![pageSearch](/themes/hestia/images/page-search.webp)
73 памятных вещи о лете 73-го
May 16, 2023Прогнозирование аберрантного сплайсинга в тканях человека
Sep 02, 2023Сравнение пайки оплавлением и волновой пайки
Jun 17, 2023Размер рынка Agv (автоматизированные управляемые транспортные средства) (выручка)
Aug 18, 2023Системы наведения и навигации AGV
Jun 05, 2023Исследование планирования пути выполнения задач AGV на основе i
![Aug 16, 2023](/themes/hestia/images/news-details-icon1.webp)
Пекинская компания Zhongke Journal Publishing Co. Ltd.
изображение: По сравнению с традиционным алгоритмом и другими улучшенными алгоритмами во многих сложных сценариях производительность результатов планирования пути значительно повышается.посмотреть больше
Фото: Пекинская компания Zhongke Journal Publishing Co. Ltd.
Предыстория исследования
В последние годы количество автомобилей во всем мире увеличивается с каждым годом, что приводит к снижению безопасности дорожного движения и загруженности транспортных средств. Благодаря поддержке нового витка научно-технической революции и промышленных перемен, интеллектуальные транспортные средства стали стратегическим конкурентным центром мировых автомобильных держав. В то же время, будучи важной частью Интеллектуальной транспортной системы (ИТС), умные автомобили также являются эффективным средством решения таких проблем, как безопасность дорожного движения и пробки на дорогах. На ключевом техническом уровне интеллектуальную технологию вождения можно разделить на три части: восприятие окружающей среды, картографирование позиционирования и управление планированием. Модуль планирования в управлении планированием называют «мозгом интеллектуального вождения», который определяет будущее поведение беспилотных транспортных средств и генерирует информацию о траектории путем интеграции ценной информации из вышестоящих модулей. При этом обеспечивается безопасность, комфорт и эффективность вождения.
На фоне искусственного интеллекта широкомасштабное продвижение и применение интеллектуального производства, а также AGV автомобильного сайта, который тесно связан с интеллектуальными транспортными средствами как важной средой, постоянно применяется во многих областях, таких как заводские мастерские. , логистические склады, производство и переработка, и имеет хорошие перспективы развития. Планирование пути всегда было неотъемлемой частью транспортных средств с автоматическим управлением. Планирование безопасного и осуществимого пути с низкой сложностью может эффективно повысить эффективность выполнения задач AGV. По сравнению с генетическим алгоритмом и алгоритмом RRT, алгоритм A* имеет более высокую эффективность оптимизации пути и лучший эффект для общих статических сцен в практических приложениях. Однако традиционный алгоритм A* все еще имеет возможности для улучшения во многих сложных ситуациях в производственной сфере, и конечный путь, который он находит, склонен к высокой сложности, например, слишком широкий диапазон расширения, длительное время поиска пути, множество поворотов пути и неровные углы. Ввиду вышеуказанных проблем многие ученые также провели некоторые исследования: Guo et al. предложил метод, объединяющий кривые Безье для дальнейшей оптимизации пути, направленный на решение проблем множества ломаных линий и больших углов поворота при планировании пути алгоритма A *, но не имел стратегий для улучшения скорости поиска пути и уменьшения количества ненужных точек поворота. Цао и др. внесены улучшения в проблему, заключающуюся в том, что на конечном искомом пути было много точек поворота, и уменьшено количество поворотов, рассудив, что методу поиска точек направления родительского узла был присвоен приоритет с той же ценой. Однако возникла проблема: узлы фактического последующего пути, которые обычно находились далеко от точки задачи, не могли завершить оптимизацию. Стремясь к планированию пути в крупномасштабных сценариях, Chen et al. предложил улучшенный алгоритм A * механизма двунаправленного поиска для повышения эффективности поиска пути по времени, но стоимость управления AGV не учитывалась. Син и др. предложил метод применения алгоритма планирования пути A*, основанный на сложной среде парковки, который сделал запланированный путь более осуществимым, но не учитывал фактическое сглаживание угла поворота пути движения.
Основываясь на общих сценариях применения AGV в сложной среде и в помещении, в этой статье используется метод сетки для моделирования карты сложной среды и алгоритм SLAM (одновременная локализация и картографирование) для построения карты под пустой сценой в помещении соответственно для проведения эксперимента по планированию пути. . На основе алгоритма А* предложен метод оптимизации пути с обратным отслеживанием точки перегиба для уменьшения количества ненужных поворотов. Режим расширения, количество точек поворота и плавность пути поворота улучшаются и оптимизируются соответственно в процессе расширения узла пути и процессе обратного отслеживания исходного пути. Благодаря симуляционным экспериментам окончательный улучшенный алгоритм может увеличить скорость поиска пути задачи AGV, еще больше повысить эффективность расширения узлов, уменьшить количество ненужных поворотов и повысить осуществимость фактического пути.