多隨機障礙物條件下AGV動靜態路徑規劃研究

唐 龍，肖 翠，呂宣宣，劉有余

(安徽工程大學 機械與汽車工程學院，安徽 蕪湖 241000)

自動導引運輸車(Automated Guided Vehicle，AGV)最早用于運載貨物，隨著信息技術的發展，其應用領域也在不斷擴展。其中，路徑規劃作為AGV的基礎功能，是實現其尋優路徑及自主避障的關鍵，一直是學者們研究的熱點。目前，國內外比較成熟的是針對已知環境的全局路徑規劃方法。文獻[1-2]利用改進粒子群算法，避免陷入局部最優；文獻[3]利用改進螞蟻算法，加快收斂速度；文獻[4-5]引入柵格地圖，建立了直觀的環境模型。針對未知動態環境，主要是通過傳感器獲取局部環境信息，進而將外界信息傳給中央控制器，進而做出避障行為;文獻[6]結合勢場法和蒙特卡羅定位法，使機器人避開動態障礙物；文獻[7]利用模糊邏輯控制在動態環境下規劃出全局較優路徑。這些方法主要針對勻變速運動，但對于非勻變速物體的避障效果不是很理想。

結合上述方法，首先建立環境與AGV的數學模型，基于粒子群算法，規劃靜態環境；針對非勻變速物體，引入逐步判別法，對隨機障礙物逐一判別避障，進而實現多隨機障礙物環境的路徑規劃。

1 靜態環境的路徑規劃

1.1 建立環境模型

針對AGV運行環境，采用柵格[4]模擬固定障礙物，利用平面坐標系規劃地圖，建立AGV的運行環境模型。為了便于計算仿真，將AGV簡化為一個質點，同時擴大固定障礙物的邊界尺寸，實際上是把AGV的實際尺寸和排斥區域Ⅰ折算進障礙物的面積里。

圖1 柵格地圖

柵格地圖如圖1所示。對柵格地圖作了以下定義：黑色柵格為障礙柵格，白色柵格為自由柵格；不滿一個柵格時算一個柵格；把地圖的邊界當成障礙物來處理。

1.2 路徑規劃步驟

(1)輸入由0和1組成的矩陣，構建柵格地圖(0表示自由域，1表示障礙物)。

(2)初始化粒子群[1]，粒子群規模N，確定每個粒子的位置xi和速度vi。

(3)設置目標函數，根據式(1)計算得出每個粒子的適應度值fi。

(1)

(4)比較每個隨機粒子的適應度值fi，取較小值。

(5)根據式(2)更新粒子的位置xi和速度vi。

(2)

式中，c1和c2為學習因子;ω為慣量因子;r1和r2為[0，1]范圍內的均勻隨機數。

(6)如果滿足結束條件就退出運行，否則返回(3)。

1.3 仿真運行

表1 仿真參數表

參數取值種群粒子數量N50學習因子c1、c21.494[2]參數取值慣量因子ω0.729[2]最大迭代次數M200

收斂曲線變化趨勢如圖2所示。大約迭代50次時，最小路徑長度基本穩定在41個單位；AGV運動軌跡如圖3所示。AGV在通往目標點的過程中，盡量選取了較短路徑，而且避開了所有障礙物。

圖2 收斂曲線變化趨勢 圖3 AGV運動軌跡

2 數學建模

2.1 建立AGV的超聲波定位模型

在AGV中安裝超聲波傳感器[8]，使AGV能夠利用回聲定位的方法來判斷障礙物的位置，進而將信息傳給中央控制器，從而做出避障行為。同時考慮到運行效果，模型采用3個超聲波測距模塊來改進控制效果，分別放在AGV的左側、前方、右側3個方向。

AGV在運行過程中，依靠發射和接收信號的時間差估計障礙物的位置，即回聲定位。AGV中的超聲波信號具有一定的指向性，利用兩個超聲波接收器接收信號，使其具有方位分辨能力，方位估計精度取決于兩個超聲波接收器的距離。

中遠場的二元測向模型如圖4所示。根據中遠場的二元測向模型，利用式(3)估計目標的方位角θ，即：

(3)

近場時的三元測向模型如圖5所示。根據近場時的三元測向模型，可以求出目標的聲信號到達各個陣元的時間差(c表示聲速)：

(4)

(5)

(6)

圖4 中遠場的二元測向模型 圖5 近場時的三元測向模型

聯立式(4)、式(5)、式(6)可推導出目標方位式(7)：

(7)

通過模型分析可知，距離較遠時，根據二元測向模型，AGV的超聲波回聲定位只能判斷障礙物的方位，定位效果較差；距離較近時，根據三元測向模型，AGV的超聲波回聲定位能較精確地定位到障礙物的位置。

2.2 建立AGV運動模型

通過AGV的超聲波回聲定位模型，使得AGV自身擁有了一定的感知范圍。在感知范圍內，根據感知距離的大小將AGV的感知范圍設定為兩個區域，分別是：①當AGV和障礙物之間的距離到達一個臨界值，為防止相撞，AGV會改變運動軌跡，該區域稱為排斥區域Ⅰ；②當AGV與障礙物距離過遠，超過其感知范圍，則此時AGV和障礙物之間無任何聯系，該區域稱為無用區域Ⅱ。

在平面坐標系中，將AGV看做一個具有平面坐標和運動方向的矢量點。初始時刻t=0，設置AGV的運動速度且大小不變(AGV載重時所需速度不需要太大，近似認為作曲線運動與直線運動時速度大小相等)，初始運動方向隨機給定。

針對運行中的AGV，設置了三大運動規則：(1)慣性運動規則。運動物體具有維持先前運動狀態的趨勢。因此AGV具有慣性運動。

AGV的初始單位慣性運動矢量為：

(8)

式中，(x0,y0)為AGV在t=0時刻隨機給定的初始慣性運動矢量。

(2)排斥運動規則。在排斥區域Ⅰ內，由于AGV在t時刻與障礙物距離過近，為了避免碰撞，AGV與障礙物之間會產生一種“排斥力”，從而改變AGV當前行進的運動方向：

(9)

式中，(mt,nt)為障礙物的平面坐標。

(3)吸引運動規則。在整體路徑規劃中，AGV會被預先設置目標點，由此目標點與AGV之間會產生一種“吸引力”，運行期間所有行為均是為了能夠無碰撞且快速地到達目標點：

(10)

式中，(xMM,yMM)為設置目標點的平面坐標。

圖6 AGV的運動規則

AGV的運動規則如圖6所示。取3個運動規則下的運動方向的合方向為AGV在t時刻的運動方向，表示為：

(11)

式中，M0為AGV初始慣性運動方向;Mt為AGV在t時刻的運動方向。

但是考慮到各個運動規則對AGV的影響效果不同，各規則對AGV進行運動決策的影響程度應通過層次分析法進行分析求解。故對公式進行改進，加入3個運動規則的貢獻度，則AGV在t時刻的運動方向為：

(12)

式中，λ1為慣性運動的貢獻度;λ2為排斥運動的貢獻度;λ3為吸引運動的貢獻度；且λ1+λ2+λ3=1。

AGV在t時刻的平面坐標為：

(13)

2.3 建立動態障礙物運動曲線擬合模型

考慮到動態障礙物運動方向和速度的隨機性，采用加權最小方差(WLS)擬合原理[9]來擬合動態障礙物的運動曲線。通過超聲波傳感器實時監測動態障礙物的位置信息，然后利用加權最小方差擬合原理進行數據分析，最后得到其運動曲線，這種數據擬合方法得到的曲線更加平滑且貼合運動規律。對應N階多項式的擬合公式，所需要求解的擬合系數需要求解線性方程組，其中線性方程組的系數矩陣和需要求解的擬合系數矩陣分別為：

(14)

使用加權最小方差法求解得到擬合系數為：

(15)

其對應的加權最小方差表達式為：

Jm=[Aθ-y]TW[Aθ-y]。

(16)

利用Matlab進行隨機數據的曲線擬合，通過調用rand()函數來實現基礎數據的隨機性。

研究分別設置比較1個與3個動態障礙物，均隨機取10個隨機數據進行曲線擬合，得到擬合曲線如圖7所示。即使遇到多個動態障礙物，該模型仍能很好地擬合各自的運動曲線。

圖7 動態障礙物運動擬合曲線

3 動態環境的路徑規劃

3.1 模型分析

引入逐步判別法來實現動態避障控制。簡化AGV為一個質點，定義圓為不確定域[10]，即動態障礙物在下一時刻可能出現的任意位置，其半徑為動態障礙物的最大步長。

假設AGV在通往目標點的可運行區域中(AGV此刻離動態障礙物較遠)，在n次不同時刻對動態障礙物的位置進行了n次監測[11]。

圖8 逐步判別法避障

逐步判別法避障如圖8所示。選取第n次監測，此時AGV在A點，O點位置為動態障礙物。下一時刻，按原定路線，AGV應到達B點。然而，B點在圓O的不確定域內，那么AGV在運行過程中存在一定概率與障礙物相撞，所以實際運行時AGV應偏轉一定的角度θ，才能繼續前進(如圖8所示，θ=∠BAC,為AB與圓O切線AC的夾角)。

若B點在圓O的不確定域外，則AGV按原定路線運行。重復以上步驟，直到AGV安全繞過所有障礙物到達目標點。

3.2 仿真運行

通過仿真分析，得到單個障礙物的運動擬合曲線和AGV的路徑規劃曲線。多隨機避障曲線如圖9所示。由圖9a可知，在自由柵格區域，AGV通過監測數據進行曲線擬合，判斷動態障礙物下一時刻可能出現的位置，進而有效地繞過了動態障礙物。由圖9b可知，再增加一個動態障礙物，仍然能夠完成基礎避障工作，驗證了該方案的可行性。

圖9 多隨機避障曲線

研究的方案對比文獻[7]的方案。其中，文獻[7]動態障礙物避障過程如圖10所示。文獻[7]的方案是對勻變速物體進行避障規劃的，而研究的方案可以規劃非勻變速的物體，并且具有較好的避障效果。

圖10 文獻[7]動態障礙物避障過程

4 結論

研究從靜態和動態兩個方面對AGV的最優路徑及避障控制進行分析：針對靜態環境，基于粒子群算法，通過柵格地圖簡化環境，得到AGV最短路徑的收斂曲線和運動軌跡，驗證了靜態環境規劃的有效性。針對動態環境，利用傳感器，建立AGV的超聲波定位模型和運動模型，推導出障礙物和AGV的位置信息，并通過加權最小方差原理擬合運動曲線，最后引入逐步判別法來實現動態避障控制。通過仿真分析，得到AGV多隨機障礙物的避障曲線，驗證了動態環境規劃的可行性。