![pageSearch](/themes/hestia/images/page-search.webp)
73 denkwürdige Dinge über den Sommer 1973
May 16, 2023Globaler und chinesischer Automobilelektronik-OEM/ODM/EMS-Branchenbericht 2023: Im Zuge der Entwicklung der E/E-Architekturen wird die Grenze zwischen PCs und Fahrzeugen im zonalen Zeitalter allmählich verschwinden
May 18, 2023Automatisierung der Inspektionen in der Luft- und Raumfahrtindustrie
May 20, 2023Hesai Technology liefert Lidar für geplante Lagerroboter von Cratus
May 22, 2023Gabelstaplersicherheit: AGVs zur Rettung
May 24, 2023Forschung zur Planung des AGV-Aufgabenpfads basierend auf i
![Aug 16, 2023](/themes/hestia/images/news-details-icon1.webp)
Beijing Zhongke Journal Publishing Co. Ltd.
Bild: Im Vergleich zum herkömmlichen Algorithmus und anderen verbesserten Algorithmen wird in vielen komplexen Szenarien die Leistung der Pfadplanungsergebnisse erheblich verbessert.mehr sehen
Bildnachweis: Beijing Zhongke Journal Publishing Co. Ltd.
Forschungshintergrund
In den letzten Jahren hat der weltweite Pkw-Besitz von Jahr zu Jahr zugenommen, was dazu führt, dass die Verkehrssicherheit und die Verkehrsstaus nicht optimistisch sind. Mit der Unterstützung einer neuen Runde wissenschaftlicher und technologischer Revolution und industrieller Veränderungen sind intelligente Fahrzeuge zum strategischen Wettbewerbshochburg der Automobilmächte der Welt geworden. Gleichzeitig sind Smart Cars als wichtiger Bestandteil des Intelligent Transportation Systems (ITS) auch ein wirksames Mittel zur Lösung von Problemen wie Verkehrssicherheit und Verkehrsstaus. Auf der technischen Schlüsselebene lässt sich die intelligente Fahrtechnologie in drei Teile unterteilen: Umgebungswahrnehmung, Positionierungskartierung und Planungssteuerung. Das Planungsmodul in der Planungssteuerung wird anschaulich als das Gehirn des intelligenten Fahrens bezeichnet, das das zukünftige Fahrverhalten autonomer Fahrzeuge bestimmt und durch die Integration wertvoller Informationen aus vorgelagerten Modulen Trajektorieninformationen generiert. Dabei werden Sicherheit, Komfort und Effizienz des Fahrens gewährleistet.
Vor dem Hintergrund der künstlichen Intelligenz wurde die groß angelegte Förderung und Anwendung der intelligenten Fertigung und des AGV des autoähnlichen Standorts, der eng mit intelligenten Fahrzeugen als wichtigem Medium verbunden ist, kontinuierlich auf viele Bereiche wie Fabrikwerkstätten angewendet , Logistiklager, Produktion und Verarbeitung und verfügt über gute Entwicklungsaussichten. Die Pfadplanung war schon immer ein unverzichtbarer Bestandteil automatisch geführter Fahrzeuge. Durch die Planung eines sicheren und realisierbaren Pfads mit geringer Komplexität kann die Ausführungseffizienz von AGV-Aufgaben effektiv verbessert werden. Im Vergleich zum genetischen Algorithmus und dem RRT-Algorithmus weist der A*-Algorithmus eine höhere Pfadoptimierungseffizienz und eine bessere Wirkung für allgemeine statische Szenen in praktischen Anwendungen auf. Allerdings bietet der herkömmliche A*-Algorithmus in vielen komplexen Szenen im Fertigungsbereich noch Raum für Verbesserungen, und der endgültige Pfad, den er findet, ist anfällig für hohe Komplexität, wie z. B. einen zu großen Erweiterungsbereich, eine lange Pfadfindungszeit, viele Pfadkurven usw unebene Ecken. Angesichts der oben genannten Probleme haben viele Wissenschaftler auch einige Studien durchgeführt: Guo et al. schlug eine Methode vor, die Bezier-Kurven integriert, um den Pfad weiter zu optimieren, und zielte auf die Probleme vieler unterbrochener Linien und großer Wendewinkel bei der Pfadplanung des A*-Algorithmus ab, es fehlten jedoch Strategien zur Verbesserung der Pfadfindungsgeschwindigkeit und zur Reduzierung der Anzahl unnötiger Wendepunkte. Cao et al. Das Problem, dass es im endgültig gesuchten Pfad viele Wendepunkte gab, wurde verbessert und die Anzahl der Wendungen reduziert, indem festgestellt wurde, dass der Suchmethode für Richtungspunkte des übergeordneten Knotens bei gleichen Kosten Priorität eingeräumt wurde. Es gab jedoch das Problem, dass Knoten im tatsächlichen Folgepfad, die tendenziell weit vom Aufgabenpunkt entfernt waren, die Optimierung nicht abschließen konnten. Mit dem Ziel der Pfadplanung in groß angelegten Szenarien haben Chen et al. schlug einen verbesserten A*-Algorithmus eines bidirektionalen Suchmechanismus vor, um die Zeiteffizienz der Wegfindung zu verbessern, die Lenkkosten von AGV wurden jedoch nicht berücksichtigt. Xing et al. schlug eine Anwendungsmethode der A*-Algorithmus-Wegplanung basierend auf einer komplexen Parkumgebung vor, die den geplanten Weg praktikabler machte, berücksichtigte jedoch nicht die tatsächliche Wendewinkelglättung des Verkehrswegs.
Basierend auf der allgemeinen komplexen Umgebung und den Indoor-Anwendungsszenarien von AGV verwendet dieser Artikel die Rastermethode zur Modellierung der komplexen Umgebungskarte und den SLAM-Algorithmus (Simultaneous Localization and Mapping), um die Karte unter der leeren Indoor-Szene zu erstellen bzw. das Pfadplanungsexperiment durchzuführen . Auf der Grundlage des A*-Algorithmus wird die Pfadoptimierungsmethode des Wendepunkt-Backtrackings vorgeschlagen, um die Anzahl unnötiger Kurven zu reduzieren. Der Erweiterungsmodus, die Anzahl der Wendepunkte und die Glätte des Wendepfads werden im Pfadknoten-Erweiterungsprozess bzw. im anfänglichen Pfad-Backtracking-Prozess verbessert bzw. optimiert. Durch Simulationsexperimente kann der endgültige verbesserte Algorithmus die Suchgeschwindigkeit des AGV-Aufgabenpfads erhöhen, die Effizienz der Knotenerweiterung weiter verbessern, die Anzahl unnötiger Wendungen reduzieren und die Durchführbarkeit des tatsächlichen Pfads erhöhen.
Ergebnisse und Bedeutung
Basierend auf der allgemeinen komplexen Umgebung und den Indoor-Anwendungsszenarien von AGV verwendet diese Studie Software zum Erstellen einer komplexen Umgebungskarte unter Verwendung der Rastermethode und des SLAM-Algorithmus (Simultaneous Localization and Mapping), um eine Karte in einer offenen Indoor-Szene zu erstellen, die verwendet wird für Folgeexperimente zur Pfadplanung. Basierend auf dem traditionellen A*-Algorithmus verbessert und optimiert diese Studie seinen Expansionsmodus, die Anzahl der Wendepunkte und die Glätte des Wendepfads im Prozess der Pfadknotenerweiterung und der anfänglichen Pfadrückverfolgung. Die Beiträge dieser Studie lassen sich wie folgt zusammenfassen.
Wir haben das geschätzte Gewicht in die Kostenfunktion eingeführt und die Besetzungsknotenmarkierung bei der Knotenerweiterung verwendet, um die Anzahl der erweiterten Knoten und die Wegfindungszeit bei vielen Hindernissen mit zufälliger Verteilung zu reduzieren. Wir schlagen außerdem eine Pfadoptimierungsmethode für die Rückverfolgung von Wendepunkten vor, um unnötige Kurven, redundante Pfadsegmente und integrierte Bezier-Kurven zur Glättung des Pfads zu reduzieren. Abschließend wurde die Anwendbarkeit des verbesserten Algorithmus durch Simulationsexperimente überprüft.
Simulationsergebnisse zeigen, dass der in diesem Dokument vorgeschlagene verbesserte Algorithmus herkömmlichen Methoden überlegen ist und AGV dabei helfen kann, die Effizienz der Aufgabenausführung zu verbessern, indem Pfade mit geringer Komplexität und Reibungslosigkeit geplant werden. Darüber hinaus bietet das Vorhaben eine neue Lösung für die globale Pfadplanung unbemannter Fahrzeuge.
Gleichzeitig gibt es mehrere Aspekte, die im Mittelpunkt der zukünftigen Entwicklung stehen sollten, darunter die Frage, ob der Planungsalgorithmus mehrere Szenarien bewältigen und eine gute Anwendbarkeit und Robustheit beibehalten kann und ob er die Anforderungen an Planungssicherheit und Stabilität in komplexen und engen Situationen erfüllen kann Szenarien und ob die wahrgenommene Unsicherheit und Kontrollbeschränkungen bei der Planung berücksichtigt werden können.
Virtuelle Realität und intelligente Hardware
10.1016/j.vrih.2022.11.002
Forschung zur Planung des AGV-Aufgabenpfads basierend auf einem verbesserten A*-Algorithmus
16.06.2023
Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Nutzung jeglicher Informationen über das EurekAlert-System.
Bild: Im Vergleich zum herkömmlichen Algorithmus und anderen verbesserten Algorithmen wird in vielen komplexen Szenarien die Leistung der Pfadplanungsergebnisse erheblich verbessert.ForschungshintergrundErgebnisse und BedeutungHaftungsausschluss: