考虑冲突规避的自动化集装箱码头AGV优化调度方法

合理调度自动化导引车（AGV）对于降低自动化集装箱码头的作业成本具有重要意义。针对AGV调度中的任务分配和路径规划问题,考虑AGV电量和多载等因素,结合自动化码头布局特点,以AGV作业总时间最小和多AGV作业路径无冲突分别为第一阶段和第二阶段的优化目标建立两阶段模型。设计改进模拟退火算法求解第一阶段模型,为了加速算法收敛并保证解的质量,解的改进优先考虑任务的时间成本和AGV数量;设计基于时空网络的路径规划算法求解第二阶段模型,将作业区域离散成网格网络后添加时间信息构建可更新的时空网络,在时空网络上运用最短路径算法规划路径并规避冲突。对于任务分配不均衡导致的路径规划无可行解的拥堵情况,在冲突规避基础上重新计算AGV执行任务的成本并再次进行任务分配,不断迭代直到生成多AGV间路径无冲突的调度方案。以洋山四期自动化集装箱码头为例进行仿真实验与对比分析,结果表明:与使用传统路径规划和避障策略的AGV调度方法对比,所提方法下的总作业时间平均降低了7.31%,AGV冲突数量降低为0,任务总延期时间最大降低2 895 s,最大降低路网拥堵度10.79%,验证了提出方法解决冲突规避和拥堵问题的有效性。      

基于蚁群算法的路径规划改进方法研究

无人驾驶技术是近几年来研究的热点,其中路径规划技术则是无人驾驶技术研究中一个重要的内容。本文介绍基于经典蚁群算法的路径规划技术以及两大类改进方法,一类是基于经典蚁群算法的改进,另一类是与其它智能算法融合的改进。     

基于多影响因素RDMA*算法的无人驾驶动态路径规划

无人驾驶汽车的路径规划面临着复杂多变的交通环境,为了更全面的评价路径选择指标以规划更合理的路径,以及更好的解决路段环境动态变化对规划结果造成的影响,研究了一种考虑多影响因素的动态路径规划算法——RDMA*(Real-time Dynamics of Multiple influencing factors AStar)算法.以A*(AStar)算法为核心,通过加入多影响因素的交通评价因子对其代价函数进行改进,综合考虑距离,交通拥堵程度,道路平整度和其他影响因素,应用层次分析法确定各影响因素的相对权重,以综合代价值为评价指标进行路径规划.通过GPS,雷达和摄像头等设备,利用融合感知技术获取相关道路环境信息,根据获取的全局和局部交通环境数据信息,利用实时动态更新策略解决动态环境下的路径规划问题,实时规划最优路径.通过对实际案例进行模拟,结果表明,应用RDMA*方法规划的路径相比基础A*方法规划的路径出行总体耗时减少了15.75%.并且在遇到特殊事件的状况下,通过RDMA*动态规划可为无人驾驶车辆即时提供一条综合代价值最小,耗时最少的可行路径,与改进的A*动态路径规划方法相比减少了10.63%的二次规划综合代价值的损耗,提高了7.83%的时间效率.该方法能更好的适应复杂的道路和交通系统,即时应对动态变化的交通状况,具备更强的实用性.      

车辆导航动态路径规划的研究进展

针对车辆智能导航系统中的交通网络模型、路径规划算法以及交通流预测这三个主要方面的研究现状进行了较为详细的分析。首先着重描述了基于图论的交通路网模型的构建方法;其次分析了Dijkstra算法、Floyd算法、A*算法等经典路径规划算法的性能及研究方向;然后详细介绍了交通流预测方法的研究进展;最后对车辆导航动态路径规划的未来研究方向做了展望。     

一种智能AGV汽车的立体焊装系统设计研究

AGV自动导航车技术是基于机电一体化技术的一种新型生产辅助设备,AGV技术可以实现对物料搬运车的自动导航、路径记忆以及路径的合理规划,最终形成一种高效快速的物料搬运模式,代替工厂中传统的人工物料搬运操作,实现工厂的自动化与智能化生产。AGV技术涉及到机械的精密加工、电气控制技术等多种现代学科技术,同时随着人工智能与深度学习技术的不断发展,AGV技术将进一步融合相应的人工智能与深度学习算法,不断优化路径规划与导航能力,通过对现代学科技术的交叉融合不断提升AGV的业务能力,使其更加契合工厂的生产活动,提升工作效率。     

考虑信号交叉口延时的最优车辆路径规划算法

本文中提出了一种考虑信号交叉口等待时间的车辆最优路径规划算法。通过GPS采集的浮动车数据与电子地图进行匹配,实时计算出各路段的车辆平均行驶速度和通行时间。基于马尔科夫链构建信号交叉口红绿灯的概率模型,通过车路协同技术预先获取各路段交叉口信号灯的位置和相位配时信息,并在车辆接近交叉口时对车辆速度进行优化,将车辆加速通过交叉口视为绿灯时间的延长,并以此构建车辆快速通过交叉口的等待时间模型。在此基础上,结合A*算法,提出一种考虑快速通过信号交叉口的改进A*算法。最后选取长沙市区某路网为算例进行仿真分析,结果表明改进A*算法所得路径的通行时间明显短于传统A*算法。     

基于改进A*算法的智能车路径规划研究

针对智能车使用A*路径规划算法存在转折点和冗余点的问题,提出一种考虑智能车静态特性的改进A*路径规划算法。在已知静态环境信息的栅格地图上,考虑到智能车自身存在实际宽度,对障碍物进行膨胀扩展;其次根据路径上前后节点相对方向的改变提取必要的转折点,并依次连结前后转折点,若转折点连线不经过障碍物,删除连结转折点之间冗余的转折点;重复上述操作,直至所有冗余点被删除,保留关键转折点。仿真结果表明,该方法可以实现车辆安全无碰撞地到达目标终点。     

引入必经点约束的智能汽车全局路径规划EI北大核心CSCD

目前对于智能车全局路径规划的研究多数只针对从起点到终点的情况。针对该问题,本文中融合改进A*和模拟退火算法,设计了一种引入必经点约束的全局路径规划算法。首先,基于A*算法计算关键节点间的最短路径并保存。然后,基于启发式算法中的模拟退火算法对过必经节点的全局路径进行迭代随机优化。接着,基于真实高精度地图对算法的有效性以及时间复杂度进行实验分析。结果表明,设计的算法在求解质量和求解速度方面都有较好的表现。最后,通过实车实验,进一步验证了算法的有效性和适应性。     

基于LiDAR场景建模的智能车路径规划

针对智能车路径规划问题,研究了基于激光雷达(LiDAR)数据的智能车驾驶场景建模方法,采集待建模场景的三维激光雷达点云数据,通过点云分割处理,去除车辆行驶道路上的点云,然后将三维点云进行俯视投影,实现二维栅格地图建模;从搜索邻域和搜索方向2个方面对传统A*算法进行改进:根据当前节点附近障碍物的分布情况,自适应地选择4邻域或8邻域搜索策略,在此基础上研究了一种自适应搜索方向A*算法,所提出的算法将搜索方向缩小至3个,根据路径规划终点相对起点的方向,确定算法的搜索方向.仿真实验表明,相较于传统A*算法(4邻域搜索),所提出的算法在规划的路径长度方面降低了约15.5%,在计算时间上降低约38.2%;对比传统A*算法(8邻域搜索),所提出的算法在计算时间上降低约47.2%,在规划路径长度和计算时间上,所提出的算法明显优于传统算法.      

基于安全场改进RRT*算法的智能汽车路径规划方法

快速搜索随机树(rapidly-exploring random tree, RRT)算法是智能汽车路径规划的常用方法,但传统RRT和RRT~*算法存在路径抖动大、易陷入局部区域和计算效率低等缺点。针对这些问题,本文中结合实车数据提出了一种基于安全场改进RRT~*算法的智能汽车路径规划方法。首先,建立了基于安全距离模型的安全场,通过驾驶数据采集试验对模型关键参数进行了提取;在此基础上,提出了具备安全场引导和角度约束等策略的改进RRT~*算法;最后,通过仿真对算法进行了验证。结果表明,本文提出的路径规划方法能计算出满足车辆轨迹曲率约束的有效路径,同时具有较快的搜索速度和更高的成功率。     

面向铲装作业场景的自动驾驶矿车路径规划方法研究

针对铲装作业场景复杂多变、矿车路径规划实时性及安全性要求高的特点，提出一种基于引导式变步长混合A*算法的路径规划方法。通过建立维诺图获取矿区路网并提取关键点作为方向引导，提升探索效率的同时避免车辆在U形障碍物处陷入局部最优；引入自适应变步长算法并改进启发函数，进一步提高规划效率及路径安全性；通过矿区实车场景试验验证算法有效性。试验结果表明，本路径规划方法满足矿车复杂场景要求，规划时间相比原引导式算法降低68%，路径到障碍物平均距离增加了11%，路径曲率变动次数减少45%，显著提高了计算效率与路径质量。     

基于改进A*算法的高速公路互联网地图最短路径搜索研究

为解决高速公路互联网地图中最短路径的搜索问题,根据高速公路互联网地图的特点,对传统A*算法中的网络节点、数据库、启发式函数进行了改进,并通过重庆市高速公路互联网地图实例对改进A*算法进行了应用验证。结果表明,采用改进A*算法可找到高速公路互联网地图中的最短路径,且最短路径的搜索时间控制在毫秒级,能够满足大区域高速公路互联网地图最短路径的搜索要求。     

基于DBSCAN与二分法的混合A*路径规划方法EI北大核心CSCD

在多障碍物非结构化场景中,传统混合A*算法存在计算效率低、路径平滑性差的问题。针对该问题,本文提出了一种基于密度聚类算法(density-based clustering,简称DBSCAN)与二分法的混合A*路径规划方法。首先,设计基于DBSCAN算法的障碍物聚类方法,简化多障碍物非结构化场景,避免混合A*算法在类U形障碍物群附近的无效节点拓展,有效提高算法效率。然后,提出基于二分法的状态节点拓展策略,能够在不显著增加混合A*算法计算复杂度的前提下,搜索出一条更平滑的路径。最后,基于MATLAB进行仿真。结果表明,在多障碍物非结构化场景中,本文提出的改进混合A*算法可以显著提升计算效率并改善路径平滑性。     

基于道路网络数据库的最短路径搜寻

最短路径搜寻是智能交通系统(ITS)中车辆诱导的关键技术之一。作者根据城市交通道路网络建设的实际,研究了描述城市交通路网的道路数据库的结构。在此基础上采集大量道路信息,溶入GIS技术,建立城市道路网络数据库。用动态邻接矩阵对经典的Dijkstra算法进行改进,提高了运算效率。采用改进的算法实现了车辆诱导系统中的快速最短路径搜寻,并给出了车辆诱导系统搜寻最短路径的一个实例。     

基于层次策略的路径规划算法对比研究

为比较路径规划中基于层次策略的分层算法的计算效率和规划结果的合理性,选取基于预计算的分层算法和基于道路等级的分层分区算法这2类典型的分层路径规划算法,通过对2类算法基本原理的分析,并引入新分区算法和＂虚拟边＂等方法改进现有基于道路等级的分层分区算法以适应实际路网下的路径规划。选取广东省路网数据进行大规模测试,通过寻找＂最短路＂和＂最快路＂进行算法效率和路径规划结果的比较分析。测试结果表明改进的基于道路等级的分层分区算法计算效率更高,规划结果更符合出行偏好。     

分布式车载导航系统路线优化有约束A*算法

针对目前车载导航系统实时动态信息匮乏，而静态信息难以反映拥挤路网通行时间随机性的问题，基于畅通可靠度分析，提出了可用于分布式车载导航系统中的延误风险规避的准动态有约束的A^＊路线优化算法，从而在没有实时信息的条件下，可进行考虑阻塞可能性最小及通行时间最短双目标的路线寻优。通过路径搜索过程中的启发式加权，并设计反向A^＊算法改善A^＊的启发式函数，有效提高了有约束最佳路线搜索的效率，最后给出实例验证了算法的合理性及有效性。     

欠驱动船舶自主避碰的算法设计

为解决传统A~*算法在船舶路径规划中存在的路径不平滑及大范围地图下搜索效率不高等问题,根据能量守恒定律对A~*算法中的评价函数进行重新定义,提出改进A~*算法;同时引入人工势场法(artificial potential field, APF),并对APF中的斥力场系数进行修正;结合2种改进方法,考虑欠驱动船舶的运动特性,设计出一种混合算法。通过MATLAB进行仿真对比,发现所提出的混合算法规划路径更优、效率更高。     

基于RGB-D SLAM的智能车自主避障与路径规划试验研究

针对GPS信号弱、导航数据缺失场景下自主移动车辆难以精准定位的问题,采用即时定位与地图构建(SLAM技术实现未知环境下无人小车地图构建与自主定位功能,采用动态A*算法实现了无人小车的避障与路径规划。分别进行了验证试验和未知环境下局部路径规划及全局路径规划试验,结果表明,提出的方案能有效地控制小车自主规划路径,避开障碍物到达目的地。     

基于代价函数的无人驾驶汽车局部路径规划算法

局部路径规划层作为无人驾驶汽车软件层的重要组成分布，如何有效、安全地到达目的地是当前研究的热点。针对结构化道路信息，充分考虑车道线的约束，在使用Frenet坐标系理论的基础上，提出一种考虑到车道线曲率和障碍物模型信息，得到不同车道上其他道路参与者的位置信息，以便计算其他障碍物模型对本车危险程度，综合算法实时性、轨迹平顺性等要素的最小代价局部路径规划算法。在局部路径规划过程中，沿着参考线（Frenet坐标系下X轴上一段路径）选取多个路径分割点，Frenet坐标系下在每个分割点处沿Y轴进行控制点离散，每个路径分割点处选取1个控制点构成路径控制点集合，使用一元三次方程对每种排列组合路径进行拟合，从而使用代价函数对每种排列组合路径进行评估，代价函数值最小为最优的局部路径。代价函数考虑拟合轨迹到障碍物的危险程度、轨迹平顺性、轨迹到当前参考线（实时在全局路径规划层上根据车速得到一条当前需要跟踪的理想轨迹）的偏离程度、拟合轨迹行驶方向的改变程度、无人驾驶汽车最小转弯半径。研究结果表明：在不同试验场景下，所提出基于代价函数的局部路径规划算法，能规划出一条不与障碍物发生碰撞的最优路径，并能保证无人驾驶汽车行驶轨迹平顺性和路径规划层实时性的要求。     

融合TangentBug与Dubins曲线的智能轮式车辆局部路径规划算法

由于环境条件限制,某些采用Ackermann转向的智能轮式车辆仅能获取局部地图和定位信息,给路径规划造成了困难。针对这一问题,本文中提出了一种融合TangentBug和Dubins曲线的局部路径规划算法。首先通过采样的方法构建了规划参考点集合,然后以Dubins曲线作为规划路径,旨在满足车辆最小转向半径的运动约束和目标点处的航向要求,并加入了沿规划路径的碰撞检测和考虑定位误差的状态转换规则。最后通过实车实验证明:本文算法能使车辆按规定位姿到达目标点,并可保证规划路径的安全性和实时性;本文算法可有效避免定位误差对车辆状态的影响;相对于使用圆弧曲线,本文算法规划出的路径更有利于路径跟随控制。