面向实际工况的AGV局部路径规划及跟踪研究

(整期优先)网络出版时间:2023-06-15
/ 2

面向实际工况的AGV局部路径规划及跟踪研究

章鹏

杭叉集团股份有限公司        浙江省杭州市  310000

浙江杭叉智能科技有限公司    浙江省杭州市  310000

摘要: 本文研究了面向实际工况的AGV(自动导引车)局部路径规划及跟踪问题。AGV作为一种自主移动的物流装备,在工业自动化领域发挥着重要作用。局部路径规划和跟踪是AGV实现安全、高效运行的关键技术。本文分析了AGV局部路径规划的挑战和需求,并提出了一种基于实时环境感知和优化策略的局部路径规划方法。同时,本文还探讨了AGV跟踪控制方法,以保证AGV在执行规划路径时的精确性和稳定性。最后,通过实验验证了所提出方法的有效性和实用性。

关键词:AGV,路径规划,跟踪控制,实时环境感知,优化策略

引言

自动导引车(AGV)是一种能够自主移动的物流装备,广泛应用于工业自动化领域,实现了物料搬运、装配线衔接和仓储管理的自动化。AGV系统的安全和高效运行对于提高生产效率和降低成本具有重要意义。在AGV系统中,路径规划和跟踪是实现安全、高效运行的关键技术。

AGV系统的路径规划主要解决的是如何在给定的环境下,找到一条最优路径使得AGV能够从起点到达目标点,并避开障碍物。然而,实际工业环境中的障碍物分布复杂、动态变化,传统的路径规划方法难以适应实际工况的需求。因此,研究面向实际工况的AGV局部路径规划方法具有重要的理论意义和实际价值。

一、AGV局部路径规划方法

1.1环境感知

实时环境感知是AGV局部路径规划的基础。通过使用传感器技术(如激光雷达、摄像头、超声波传感器等),AGV可以获取周围环境的信息,包括障碍物位置、尺寸和运动状态等。这些信息对于确定可行路径和避免碰撞至关重要。

1.2 路径生成

基于实时环境感知,AGV需要生成一条安全、高效的路径。传统的路径生成方法包括基于图搜索的方法(如A*算法)和基于采样的方法(如RRT算法)。然而,在复杂的工业环境中,这些方法可能无法有效应对动态障碍物和复杂的运动约束。因此,本文提出一种基于优化策略的路径生成方法。

1.3 路径优化

为了提高路径的安全性和效率,路径生成后需要进行优化。优化策略可以考虑多个因素,如路径长度、时间开销、能源消耗等。常用的优化方法包括遗传算法、模拟退火算法和粒子群算法等。通过结合实际工况的约束条件,可以获得适应性强的局部路径。

二、AGV跟踪控制方法

 2.1 控制架构

控制架构是实现AGV跟踪控制的关键组成部分。传统的PID控制方法在某些情况下可能无法满足精确性和稳定性的要求,尤其是在急转弯或高速行驶等复杂工况下。因此,本文提出了一种基于模型预测控制(MPC)的跟踪控制架构,以提高跟踪控制的性能。

在基于MPC的跟踪控制架构中,首先需要建立AGV的动力学模型。该模型描述了AGV的运动特性、力学约束和动力学特性。常见的AGV动力学模型可以基于车辆的质量、惯性、摩擦力等因素进行建模。接下来,通过传感器测量和滤波技术,对AGV的状态进行估计。常见的传感器包括编码器、惯性测量单元(IMU)、激光雷达等,用于获取AGV的位置、速度、姿态等信息。

2.2 跟踪误差估计

为了实现精确的跟踪控制,AGV需要准确估计当前的跟踪误差。通过使用传感器测量和滤波技术,可以对AGV的位置和姿态进行实时估计。常用的传感器包括编码器、激光雷达、惯性测量单元(IMU)等。

编码器可以测量AGV车轮的转速和转角,从而推断出车辆的位置和姿态。激光雷达可以提供周围环境的高精度地图,从而帮助AGV进行定位和路径规划。IMU可以测量AGV的加速度和角速度,进一步用于估计车辆的姿态。

然而,传感器测量数据常常包含噪声和不确定性。为了提高估计的精度和稳定性,通常采用滤波技术对传感器数据进行处理。常用的滤波方法包括卡尔曼滤波器和扩展卡尔曼滤波器。这些滤波器可以通过融合多个传感器的信息,消除噪声和估计误差,从而得到更准确的位置和姿态估计结果。

在跟踪控制中,结合局部路径规划结果可以计算出预期的轨迹和跟踪误差。通过将实际位置与预期路径上的点进行比较,可以计算出当前的跟踪误差。跟踪误差可以表示为位置偏差、角度偏差或其他适当的度量。这些跟踪误差可以作为反馈信号,用于调节控制输入,使AGV能够准确地沿着期望的轨迹进行运动。

2.3 控制算法设计

基于MPC控制架构和跟踪误差估计,可以设计适应多种工况的控制算法来实现精确的跟踪控制。

在MPC控制算法中,首先需要建立AGV的动力学模型,包括车辆的运动方程、力学特性和约束条件。这些模型描述了AGV在不同工况下的响应和行为。接下来,通过传感器测量和滤波技术,估计AGV的位置、速度和姿态信息,并结合局部路径规划结果计算出跟踪误差。基于跟踪误差和动力学模型,MPC控制器可以预测AGV未来一段时间内的轨迹。通过优化控制输入,例如速度和方向,可以使预测的轨迹与期望路径尽可能接近。

在设计控制算法时,还需要考虑AGV的动力输出限制、轮胎摩擦等实际因素。这些约束条件可以作为优化问题的约束条件,以确保控制输入在可行范围内。优化问题可以使用数学优化方法求解,例如二次规划、非线性规划等。通过迭代优化,可以找到最优的控制输入,以实现精确的跟踪控制。通过基于MPC控制架构和跟踪误差估计的控制算法,AGV可以根据实时的跟踪误差调整控制输入,使其能够精确地跟踪预定的路径。这种方法可以适应不同工况下的需求,提供更高的控制精度和稳定性,确保AGV在复杂环境中安全、高效地运行。

三、实验验证与结果分析

为了验证所提出的AGV局部路径规划和跟踪控制方法的有效性,进行了一系列实验。首先,搭建了基于实时环境感知的路径规划和跟踪控制系统,并使用实际工业环境中的场景进行测试。通过比较不同方法的性能指标,如路径长度、时间开销、安全性等,评估了所提出方法的优越性。

实验结果表明,基于实时环境感知和优化策略的AGV局部路径规划方法能够在复杂工况下生成安全、高效的路径。与传统方法相比,所提出的方法能够更好地适应动态障碍物和复杂运动约束。同时,基于模型预测控制的跟踪控制方法在精确性和稳定性方面表现出优势,能够实现AGV在执行路径时的精确跟踪。

四、结论

本文研究了面向实际工况的AGV局部路径规划及跟踪控制问题。通过基于实时环境感知和优化策略的路径规划方法,以及基于模型预测控制的跟踪控制方法,能够实现AGV在复杂工况下的安全、高效运行。

然而,本文的研究还存在一些局限性。例如,实验验证主要基于模拟环境和小规模的实际场景,还需要进一步在大规模、复杂的工业环境中进行验证。此外,AGV的局部路径规划和跟踪控制也可以结合其他技术,如机器学习和深度学习方法,以进一步提高性能和鲁棒性。在未来的研究中,可以进一步优化路径规划算法,考虑多目标优化和动态规划等技术,以适应更复杂的工况需求。同时,可以研究多AGV协同工作的路径规划和跟踪控制问题,进一步提高AGV系统的整体效率和协同能力。

参考文献:

[1]陈光友,余粟.改进 A*的多机器人双层路径规划算法[J/OL].计 算机工程与应用:1-10[2022-05-30].

[2]王云峰,曹小华,郭兴.基于改进 A*算法和系统短期状态预测的 仓储 AGV 路径规划方法[J/OL].计算机集成制造系统:1-22[2022- 01-11].

[3]刘双双,黄宜庆.多策略蚁群算法在机器人路径规划中的应用 [J].计算机工程与应用,2022,58(06):278-286.

[4]田广键,代冀阳,应进,王宁.基于自适应分段势场法的多无人机 航迹规划[J/OL].系统仿真学报:1-9[2022-04-12].