物流工程73路径规划.pptVIP

7.3 路径规划 7.3 路径规划 AGV智能化的新发展在于自主回避障碍物并达到目的地的路径规划。 首先，影响路径规划的是AGV的自由度数和地图的有无。为了便于理解，以2自由度AGV为例，分别考虑有地图时(环境已知时)和没有地图时(环境未知时)的路径·动作规划。这里，假定AGV只考虑两个位置自由度(X、Y轴上的位置)，不考虑姿态方面的一个自由度(绕中心的回转) 7.3 路径规划 由于地图是由AGV和障碍物的模型，所以有地图时的路径规划称为基于模型的路径规划(Model-based Path-Planning)。基于模型的路径规划称为离线路径规划。 没有地图时的路径规划，AGV用外部传感器(视觉、超声波传感器、光传感器等)得到一面回避障碍一面到达目的地的路径，由此称为基于传感器的路径规划(Sensor-based Path-Planning)。基于传感器的路径规划又称为在线路径规划。 7.3 路径规划 基于模型的路径规划 首先说明为了快速选择最佳(最短)路径，应采用怎样的数据结构来表现地图。 最佳(最短)路径由于接近障碍物，如果有位置误差，AGV与障碍物碰撞的可能性很高。下面要说明的是，为防止碰撞，除了最佳性以外更重视安全性的方法，即为了选择离障碍物足够远的安全路径，应采用怎样的数据结构来表现地图。这里由于采用一种OR表。 7.3 路径规划 基于传感器的路径规划 AGV用传感器一面检测障碍物一面进行回避并最终到达目的地的路径规划算法，即使存在位置误差，AGV也不会迷失确定的路径，而最终到达目的地附近。 7.3 路径规划 7.3.1 路径规划的模型 1．几何模型 AGV有2个位置自由度(X、Y轴上的位置)和1个姿态自由度(绕中心的旋转)。这里，取可全方位移动的AGV为例加以说明。由于AGV能全方位移动，所以可忽略AGV的方向(姿态的自由度)。这样，就能用以最大回转长度为半径的圆表示AGV。在此基础上，可以把障碍物的几何尺寸径向扩张一个AGV圆的半径，同时把AGV缩成一个点(图7-16)。由此，在存在扩张了的障碍物的地图(XY平面)上，可以规划成为几何点的AGV的路径。 7.3 路径规划 7.3 路径规划 2．数学模型首先，说明基于模型的路径规划。 为了快速选取路径，用所谓图的数据结构表示规划的数学模型(俗称“地图”)。所谓图就是用弧连接节点的数据结构，节点意味着AGV的位置，弧意味着两个位置间的移动(图7-17)。将移动的几何距离、工作量或时间加权折算得出两个位置间移动的模型费用，把模型费用希望值作为费用赋于该两个位置间的弧上。 7.3 路径规划 7.3 路径规划 当所有节点间移动的工作量不变时，弧上赋于的费用可以直接用几何距离标记。弧记忆进入节点和输出节点，总是回到原来的地方(程序上称为“指针返回”)。而且，如果能在两个方向移动则用无向弧，只能单方向移动的用有向弧。 7.3 路径规划 7.3.2 基于模型的路径规划 这里介绍两个典型的图。一个是管理从起始节点ns到目标节点ng的最短路径的切线图(Tangential Graph)，另一个是连接这些节点的安全路径，即管理尽量离开障碍物路径的Voronoi图(Voronoi Graph)。无论哪一种图都是由节点和弧构成的，用节点表示起始点、经过点、目标点；用无向弧表示其间的路径，其上附加有作为费用的欧几里得距离。 最后，无论哪个图，都是用算法A选出任意路径，用算法A*选出最佳(满足)路径。 7.3 路径规划 1．切线图 切线图用障碍物的切线表示弧。由此可选择从起始节点ns到目标节点ng的最佳(最短)路径。即切线图是把障碍物边界切线化得到的。从起始节点ns开始，过两相邻节点向障碍物边界作切线，每两条切线的交点形成辅助节点。由主节点(起始点、经过点、目标点)、辅助节点和节点间连线组成了切线图。 首先把对应起始点S和目标点G的两个节点ns和ng标注在新的切线图上， 然后用算法A*选出最佳(最短)路径P， 7.3 路径规划 最后，使点AGV沿着路径P进行PTP(Point-To-Point)控制和CP(Continuous Path)控制，把AGV引导到目的地。 如果在这种控制过程中产生位置误差，机器人碰撞障碍物的可能性会较高，因为AGV几乎接近障碍物行走 7.3 路径规划 2．Voronoi图 Voronoi图可用弧表示距两个以上障碍物和墙壁表面等距离的点阵，用节点表示它们的交叉位置。 首先把对应起始点S和目标点G的起始节点ns和目标节点ng标注在图上，然后用搜索算法A*选出安全路径P，最后，使点AGV沿着路径P进行PTP控制和