基于改进蚁群算法的多AGV泊车路径规划

交通运输系统工程与信息 ›› 2018, Vol. 18 ›› Issue (6): 55-62.

• 智能交通系统与信息技术 • 上一篇下一篇

基于改进蚁群算法的多AGV泊车路径规划

郭保青^{* a, b}，郝树运 ^a，朱力强^{a, b}，余祖俊^{a, b}

北京交通大学 a. 机械与电子控制工程学院；b. 载运工具先进制造与测控技术教育部重点实验室，北京 100044

收稿日期:2018-07-09 修回日期:2018-08-27 出版日期:2018-12-25 发布日期:2018-12-25
作者简介:郭保青(1978-)，男，河北人，副教授.
基金资助:
国家重点研发计划/ The National Key Research and Development Program of China(2016YFB1200100).

Multi-AGV Parking Path Planning Based on Improved Ant Colony Algorithm

GUO Bao-qing ^{a, b}, HAO Shu-yun ^a, ZHU Li-qiang ^{a, b}, YU Zu-jun ^{a, b}

a. School of Mechanical, Electronic and Control Engineering; b. Key Laboratory of Vehicle Advanced Manufacturing, Measuring and Control Technology, Ministry of Education, Beijing Jiaotong University, Beijing 100044, China

Received:2018-07-09 Revised:2018-08-27 Online:2018-12-25 Published:2018-12-25

摘要/Abstract

摘要：

针对智能停车库中自动导引小车(Automated Guided Vehicle，AGV)存取车的路径规划问题，提出一种基于改进蚁群算法的多AGV泊车路径规划方法.单AGV路径规划方面，在基本蚁群算法基础上引入蚂蚁回退策略来增强适应性，同时改进启发式信息和信息素更新策略提高算法的收敛速度和寻优能力.多AGV路径规划方面，提出改进冲突解决策略来解决多AGV之间的冲突，其中采用临时规避—重新寻路策略来解决相向冲突.针对某典型停车场抽象模型的仿真结果表明，改进蚁群算法寻路成功率更高，并具有较强的全局搜索能力和较快的收敛速度，改进冲突解决策略能合理避免冲突，可以满足多AGV存取车路径规划的要求.

关键词: 智能交通, 路径规划, 改进蚁群算法, AGV, 回退策略, 临时规避

Abstract:

For automated guided vehicle (AGV) path planning in smart parking garages, a multi-AGV path planning method based on improved ant colony algorithm is proposed. For single AGV, fallback strategy is introduced to the basic ant colony algorithm to enhance the adaptability. And a new heuristic information and novel pheromone update strategies are also presented to improve the convergence speed and optimization ability. To solve the opposite conflict of multi-AGV, an improved conflict resolution strategy of temporary avoidance and path re-planning is proposed. The simulation results for a typical real underground parking garage show that the improved ant colony algorithm has higher rate of successful path finding, stronger global search capability and faster convergence speed. Our algorithm can solve multi-AGV conflicts and satisfy multi-AGV path planning requirements.

Key words: intelligent transportation, path planning, improved ant colony algorithm, AGV, fallback strategy, temporary avoidance

中图分类号:

U121

郭保青，郝树运，朱力强，余祖俊. 基于改进蚁群算法的多AGV泊车路径规划[J]. 交通运输系统工程与信息, 2018, 18(6): 55-62.

GUO Bao-qing, HAO Shu-yun, ZHU Li-qiang, YU Zu-jun. Multi-AGV Parking Path Planning Based on Improved Ant Colony Algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(6): 55-62.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19730.shtml

http://www.tseit.org.cn/CN/Y2018/V18/I6/55

参考文献

[1] 高翔, 苏青. 基于双层模糊逻辑的多机器人路径规划与避碰[J]. 计算机技术与发展, 2014, 24(11): 79-82. [GAO X, SU Q. Multi-robot path planning and collision avoidance based on double-layer fuzzy logic[J]. Computer Technology and Development, 2014, 24(11): 79-82.]

[2] 徐晓晴, 朱庆保. 动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划[J]. 电子学报, 2012, 40 (8): 1694-1700. [XU X Q, ZHU Q B. Robot path planning based on artificial fish school algorithm and collision avoidance rule base in dynamic environment[J]. Acta Electronica Sinica, 2012, 40(8): 1694-1700.]

[3] 张素云, 杨勇生, 梁承姬, 等. 自动化码头多 AGV路径冲突的优化控制研究[J]. 交通运输系统工程与信息, 2017, 17(2): 83-89. [ZHANG S Y, YANG Y S, LIANG C J, et al. Research on optimal control of multiple AGV path conflicts in automated docks[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(2): 83-89.]

[4] 夏小云, 周育人. 蚁群优化算法的理论研究进展[J]. 智能系统学报, 2016, 11(1): 27-36. [XIA X Y, ZHOU Y R. Theoretical research progress of ant colony optimization algorithm[J]. CAAI Transactions on Intelligent Systems, 2016, 11(1): 27-36.]

[5] CHEN X, KONG Y Y , FANG X, et al. A fast two-stage ACO algorithm for robotic path planning[J]. Neural Computing & Applications, 2013, 22(2): 313-319.

[6] LAZAROWSKA, AGNIESZKA. Ship's trajectory planning for collision avoidance at sea based on ant colony optimisation[J]. Journal of Navigation, 2015, 68 (2): 291-307.

[7] DENG X, ZHANG L, LUO L. An improved ant colony optimization applied in robot path planning problem[J]. Journal of Computers, 2013, 8(3): 585-593.

[8] CHAARI, KOUBAA, TRIGUI, et al. An efficient hybrid ACO-GA algorithm for solving the global path planning problem of mobile robots[J]. International Journal of Advanced Robotic Systems, 2014, 11(1): 399-412.

[9] 王钦钊, 程金勇, 李小龙. 复杂环境下机器人路径规划方法研究 [J]. 计算机仿真, 2017, 34(10): 296-300. [WANG Q Z, CHENG J Y, LI X L. Research on robot path planning method in complex environment[J]. Computer Simulation, 2017, 34(10): 296-300.]

[10] LIU J, YANG J, LIU H, et al. An improved ant colonyalgorithm for robot path planning[J]. Soft Computing, 2016, 1(11): 1-11.

[1]	刘江, 谭思伦, 蔡伯根, 王剑. 基于车路信息交互的车辆卫星定位协同定权方法[J]. 交通运输系统工程与信息, 2022, 22(5): 85-96.
[2]	张名芳, 吴禹峰, 王力, 王庞伟. 基于金字塔特征融合的二阶段三维点云车辆检测[J]. 交通运输系统工程与信息, 2022, 22(5): 107-116.
[3]	张泽锡, 钟文健, 林柏梁. 带时间窗的卡车编队路径优化[J]. 交通运输系统工程与信息, 2022, 22(5): 253-263.
[4]	李泰国, 张天策, 李超, 张英志, 王英. 基于人体姿态空时特征的驾驶员疲劳检测[J]. 交通运输系统工程与信息, 2022, 22(5): 337-344.
[5]	赵建东, 赵志敏, 屈云超, 谢东繁, 孙会君. 轨迹数据驱动的车辆换道意图识别研究[J]. 交通运输系统工程与信息, 2022, 22(4): 63-71.
[6]	陈喜群, 曹震, 莫栋. 融合卡尔曼滤波的高速公路状态估计误差界限分析[J]. 交通运输系统工程与信息, 2022, 22(4): 72-78.
[7]	张佩瑜, 周建山, 田大新. 网联车辆编队的鲁棒模型预测控制方法[J]. 交通运输系统工程与信息, 2022, 22(4): 268-274.
[8]	秦严严, 朱宜文, 朱立, 唐鸿辉. 智能网联卡车车队混合流通行能力分析方法[J]. 交通运输系统工程与信息, 2022, 22(4): 275-282.
[9]	齐尧, 朱彦齐, 李永乐, 徐友春. 面向动静态混合环境的智能车运动规划方法[J]. 交通运输系统工程与信息, 2022, 22(4): 293-301.
[10]	张仕杰, 唐涛, 刘金涛, 李辰岭. 基于复杂网络的列车辅助驾驶危险致因传播模型[J]. 交通运输系统工程与信息, 2022, 22(4): 129-136.
[11]	李熙莹, 陈丽娟. 一种基于融合网络的慢行交通速度计算方法[J]. 交通运输系统工程与信息, 2022, 22(4): 186-193.
[12]	杨枫, 种大双. 应急车辆动态路径选择的两阶段优化模型[J]. 交通运输系统工程与信息, 2022, 22(3): 84-92.
[13]	刘宜成, 李志鹏, 吕淳朴, 张涛, 刘彦. 基于动态时间调整的时空图卷积路网交通流量预测[J]. 交通运输系统工程与信息, 2022, 22(3): 147-157.
[14]	姚荣涵, 王荣贇, 张文松, 叶劲松, 孙锋. 基于生成对抗网络的交通流参数实时估计模型[J]. 交通运输系统工程与信息, 2022, 22(3): 158-167.
[15]	谢东繁, 贾惠迪, 李春艳, 赵小梅. 基于网格交通状态分类的行程时间规律挖掘与计算[J]. 交通运输系统工程与信息, 2022, 22(3): 168-178.

基于改进蚁群算法的多AGV泊车路径规划

Multi-AGV Parking Path Planning Based on Improved Ant Colony Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics