Investigación sobre la planificación de rutas de tareas de AGV basada en i

Aug 16, 2023

Beijing Zhongke Journal Publising Co. Ltd.

Imagen: En comparación con el algoritmo tradicional y otros algoritmos mejorados en muchos escenarios complejos, el rendimiento de los resultados de la planificación de rutas ha mejorado significativamente.ver más

Crédito: Beijing Zhongke Journal Publising Co. Ltd.

Antecedentes de la investigación

En los últimos años, la propiedad de automóviles en todo el mundo ha aumentado año tras año, lo que lleva a que la seguridad del tráfico vial y las condiciones de congestión de vehículos no sean optimistas. Con el apoyo de una nueva ronda de revolución científica y tecnológica y de cambio industrial, los vehículos inteligentes se han convertido en el punto estratégico competitivo de las potencias automovilísticas del mundo. Al mismo tiempo, como parte importante del Sistema de Transporte Inteligente (ITS), los automóviles inteligentes también son un medio eficaz para resolver problemas como la seguridad y la congestión del tráfico. Desde el nivel técnico clave, la tecnología de conducción inteligente se puede dividir en tres partes: percepción ambiental, mapeo de posicionamiento y control de planificación. El módulo de planificación en el control de planificación se denomina vívidamente el cerebro de la conducción inteligente, que determina el comportamiento de conducción futuro de los vehículos autónomos y genera información de trayectoria integrando información valiosa de los módulos anteriores. En este proceso se garantiza la seguridad, el confort y la eficiencia de la conducción.

Con el trasfondo de la inteligencia artificial, la promoción y aplicación a gran escala de la fabricación inteligente y el AGV del sitio similar al automóvil, que está estrechamente relacionado con los vehículos inteligentes como un medio importante, se ha aplicado continuamente a muchos campos, como los talleres de fábrica. , almacenes logísticos, producción y procesamiento, y tiene buenas perspectivas de desarrollo. La planificación de rutas siempre ha sido una parte indispensable de los vehículos guiados automáticamente; la planificación de una ruta segura y factible con baja complejidad puede mejorar efectivamente la eficiencia de ejecución de las tareas de AGV. En comparación con el algoritmo genético y el algoritmo RRT, el algoritmo A* tiene una mayor eficiencia de optimización de ruta y un mejor efecto para escenas estáticas generales en aplicaciones prácticas. Sin embargo, el algoritmo A* tradicional todavía tiene margen de mejora en muchos escenarios complejos en el campo de fabricación, y la ruta final que encuentra es propensa a una alta complejidad, como un rango de expansión demasiado amplio, un tiempo de búsqueda de ruta largo, muchos giros de ruta y esquinas desiguales. En vista de los problemas anteriores, muchos académicos también han realizado algunos estudios: Guo et al. propuso un método que integra curvas de Bézier para optimizar aún más la ruta, apuntando a los problemas de muchas líneas discontinuas y grandes ángulos de giro en la planificación de ruta del algoritmo A *, pero carecía de estrategias para mejorar la velocidad de búsqueda de ruta y reducir la cantidad de puntos de giro innecesarios. Cao et al. Se realizaron mejoras al problema de que había muchos puntos de giro en la ruta final buscada y se redujo el número de giros al juzgar que se le dio prioridad al método de búsqueda de puntos de dirección del nodo principal al mismo costo. Sin embargo, existía el problema de que los nodos en la ruta posterior real que tendían a estar lejos del punto de la tarea no podían completar la optimización. Con el objetivo de planificar rutas en escenarios a gran escala, Chen et al. propuso un algoritmo A * mejorado del mecanismo de búsqueda bidireccional para mejorar la eficiencia del tiempo de orientación, pero no se consideró el costo de dirección del AGV. Xing et al. propuso un método de aplicación de la planificación de rutas del algoritmo A * basado en un entorno de estacionamiento complejo, que hizo que la ruta planificada fuera más factible, pero no consideró el suavizado del ángulo de giro real de la ruta de tráfico.

Basado en el entorno general complejo y los escenarios de aplicación en interiores de AGV, este documento utiliza el método de cuadrícula para modelar el mapa del entorno complejo y el algoritmo SLAM (localización y mapeo simultáneo) para construir el mapa debajo de la escena interior vacía, respectivamente, para llevar a cabo el experimento de planificación de rutas. . Sobre la base del algoritmo A*, se propone el método de optimización de trayectoria de retroceso del punto de inflexión para reducir el número de giros innecesarios. El modo de expansión, el número de puntos de giro y la suavidad de la trayectoria de giro se mejoran y optimizan respectivamente en el proceso de expansión del nodo de la trayectoria y en el proceso de retroceso de la trayectoria inicial. A través de experimentos de simulación, el algoritmo mejorado final puede aumentar la velocidad de búsqueda de la ruta de la tarea AGV, mejorar aún más la eficiencia de la expansión del nodo, reducir la cantidad de giros innecesarios y aumentar la viabilidad de la ruta real.

Resultados y significado

Basado en el entorno general complejo y los escenarios de aplicación interior de AGV, este estudio utiliza software para construir un mapa ambiental complejo utilizando el método de cuadrícula y el algoritmo SLAM (localización y mapeo simultáneo) para construir un mapa en una escena abierta interior, que se utiliza para experimentos de planificación de rutas de seguimiento. Basado en el algoritmo A* tradicional, este estudio mejora y optimiza su modo de expansión, número de puntos de giro y suavidad de la ruta de giro en el proceso de expansión del nodo de la ruta y retroceso de la ruta inicial. Las contribuciones de este estudio se pueden resumir de la siguiente manera.

Introdujimos el peso estimado en la función de costo y utilizamos el marcador de nodo de ocupación en la expansión de nodos para reducir la cantidad de nodos extendidos y el tiempo de búsqueda de ruta en el caso de muchos obstáculos con distribución aleatoria. También proponemos un método de optimización de ruta para el retroceso del punto de inflexión para reducir giros innecesarios, segmentos de ruta redundantes y curvas de Bézier integradas para suavizar la ruta. Finalmente, se verificó la aplicabilidad del algoritmo mejorado mediante experimentos de simulación.

Los resultados de la simulación muestran que el algoritmo mejorado propuesto en este artículo es superior a los métodos tradicionales y puede ayudar a AGV a mejorar la eficiencia de la ejecución de tareas mediante la planificación de rutas con baja complejidad y fluidez. Además, el plan proporciona una nueva solución para la planificación global de rutas de vehículos no tripulados.

Al mismo tiempo, hay varios aspectos que deberían centrarse en el desarrollo futuro, incluido si el algoritmo de planificación puede hacer frente a múltiples escenarios y mantener una buena aplicabilidad y solidez, si puede cumplir con los requisitos de planificación de seguridad y estabilidad en entornos complejos y estrechos. escenarios, y si puede considerar la incertidumbre percibida y las limitaciones de control para la planificación.

Realidad virtual y hardware inteligente

10.1016/j.vrih.2022.11.002

Investigación sobre la planificación de la ruta de tareas de AGV basada en el algoritmo A* mejorado

16-jun-2023

Descargo de responsabilidad: AAAS y EurekAlert! ¡No somos responsables de la exactitud de los comunicados de prensa publicados en EurekAlert! por instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.