Recherche sur la planification du cheminement des tâches AGV basée sur i

Aug 16, 2023

Pékin Zhongke Journal Publishing Co. Ltd.

image : Par rapport à l'algorithme traditionnel et à d'autres algorithmes améliorés dans de nombreux scénarios complexes, les performances des résultats de planification de chemin sont considérablement améliorées.Voir plus

Crédit : Pékin Zhongke Journal Publishing Co. Ltd.

Fond de recherche

Ces dernières années, le nombre de propriétaires de voitures dans le monde a augmenté d'année en année, ce qui a conduit à une sécurité routière et à des conditions de congestion des véhicules peu optimistes. Avec le soutien d'un nouveau cycle de révolution scientifique et technologique et de changements industriels, les véhicules intelligents sont devenus le plateau stratégique et compétitif des puissances automobiles mondiales. Dans le même temps, en tant qu'élément important du système de transport intelligent (STI), les voitures intelligentes constituent également un moyen efficace de résoudre des problèmes tels que la sécurité routière et les embouteillages. Au niveau technique clé, la technologie de conduite intelligente peut être divisée en trois parties : la perception de l'environnement, la cartographie de positionnement et le contrôle de la planification. Le module de planification du contrôle de planification est appelé de manière frappante le cerveau de la conduite intelligente, qui détermine le comportement de conduite futur des véhicules autonomes et génère des informations de trajectoire en intégrant des informations précieuses provenant des modules en amont. Dans ce processus, la sécurité, le confort et l’efficacité de la conduite sont garantis.

Dans le contexte de l'intelligence artificielle, la promotion et l'application à grande échelle de la fabrication intelligente, ainsi que l'AGV du site de type automobile, étroitement lié aux véhicules intelligents en tant que support important, ont été continuellement appliqués à de nombreux domaines tels que les ateliers d'usine. , entrepôts logistiques, production et transformation, et a de bonnes perspectives de développement. La planification d'itinéraire a toujours été un élément indispensable des véhicules à guidage automatique, la planification d'un itinéraire sûr et réalisable avec une faible complexité peut améliorer efficacement l'efficacité d'exécution des tâches AGV. Comparé à l'algorithme génétique et à l'algorithme RRT, l'algorithme A* présente une efficacité d'optimisation de chemin plus élevée et un meilleur effet pour les scènes statiques générales dans les applications pratiques. Cependant, l'algorithme A* traditionnel peut encore être amélioré dans de nombreuses scènes complexes dans le domaine de la fabrication, et le chemin final qu'il trouve est sujet à une grande complexité, comme une plage d'expansion trop large, un temps de recherche de chemin long, de nombreux virages de chemin et coins inégaux. Compte tenu des problèmes ci-dessus, de nombreux chercheurs ont également mené des études : Guo et al. a proposé une méthode intégrant les courbes de Bézier pour optimiser davantage le chemin, visant les problèmes de nombreuses lignes brisées et de grands angles de virage dans la planification du chemin de l'algorithme A*, mais manquait de stratégies pour améliorer la vitesse de recherche de chemin et réduire le nombre de points de virage inutiles. Cao et coll. apporté des améliorations au problème selon lequel il y avait de nombreux tournants dans le chemin final recherché et réduit le nombre de virages en jugeant que la méthode de recherche des points de direction du nœud parent était prioritaire au même coût. Cependant, il y avait un problème : les nœuds du chemin suivant réel qui avaient tendance à être éloignés du point de tâche ne pouvaient pas terminer l'optimisation. Visant la planification de chemins dans des scénarios à grande échelle, Chen et al. a proposé un algorithme A* amélioré de mécanisme de recherche bidirectionnel pour améliorer l'efficacité du temps d'orientation, mais le coût de pilotage de l'AGV n'a pas été pris en compte. Xing et coll. a proposé une méthode d'application de la planification de chemin de l'algorithme A* basée sur un environnement de stationnement complexe, qui rendait le chemin planifié plus réalisable, mais ne prenait pas en compte le lissage réel de l'angle de braquage du chemin de circulation.

Basé sur l'environnement complexe général et les scénarios d'application intérieure d'AGV, cet article utilise la méthode de la grille pour modéliser la carte de l'environnement complexe et l'algorithme SLAM (localisation et cartographie simultanées) pour construire la carte sous la scène vide intérieure respectivement pour mener l'expérience de planification de chemin. . Sur la base de l'algorithme A*, la méthode d'optimisation de chemin de retour en arrière du point d'inflexion est proposée pour réduire le nombre de tours inutiles. Le mode d'expansion, le nombre de points de virage et la fluidité du chemin de virage sont améliorés et optimisés respectivement dans le processus d'expansion de nœud de chemin et dans le processus de retour en arrière de chemin initial. Grâce à des expériences de simulation, l'algorithme final amélioré peut augmenter la vitesse de recherche du chemin de tâche AGV, améliorer encore l'efficacité de l'expansion des nœuds, réduire le nombre de tours inutiles et augmenter la faisabilité du chemin réel.