摘 要：自導航機器人(Automated Guided Vehicle，AGV)是現代產業不可或缺的重要組成部分。本文對AGV路徑規劃算法進行研究和設計。首先，采用柵格法對AGV運行環境建模，并制定約束規則以解決多AGV的沖突問題。其次，引入雙非線性收斂因子和強制驅散機制對經典WOA進行改進。再次，定義適應度函數，并將改進的WOA應用于路徑規劃算法。仿真和實驗結果表明，基于改進WOA的規劃算法能夠有效簡化路徑復雜度、降低機器人控制難度。

　　關鍵詞：群智能算法;鯨優化算法;自導航機器人;路徑規劃

　　1 引言(Introduction)

　　隨著智能倉儲和自動生產線的不斷發展，自導航機器人(Automated Guided Vehicle，AGV)成為現代產業不可或缺的重要組成部分[1]。路徑規劃則成為AGV研究領域中最根本、最關鍵的內容之一，機器人需要完成避障和自主路徑規劃等功能到達目標點[2]。其本質上是依據代價最小、路線最短或時間最短等優化準則，在工作空間中找一條從起點到終點的、避開障礙的最優路徑[3]。

　　許多學者針對AGV的路徑規劃做出了大量的研究。丁承君等人提出基于粒子群優化算法優化AGV路徑規劃[4]。黨宏社等人采用遺傳算法進行AGV路徑規劃，并驗證了算法具有較好的收斂能力和全局搜索能力[5]。李悝提出一種改進的混沌粒子群優化算法，采用基于Bezier曲線的路徑規劃模型，通過調整Bezier曲線的控制點數量，顯著改善AGV軌跡路線的長度和平滑度[6]。湯紅杰等人針對工廠內物流運輸AGV的路徑規劃效率等問題，提出一種將Dijkstra算法存儲方式變更為鄰接表，實現了數據結構上對鄰接結點搜索的優化[7]。

　　元啟發式算法被廣泛應用于模式識別、系統控制、信號處理等領域。鯨優化算法(Whale Optimization Algorithm，WOA)是Seyedali Mirjalili于2016年提出的一種新型群智能優化算法[8]。與其他群智能算法相比，WOA結構簡單，易于理解，參數少，搜索能力強，全局收斂性好[9]。然而，標準WOA仍然存在收斂速度慢以及無法找到全局最優解的問題。本文在規定多AGV沖突檢測規則和優先級設定的基礎上，在路徑規劃中引入改進的鯨優化算法，有效提高算法收斂速度，使算法能夠更迅速尋找全局最優解，借助轉彎懲罰因子，有效降低路徑復雜性。

　　2 AGV運行環境建模(Modeling of AGV running environment)

　　為了便于對AGV所處位置進行描述和儲存，本文首先對空間環境進行柵格化處理，即將整個場景劃分為尺寸相同的柵格。柵格按照自左至右，自下至上的原則，橫坐標為，縱坐標為，場景中的全部柵格可以表示為，對不滿一個柵格的區域按照一個柵格處理。如圖1所示，有障礙物柵格用黑色表示，沒有障礙物為白色，代表可以自由通過的區域。

　　以上數學模型適用于靜態地圖中點對點循跡，但在多AGV的環境中，每一臺AGV只有同時避開靜態障礙物及運行中的其他AGV才能安全到達目標點。為了處理多AGV運行可能導致的路線規劃沖突問題，首先做如下假設：

　　(1)每個柵格在某一時點僅允許通過一臺AGV。

　　(2)機器人直線運動速度相同。

　　(3)滿載AGV優先級高于空載AGV。

　　(4)對相同負載狀態AGV，編號越小，優先級較高。

　　(5)更改路徑規劃的優先級高于停車等待。

　　(6)當無法通過低優先級AGV的狀態改變而避免沖突時，通過高優先級AGV進行策略變化。

　　若當前AGV所處柵格在前進方向上的下一柵格的左側或者右側柵格的障礙權重w=1時，即當前AGV處于十字路口或丁字路口，則AGV通過網絡向控制中心請求沖突檢測，判斷運行至前方柵格是否會與其他AGV產生沖突。具體描述如圖2所示。

　　推薦閱讀：生產線智能化方面論文發表期刊