买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京邮电大学申请的专利基于改进人工蜂群算法的多AGV路径规划与避障方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119575990B 。

龙图腾网通过国家知识产权局官网在2025-04-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510120833.X，技术领域涉及：G05D1/43；该发明授权基于改进人工蜂群算法的多AGV路径规划与避障方法是由赵学健;周自宝;沙晁毅;孙知信设计研发完成，并于2025-01-26向国家知识产权局提交的专利申请。

本基于改进人工蜂群算法的多AGV路径规划与避障方法在说明书摘要公布了：本发明提出了一种基于改进人工蜂群算法的多AGV路径规划与避障方法，旨在解决现代工业自动化中多AGV系统路径规划和避障的关键技术挑战。该方法通过构建动态可更新的网格化环境模型，精确表示作业环境中的起点、终点、静态障碍物和动态障碍物，并采用改进的人工蜂群算法对多AGV的路径规划进行全局优化，同时满足避障和多AGV路径冲突的约束条件，确保系统的高效运行和路径无碰撞性。此外，本发明还包括路径跟踪控制和冲突检测与避障控制，以确保AGV沿规划路径精确行驶，并实时检测多AGV路径中的冲突点，采取不同的应对策略以实现路径协调和调度。最终，本发明能够有效提高多AGV系统的协作效率和安全性。

本发明授权基于改进人工蜂群算法的多AGV路径规划与避障方法在权利要求书中公布了：1.基于改进人工蜂群算法的多AGV路径规划与避障方法，其特征在于，所述方法包括以下步骤：步骤1、环境建模，在二维空间中构建包含障碍物和自由空间的仓储环境模型，并标定AGV的起始点与目标点，采用网格化的方式进行建模，步骤2、路径规划，基于改进的人工蜂群算法生成从起始点到目标点的最优路径，考虑路径长度、多AGV间的安全距离以及与障碍物的安全距离，步骤3、运动控制，定义AGV的运动学模型，采用PID控制器控制AGV的线速度和角速度，确保AGV沿规划路径准确移动，步骤4、冲突解决，通过冲突检测、分类和解决策略解决多AGV间的路径冲突，保证系统安全和高效运行，解决完所有冲突后输出结果，路径输出形式为每个AGV的最终路径集合，最终路径将作为AGV的任务分配方案，指示每个AGV的行驶路线和调度时机；其中，步骤1环境建模，具体步骤如下：1-1、在二维空间中构建包含障碍物和自由空间的仓储环境模型，标定每个AGV的起始点和目标点，环境建模采用网格化或有向图的形式进行建模，定义有向图GD，E表示路径规划空间，其中，D＝{d1，d2，…，dn}表示路径节点集合，di表示第i个路径节点，E＝eij|di,dj∈D}表示路径边集合，eij表示从节点di到节点dj的边，设仓储环境中的障碍物集合为O＝{o1，o2，…，om}，其中0i表示第i个障碍物，障碍物的表示采用边界多边形或圆形边界，若采用圆形边界表示，则障碍物0i的边界由中心点和半径确定，数学表达为： 1-2、在路径节点和路径边的选择过程中，需要对路径的可行性进行检测，确保路径不与障碍物发生重叠，路径边eij从节点dixi，yi到节点djxj，yj通过以下条件判断其是否与障碍物Ok发生碰撞： 其中，τ为路径边的参数化变量，τ∈[0，1]，如果该不等式成立，则表示路径eij不与障碍物Ok发生碰撞；步骤2路径规划具体如下：2-1、在路径规划中，基于改进的人工蜂群算法，生成从起始点到目标点的最优路径，目标函数的优化目标定义为：F＝f1+f2+f3f1表示路径长度的最小化目标，即： 其中，xi，new，yi，new为第i个AGV的当前位置，xi，T，yi，T为其目标位置，f2表示多AGV之间的安全距离约束： 其中，Dmin，i表示第i个AGV与其他AGV之间的最小距离，η为惩罚因子，f3表示与障碍物的安全距离约束： 其中，ObsDistmin,i表示第i个AGV与最近障碍物的最小距离，Q为安全距离阈值，ζ为权重因子；步骤3运动控制具体如下：3-1、AGV的运动状态可由位置、朝向和速度组成，记作[xi，yi，θi，vi]，在每个时间步长Δt中，AGV的运动由以下方程控制： 其中，vi为线速度，θi为朝向，ω为角速度，Δt为时间步长，AGV的线速度和角速度需要受到约束，以确保控制的可实现性，约束条件如下：vmin≤vi≤vmax，ωmin≤ωi≤ωmax其中，vmin，vmax分别表示线速度的最小值和最大值，ωmin，ωmax分别表示角速度的最小值和最大值，假设AGV的目标轨迹为xref，yref，当前位置为xi，yi，则其跟踪误差为：εx＝xref-xi，εy＝yref-yi3-2、基于误差反馈控制的思想，采用比例-积分-微分PID控制器调整AGV的控制输入： 其中，Kp，Ki，Kd为控制增益；步骤4冲突解决具体如下：4-1轻度冲突处理，当同一节点的冲突路径小于1时，采用如下策略：只存在小于等于3个点冲突时，通过调整AGV的速度，避免与其他AGV发生碰撞，假设第a个AGV的速度为va，其目标速度为va，target，当检测到与其他AGV的最小距离Dismin小于设定的安全距离阈值Dissafe时，采用以下速度调整策略： 其中，treact为反应时间，Dismin为当前AGV与最近邻AGV的最小距离，的调整上限设定为目标速度va，target，确保即使安全距离允许，速度也不会超过目标速度，当前速度va基于安全距离动态调整，增加的速度取决于Dismin和Dissafe的差值，存在大于3个冲突节点时，在冲突节点处，通过调整AGV的行进路径避免与其他AGV发生碰撞，路径调整的目标是将AGV的前进方向θa调整为调整公式如下： 其中，α为调整步长，Δθ为当前路径方向与无冲突路径的夹角，sign·为符号函数，指示调整的方向，如果冲突风险小即1个碰撞节点，仍可能发生碰撞，则通过小幅度调整AGV的路径使其远离冲突区域，路径的微调采用如下策略，微调的角度为Δφ，其计算公式如下： 其中，γ为调整系数，Dismin为当前AGV与最近邻AGV的最小距离，Dissafe为设定的安全距离阈值，AGV的行进方向调整为： 4-2重度冲突处理策略，当同一节点的冲突路径数量大于或等于2条时，采用如下策略：当发现冲突路径数量大于等于2条且无法通过简单的速度或路径调整解决时，AGV采用路径重规划策略，重规划的目标是最小化路径长度和避免与当前运行的AGV发生冲突，路径重规划的目标函数如下： 其中，λ1和λ2为权重系数，Dismin，i为第i个AGV与其他AGV之间的最小距离，xi，new，yi，new为路径重规划后的目标点坐标，xi，T，yi，T为目标位置，将AGV的运行区域划分为若干个子区域，使AGV在各自的子区域内运行，从而减少路径冲突的发生概率，分区的目标是将区域划分为个子区域R1，R2，...，RM，每个子区域的路径冲突率Ck满足以下条件： 其中，Ctotal为总体冲突率，Cthreshold为子区域的冲突率阈值，分区的优化目标为： 在路径规划过程中，控制每个时间窗口内的AGV数量，以减少路径冲突的可能性，分时调度的目标是最小化每个时间窗口内的AGV数量，采用以下调度策略： 其中，1·为指示函数，表示第i个AGV的到达时间ti是否在时间窗口[t，t+Δt]内，Nt为时间窗口内的AGV数量，调度的目标是最小化所有时间窗口内的最大AGV数量： 表示在整个任务规划时间范围T内，找到所有可能的时间窗口[t，t+Δt]中AGV数量的最大值，即考察每个时间窗口内的AGV数量，找出其中最多AGV同时运行的窗口，min的作用为调整AGV的启动时间，将最大峰值尽量减小，若在某个时间窗口内的AGV数量超过了预设的上限Nmax，则采用如下方法调整AGV的启动时间： 其中，Δtshift为延迟时间，用于将AGV的启动时间向后推移；步骤2-1包括以下步骤：2-11、雇佣蜂阶段，在算法的初始阶段，生成包含N个解的种群S＝{s1，s2，…，sN}，每个解si表示AGV的路径规划方案，路径由多个路径节点的坐标xi，j，yi，j表示，假设路径的总步数为L，则第i个解表示为：Si＝{xi，1，yi，1，xi，2，yi，2，…，xi，L，yi，L}这些解在搜索空间内随机生成，满足路径的可行性约束条件，雇佣蜂对当前解si进行局部搜索，产生新的候选解s′i，j，搜索公式如下：s′i，j＝si，j+ρ·gj，best-si，j+μ·sk1，j-sk2，j其中，si，j为当前解中第j维的分量，gj,best为全局最优解中第j维的分量，k1，k2为从种群中随机选择的两个不同的个体索引，是随机个体k1的第j维的分量，是随机个体k2的第j维的分量，ρ，μ为随机扰动系数，ρ，μ∈[0，1]，候选解的适应度函数fs通过路径规划目标函数进行计算，适应度函数可表示为：fs＝λ1·f1+λ2·f2+λ3·f3其中，f1,f2,f3分别表示路径长度的最小化目标、多AGV之间的安全距离约束和与障碍物的安全距离约束，λ1,λ2,λ3是权重系数，满足λ1+λ2+λ3＝1，2-12、观察蜂阶段：观察蜂根据解的适应度值来选择需要进一步搜索的解，采用概率选择机制，其概率计算公式为： 其中，fsi表示第i个解的适应度，是所有解的适应度总和，适应度高的解被选择的概率更大，观察蜂对选择的解si进行进一步的局部搜索，采用基于教与学的搜索策略，新的候选解s′i,j由下式给出： 其中，k是从种群中随机选择的个体索引，si，j是第i个解si的第j维的分量，sk，j是随机选择的第k个解sk的第j维的分量，rand是取值范围为[0，1]的随机数，当fsk＜fst时，解趋向更优解，当fsk≥fsi时，解的搜索范围在原位置附近，观察蜂对新解的适应度进行评估，并通过贪心选择策略决定是否接受该解，选择原则为： 若新解的适应度fs′i优于原解fsi，则用新解替换原解，2-13、侦查蜂阶段，若某个解si在Tlilmit次迭代中未更新，则认为该解已陷入局部最优解，此时，启动侦查蜂机制，为陷入局部最优的解生成新的解，新的候选解在搜索空间的边界内随机生成，其生成公式如下： 其中，smin，j和smax，j分别为搜索空间在第j维的最小值和最大值，φ是[0，1]范围内的随机数，确保生成的解在边界内随机分布，若以下条件满足，则判定为局部最优解： 其中，表示第i个解在第t代的适应度，表示第i个解在第t-1代的适应度，ò为检测的收敛阈值，若与之差的绝对值小于收敛阈值，则说明前后两代间适应度变化忽略，判定为局部最优解，解决完所有冲突后输出结果，路径输出形式为每个AGV的最终路径集合，最终路径将作为AGV的任务分配方案，指示每个AGV的行驶路线和调度时机。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。