面向多任务的仓储移动机器人路径规划与调度
发布时间：2021-07-17 08:15
随着工业的发展,制造业也发生了翻天覆地的变化,移动机器人的出现将人从繁琐的劳动中解放了出来,尤其是移动机器人在仓储应用领域大放异彩。机器人随着时代潮流的发展,不仅在功能上越来越强大,而且在规划方面越来越智能。多任务下的机器人协作已经成为工业机器人中的重要发展方向,随着通信与物联网等技术的发展,移动机器人得到了巨大的发展助力。本文针对智能仓储环境下的移动机器人展开研究。首先,本文介绍了移动机器人的研究背景及研究意义,并对该领域内的国内外研究现状展开了叙述。本文对移动机器人领域内的问题进行了归纳,并阐述了相关的解决算法。然后,由浅入深地介绍了移动机器人的通信方式、控制方式和仓储等问题。为后续章节算法的原理做了铺垫。最后,本文着重对移动机器人路径规划和多机器人调度问题展开研究。基于群体智能算法和强化学习相关思想,在群体智能算法的基础上改进并设计了新的混合算法。其中针对移动机器人路径规划问题,本文在蚁群算法基础上做出了巨大改进,设计了基于独狼蚁群混合算法的路径规划,算法分别在路径选择方向、信息素控制和路径停滞上进行了改进和创新;针对多任务下的多机器人调度,本文在对传统遗传算法进行了改进,在遗传...
【文章来源】：重庆邮电大学重庆市
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
工厂
重庆邮电大学硕士学位论文第2章多移动机器人的基本问题14获取任务。移动机器人也可以首先通过中央控制系统获得分配任务，再单独处理各自任务。若两个或多个移动机器人同时选择了同一个目标点，中央控制模块根据各个移动机器人到达该目标点的代价来重新分配，其中该最优目标会被代价最低的移动机器人获取，其他移动机器人采取次优的分配目标，依次类推到最优的分配方案。具体的任务分配在后续章节会有详细叙述。2.4仓储搬运环境问题在物流仓储或者自动化工厂中，搬运货物是常见的行为。移动机器人在智能化的工厂是常见的工具，这种环境下的移动机器人也称为仓储移动机器人，即自动导引车(AGV)。由于搬运现场非常复杂，每个机器个体都处于动态的运动中，所以移动机器人的定位方式非常关键。当前AGV的规划方式分为有轨式、无轨式和新式。有轨式AGV会在路面铺设相应的轨道，AGV只能在这些轨道上移动。常见的设计方式是在路面铺设反光条或磁条，AGV上相应位置设置光感应或磁效应传感器，如图2.1(a)所示为基于反光条轨道的AGV。无轨式AGV由于需要激光雷达等传感器，从而使得AGV成本较高，所以在工业中并没有大规模应用，典型的无轨式AGV如图2.1(b)。当前一种新式的AGV比较流行，该AGV在底部装备光发射和接收元件，这些光传感器用来识别二维码，而这些二维码贴片就部署在工业环境的地面上，如图2.1(c)。由于二维码贴片成本低，轨道比有轨AGV更加灵活，在物流仓储等环境中广泛受到欢迎。a)反光式轨道AGVb)无轨道AGVc)二维码轨道AGV图2.1工厂中的AGV轨道
重庆邮电大学硕士学位论文第2章多移动机器人的基本问题15AGV在实际应用过程中，难免会有冲突，这就需要一些避障和交互措施。常见的冲突有路口冲突、相向冲突、追赶冲突。一般采取的策略是给AGV设立优先级，高优先级的AGV拥有优先通行的权力。但是在场地较大，搬运任务较多的环境下，频繁的冲突会给AGV带来计算压力，频繁的对比优先级会降低AGV的移动效率。a)路径有交叉b)路径无交叉图2.2AGV路径任务分配如图2.2是将两个任务分配给两个AGV处理的路径规划图。从2.2(a)中可以看出AGV的路径有所交叉，这就会增加AGV在移动过程的避碰处理时间，而2.2(b)就回避了这样的情况。在任务量较多的环境中，AGV之间难免会有同一时刻路径位置的冲突。如果能合理降低AGV之间产生冲突的次数，那么AGV的移动效率在时间应用中会极大地提高。如图2.3,图2.3(a)中的路径交叉较多，效率显然低于图2.3(b)中的任务分配方式。a)多次路径交叉b)无交叉的路径图2.3多个AGV任务分配
【参考文献】：
期刊论文
[1]基于DRL的MEC任务卸载与资源调度算法[J]. 薛宁,霍如,曾诗钦,汪硕,黄韬. 北京邮电大学学报. 2019(06)
[2]基于Spark的分布式机器人强化学习训练框架[J]. 方伟,黄增强,徐建斌,黄羿,马新强. 图学学报. 2019(05)
[3]基于降噪自动编码器的多任务优化算法[J]. 尚青霞,周磊,冯亮. 大连理工大学学报. 2019(04)
[4]改进人工势场法自主移动机器人路径规划[J]. 罗强,王海宝,崔小劲,何晶昌. 控制工程. 2019(06)
[5]一种新的双策略进化果蝇优化算法[J]. 方波,陈红梅. 山东大学学报(工学版). 2019(03)
[6]基于RNA遗传操作的改进蝙蝠算法[J]. 耿艳香,张立毅,孙云山,费腾,蒋师贤,马嘉骏. 天津大学学报(自然科学与工程技术版). 2019(03)
[7]基于全局无偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,刘广钟,韩德志,余学山,贾建鑫. 电子学报. 2018(02)
[8]基于改进烟花-蚁群混合算法的智能移动体避障路径规划[J]. 张玮,马焱,赵捍东,张磊,李营,李旭东. 控制与决策. 2019(02)
[9]基于改进分配法的多智能体队形形成[J]. 陈梅,梅乐,陈艳燕. 合肥工业大学学报(自然科学版). 2016(10)
[10]基于免疫机理的足球机器人协作控制研究[J]. 郝兆明,康倩. 科学技术与工程. 2014(08)
硕士论文
[1]大尺寸空间移动测量系统末端执行器运动规划研究[D]. 杨晓坤.燕山大学 2019
[2]基于多AGV协同搬运模型的构建与实现[D]. 潘天宇.南京航空航天大学 2019
[3]室内多机器人系统定位与分布式控制技术[D]. 何俊.南京理工大学 2017
[4]双足机器人运动控制系统的研究[D]. 查望华.浙江大学 2016
[5]多移动机器人同步定位与构图问题研究[D]. 石家兴.东华大学 2015
[6]基于CAN总线的移动机器人分布式控制系统研究[D]. 张传斌.山东大学 2013
[7]基于通信技术的多移动机器人的协调控制[D]. 黄秋菊.南京邮电大学 2011
[8]一种基于扩频技术的多机器人通信平台的研究[D]. 阎朝.北京邮电大学 2010
[9]水下智能机械手的光视觉信息获取与处理[D]. 张栋翔.中国科学技术大学 2009
本文编号：3287801
【文章来源】：重庆邮电大学重庆市
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
工厂
重庆邮电大学硕士学位论文第2章多移动机器人的基本问题14获取任务。移动机器人也可以首先通过中央控制系统获得分配任务，再单独处理各自任务。若两个或多个移动机器人同时选择了同一个目标点，中央控制模块根据各个移动机器人到达该目标点的代价来重新分配，其中该最优目标会被代价最低的移动机器人获取，其他移动机器人采取次优的分配目标，依次类推到最优的分配方案。具体的任务分配在后续章节会有详细叙述。2.4仓储搬运环境问题在物流仓储或者自动化工厂中，搬运货物是常见的行为。移动机器人在智能化的工厂是常见的工具，这种环境下的移动机器人也称为仓储移动机器人，即自动导引车(AGV)。由于搬运现场非常复杂，每个机器个体都处于动态的运动中，所以移动机器人的定位方式非常关键。当前AGV的规划方式分为有轨式、无轨式和新式。有轨式AGV会在路面铺设相应的轨道，AGV只能在这些轨道上移动。常见的设计方式是在路面铺设反光条或磁条，AGV上相应位置设置光感应或磁效应传感器，如图2.1(a)所示为基于反光条轨道的AGV。无轨式AGV由于需要激光雷达等传感器，从而使得AGV成本较高，所以在工业中并没有大规模应用，典型的无轨式AGV如图2.1(b)。当前一种新式的AGV比较流行，该AGV在底部装备光发射和接收元件，这些光传感器用来识别二维码，而这些二维码贴片就部署在工业环境的地面上，如图2.1(c)。由于二维码贴片成本低，轨道比有轨AGV更加灵活，在物流仓储等环境中广泛受到欢迎。a)反光式轨道AGVb)无轨道AGVc)二维码轨道AGV图2.1工厂中的AGV轨道
重庆邮电大学硕士学位论文第2章多移动机器人的基本问题15AGV在实际应用过程中，难免会有冲突，这就需要一些避障和交互措施。常见的冲突有路口冲突、相向冲突、追赶冲突。一般采取的策略是给AGV设立优先级，高优先级的AGV拥有优先通行的权力。但是在场地较大，搬运任务较多的环境下，频繁的冲突会给AGV带来计算压力，频繁的对比优先级会降低AGV的移动效率。a)路径有交叉b)路径无交叉图2.2AGV路径任务分配如图2.2是将两个任务分配给两个AGV处理的路径规划图。从2.2(a)中可以看出AGV的路径有所交叉，这就会增加AGV在移动过程的避碰处理时间，而2.2(b)就回避了这样的情况。在任务量较多的环境中，AGV之间难免会有同一时刻路径位置的冲突。如果能合理降低AGV之间产生冲突的次数，那么AGV的移动效率在时间应用中会极大地提高。如图2.3,图2.3(a)中的路径交叉较多，效率显然低于图2.3(b)中的任务分配方式。a)多次路径交叉b)无交叉的路径图2.3多个AGV任务分配
【参考文献】：
期刊论文
[1]基于DRL的MEC任务卸载与资源调度算法[J]. 薛宁,霍如,曾诗钦,汪硕,黄韬. 北京邮电大学学报. 2019(06)
[2]基于Spark的分布式机器人强化学习训练框架[J]. 方伟,黄增强,徐建斌,黄羿,马新强. 图学学报. 2019(05)
[3]基于降噪自动编码器的多任务优化算法[J]. 尚青霞,周磊,冯亮. 大连理工大学学报. 2019(04)
[4]改进人工势场法自主移动机器人路径规划[J]. 罗强,王海宝,崔小劲,何晶昌. 控制工程. 2019(06)
[5]一种新的双策略进化果蝇优化算法[J]. 方波,陈红梅. 山东大学学报(工学版). 2019(03)
[6]基于RNA遗传操作的改进蝙蝠算法[J]. 耿艳香,张立毅,孙云山,费腾,蒋师贤,马嘉骏. 天津大学学报(自然科学与工程技术版). 2019(03)
[7]基于全局无偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,刘广钟,韩德志,余学山,贾建鑫. 电子学报. 2018(02)
[8]基于改进烟花-蚁群混合算法的智能移动体避障路径规划[J]. 张玮,马焱,赵捍东,张磊,李营,李旭东. 控制与决策. 2019(02)
[9]基于改进分配法的多智能体队形形成[J]. 陈梅,梅乐,陈艳燕. 合肥工业大学学报(自然科学版). 2016(10)
[10]基于免疫机理的足球机器人协作控制研究[J]. 郝兆明,康倩. 科学技术与工程. 2014(08)
硕士论文
[1]大尺寸空间移动测量系统末端执行器运动规划研究[D]. 杨晓坤.燕山大学 2019
[2]基于多AGV协同搬运模型的构建与实现[D]. 潘天宇.南京航空航天大学 2019
[3]室内多机器人系统定位与分布式控制技术[D]. 何俊.南京理工大学 2017
[4]双足机器人运动控制系统的研究[D]. 查望华.浙江大学 2016
[5]多移动机器人同步定位与构图问题研究[D]. 石家兴.东华大学 2015
[6]基于CAN总线的移动机器人分布式控制系统研究[D]. 张传斌.山东大学 2013
[7]基于通信技术的多移动机器人的协调控制[D]. 黄秋菊.南京邮电大学 2011
[8]一种基于扩频技术的多机器人通信平台的研究[D]. 阎朝.北京邮电大学 2010
[9]水下智能机械手的光视觉信息获取与处理[D]. 张栋翔.中国科学技术大学 2009
本文编号：3287801
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3287801.html
