基于時空A*算法的多AGV無沖突路徑規劃①

郭 超,陳香玲,郭 鵬,王 強,汪世杰

1(宜賓職業技術學院 智能制造學院,宜賓 644003)

2(西南交通大學 機械工程學院,成都 610031)

3(軌道交通運維技術與裝備四川省重點實驗室,成都 610031)

4(航空工業成都飛機工業(集團)有限責任公司,成都 610073)

1 引言

快遞業務量自2010年的不足24 億件,迅速攀升到2020年的833.6 億件.劇增的快遞業務量對配送效率提出了更高的要求,使得各大快遞企業不斷導入新的技術和手段.為了實現高效快捷的包裹配送,超過60%的物流配送中心裝備了分揀系統[1].采用自動導引車(automated guided vehicle,AGV)分揀的系統具有高度無人化、自動化、智能化等優勢,但多AGV 分揀作為高度復雜的集成系統,需要合理的集群調度方案和路徑優化策略方能保證所有AGV 得到高效利用,并在盡可能短的時間內完成包裹的分揀.多個AGV 在分揀中心同時作業時,需為每個AGV 合理規劃路徑,避免AGV 間發生沖突、死鎖等情況,保持整個分揀系統的正常運行.

多AGV 路徑規劃旨在為每個AGV 規劃一條合適的路線,以便在AGV 運行空間內將物品從起點移動到目的地.研究多AGV 路徑規劃問題對于快遞包裹分揀效率的提升具有積極的理論和應用意義.業界對于多AGV 路徑規劃的需求包括以下3 個方面:(1)隨著包裹數量和土地成本的急劇升高,倉儲對于密集的多AGV 轉運系統需求日益增強,因而對于在此環境下保持多AGV 系統高效運行的技術理論存在迫切需求;(2)隨著消費產業愈發成熟,商品種類迅速增多,AGV面臨的任務特點和任務要求也越發復雜.除搬運到指定位置外,還面臨平穩、快速、大體積、超重搬運等多種搬運需求,使得多AGV 路徑規劃也面臨新的挑戰;(3)隨著5G 高速通信和輕量化深度學習技術的出現,AGV 系統的搭建存在更多新的技術選擇,以遠程檢測和視覺導航為代表的新興AGV 技術使得多AGV路徑規劃面臨新的約束和場景.本文聚焦多AGV 路徑規劃在無碰撞要求下的算法改進,瞄準上述所提的需求(1).

針對多AGV 路徑規劃,其制定的線路須確保各臺AGV 不會發生碰撞和死鎖等,且需要實現最短行駛時間、最短距離長度或最少能量消耗等目標.選擇合適的路線對系統的性能有一定的影響,AGV 分揀單件包裹的時間越長,在給定時間周期內可以處理的分揀任務就越少.因此,國內外學者對多AGV 路徑規劃問題進行了大量的研究,主要的解決方法有精確算法、啟發式算法、人工智能和仿真模擬等[2].在精確算法方面,Langevin 等[3]采用動態規劃實現對兩臺AGV 調度與無沖突路徑規劃相結合的優化問題求解.Desaulniers等[4]提出了結合貪婪搜索、列生成和分支切割的精確算法,可以解決最多4 臺AGV 的情況.但該算法存在一定的局限性,其效率高度依賴于啟發式算法的性能,如果搜索啟發式方法不能找到可行解,則不能找到最優解.與精確算法相比,啟發式方法的優勢在于求解速度快,適合解決大規模問題.對于AGV 路徑規劃,A*算法成為多數研究的首選方法,譬如改進A*算法[5-7]、變步長雙向A*算法[8]、時空沖突約束A*算法[9],并且在諸多場景中得到了應用,包括智能泊車[10]、自動駕駛[11]等.關于A*算法的更多應用已由Foead 等進行了總結[12].除此之外,遺傳算法[13]、人工蜂群算法[14]、迭代貪婪算法[15]、蟻群算法[16]等元啟發式算法也相繼被用于解決AGV 路徑規劃.隨著人工智能技術的日益成熟,部分學者也將人工智能算法用于解決多AGV 路徑規劃問題,并取得了一定的效果[17].Srivastava 等[18]提出了基于智能體的框架來克服沖突和死鎖等問題,該框架通過整合路徑生成、旅程時間計算、碰撞識別和死鎖識別等不同活動來控制AGV 的運行.劉輝等[19]提出了多智能體獨立強化學習算法,用于同時優化多AGV 的任務調度和路徑規劃.仿真模擬法可以更加直觀地反應每個AGV 的作業情況,Ashayeri 等[20]介紹了交互式微型計算機自動物料搬運系統的GPSS 仿真程序生成器.Um 等[21]提出了基于多AGV 的柔性制造系統仿真設計與分析方法.Kim 等[22]提出了面向對象的仿真建模環境-AgvTalk,為AGV 系統的仿真提供靈活的建模能力.

現有多AGV 路徑規劃研究大多是針對二維平面環境,盡管存在時間窗模型等考慮時效約束的研究,但是少有研究系統地從時空維度動態地解決路徑規劃問題.即將基于時間的搜索與基于空間的搜索結合起來,以實現算法計算時間開支最小與路徑規劃空間距離最短的均衡.

從這一角度出發,本文首先根據物流分揀中心的場地特點選擇合適的地圖建模方法,然后將時間維度導入A*算法,將其改進為時空A*算法,并將時空A*算法作為基于沖突搜索框架的下層規劃器,用于求解多AGV無沖突路徑規劃問題.對上述兩種算法的融合,旨在優勢互補為解決路徑規劃中的沖突問題提供新的求解思路.最后,通過仿真實驗驗證所提算法在不同沖突情況下的求解效果.

2 地圖選擇與單AGV 路徑規劃

2.1 地圖選擇

生成AGV無沖突路徑方案首先需要構建地圖模型.只有在AGV 工作環境已知的情況下才能利用有效的路徑規劃算法為AGV 找到合適的行駛路線,而環境信息的描述正是通過建立地圖模型實現的.環境信息描述的準確性和復雜程度受到地圖建模方式的影響,進而影響路徑規劃的決策效率和響應速度,因此選擇合適的地圖建模方法是非常有必要的[23].

柵格地圖法是將已知的工作環境劃分為大小相同的固定柵格.如圖1所示,柵格按照顏色的不同分為黑白兩種,黑色柵格表示障礙物,白色柵格表示可通行區域.若障礙物位置變化,僅需調整柵格的占用情況.柵格法構建地圖時需要確定柵格尺寸,柵格地圖的精度與柵格尺寸密切相關,尺寸越小精度越高.若地圖精度過高,需要占用大量存儲空間且計算時間過長,但如果精度過低,又會影響AGV 移動和定位的準確性,因此選擇合適的柵格尺寸尤為重要.一般來說,以AGV 車體的大小為基準設置柵格的尺寸,即可滿足地圖的精度需求.針對物流分揀中心布局規則、場地平坦、障礙物少等特征,柵格地圖法優勢明顯,因此在后續的多AGV路徑規劃算法研究中采用柵格地圖法建立地圖模型.

圖1 柵格地圖法示意圖

2.2 單臺AGV 路徑規劃

當分揀系統中僅有一臺AGV 工作時,不存在路徑沖突問題.本文單AGV 最優路徑規劃問題選用A*算法進行搜索.A*算法利用評價函數在每次搜索時都對所有可擴展點進行評估,從而找到每次搜索的最佳擴展點,直至找到目標節點.使用評價函數的好處在于可以避免搜索過多無用的點,算法的搜索效率得以提高.評價函數如下:

其中,f(i)表示從起點經由節點i到達終點的路徑代價估計值;g(i)表示節點i距離起點的路徑代價實際值;h(i)表示節點i距離終點的路徑代價估計值.A*算法在每次搜索時,選擇擁有最小f(i)值的節點作為下一次搜索的節點.

分揀中心的AGV 通常是水平方向或豎直方向行走,不會出現斜著走的情況.因此設置A*算法的搜索方向為四鄰域,即如圖2所示的節點擴展方式.以四鄰域搜索方式擴展節點時,A*算法的啟發函數使用曼哈頓距離,其計算表達式如下:

圖2 四鄰域搜索方式

式(2)中,D表示相鄰兩個節點的移動距離;xi和yi分別表示節點i的橫縱坐標;xj和yj分別表示終點j的橫縱坐標.

3 基于沖突搜索的多AGV 路徑規劃算法

在實際的分揀場景中通常多輛AGV 同時執行分揀任務,此時,AGV 間可能會發生沖突.傳統的A*算法只能解決單AGV 路徑規劃問題,而多AGV 路徑規劃問題本質上就是各AGV 相互協作,在保證不發生碰撞的前提下完成被分配的任務,因此需要改進傳統的A*算法使之能夠解決多AGV 路徑規劃問題.

沖突搜索是由Sharon 等[24]提出的多Agent 路徑規劃(multi-agent pathfinding,MAPF)問題求解框架.在本文中Agent 即AGV.該算法由上下兩層搜索結構組成,在上層搜索中,使用二叉樹尋找多個AGV 間的沖突,如果存在沖突,則施加相應的約束用于下層搜索;在下層搜索中,將MAPF 分解為多個單AGV,運用單AGV 路徑規劃算法分別為每個AGV 規劃路徑.本文在下層搜索中使用的單AGV 路徑規劃算法為時空A*算法.

3.1 沖突類型

在多AGV 環境中,不同的運行情況會引發不同的沖突類型.本文主要考慮如圖3所示的兩種沖突.當兩輛AGV 在同一路段上相向行駛時會發生圖3(a)所示的相向沖突,當兩輛AGV 位于十字路口處且行駛方向垂直時會發生圖3(b)所示的節點沖突.假設所有AGV的行駛速度始終保持勻速,不會發生趕超等情況.

圖3 兩種沖突類型

3.2 時空A*算法

當環境中只有一輛AGV 時,AGV 在靜態的環境中不會發生沖突,只需在二維空間地圖中進行路徑規劃.一旦環境中有多輛AGV 時,運行中的AGV 會成為其它AGV 的動態障礙物,為此須在時間和空間兩個維度上對車輛進行有序地控制.為了解決物流分揀中心中的多AGV 路徑規劃,考慮在二維空間地圖中加入時間維度,進而拓展為三維時空地圖.

A*算法在二維空間地圖搜索時只需要記錄拓展節點的位置信息,在引入時間維度后,不僅需要記錄位置信息,還需要記錄在每個位置的時間信息.對傳統的A*算法進行改進,將改進后的算法命名為時空A*算法.在時空A*算法中將時間編碼為圖中的狀態,時間是線性推進的,將圖簡化為時空樹.時空搜索樹是在普通的搜索樹中加入時間節點,樹每搜索一層,時間也隨之增加一個單位.

以圖4所示的小規模地圖為例,當點A 為AGV起點時,時空A*算法搜索的時空樹如圖5所示.

圖4 小規模示例地圖

圖5 小規模示例地圖時空樹

樹中每個分支點的字母表示節點位置,數字表示到達該位置的時間點,搜索的起始時間設置為0,到達下一鄰接點需要一個單位的時間.從圖4 可以看到,A 點的鄰接點只有B 點,所以樹的下一層只有位置B 及對應的時間點1;B 點的鄰接點為A 點和C 點,因此樹的下一層包含位置A 和位置C 及對應的時間2;由于本章采用四鄰域方向,因此C 點的鄰接點為B 點、D 點和F 點,A 點的鄰接點為B 點,所以樹的下一層包含位置B、位置D 和位置F,時間點為3;以此類推,直至找到目標節點.本文提出算法的核心在于生成樹的過程,找到目標節點的方法與一般的廣度優先搜索類似,搜索以及產生路徑流程如圖6.

圖6 時空A*算法流程

3.3 基于沖突搜索

基于沖突搜索的核心思想是算法上層搜索路徑間存在的沖突,然后生成對應的約束,下層找到滿足這些約束的路徑,如果新生成的路徑仍然存在沖突,則通過添加新的約束來解決沖突.可能發生的沖突分為點沖突和邊沖突.點沖突用元組＜Ak,Aa,v,t＞表示,其中Ak和Aa分別表示第k輛和第a輛AGV,v表示位置點,t表示時間,意為Ak和Aa會在t時刻同時占據v點.當檢測到點沖突時會分別為兩輛AGV 施加約束＜Ak,v,t＞和＜Aa,v,t＞.邊沖突用元組＜Ak,Aa,v1,v2,t＞表示,意為Ak和Aa會在t時刻到t+1 時刻之間交換位置,也即是說Ak從v1點移動到v2點,Aa從v2點移動到v1點.當檢測到邊沖突時會分別為兩個AGV 施加約束＜Ak,v1,v2,t＞和＜Aa,v2,v1,t＞.

搜索沖突和添加約束的過程在算法上層的約束樹(constraint tree,CT)中進行.CT 是二叉樹,樹中的任一節點i都包括以下3 條內容:

(1)i.constraint:一組約束,由所有被施加的約束構成,每個約束都屬于某一AGV.

(2)i.solution:一個解決方案,由多條路徑組成的集合,路徑數即為AGV 個數.解決方案只有當每條路徑滿足所有約束時才可行,這些路徑是在下層搜索中找到的.

(3)i.cost:當前解決方案i.solution的總成本,即所有路徑的成本總和.

約束樹的根節點包含的約束集合為空,因為根節點的策略是為對每輛AGV 的路徑進行無約束搜索,顯然根節點的解決方案中的每條路徑都是忽略其它AGV的存在而找到的.若節點i的i.solution有效,則該節點即為目標節點.若節點i的i.solution無效,即i.solution中的路徑存在沖突,則需要從節點i分支出兩個子節點,并對兩個子節點分別施加新的約束.分支出兩個子節點是為了檢查兩種可能性,其目的是為了保證最優性.兩個子節點會根據新施加的約束生成各自的解決方案和路徑總成本,算法的上層對約束樹進行最佳優先搜索,根據路徑總成本的大小對節點進行排序.若兩個子節點的解決方案均有效,則返回擁有最小路徑總成本的解決方案.若兩個子節點的解決方案均無效,則對擁有最小路徑總成本的節點進行下一步擴展,直至找到有效的解決方案.需要注意的是,新擴展的子節點不需要保存父節點的所有約束,只需要保存最新的約束,然后通過其父節點遍歷從當前節點到根節點的其它約束.

算法1.基于沖突搜索的算法流程輸入:環境地圖,AGV 數量,每個AGV 的起點和終點.初始化根節點r 的r.constraint 為空集合;調用下層搜索獲得r.solution 和r.cost;將根節點r 放入OPEN 表中;while OPEN 表不為空 do i←OPEN 表中擁有最小i.cost 的點;if i.solution 無沖突 then返回i.solution;c←i.solution 中的第一個沖突＜Ak,Aa,v,t＞;for c 中的每個AGV Ax do P←創建一個新節點;P.constraint←i.constraint+＜Ax,v,t＞;P.solution←i.solution;Ax 調用下層搜索更新P.solution;P.cost←計算P.solution 的路徑長度;將P 點放入OPEN 表中;end for end while

在為約束樹的節點添加新的約束后,調用下層搜索.下層搜索使用單AGV 路徑規劃算法,旨在為每個AGV 規劃出當前約束下成本最小的路徑.本文采用時空A*算法作為下層規劃器.當上層搜索檢測到沖突并施加相應的約束后,下層搜索只需要對與新添加的約束相關聯的AGV 重新規劃路徑,其它AGV 的路徑無需重新規劃,因為它們沒有被施加新的約束.時空A*算法通過時空樹進行搜索,一旦為所有需要重新規劃路徑的AGV 找到了滿足約束的路徑后,所有路徑會從時間和空間兩個維度上進行相互驗證,從而判斷當前的解決方案是否有效.

雖然在下層搜索中每條路徑都是單獨規劃的,但是為了盡量避免與其它已有路徑發生沖突,還引入了沖突規避表(conflict avoidance table,CAT).該表保存了所有AGV 的路徑信息,通過該表可以獲取任意節點在任意時刻的AGV 數量,即CAT 值.時空A*算法在評價時空樹中某一節點的兩個鄰接點時,如果兩個鄰接點的評價函數值f(i)相同,則選擇CAT 值小的點.基于沖突搜索的算法框架偽代碼如算法1所示.

4 多AGV無沖突路徑規劃仿真實驗

為驗證基于沖突搜索的多AGV 路徑規劃算法的有效性,以規模為8 個分揀臺和35 個投放口的分揀中心為仿真實例,生成對應的柵格地圖,進行3 組不同AGV 數量和分揀任務的仿真實驗.所有的仿真實驗在配置為AMD Ryzen 5-4600U with Radeon Graphics CPU @ 2.10 GHz,16 GB 的個人電腦上運行,用Python語言實現.

柵格化后的地圖環境如圖7所示,四周的黑色障礙物為墻壁,墻壁內部為AGV 的行駛區域,被劃分為18 行27 列,共計486 個柵格.柵格的大小以AGV 自身的大小為基準,每個柵格大小相同且具有各自的位置坐標(x,y),其中x表示柵格所在行數,y表示柵格所在列數.從當前柵格到達下一柵格需要耗費一個單位的時間.障礙物的大小不同其占據的柵格數也不同,其中充電區占據9 個柵格,每個投放口占據1 個柵格,每個分揀臺占據2 個柵格.

圖7 柵格地圖

4.1 相向沖突仿真實驗

本節仿真實驗用于驗證算法解決相向沖突的有效性,該仿真實例中有2 輛AGV 同時分揀,行駛路線如圖8所示.AGV1 的起點為坐標(10,3)的柵格,即紅色圓圈所在位置,終點為坐標(10,14)的柵格,即紅色方框所在位置.AGV2 的起點為坐標(10,25)的柵格,即綠色圓圈所在位置,終點為坐標(10,11)的柵格,即綠色方框所在位置.紅色線段為AGV1 的行駛路線,綠色線段為AGV2 的行駛路線.從圖中可以看出AGV1 并沒有從柵格(10,13)直接到達終點柵格(10,14),而是從柵格(10,13)到柵格(11,13),然后經過柵格(11,14)才到達柵格(10,14),這樣是為了避免在柵格(10,14)與AGV2 發生沖突.二者路線從空間上存在交叉,但是基于所提出的時空搜索框架,二者在時間上并不會同時訪問到任何一點,因此避免了潛在的碰撞沖突.

圖8 雙AGV 相向行駛路線圖

圖9 為AGV1 和AGV2 按照圖8所示的起點和終點相向行駛時的三維時空圖,時空圖的x軸和y軸表示柵格的位置坐標,z軸表示時間t,兩條線段分別表示兩輛AGV 的行駛路徑.通過時空圖可以清晰地看到AGV 在不同時間點所在的柵格位置.圖9(a)為未使用基于沖突搜索算法進行規劃時的時空圖,從圖中可以看出兩條線段在(10,14,11)有交叉,交叉點用小黑點表示,這表明當t=11 時,兩輛AGV 在柵格(10,14)處發生了沖突.圖9(b)為使用基于沖突搜索算法規劃后的時空圖,從圖中可以看出兩條線段不存在交叉,AGV2 維持原有的路徑,而AGV1 的路徑發生了變化,當t=11 時,AGV1 未到達柵格(10,14),而是到達了柵格(11,13),因此兩輛AGV 未發生沖突.避免沖突的方式為算法的上層檢測到沖突＜A1,A2,(10,14),11＞,然后對AGV1 施加新的約束＜A1,(10,14),11＞,算法的下層根據AGV1 新施加的約束重新為其規劃路徑.由此可看出,基于沖突搜索的多AGV 路徑規劃算法可以有效解決時空角度的相向沖突.

圖9 雙AGV 相向行駛三維時空圖

4.2 節點沖突仿真實驗

本節仿真實驗使用兩輛沿著垂直方向行駛的AGV 驗證算法解決節點沖突的有效性,使用基于沖突搜索算法規劃的兩輛AGV 的行駛路線如圖10所示.AGV1 的起點位置和終點位置分別為柵格(7,3)和柵格(7,14),分別用紅色圓圈和紅色方框表示.AGV2 的起點位置和終點位置分別為柵格(17,13)和柵格(4,14),分別用綠色圓圈和綠色方框表示.紅色線段表示AGV1 的行駛路線,綠色線段表示AGV2 的行駛路線.柵格(7,12)處的字母P 表示AGV1 到達該柵格后停留了一個單位時間才前往柵格(7,13),這樣可以避免兩輛AGV 在柵格(7,13)發生節點沖突.

圖10 雙AGV 垂直方向行駛路線圖

圖11 為AGV1 和AGV2 按照圖10所示的起點和終點沿著垂直方向行駛時的三維時空圖,圖11(a)為未使用基于沖突搜索算法進行規劃時的時空圖,從圖中可以看出兩條線段在(7,13,10)處有交叉,即當t=10 時,兩輛AGV 在柵格(7,13)處發生了碰撞.圖11(b)為使用基于沖突搜索算法規劃后的時空圖,從圖中可以看出兩條線段無交叉,表示AGV2 的綠色線段未發生變化,而表示AGV1 的紅色線段在t=9 后有所改變.AGV1 的變化在于當t=10 時,AGV1 未到達柵格(7,13),而是繼續停留在柵格(7,12),等待AGV2 通過柵格(7,13)后才離開,因此兩輛AGV 未發生沖突.與相向沖突的解決方式同理,算法的上層檢測到沖突＜A1,A2,(7,13),10＞,然后給AGV1 添加新的約束＜A1,(7,13),10＞,為了滿足AGV1 的約束,算法下層為其重新規劃了滿足約束的路徑.由此可以看出,節點沖突在使用基于沖突搜索的多AGV 路徑規劃算法后也可以得到有效解決.

圖11 雙AGV 垂直方向行駛三維時空圖

4.3 多種沖突并存的仿真實驗

本節仿真實驗用于驗證算法在多種沖突并存情形下的有效性,仿真實例中共有8 輛AGV 同時運行,每輛AGV 的編號、起點柵格坐標、終點柵格坐標和被標識的顏色如表1所示.

表1 各AGV 對應信息表

圖12 和圖13 分別為使用基于沖突搜索算法前后8 輛AGV 的行駛路線圖.圖12 中每個AGV 都從給定的起點出發前往對應的終點,圖中不同的顏色對應不同的AGV,圓形表示AGV 的起點,方框表示AGV 的終點,紅色六角星表示該處有沖突發生.

圖12所示的8 條行駛路線對應的三維時空圖如圖14(a)所示.圖14(a)中的8 條路徑在時空中存在5 個交叉點,對應了圖12 中的5 個紅色六角星,表示發生了5 次沖突.結合這兩張圖可以看出,當t=7 時,AGV1 和AGV2 在柵格(10,10)發生沖突,AGV7 和AGV8 在柵格(10,16)發生沖突;當t=11 時,AGV3 和AGV4 在柵格(10,16)發生沖突;當t=15.5 時,AGV6和AGV7 在柵格(4,18)和柵格(4,19)中間發生沖突;當t=20 時,AGV5 和AGV6 在柵格(4,14)發生沖突.

圖12 算法使用前的多AGV 路線圖

采用基于沖突搜索算法規劃的8 條路線如圖13所示,從圖中可以看出使用算法規劃后的路徑成功避免了上述的5 處沖突.圖13 中的8 條路徑對應的三維時空圖為圖14(b).從圖14(b)中也可以看出任意兩條路徑在時空中均無黑色交叉點,說明路徑間無沖突.結合兩張圖可以看出AGV2、AGV3、AGV5 和AGV8 的路徑沒有改動,而AGV1、AGV4、AGV6 和AGV7 的路徑為避免沖突發生了變化.

圖13 算法使用后的多AGV 路線圖

圖14 多AGV 三維時空圖

算法的上層檢測到5 處沖突＜A1,A2,(10,10),7＞、＜A7,A8,(10,16),7＞、＜A3,A4,(7,14),11＞、＜A6,A7,[(4,19),(4,18)],15.5＞和＜A5,A6,(4,14),20＞后,施加對應的5 個約束＜A1,(10,10),7＞、＜A7,(10,16),7＞、＜A4,(7,14),11＞、算法的下層根據AGV1、AGV4、AGV6 和AGV7 新添加的約束為它們重新規劃了路徑,因此這4 個AGV 的路徑有所變化.由此可以看出,當多種沖突并存且AGV 數量較多時,基于沖突搜索算法也可以有效解決.

5 結論

本文從物流分揀中心場地的特性出發,選擇柵格地圖法作為多AGV 路徑規劃的地圖建模方法.采用四鄰域搜索方式實現了單AGV 路徑規劃.為解決多AGV無沖突路徑規劃問題,提出在傳統A*算法中加入時間維度升級為時空A*算法,進一步將其作為基于沖突搜索的多AGV 路徑規劃算法的下層規劃器.通過仿真實驗驗證了所提出的基于沖突搜索的多AGV 路徑規劃算法能夠有效解決節點沖突、相向沖突和多種沖突并存的情況.下一步研究的重點將聚焦在利用時空A*算法進行實際場景測試與系統開發上面,同時也將與相關算法進行性能對比分析.