基于AGVs路徑規劃的物流智能調度系統設計與實現

宋穎穎

(上海濟光職業技術學院 經管系，上海 201901)

0 引言

在當前電子商務和互聯網技術的迅猛發展下，世界范圍內的物流、快遞行業進行不同程度的優化和改造。目前物流行業希望可以通過大規模的升級改造，將物流體系在時空間上的收益最大化，首當其沖的就是需要對多領域多行業的商品貨物進行接受整合，在裝箱、儲存、管理和配送方面對貨物的需求和體量進行規范化操作[1-4]。因此，不同領域、不同行業的公司企業都將物流的調度進行了多方面的應用，類似于機場、大型庫房、海灣碼頭或者各類集裝箱基地等物流調度場所并不少見。而在目前經濟全球化和一體化的國際背景下，高效率、高集成化和高自動化的智能物流調度系統就成了主要的研究對象。

電子商務和網絡購物不斷發展，像“618”、“雙十一”等電商狂歡節逐漸被年輕的商務群體和學生團體所青睞。在活動期間，客戶在互聯網商務平臺選購了自己喜歡的商品，而店家在接受訂單之后進行成千上萬的物品郵寄，最終傳送到客戶手中。面對大規模、大體量的商品貨物，物流企業或者各大倉庫經常會面臨貨物堆積、配送遲緩或者商品丟失的情況，這也就導致了客戶大規模投訴或者巨大的經濟賠償等問題[5]。而物流企業內亟需解決的問題就是如何能夠將上述問題合理規范、有效預防，降低財務和聲譽上的損失。

細化來說，物流企業或者倉庫在進行貨物儲存或者傳送的過程中，需要著重關注貨物裝卸和道路運輸的各項成本。無論是時間成本、人力成本還是資源成本，物流行業都需要建立一套低消耗、低成本的物流調度方[6-7]。通過多方面的調研得知，在整個過程中，花費在貨物裝卸、道路運輸中的時間竟然達到了70%以上，而財務方面的花銷也僅僅達到了成本總額的20%～50%左右。也就是說，相比財務上的開銷成本，時間上的消耗才是最需要解決的問題，如何能夠制定出一套高效快捷、容錯率高的智能物流調度系統將是最大的難題。

隨著自動化技術和人工智能的快速發展和廣泛應用，物流行業從最初的人力搬運發展到了自動化搬運，進而發展到了計算機人工智能技術與智能物流調度相結合的前沿科技，具有較大的行業競爭力[8]。截止2020年底，我國的物流行業發展依然呈現出爆炸式的增長態勢，總值達到了22 048億元，而這個數字也在國家服務行業總產值占據了19.62%的主要地位，以此來推算未來的很長一段時間內，世界范圍內的物流行業仍會持續增長。然而，盡管物流行業的發展依然迅速，可是大部分的物流企業或者倉庫仍然在物流的調度方面存在很多問題，降低了企業效益，損壞了行業聲譽，更是遏制了物流行業的進一步發展[9-11]。究其原因，大部分物流企業并沒有科學規范的物流調度系統，在整個布局和規劃上存在很多漏洞，并且在國家乃至世界上日益嚴重的人口老齡化背景下，昂貴的人力成本和復雜的企業結構也將導致更嚴重的問題出現。

為了解決上述的各種問題，一種具備電磁驅動、光學導航定位功能的自由移動智能機器人——自動導引運輸車(AGV，automated guided vehicle)出現了。AGV具有被物流行業所需求的各項優勢，除了自身的高智能化和高自動化特點之外，還能夠準確定位目的地，具有較高的安全性和可靠性，一度成為了物流行業和柔性電子行業爭相研究的對象[12-13]。AGV具有不可估量的發展前景和應用價值，能夠從根本上解決物流行業效率低下、各項成本過高和規范程度低的問題，在未來的現代化物流行業內，將會以AGV作為智能操作核心而受到重視[14]。

本文深入分析了目前物流行業和庫房管理在調度過程中所面臨的問題，充分調研了物流智能調度、AGV路徑規劃和人工智能算法方面的研究成果，設計了基于AGV機器人和路徑規劃優化的智能物流調度系統。該系統將硬件和軟件相結合，設計了AGV的物流調度硬件，又結合了路徑規劃理論，開發了基于Petri網絡的路徑規劃算法，并且對所設計的系統進行實現和測試。本文所設計的系統很大程度上解決了物流行業內效率低、成本高和可靠性低的諸多問題，提高了生產過程中的自動化程度，有效推動了商業模式和市場規范的發展。

1 AGV硬件結構設計

為了能夠便于修改和完善AGV的結構框架和需求功能，同時也能使智能物流調度系統盡快地適應企業日常工作和庫房日常運作，本文將通過模塊化的設計思想來設計AGV結構，并以此實現AGV各項需求功能。在下位機的功能模塊方面將會以下4個方面著手：導航模塊、定位模塊、通訊模塊和驅動模塊。因此，本文針對4個模塊在整體的設計思路上給出了詳細的說明，如圖1所示。

圖1 AGV調度系統總體設計框架

1.1 AGV導航模塊

AGC的導航方式有很多種，通常情況下會被劃分為5種：視覺導航、電磁導航、二維碼導航、磁帶導航和激光導航[15]。磁帶導航的優點是能夠在沿途鋪設靈敏度較高的傳感器，并且成本也非常低，因此本文針對AGV的整體需求功能和物流行業工作環境的綜合考慮，采用了磁帶導航的方式，如圖2所示。本文所采用的磁帶導航方式較為方便設計，磁帶本身均勻分布了8個靈敏度很高、分布點距離為10 mm的霍爾傳感器。在整體布局上，庫房地面會在各條道路上鋪設寬度均為4位的磁帶。當AGV在行駛過程中捕捉到了電磁信號時，信號接收端則會記錄為“0”，而如果沒有檢測到電磁信號，就會自動記錄為“1”。AGV在行駛過程中會不斷向終端傳遞自己的狀態信號，如果將“11000011”作為AGV的運動狀態基準，那么AGV在運行過程中就會不斷將自身運動狀態所對應的8位信號傳遞至終端，同時會利用PID算法進行姿態矯正。在進行了多輪測試實驗之后，本文發現磁帶導航的機動性良好，在不同的環境和燈光條件下仍然能夠保證準確定位，符合本文的設計要求。

圖2 磁導航傳感器

1.2 AGV定位模塊

上文所設計的AGV導航模塊只能使得AGV按照事先預定好的路徑進行行駛，但是不能記錄整個行駛過程的路程信息。因此，為了能夠對AGV的路程信息進行遠距離的把控和記錄，本文利用無感識別技術——無線射頻識別技術(RFID)設計了AGV的定位模塊[16-17]。RFID的工作原理簡單有效，主要包含射頻部件和讀寫部件，其中射頻標簽小巧方便，攜帶了讀寫器的AGV一旦判別到設別區域內有射頻標簽的存在，就能夠迅速識別，在讀寫器記錄此時此刻AGV的路程信息之后，對AGV下一步的路線進行預判，并將預判記錄儲存在讀寫器內。本文在工作開展的過程中，將射頻標簽設置在物流庫房路徑的每一條磁帶下，并且對每一個射頻標簽都進行了讀寫操作的設置。當攜帶了讀寫器的AGV運動至不同的射頻節點處，讀寫器會將識別區域覆蓋范圍內的所有射頻標簽的信號進行讀寫，并將數據直接上傳到終端的上位機，以此實現路徑信息的記錄和AGV的精準定位。本文在實際操作過程中發現，AGV的定位精度很高，誤差只有不到5 mm，而且識別速度很快，幾乎沒有信號延遲，這也說明了本文所設計的AGV定位模塊完成定位任務的性能良好。本文所采用的讀寫裝置和射頻標簽如圖3所示。

圖3 AGV定位系統

1.3 AGV通訊模塊

為了能夠對AGV進行實時準確地指令控制，本文使用了Zigbee模塊來設計通訊結構，并依托上位機向AGV發送控制指令。Zigbee模塊能夠從上位機傳出、下位機接收實時傳輸十六進制的數據信號[18]，本身具有成本消耗低、功能齊全和傳輸距離短等優點，能夠對AGV進行快速準確地指令傳送和信息傳遞，因此本文使用Zigbee進行通訊模塊的設計。本文在上位機和下位機的信息傳輸和指令傳送的過程中加入了不同符號的識別幀頭，目的就是為了能夠降低通訊過程中的失誤和出錯，而通過實際的操作可以得到，本文基于Zigbee所設計的通訊模塊傳輸信號準確率高、傳輸速度快，能夠很好地完成調度系統的各項指令。本文所采用的Zigbee通訊模塊原理如圖4所示。

圖4 Zigbee通訊模塊原理

1.4 AGV驅動模塊

本文對AGV的驅動模塊進行設計，采用的是差速驅動方式，設計的前輪為可以隨時改變行動方向的萬向輪，設計的后輪是驅動輪，搭配了MOXA的直流伺服電機，減速比為18∶1，輪胎半徑為24 cm。同時，本文的驅動器是威龍的雙路12A直流有刷電機驅動器，并采用串口指令設置，通過實際操作得知，本文所設計的驅動系統反應效果非常靈敏，操作方法簡單易懂，AGV的驅動效果很好。

最后，本文將以上所設計的所有模塊進行整合，將硬件和軟件結合到一起，設計完成了本文的AGV結構，原理如圖5所示。并且在之后的驗證工作中發現，本文所設計的AGV結構能夠較好地完成物流行業或庫房的調度任務。

圖5 磁導引小車

2 基于Petri網絡的智能路徑規劃算法

2.1 物流倉庫的Petri網模型構建

Petri網的提出是作為一種并發、分布式的建模工具存在的，目前在規劃、管理、網絡和通訊等方面最為常見[19]。本文為了能夠對不同環境、不同領域下的物流行業或庫房倉庫進行調度過程中的多路徑規劃，并且將整體的動態特征進行描述，實現網絡資源和實體資源的轉移，并且最終實現智能物流調度系統的模型構建和性能優化。

為了能夠對物流企業的調度任務進行全面地描述(圖6)，本文在基于時間Petri網絡模型的初始便定義了六元組TPN={P,T,ω,θ,Mk,rk}，六元組的各項參數分別表示為：物流企業目前的資源狀態——定義為有限庫所集P={p1,…,pn}，企業目前所消耗的資源和正在參與的工作狀態——定義為有限變遷集T={t1,…,tn}，某一時刻k所對用的企業運行狀態是通過庫所集和變遷集之間的關聯矩陣實現的，也就是ω:(P×T)∪ (T×P)→Z+，并且在此基礎上，將庫所集和變遷集的兩個關鍵矩陣定義為A+和A-，即：(A+)ji=ω(tj,pi)，(A-)ji=ω(pj,ti)，而Petri網絡模型在實際過程中的觸發時間則用θ表示，在某一時刻k智能調度系統數據庫的狀態變化則會用來表示，最終設定rk:(t1,…,tn)→ti∈{0,1}為一組bool類型變量組成的向量，其中，“變遷觸發”所對應的變遷值為“1”，如果對應“0”則意味著不觸發。

圖6 物流調度倉庫Petri網絡模型

本文所設計的Petri網絡模型不同于其他的普通模型，在設計之初便加入了物流資源的限制矩陣Pc，而Pc(Type(Pc)=1)觸發條件也相應地變為M(Pc)-I(Pc)+O(Pc)≥0(Pc∈P)。在資源限制矩陣Pc的加入下，觸發時所引起的令牌變化也會出現不同的狀態，也就是說，令牌數量的增加或者減少與Pc中的令牌數量變化成對應關系，分別由輸入變遷和輸出變遷所控制。本文加入資源閑置矩陣的目的是為了將Petri網絡整體并發運行能力大幅度增加，而之后的效果也能說明本文的方法是正確有效的。該做法能夠有效防止AGV在物流企業實際調度過程中出現的路徑沖突或者AGV死鎖的問題，將物流倉庫的多方面安全隱患降到了最低，避免了道路資源、時間資源和人力成本的浪費。圖7為圖6(a)在加入了資源限制矩陣之后的Petri網絡模型。

圖7 雙AGV位于十字型倉庫Petri網示意圖

2.2 基于Petri可達樹的智能路徑規劃算法

從上文對Petri網絡的描述中可以看出，只要存在變遷，就會對網絡中的令牌數量產生增加或者減少的影響，這種性質被稱為“可達性”。如果Petri網絡正處在一個初始狀態M0，在r1,r2,…,rn觸發序列的作用下將M0轉化為Mn，則Mn是從M0可達的。本文在此將Petri網可達樹引入到本文所設計的路徑規劃算法和智能物流調度系統中，目的是為了將AGV在起始節點和終止節點之間的任意路徑都能夠在網絡模型中體現出來，以此實現視覺可視化。本文將可達樹的樹根設置為初始狀態M0，而M0通過一系列的變遷則會將不同的路徑或者工作狀態作為可達樹的各個節點，庫所集和變遷集之間的關系就是通過不同節點之間的連線來確定的。算法如下：

本文在設置可達樹樹根M0的同時，會對new進行特殊標識，本操作設置為算法第一步；當可達樹的所有狀態量均轉化為old之后，可達樹則會正式成立，此時代表算法正式結束，本操作設置為算法第二步；算法第三步是，如果計算機自動檢測到仍然有剩余的new存在，則會重復進行以下操作：

1)選擇標識為new的狀態量M；

2)如果在可達樹算法構建的過程中存在于M相同的標識，也就是說找到了重復項，new會直接轉化為old，并且自動轉移至另一個new；

3)如果檢測到此時已經檢測不到存在的變遷M標識，M會自動將狀態轉化為dead-end，并且直接跳轉到算法步驟的第二步；

本文在設計算法的過程中進行上述操作，目的是為了能夠解決傳統可達樹算法所存在的計算復雜度高、整體性能較低的問題，大幅度提高物流智能調度系統的運算時間，降低物流企業的時間成本，而本文所設計的可達樹能夠對不同物流企業的庫房進行不同節點的路徑規劃。在上述算法中，本文還在傳統可達樹算法中加入了Mf作為不同目標節點的標記數值，并且在可達樹的構建過程中不斷與new節點的狀態量M值進行對比，如果二者相等，則意味著可達樹的構建過程停止，這也大大減少了計算機地圖路徑的數量，降低了資源成本，極大地提高了計算效率。

2.3 智能路徑規劃算法驗證對比

對于一個高效、準確的調度系統來說，AGV的調度路徑是效率和準確度的關鍵所在。為了能夠找到路徑規劃最合理的智能算法，本文對國內外主流的路徑規劃算法進行驗證，并與本文所設計的算法在MATLAB中進行結果分析對比，將相同環境、相同調度任務的不同算法進行了路徑規劃結果和AGV運動時間的對比分析[20-22]。最終的智能路徑規劃算法對比結果如圖8所示。具體的實驗數據如表1所示，分別描述了不同算法在路徑長度、執行時間和迭代步數上的差異。

圖8 不同路徑規劃算法的結果對比

表1 各路徑規劃算法實驗結果

從圖8和表1結果可以看出，在調度路徑的規劃方面，4種算法的構造結果雖然不同，但是仍然能夠得到較為理想的調度結果。但是從表格中的各項數據分析得知，A*算法的迭代步數和運算時間(3.96)是最少的，但是卻得到了最長的路徑(914 m)；人工勢場算法的計算過程較為復雜，需要在過程中對AGV的目標節點和初始節點進行不斷地迭代計算，雖然路徑長度(797 m)較低，但是消耗的時間較高(5.19 s)，在調度效率較低的同時也提高了整體計算的復雜程度；蟻群算法是目前應用最為廣泛的方法，迭代步數達到了200，并且消耗了最長的時間(7.33 s)，路徑長度也不理想(868 m)，整體調度效率最低；而本文基于Petri網絡所設計的可達樹算法路徑的長度較低(801 m)，迭代步數只需要10次，運算時間也比較少(4.27 s)，整體的調度效率是最準確、最高效的。并且可達樹算法能夠迅速對地圖網絡中的冗雜節點進行選擇性的淘汰，并針對初始節點和目標節點之間的距離進行最佳調度路徑的規劃。因此，本文基于Petri網絡所設計的智能路徑規劃算法能夠保證較高的準確率和工作效率，在物流智能調度系統中更好地應用。

3 基于AGVs的物流智能調度系統實現

在經過了AGV硬件和軟件的設計之后，并基于Petri網絡設計了路徑規劃算法，最終實現了本文所設計的物流智能調度系統，打開系統的初始界面如圖9所示。主界面所包含的內容共涉及到5個部分，其中包括AGV車輛工作狀態管理、地圖智能路徑規劃、AGV通訊管理、AGV工作狀態和信息交互管理。物流智能調度系統將5個模塊進行整合，在進行協同運作的同時共同完成物流倉庫的調度工作任務。

圖9 主操作界面

3.1 地圖設計模塊實現

在智能調度系統的主界面上，右上角的是系統的智能路徑規劃模塊。路徑規劃模塊能夠針對物流行業或者倉庫庫房的實際工作條件進行最優路徑的選擇，將AGV的運動軌跡以適當的比例縮小，并且將AGV的實際運動過程中的路線動態實時地呈現在地圖模塊上。本文所設計的路徑規劃模塊能夠對庫房地圖進行最優路徑繪制、路線保存和自動刪除等功能操作，并且在AGV的實際運動或者路徑優化過程中，用戶可以通過觀察實時的AGV運動路徑進行直觀地顯示和更改，在過程中可以根據自身的需要添加物流庫房中AGV的數量，進行障礙物或者貨物擱置點數量的更改，以此適用不同類型或者不同區域范圍內的物流行業。例如圖10中的空心圓代表AGV的運動軌跡，AGV可以對編號的不同節點進行運動狀態的改變，并且將直線表示為AGV運行的雙向路徑；實心圓表示的是同一個區域內的不同AGV。圖10為基于Petri網絡通過PIPE進行繪制的地圖。

圖10 Petri網地圖

3.2 系統管理模塊實現

關于AGV的信息管理部分和任務查詢部分在操作系統的左下方，而左上角則是AGV的工作狀態列表。不同的AGV對應了不同的工作狀態，“工作中”、“維修中”和“空閑中”所對應的指示燈顏色分別為“紅色”、“黃色”和“綠色”。AGV的工作狀態只有智能調度系統的工作人員點擊主操作界面的按鈕才能進行AGV的狀態設定，而如果AGV的工作狀態出現異常，則會上傳AGV的維修指令，此時需要操作人員對AGV的狀態進行“維修”設定，并且將故障AGV的編號、故障原因和故障時間上傳到系統終端，這樣會更有利于后臺終端對故障AGV進行數據記錄。如果需要執行貨物調度任務，工作人員需要在實際操作過程中輸入執行任務的編號、起始地圖坐標、終點目標坐標和調度任務的緩急程度，并且下達命令之后，后臺數據庫會在任務工作表中自動記錄本次任務信息。此時主操作界面會自動顯示新添加的任務為“未執行”狀態，同時自動匹配“空閑中”的AGV進行調度任務。一旦AGV與未執行的任務相互匹配，AGV的“空閑”狀態轉變為“工作中”，而“未執行”任務也會變為“執行中”；在任務完成后，AGV狀態恢復為“空閑中”，任務列表則會顯示為“已完成”。操作人員能夠在此模塊中進行“添加”、“更改”和“刪除”任務的操作，并且在任務列表可以隨時查看過去執行過的任務信息，如圖11所示。

圖11 AGV系統狀態管理

3.3 信息交互模塊實現

本文所設計的智能調度系統是通過計算機調度軟件和多個AGV的傳輸信息進行交互的。AGV運輸信息呈現在系統主界面的最下方，通過信息交互模塊可以查詢到此時正在執行調度任務的AGV，并且能夠基于Zigbee的功能在車輛數據庫中上傳所有AGV的車輛信息。在數據庫中，工作人員可以查詢AGV的編號、剩余電量、運行狀態和當前所在的位置，并且能夠實時查詢到所有AGV的工作進度，如圖12所示。而過去完成的調度任務可以通過“歷史任務”列表進行查詢，如圖13所示。

圖12 狀態信息監測模塊

圖13 歷史任務查詢界面

3.4 物流智能調度系統測試結果

本文在本節中進行了智能調度系統的實驗驗證，通過8項調度任務來驗證智能調度系統是否能夠在眾多物流行業或者庫房儲存中進行正常工作，實驗過程如圖14所示。調度任務的匹配是通過離目標點最近的AGV的編號與此點的調度任務進行相互匹配的，主操作界面的任務列表詳細介紹了調度任務的起始點、目標點和所對應的AGV信息。舉例來說，AGV#4剛好匹配了任務K4，此時所在位置為地圖節點90，此任務的起始點為31，在11∶25時正式接受K4任務，并從90移動至31，接著朝著地圖節點100進行移動。本文所設計的智能路徑規劃算法會根據各個AGV所接受的任務和起始點對AGV的下一步路徑移動進行智能規劃，并且將地圖路徑信息通過Zigbee網絡將數據信息傳遞給所對應的AGV，接下來智能調度系統的監控模塊開始實時關注AGV的運動狀態，詳細路徑規劃結果如圖15所示。

圖14 AGV任務列表

圖15 AGV運行情況

綜上所述，本文所設計的基于AGVs路徑規劃的物流智能調度系統能夠在各種物流環境或者庫房基地完成調度任務，很好地解決了物流企業或者庫房倉庫在忙碌期的繁雜調度問題，不僅提高了物流調度的自動化程度，也極大地降低了物流行業的時間成本和資源成本，保證了物流調度和道路運輸的效率。

4 結束語

傳統的物流調度系統或者路徑規劃算法僅僅針對的是調度任務較少、AGV調度車輛不足的情況，隨著調度任務的加重和庫房規模的擴大，調度系統的工作壓力和算法計算復雜度會急劇增長，導致工作效率很低。為了解決上述難題，本文深入分析了目前物流行業和庫房管理在調度過程中所面臨的問題，充分調研了物流智能調度、AGV路徑規劃和人工智能算法方面的研究成果，設計了基于AGV機器人和路徑規劃優化的智能物流調度系統。該系統將硬件和軟件相結合，設計了AGV的物流調度硬件，又結合了路徑規劃理論，開發了基于Petri網絡的路徑規劃算法，并且對所設計的系統進行實現和測試。

系統測試結果顯示，本文所設計的基于AGVs路徑規劃的物流智能調度系統能夠在各種物流環境或者庫房基地完成調度任務，很好地解決了物流企業或者庫房倉庫在忙碌期的繁雜調度問題，不僅提高了物流調度的自動化程度，也極大地降低了物流行業的時間成本和資源成本，保證了物流調度和道路運輸的效率。