Ricerca sulla pianificazione del percorso delle attività AGV basata su i

Aug 16, 2023

Pechino Zhongke Journal Publising Co. Ltd.

immagine: Rispetto all'algoritmo tradizionale e ad altri algoritmi migliorati in molti scenari complessi, le prestazioni dei risultati della pianificazione del percorso sono migliorate in modo significativo.vedere di più

Credito: Beijing Zhongke Journal Publising Co. Ltd.

Contesto della ricerca

Negli ultimi anni, il numero di automobili possedute a livello globale è aumentato di anno in anno, determinando condizioni di sicurezza stradale e di congestione dei veicoli non ottimistiche. Con il supporto di una nuova ondata di rivoluzione scientifica e tecnologica e di cambiamenti industriali, i veicoli intelligenti sono diventati l’altopiano competitivo strategico delle potenze automobilistiche mondiali. Allo stesso tempo, in quanto parte importante del sistema di trasporto intelligente (ITS), le auto intelligenti sono anche un mezzo efficace per risolvere problemi come la sicurezza del traffico e la congestione del traffico. Dal livello tecnico chiave, la tecnologia di guida intelligente può essere divisa in tre parti: percezione ambientale, mappatura del posizionamento e controllo della pianificazione. Il modulo di pianificazione nel controllo di pianificazione è vividamente chiamato il cervello della guida intelligente, che determina il futuro comportamento di guida dei veicoli autonomi e genera informazioni sulla traiettoria integrando informazioni preziose dai moduli a monte. In questo processo vengono garantiti la sicurezza, il comfort e l’efficienza della guida.

Con lo sfondo dell'intelligenza artificiale, la promozione e l'applicazione su larga scala della produzione intelligente e l'AGV del sito simile all'auto che è strettamente correlato ai veicoli intelligenti come mezzo importante, è stato continuamente applicato a molti campi come le officine di fabbrica , magazzini logistici, produzione e lavorazione e ha buone prospettive di sviluppo. La pianificazione del percorso è sempre stata una parte indispensabile dei veicoli a guida automatica, pianificare un percorso sicuro e fattibile con bassa complessità può migliorare efficacemente l'efficienza di esecuzione delle attività AGV. Rispetto all'algoritmo genetico e all'algoritmo RRT, l'algoritmo A* ha un'efficienza di ottimizzazione del percorso più elevata e un effetto migliore per le scene statiche generali nelle applicazioni pratiche. Tuttavia, il tradizionale algoritmo A* ha ancora margini di miglioramento in molte scene complesse nel settore manifatturiero e il percorso finale che trova è soggetto a elevata complessità, ad esempio un intervallo di espansione troppo ampio, tempi di ricerca del percorso lunghi, molte svolte dei percorsi e angoli irregolari. Alla luce dei problemi sopra esposti, molti studiosi hanno anche condotto alcuni studi: Guo et al. ha proposto un metodo che integra le curve di Bezier per ottimizzare ulteriormente il percorso, mirando ai problemi di molte linee spezzate e ampi angoli di svolta nella pianificazione del percorso dell'algoritmo A*, ma mancava di strategie per migliorare la velocità di individuazione del percorso e ridurre il numero di punti di svolta non necessari. Cao et al. apportato miglioramenti al problema che c'erano molti punti di svolta nel percorso finale cercato e ridotto il numero di svolte ritenendo che al metodo di ricerca dei punti di direzione del nodo principale fosse data priorità allo stesso costo. Tuttavia, si verificava il problema che i nodi nel percorso successivo effettivo che tendevano ad essere lontani dal punto dell'attività non riuscivano a completare l'ottimizzazione. Mirando alla pianificazione del percorso in scenari su larga scala, Chen et al. ha proposto un algoritmo A* migliorato del meccanismo di ricerca bidirezionale per migliorare l'efficienza temporale dell'orientamento, ma il costo di guida dell'AGV non è stato considerato. Xing et al. ha proposto un metodo di applicazione della pianificazione del percorso con algoritmo A* basato su un ambiente di parcheggio complesso, che ha reso il percorso pianificato più fattibile, ma non ha considerato l'effettivo livellamento dell'angolo di svolta del percorso del traffico.

Basato sull'ambiente complesso generale e sugli scenari applicativi interni dell'AGV, questo documento utilizza il metodo della griglia per modellare la mappa dell'ambiente complesso e l'algoritmo SLAM (Simultaneous Localization and Mapping) per costruire la mappa sotto la scena vuota interna rispettivamente per condurre l'esperimento di pianificazione del percorso . Sulla base dell'algoritmo A*, viene proposto il metodo di ottimizzazione del percorso del backtracking del punto di flesso per ridurre il numero di svolte non necessarie. La modalità di espansione, il numero di punti di svolta e la scorrevolezza del percorso di svolta vengono migliorati e ottimizzati rispettivamente nel processo di espansione dei nodi del percorso e nel processo di backtracking del percorso iniziale. Attraverso esperimenti di simulazione, l'algoritmo finale migliorato può aumentare la velocità di ricerca del percorso dell'attività AGV, migliorare ulteriormente l'efficienza dell'espansione dei nodi, ridurre il numero di svolte non necessarie e aumentare la fattibilità del percorso effettivo.