái)對(duì)種群進(jìn)行選擇。模擬退火算法思路來(lái)源于晶體冷卻過(guò)程：從某一較高的初溫出發(fā)，伴隨著溫度的不斷下降，結(jié)合概率突跳特性在解空間中隨機(jī)尋找目標(biāo)函數(shù)的全局最優(yōu)解，即在局部最優(yōu)解能概率性地跳出并最終趨于全局最優(yōu)。由于此處的最優(yōu)解應(yīng)為適應(yīng)度最大值，故應(yīng)對(duì)所有f(x)進(jìn)行相反數(shù)化，因此適用于此處的模擬退火的接受概率公式為[11]

(13)

Δf=f(x0)-f(x)

(14)

(15)

其中，f(x0)、f(x) 分別為進(jìn)化前后的適應(yīng)度函數(shù)值；T為當(dāng)前的溫度值；T0為系統(tǒng)初始溫度；α為系統(tǒng)溫度衰減率，為確保有較大搜索空間，通常取0.7≤α≤1.0；k為迭代次數(shù)；M為待反演參數(shù)的個(gè)數(shù)，通常取1。

模擬退火方法進(jìn)行種群選擇的流程如圖7所示。

圖7 模擬退火種群選擇流程

2.4.2 交叉

交叉操作是指兩個(gè)個(gè)體之間的片段交換。將每一個(gè)個(gè)體(路徑)視為一條染色體，將每一個(gè)個(gè)體中的柵格節(jié)點(diǎn)看作染色體上的基因，交叉操作就是要找出兩條染色體上相同的基因，隨機(jī)選取其中一個(gè)，將此基因之后的片段相互進(jìn)行交換。

設(shè)定交叉概率Pc，并隨機(jī)產(chǎn)生一個(gè)0-1之間的數(shù)Rc，將其與Pc比較，若Rc

2.4.3 變異

變異操作通過(guò)重新設(shè)定染色體中的片段，保證了種群的多樣性。變異操作需要隨機(jī)選取染色體(路徑)中除起點(diǎn)和終點(diǎn)外的兩個(gè)基因節(jié)點(diǎn)，并去除這兩個(gè)節(jié)點(diǎn)中間的柵格，利用前述種群初始化中路徑連續(xù)化的方法，生成連續(xù)的路徑片段。

設(shè)定變異概率Pm，并隨機(jī)產(chǎn)生一個(gè)0-1之間的數(shù)Rm，將其與Pm比較，若Rm

3 區(qū)域內(nèi)改進(jìn)遺傳算法仿真實(shí)驗(yàn)

本節(jié)通過(guò)對(duì)上述區(qū)域內(nèi)改進(jìn)算法進(jìn)行編程，并基于MATLAB R2018a平臺(tái)對(duì)算法的有效性進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證。本節(jié)將對(duì)改進(jìn)后的適應(yīng)度函數(shù)和種群選擇方法進(jìn)行分別驗(yàn)證，并考慮障礙物在柵格空間中的不同占比大小對(duì)算法有效性的影響。

3.1 改進(jìn)適應(yīng)度函數(shù)有效性驗(yàn)證

由2.3節(jié)中式(4)～式(11)可知，f0是系統(tǒng)優(yōu)化目標(biāo)只考慮路徑長(zhǎng)度的適應(yīng)度函數(shù)，而f是優(yōu)化目標(biāo)考慮路徑長(zhǎng)度以及路徑平滑度的適應(yīng)度函數(shù)。本小節(jié)將對(duì)f0和f進(jìn)行仿真實(shí)驗(yàn)對(duì)比研究，以此來(lái)驗(yàn)證附加考慮路徑平滑度的適應(yīng)度函數(shù)設(shè)計(jì)是否有效。

在對(duì)適應(yīng)度函數(shù)進(jìn)行驗(yàn)證時(shí)，種群選擇的方式選用式(12)輪盤賭方法。系統(tǒng)參數(shù)設(shè)定如下：地圖柵格總數(shù)為400，種群數(shù)量Np為200，遺傳算法的進(jìn)化代數(shù)為70，交叉概率Pc為0.8，變異概率Pm為0.2。

分別對(duì)適應(yīng)度函數(shù)為f0和f的模型進(jìn)行計(jì)算，其AGV運(yùn)動(dòng)路徑如圖8和圖9所示。對(duì)兩種模型分別計(jì)算10組，得出每一個(gè)實(shí)驗(yàn)組的最優(yōu)路徑長(zhǎng)度和兩種適應(yīng)度函數(shù)模型各自的平均值，以及各實(shí)驗(yàn)組AGV轉(zhuǎn)向角度的絕對(duì)值之和和兩種模型各自的平均值，見(jiàn)表1。

圖8 適應(yīng)度函數(shù)為f0的AGV運(yùn)動(dòng)路徑

圖9 適應(yīng)度函數(shù)為f的AGV運(yùn)動(dòng)路徑

兩條路徑對(duì)比可以看出，適應(yīng)度函數(shù)為f0的運(yùn)動(dòng)路徑轉(zhuǎn)向次數(shù)較適應(yīng)度函數(shù)為f的多，且根據(jù)表1可知，平均地，應(yīng)用f的模型轉(zhuǎn)向角度絕對(duì)值之和相較于傳統(tǒng)模型少26%,這對(duì)于重型搬運(yùn)AGV有顯著的積極影響。進(jìn)一步地，通過(guò)對(duì)兩種模型路徑長(zhǎng)度平均值的對(duì)比，發(fā)現(xiàn)對(duì)路徑平滑度進(jìn)行附加考慮并不影響路徑的長(zhǎng)度。由此可見(jiàn)，改進(jìn)后的適應(yīng)度函數(shù)應(yīng)用于復(fù)雜作業(yè)環(huán)境中是十分有效的。

3.2 模擬退火選擇法有效性驗(yàn)證

本小節(jié)將基于適應(yīng)度函數(shù)為f的模型對(duì)模擬退火種群選擇法和傳統(tǒng)輪盤賭選擇法進(jìn)行比較驗(yàn)證。

模擬退火參數(shù)設(shè)定如下：系統(tǒng)初始溫度T0為10 000 K；為了保證有較大的搜索空間，系統(tǒng)溫度衰減率α設(shè)為0.9；依據(jù)式(15)，設(shè)定系統(tǒng)最終溫度為1 K，則迭代次數(shù)為87次。

對(duì)使用模擬退火選擇法的模型進(jìn)行計(jì)算，其AGV運(yùn)動(dòng)路徑如圖10所示，圖11表征了每一代解的平均值與最優(yōu)解的收斂關(guān)系。對(duì)該模型分別計(jì)算10組，得出每一個(gè)實(shí)驗(yàn)組的最優(yōu)路徑長(zhǎng)度和樣本總體的平均值與方差，見(jiàn)表2。

表1 應(yīng)用兩種模型的多實(shí)驗(yàn)組路徑長(zhǎng)度與轉(zhuǎn)向角度對(duì)比

圖10 模擬退火選擇法模型的運(yùn)動(dòng)路徑

從圖10和表2中多組實(shí)驗(yàn)數(shù)據(jù)可知，模擬退火法選擇出的路徑平滑，且路徑長(zhǎng)度也較短，更為核心的是，應(yīng)用模擬退火選擇法的模型在多數(shù)情況下都能搜索到系統(tǒng)的最短路徑(29.80)，且總體方差小，而應(yīng)用輪盤賭選擇法的模型卻十分容易陷入局部最優(yōu)而得不到全局最優(yōu)解。仿真實(shí)驗(yàn)結(jié)果表明，應(yīng)用模擬退火種群選擇法的模型有效避免了傳統(tǒng)遺傳算法易陷入局部最優(yōu)的缺陷。

圖11 路徑長(zhǎng)度優(yōu)化曲線

3.3 障礙物數(shù)量對(duì)算法有效性的影響

本小節(jié)將對(duì)改進(jìn)算法在不同障礙物空間中的有效性進(jìn)行仿真實(shí)驗(yàn)分析。

表2 兩種選擇法多實(shí)驗(yàn)組路徑長(zhǎng)度

在對(duì)不同障礙物占比的柵格環(huán)境進(jìn)行設(shè)置時(shí)，發(fā)現(xiàn)當(dāng)障礙物柵格占比接近50%時(shí)，傳統(tǒng)的遺傳算法和改進(jìn)后的遺傳算法都難以解算出最優(yōu)解，其可行路徑只有兩條，即圖12中的虛線和點(diǎn)線。由于該算法采用的柵格連續(xù)化方法(圖6)，當(dāng)空間障礙物過(guò)多時(shí)，通過(guò)隨機(jī)方法選取的柵格之間難以形成連續(xù)的無(wú)障礙物的不間斷路徑，因此生成的路徑被不斷舍棄，使得程序極易陷入死鎖而無(wú)法解算出最優(yōu)路徑。因此，當(dāng)障礙物柵格占比接近或超過(guò)50%時(shí)，該算法就失去了有效性。

以下將對(duì)不同障礙物柵格占比分別為10%、20%、30%、40%的環(huán)境進(jìn)行解算分析，其障礙物布置如圖13所示。通過(guò)設(shè)置不同的障礙物環(huán)境，并對(duì)不同模型各進(jìn)行10組仿真實(shí)驗(yàn)，各實(shí)驗(yàn)組的最優(yōu)路徑長(zhǎng)度和AGV轉(zhuǎn)向角度絕對(duì)值之和見(jiàn)表3。其中，d為模型解算出的最優(yōu)路徑長(zhǎng)度，As為最優(yōu)路徑的AGV轉(zhuǎn)向角度絕對(duì)值之和，T表示傳統(tǒng)遺傳算法模型，M表示改進(jìn)后的算法模型。

圖12 障礙物柵格占比為50%的解算路徑

圖13 不同障礙物柵格占比

從表3中的數(shù)據(jù)對(duì)比可以發(fā)現(xiàn)，對(duì)于最優(yōu)路徑長(zhǎng)度和最少轉(zhuǎn)向度數(shù)兩個(gè)優(yōu)化目標(biāo)，改進(jìn)后的算法在障礙物柵格占比越多的空間中越有效。在障礙物少、環(huán)境較為簡(jiǎn)單的空間中，模型對(duì)路徑平滑度的考量表現(xiàn)出了良好的優(yōu)越性，但模型采用的模擬退火方法卻失去了優(yōu)越性，可能原因是當(dāng)障礙物較少時(shí)，種群生成的初始路徑趨于連續(xù)化、同質(zhì)化，因此傳統(tǒng)的輪盤賭選擇方法也能大概率搜索到最優(yōu)解。

由上述仿真實(shí)驗(yàn)驗(yàn)證得出，對(duì)不同障礙物柵格占比的環(huán)境來(lái)說(shuō)，改進(jìn)后的復(fù)雜子區(qū)域路徑規(guī)劃算法的有效區(qū)間為障礙物占比小于等于40%，在此范圍內(nèi)，障礙物占比越高，算法有效性越好。

4 拓?fù)涔?jié)點(diǎn)間路徑規(guī)劃方法

在對(duì)Z1、Z2類型復(fù)雜子區(qū)域完成路徑規(guī)劃后，需要依照?qǐng)D3對(duì)AGV的全區(qū)域路徑進(jìn)行規(guī)劃。其實(shí)根據(jù)圖2可以看出，圖3各拓?fù)涔?jié)點(diǎn)之間路徑平直，且無(wú)障礙物，在這種情況下，將節(jié)點(diǎn)之間的AGV運(yùn)動(dòng)路徑固定是最為簡(jiǎn)單有效的方法，固定路徑的具體設(shè)置由工程師根據(jù)工廠的環(huán)境進(jìn)行判斷，對(duì)于圖2的環(huán)境，其固定路徑如圖中粗虛線所示。

預(yù)設(shè)的固定路徑行駛可以通過(guò)簡(jiǎn)單運(yùn)動(dòng)控制來(lái)實(shí)現(xiàn)。AGV通過(guò)里程計(jì)來(lái)獲取運(yùn)動(dòng)的里程信息和轉(zhuǎn)向角度信息，里程計(jì)信息來(lái)源于車身驅(qū)動(dòng)輪光電編碼器和慣性測(cè)量單元記錄的相對(duì)位姿變化。在此基礎(chǔ)上，AGV的激光雷達(dá)實(shí)時(shí)測(cè)量其與車間固定參照物(如貼在墻體上的激光反射條，圖14)的距離，由此解算出AGV的實(shí)時(shí)位置姿態(tài)信息，進(jìn)而實(shí)現(xiàn)固定路徑行駛。

因此，當(dāng)AGV行駛在非復(fù)雜環(huán)境路段時(shí)，采用預(yù)設(shè)固定路徑的方法簡(jiǎn)單高效，避免了全局柵格建模計(jì)算資源占用，系統(tǒng)反應(yīng)慢的問(wèn)題。

表3 各模型路徑長(zhǎng)度及轉(zhuǎn)向角度對(duì)比

圖14 激光反射條

5 結(jié)束語(yǔ)

研究基于不規(guī)則布局的智能制造車間，提出了一種拓?fù)鋿鸥窕旌辖５姆椒ǎ?duì)復(fù)雜子區(qū)域的路徑規(guī)劃算法進(jìn)行了優(yōu)化改進(jìn)。

(1)對(duì)整個(gè)AGV運(yùn)動(dòng)區(qū)域進(jìn)行拓?fù)浣＃晱?fù)雜子區(qū)域?yàn)楣?jié)點(diǎn)，對(duì)節(jié)點(diǎn)間的路徑規(guī)劃采用預(yù)設(shè)固定路徑的方法。

(2)對(duì)復(fù)雜子區(qū)域進(jìn)行柵格建模，模擬多障礙物的環(huán)境，應(yīng)用遺傳算法對(duì)路徑進(jìn)行規(guī)劃。

(3)改進(jìn)了傳統(tǒng)遺傳算法的適應(yīng)度函數(shù)，綜合考慮路徑長(zhǎng)度和平滑度(非數(shù)學(xué)意義上的平滑)對(duì)路徑規(guī)劃的影響，有效改良了路徑的平滑度；提出了不同于傳統(tǒng)種群選擇方法的模擬退火種群選擇法，有效避免了傳統(tǒng)方法易陷入局部最優(yōu)的缺陷，并通過(guò)MATLAB仿真實(shí)驗(yàn)完成了驗(yàn)證。

(4)仿真實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法的有效性區(qū)間，當(dāng)障礙物柵格占全環(huán)境比小于等于40%時(shí)，算法有效，且在此范圍內(nèi)，障礙物占比越高，其有效性越好。

對(duì)于實(shí)際的智能制造車間，改進(jìn)后的路徑規(guī)劃方法可以應(yīng)用到車間AGV調(diào)度系統(tǒng)中，并結(jié)合一定的調(diào)度策略，實(shí)現(xiàn)多臺(tái)AGV的有效調(diào)度。