![pageSearch](/themes/hestia/images/page-search.webp)
73 coisas memoráveis sobre o verão de 73
May 16, 2023Relatório da indústria global e chinesa de OEM/ODM/EMS de eletrônicos automotivos de 2023: em meio à evolução das arquiteturas E/E, a fronteira entre PCs e veículos desaparecerá gradualmente na era zonal
May 18, 2023Automatizando Inspeções de Fabricação Aeroespacial
May 20, 2023Hesai Technology fornecerá lidar para robôs de armazém Cratus planejados
May 22, 2023Segurança de empilhadeiras: AGVs para o resgate
May 24, 2023Pesquisa sobre planejamento do caminho da tarefa AGV com base em i
![Aug 16, 2023](/themes/hestia/images/news-details-icon1.webp)
Pequim Zhongke Journal Publishing Co.
imagem: Comparado com o algoritmo tradicional e outros algoritmos aprimorados em muitos cenários complexos, o desempenho dos resultados do planejamento de caminho é significativamente melhorado.Veja mais
Crédito: Beijing Zhongke Journal Publishing Co.
Antecedentes da Pesquisa
Nos últimos anos, a posse global de automóveis tem aumentado ano após ano, levando a que a segurança no trânsito e as condições de congestionamento de veículos não sejam optimistas. Com o apoio de uma nova ronda de revolução científica e tecnológica e de mudança industrial, os veículos inteligentes tornaram-se o ponto alto competitivo estratégico das potências automobilísticas mundiais. Ao mesmo tempo, como parte importante do Sistema de Transporte Inteligente (ITS), os carros inteligentes são também um meio eficaz para resolver problemas como a segurança e o congestionamento do trânsito. Do nível técnico principal, a tecnologia de condução inteligente pode ser dividida em três partes: percepção ambiental, mapeamento de posicionamento e controle de planejamento. O módulo de planejamento no controle de planejamento é vividamente chamado de cérebro da direção inteligente, que determina o comportamento futuro de direção de veículos autônomos e gera informações de trajetória integrando informações valiosas de módulos upstream. Neste processo, são garantidos a segurança, o conforto e a eficiência da condução.
Com o pano de fundo da inteligência artificial, a promoção e aplicação em larga escala da fabricação inteligente e o AGV do local semelhante ao automóvel, que está intimamente relacionado aos veículos inteligentes como um meio importante, tem sido continuamente aplicado em muitos campos, como oficinas de fábrica , armazéns logísticos, produção e processamento, e tem boas perspectivas de desenvolvimento. O planejamento de trajetória sempre foi uma parte indispensável dos veículos guiados automaticamente. Planejar um trajeto seguro e viável com baixa complexidade pode efetivamente melhorar a eficiência de execução das tarefas de AGV. Comparado com o algoritmo genético e o algoritmo RRT, o algoritmo A* tem maior eficiência de otimização de caminho e melhor efeito para cenas estáticas gerais em aplicações práticas. No entanto, o algoritmo A* tradicional ainda tem espaço para melhorias em muitas cenas complexas no campo de manufatura, e o caminho final encontrado é propenso a alta complexidade, como faixa de expansão muito ampla, longo tempo de localização de caminho, muitas curvas de caminho e cantos irregulares. Tendo em vista os problemas acima, muitos estudiosos também realizaram alguns estudos: Guo et al. propôs um método integrando curvas de Bézier para otimizar ainda mais o caminho, visando os problemas de muitas linhas quebradas e grandes ângulos de viragem no planejamento de caminho do algoritmo A*, mas faltava estratégias para melhorar a velocidade de localização de caminho e reduzir o número de pontos de viragem desnecessários. Cao et al. fez melhorias no problema de que havia muitos pontos de viragem no caminho final pesquisado e reduziu o número de voltas julgando que o método de busca de pontos de direção do nó pai tinha prioridade com o mesmo custo. No entanto, havia um problema: os nós no caminho real subsequente, que tendiam a estar longe do ponto da tarefa, não conseguiam concluir a otimização. Visando o planejamento de caminhos em cenários de grande escala, Chen et al. propuseram um algoritmo A* aprimorado de mecanismo de busca bidirecional para melhorar a eficiência do tempo de orientação, mas o custo de direção do AGV não foi considerado. Xing et al. propuseram um método de aplicação do planejamento de caminho do algoritmo A* baseado em um ambiente de estacionamento complexo, que tornou o caminho planejado mais viável, mas não considerou a suavização real do ângulo de viragem do caminho de tráfego.
Com base no ambiente geral complexo e nos cenários de aplicação interna do AGV, este artigo usa o método de grade para modelar o mapa do ambiente complexo e o algoritmo SLAM (Simultaneous Localization and Mapping) para construir o mapa sob a cena interna vazia, respectivamente, para conduzir o experimento de planejamento de caminho . Com base no algoritmo A*, o método de otimização de caminho de retrocesso do ponto de inflexão é proposto para reduzir o número de voltas desnecessárias. O modo de expansão, o número de pontos de viragem e a suavidade do caminho de viragem são melhorados e otimizados, respectivamente, no processo de expansão do nó do caminho e no processo de retrocesso do caminho inicial. Através de experimentos de simulação, o algoritmo final aprimorado pode aumentar a velocidade de busca do caminho da tarefa AGV, melhorar ainda mais a eficiência da expansão do nó, reduzir o número de voltas desnecessárias e aumentar a viabilidade do caminho real.