夜光 ： 多 AGV 小车的路径规划技术的研究 （八）

夜光序言：

 

 

 

毅力是什么？

毅力就是坚持，有毅力就代表着努力。

没有毅力，一个人将一事无成，

再宏伟的梦想也只能是一个梦而已，

再宏大的理想也只能是想一想罢了。

 

 

 

 

 

正文：

 

基于 A 星算法和蚁群算法的融合算法原理

 

通过分析，A 星算法和蚁群算法在路径规划中的应用各自存在不足之 处。

本文提出将两种算法融合，进行 AGV 的路径规划，既可以避免算法的缺点， 又确保 AGV 可以找到一条有效且适用的优路径，到达目标点。

 

因此，在地图划分的基础上，结合 A 星算法和蚁群算法对 AGV 进行路径规划，使规划出的优路径不仅有效避开货架，还提高了 AGV 完成任务的效率。 基于分区路径规划的思想，我们使用栅格地图和聚类方法进行环境建模，将 AGV 工作空间划分出不同大小的分区。

---

利用 A 星算法高效寻路的优势，快速找到一条全局短路径，并记录该路径经过不同分区边界线的起止点。针对货架触 碰问题，在货架较多的货架区，使用智能蚁群算法，从分区的起始点展开局部的 路径搜索。

不仅缩小了蚁群算法的栅格搜索范围，提高了路径搜索效率，也避免了货架触碰。在无货架的可行区，直接使用连接分区起止点的直线段作为该分区 的路径。 如何选取分区起止点的规则如下：

(1)货架区相邻可行区，则起止点选择可行区内侧的路径栅格；

(2)货架区相邻货架区，则起止点选择顺序靠后的货架区内侧的路径栅格；

(3)可行区相邻可行区，则起止点选择顺序靠后的可行区内侧的路径栅格。

---

单 AGV 路径规划方法 基于聚类和融合算法的单 AGV 路径规划方法的实现步骤如下所示：  

 

步骤 1：使用栅格法建立栅格地图，设定起始点和目标点。

步骤 2：构造 A 星算法的开启列表和关闭列表，对 A 星算法和蚁群算法的 参数进行初始化。

步骤 3：Canopy 粗聚类货架栅格，直到可以在地图上生成佳聚类的可能K值和聚类中心。

步骤 4：K值和聚类中心被输入到货架栅格的 K-means 聚类算法中，每个K 和相应中心的输出是K个地图网格群。

步骤 5：根据步骤 4，得到每个聚类分区的货架信息，接着将地图分成大小不同的矩形分区。

步骤 6：对栅格地图使用 A 星算法，找出路径穿过每个分区边界的起止点。
 

步骤 7：若是货架区，找出该区的起止点，作为局部起止点，使用蚁群算法找出局部优路径。

 

步骤 8：若是可行区，则是步骤 6 中的 A 星算法路径的直线路径作为局部 短路径。

 

步骤 9：根据步骤 7 和步骤 8 的结果，寻找从起始点到目标点之间的抽象路 径，细化后形成完整路径输出。至此算法结束。

单 AGV 路径规划流程图如图 

从流程图可以看出，当栅格地图被分区后，单 AGV 的路径规划是分成货架区和可行区两部分同时进行，对比全局单一路径规划算法，缩短了路径搜索时间。