AGV路径规划问题设计与研究

发布时间：2020-07-06 23:47

【摘要】：自动导引运输车AGV(Automated Guided Vehicle,AGV)是工厂智能运输系统的一个核心组成成分。它能够替代制造业车间中的人工搬运场景(诸如半成品与成品的运输、成品的存储等过程),实现工厂中货物自动、智能、高效的运输,从而使得物流系统智能的运转。所以在汽车制造、3C、重工等自动化行业的生产和仓储系统中得到广泛使用。而随着AGV的大量应用,企业在保证生产与物流效率的前提下,往往也需要考虑到其投资成本,所以怎样对AGV进行合理的路径规划便成了研究热点。现有的AGV路径规划算法主要分为传统算法与智能算法两大类。其中,智能算法较传统算法更容易实施,而且其搜索能力更强,因而得到广泛应用。但是,现有的智能算法(包括遗传算法、神经网络算法、强化学习算法等)依然存在一些问题,例如遗传算法的“早熟”问题与强化学习算法学习效率低的问题。针对这些问题,本文提出了相应的改进方法,主要内容包括:1.对自由路径导引(无磁条、地标等路线作导向)下静态环境中的AGV路径规划问题进行了研究,并针对该问题应用了遗传算法模型,本文在遗传算法的适应度函数选取上引入了一些限制条件,优化了路径的选择;其次针对遗传算法容易“早熟”的问题,在种群中引入分层遗传的概念,增加了种群多样性,有效的提高了算法搜索性能。2.对自由路径导引下动态环境中AGV的路径规划问题进行研究,并设计了基于深度强化学习的路径规划模型。在改进算法中将神经网络算法获取的优秀行为值作为强化学习的参考行为,优化了强化学习算法随机选取行为动作所带来的学习效率低的问题。为了验证所提算法的有效性,本文分别对改进的智能算法与传统智能算法进行了仿真研究,并将其路径规划结果以及迭代曲线分别进行对比研究。结果表明改进的遗传算法较原算法更具全局搜索能力,而且其路径规划结果更优;改进的深度强化学习算法较传统强化学习算法学习速度更快,有效缩短了最优路径规划的学习时间。最后,总结了本文的主要创新之处与研究成果,指出了AGV路径规划问题有待进一步解决的难点,并对AGV的调度问题进行了展望,期待在以后的研究过程中能够逐步解决和完善。
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH186
【图文】：

工作场

图 1-1 AGV 工作场景Fig.1-1 AGV working scenario路径规划问题研究现状径规划是运动规划的关键问题之一，而运动规划即寻找从起始状态动过程中的最优解。在求解运动规划问题时，通常要考虑到一些限些条件下寻求最优解。对路径规划的定义，各类文献中的阐述略有，路径规划主要是指规划一条路径，使得机器人可以无碰、安全、运行至目的地。路径规划问题涉及到环境表达、规划算法、以及路面[14、15]。环境表达指如何将 AGV 所处现场环境通过有效的数学建模法主要指利用高效、智能的算法来指导 AGV，从而进行有效的路径是指相关底层控制器来控制 AGV 执行路径规划结果。

流程图,遗传算法,流程图,最优化求解

10图 2-1 遗传算法流程图Fig.2-1 Genetic algorithm flow chart遗传算法全局寻优能力较好，搜索快速，适用于最优化求解问题[39]。但是其编程复杂，而且易于“早熟”，故而通常与其它算法进行综合来解决优化问题。深度学习介绍深度学习起源于神经网络，是由 Hinton 等人于 2006 年提出来的[40]。人工神经

神经元结构

第二章 AGV 路径规划相关算法介绍模拟人脑的神经元来分析问题的算法结构，它能够像人体的复杂数据（如声音、图像、文字等）。而深度学习则是神经网络架构，是机器学习的一个分支。深度学习的基础用于提取数据的特征，下面将主要介绍其算法原理。经网络算法是模拟人的神经元而工作的，那么我们首先还工作原理，人体的神经元结构如图 2-2 所示：

【参考文献】