CN113919543A - 一种基于5g物联网的agv调度路径优化方法 - Google Patents

Abstract

本发明公开了一种基于5G物联网的AGV调度路径优化方法，首先MES系统根据生产工单产生搬运任务并下发至WMS系统；WMS系统接收任务指令并生成AGV搬运任务，随后构建AGV调度路径规划的搜索状态的数学模型；AGV管控系统依据启发式人工智能算法求解调度方案，并且输出AGV路径规划优化方案。本发明针对现有的AGV调度系统在调度数量、数据处理、算法优化方面的约束问题，应用5G物联网大带宽、低时延、多连接的特性，通过AGV管控系统和人工智能算法相结合的方式，使得AGV路径规划、实时调度和位置追踪更具有灵活性，提高了运输效率和稳定性，实现了5G使能智能制造的应用。

Description

一种基于5G物联网的AGV调度路径优化方法

技术领域

本发明涉及5G工厂自动导引运输车AGV(Automated Guided Vehicle)生产调度领域，特别涉及一种基于5G物联网的基于人工智能算法的AGV调度路径优化方法。

背景技术

智能工厂中的设备所产生、采集和处理的数据量越来越多，4G网络已经难以满足智能化的需求；而WIFI通信方式在室外场景中存在抗干扰性弱、传输速率低、切换时连接中断等问题，无法完全覆盖广阔的车间外的厂区环境，车间外物流车辆无法进行有效的实时定位和监控，传统人工搬运设备在室外场景中进行物流搬运任务时，也容易出现调度任务接收不及时、运输效率不高等问题。

对于多品种、小批量、多批次的离散型柔性生产作业模式，工件的每道工序可有不同的机器选择，使得AGV有多条路线选择，这将导致工件转移时间存在差距，且不同机器设备的加工时间不一致，所以，不同的组合会有不同的结果，这对AGV实际路径规划带来极大挑战。

对于智能制造车间，AGV调度策略在很大程度上决定了车间能否高效运行，AGV调度问题属于NP-hard问题，其复杂度随问题规模呈指数级增长。Zhang Bo等人基于A*算法研究减少AGV的转弯次数来提高AGV的使用效率。Bilgeümit等人基于时间窗法研究了AGV的行驶路径冲突。杨智飞等人通过构建作业车间多目标调度优化模型，研究了自适应多目标遗传-差分进化算法。但这些方法仍然存在一些不足，实际生产系统存在设备突发故障、生产计划变更等情况，有的研究在车间调度过程中未考虑AGV的冲突问题，对于离散行业车间智能动态调度的问题，其调度过程较为复杂，需要进一步确定制造过程中的AGV调度策略及路径优化算法。

5G网络具有高可靠的特性，抗干扰能力和稳定性更具优势，有利于实现AGV在厂区内的动态调度和运输。此外，基于5G网络低时延的特性，更好的将AGV的位置及运行状态实时反馈到AGV控制系统，结合人工智能算法进行最优路径规划与实时调度，使厂区内物流运输更加高效、流畅，提高产品物料配送节拍，节省人力成本，减少生产等待时间，有利于提升生产力，扩大产值。

发明内容

本发明的目的在于针对上述现有技术存在的不足，具体的针对现有技术中柔性作业车间AGV动态调度缺少一定的科学指导依据，导致实际生产过程中AGV调度策略不合理，运输效率低下，车间外AGV小车无法进行有效的实时定位和监控等问题，提供一种基于5G物联网的AGV调度路径优化方法。

实现本发明目的的技术解决方案为：一种基于5G物联网的AGV调度路径优化方法，包括以下步骤：

步骤1，MES系统根据生产工单产生搬运任务，并下发至WMS系统；

步骤2，WMS系统接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

步骤4，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划；

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

一种基于5G物联网的AGV调度路径优化系统，包括以下模块：

工单生成并下发模块：用于根据生产工单产生搬运任务，并生成AGV搬运任务；

AGV调度路径规划模型构建模块：用于构建AGV调度路径规划的搜索状态的数学模型；

路径规划模块：用于依据启发式算法求解并输出最佳AGV调度策略方案。

本发明与现有技术相比，其显著优点在于：

(1)本发明基于5G网络高可靠、低时延、抗干扰能力和稳定性强的特性，实现多辆AGV在厂区内协同作业的动态路径规划和调度，将AGV的位置及运行状态实时反馈到AGV控制系统；

(2)本发明在描述柔性作业车间AGV调度问题的基础上，建立了AGV调度过程中路径优化的搜索状态的数学模型，采用启发式人工智能算法搜索队列中估值最小的状态，并针对冲突类型给出了解决策略，能够有效获得性能良好的车间内和车间外AGV实时调度优化方案，提高整体物流的运输效率，减少生产等待时间，使厂区内物流运输更加高效、流畅；

(3)本发明通过与上位系统中的高级排程、仓储系统集成，该方法考虑设备、物料等生产异常情况，实现了生产过程中AGV动态调度，在取得较好优化效果的同时减少了过程中不必要的资源浪费，降低生产成本，提高制造企业的综合竞争力。

下面通过附图和具体实施方式对本发明作进一步的说明。

附图说明

图1为本发明的基于5G物联网的AGV调度路径优化方法功能架构图。

图2为本发明的基于5G物联网的AGV调度路径优化方法流程图。

图3为本发明的于启发式人工智能算法的寻优流程图。

具体实施方式

一种基于5G物联网的AGV调度路径优化方法，包括以下步骤：

步骤1，MES系统(制造执行系统)根据生产工单产生搬运任务，并下发至WMS系统(仓储管理系统)；

步骤2，WMS系统(仓储管理系统)接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

由于实际的车间产线设备和仓储之间构成的电子地图是非规则形状，布局场地和资源设备也可能有种种制约和限制，因此，AGV调度路径优化问题比较复杂，将物流调度过程中涉及到的对象进行相应地简化和抽象，根据车间实际生产作业特点，进行如下模型假设：

所述数学模型，其前提条件(约束条件)包括：

(1)任一时刻，每辆AGV小车只搬运同一种物料、每台机器只加工一个工件；

(2)AGV小车在负载或空载下的行驶速度不受影响，在完成任务后将返回指定的停靠点等待；

(3)每个工位均有缓存区，用于存放待加工和已加工好的工件；

(4)加工设备资源冲突经高级排程由车间制造执行系统MES进行动态调度和状态监控，AGV管控系统负责接收该数据；

(5)AGV小车能够停靠在车间已规划路线中任何一个工位进行装载或卸载操作，AGV小车在各工位的装载/卸载时间均已知，各工位之间的距离已知；

(6)AGV小车路线是双向单通道，同一时刻在每个节点和路段只允许通过一辆AGV小车；

(7)考虑AGV之间的碰撞和冲突问题；

(8)设置站点专属队列和共享队列，AGV管控系统调度AGV优先进入站点专属队列，如果专属队列已满再进入共享队列排队，且共享队列支持被多个站点共享；

(9)当AGV在进入共享队列的路上时，若发现站点专属队列有空位，则AGV管控系统会自动调度AGV直接去站点专属队列进行排队。

所述数学模型为：

其中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_kj表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间。

步骤4，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划，具体包括以下步骤：

步骤4-1，构建AGV行驶地图及边界条件，用M表示AGV行驶地图的点集和边集：

M＝(P,L)

其中，P代表AGV小车定位点的点集，L代表边集，表示点与点之间的连通性,对于任意一条边l∈L，若任意一条边l两端与点p和点r相连接，则表示为l＝(p,r)；设定AGV路径的起始点o和终点e以及当前时间t_pre；

步骤4-2，构建搜索状态数学模型：

S＝(a，dir，t_i，t_j)

其中，a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间；

当AGV在t_i到t_j时间段通过边l从点a沿着方向dir向b点移动，此时需要考虑状态转移，构建新搜索状态的数学模型为：

S′＝(b，dir′,t_i+t_c+t_c′,t_j+t_c)

其中，t_c为AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

步骤4-3，通过定义已知冲突集合中的边l，如果同一时间分别有两辆AGV小车在同方向完全重叠和相反方向完全或部分重叠的情况，则会发生碰撞；

l＝(p,r)，构造冲突边集：

Conf(l)＝{l′|l′＝(x,y)∈L,x＝p或x＝r；y＝p或y＝r}

步骤4-4，枚举所有可能的方向dir，向空的优先级队列Q中加入初始搜索状态：

S＝(o,dir,t_pre,+∞)

其中，o为AGV行驶的起始点，dir为AGV行驶的方向，t_pre为当前时间；

当AGV在t_i到t_j时间段从点a沿着方向dir向b点移动路径为冲突路径时，采用基于人工智能算法调节策略获得新路径行驶状态：

S′＝(a,dir′,t_i′,t_j′)

式中，dir′为AGV新朝向，t′_i＝t_i+t_c+t_c′，t′_j＝t_j+t_c，t_c表示AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

若满足条件

t_i≥t′_i且t_j≤t′_j

采用基于算法调节获得新路径策略较优，否则，采用基于速度调节策略，即保持AGV原路径行驶策略；

步骤4-5，基于上述避免冲突和死锁的数学模型，AGV路径规划的优化目标为完成工单调度任务所有AGV车辆作业的总时间，根据启发式算法搜索队列中估值最小的状态作为取出条件，构建AGV调度路径优化的数学模型为：

式中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_kj表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

步骤4-6，判断工单调度任务队列是否已空，若已空且仍未取出估值最小的状态，则结束算法，说明起始点o和终点e之间不存在合法路径，否则转入步骤4-7；

步骤4-7，判断是否a＝e，若是，则表示找到了优化路径，结束算法并输出最佳AGV调度策略方案，否则返回步骤4-5。

所述对AGV的行进路线进行最优规划的约束条件为：

(1)调度任务中的AGV车辆数不大于厂区内车辆总数，

(2)行驶路径p到r不存在对向行驶车辆，且p到r路径上车辆数不应大于该路径可容纳的最大车辆数：

式中，l为选取的某一路径长度，l_AGV为AGV负载时的长度；

其中x_ki和y_kj通过下述约束条件定义；

进一步的，所述AGV管控系统包括业务编排系统、控制系统、调度系统；

业务编排系统用于接收上位系统任务指令后根据仓库系统出入库信息、厂房车间的生产信息、AGV的实时位置和载货等信息自动生成AGV搬运任务；

控制系统用于通过AGV工作区域的5G无线网络，实时与AGV进行通信，获取AGV位置、运行状态等信息，采集现场设备的运行状态信息，监控AGV运行情况；

调度系统用于接受生产调度指令和通过电子地图调度AGV小车实现仓库到厂房、工位与工位之间的路径优化与协调，基于时间优先，路径优先，任务均衡原则，结合工厂具体的任务通过智能算法调度安排AGV车辆。

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

进一步的，所述AGV管控系统与上位系统(制造执行系统MES与仓储管理系统WMS)、AGV硬件设备通过5G通信连接，5G无线物联网络采用5G基站、5G接入模组和无线路由器实现5G网络对室内和室外的全覆盖。

一种基于5G物联网的AGV调度路径优化系统，包括以下模块：

工单生成并下发模块：用于根据生产工单产生搬运任务，并生成AGV搬运任务；

AGV调度路径规划模型构建模块：用于构建AGV调度路径规划的搜索状态的数学模型；

路径规划模块：用于依据启发式算法求解并输出最佳AGV调度策略方案。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤1，MES系统根据生产工单产生搬运任务，并下发至WMS系统；

步骤2，WMS系统接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

步骤4，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划；

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

一种计算机可存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤1，MES系统根据生产工单产生搬运任务，并下发至WMS系统；

步骤2，WMS系统接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

步骤4，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划；

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

下面结合实施例与附图对本发明做进一步的说明。

实施例

结合图1和图2，一种基于5G物联网的AGV调度路径优化方法，包括以下步骤：

步骤1，MES系统(制造执行系统)根据生产工单产生搬运任务，并下发至WMS系统(仓储管理系统)；

步骤2，WMS系统(仓储管理系统)接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

由于实际的车间产线设备和仓储之间构成的电子地图是非规则形状，布局场地和资源设备也可能有种种制约和限制，因此，AGV调度路径优化问题比较复杂，将物流调度过程中涉及到的对象进行相应地简化和抽象，根据车间实际生产作业特点，进行如下模型假设：

所述数学模型，其前提条件(约束条件)包括：

(1)任一时刻，每辆AGV小车只搬运同一种物料、每台机器只加工一个工件；

(2)AGV小车在负载或空载下的行驶速度不受影响，在完成任务后将返回指定的停靠点等待；

(3)每个工位均有缓存区，用于存放待加工和已加工好的工件；

(4)加工设备资源冲突经高级排程由车间制造执行系统MES进行动态调度和状态监控，AGV管控系统负责接收该数据；

(5)AGV小车能够停靠在车间已规划路线中任何一个工位进行装载或卸载操作，AGV小车在各工位的装载/卸载时间均已知，各工位之间的距离已知；

(6)AGV小车路线是双向单通道，同一时刻在每个节点和路段只允许通过一辆AGV小车；

(7)考虑AGV之间的碰撞和冲突问题；

(8)设置站点专属队列和共享队列，AGV管控系统调度AGV优先进入站点专属队列，如果专属队列已满再进入共享队列排队，且共享队列支持被多个站点共享；

(9)当AGV在进入共享队列的路上时，若发现站点专属队列有空位，则AGV管控系统会自动调度AGV直接去站点专属队列进行排队。

所述数学模型为：

其中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_kj表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间。

步骤4，结合图3，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划，具体包括以下步骤：

步骤4-1，构建AGV行驶地图及边界条件，用M表示AGV行驶地图的点集和边集：

M＝(P,L)

其中，P代表AGV小车定位点的点集，L代表边集，表示点与点之间的连通性,对于任意一条边l∈L，若任意一条边l两端与点p和点r相连接，则表示为l＝(p,r)；设定AGV路径的起始点o和终点e以及当前时间t_pre；

步骤4-2，构建搜索状态数学模型：

S＝(a,dir,t_i,t_j)

其中，a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间；

当AGV在t_i到t_j时间段通过边l从点a沿着方向dir向b点移动，此时需要考虑状态转移，构建新搜索状态的数学模型为：

S′＝(b,dir′,t_i+t_c+t_c′，t_j+t_c)

其中，t_c为AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

步骤4-3，通过定义已知冲突集合中的边l，如果同一时间分别有两辆AGV小车在同方向完全重叠和相反方向完全或部分重叠的情况，则会发生碰撞；

l＝(p,r)，构造冲突边集：

Conf(l)＝{l′|l′＝(x,y)∈L,x＝p或x＝r；y＝p或y＝r}

步骤4-4，枚举所有可能的方向dir，向空的优先级队列Q中加入初始搜索状态：

S＝(o,dir,t_pre,+∞)

其中，o为AGV行驶的起始点，dir为AGV行驶的方向，t_pre为当前时间；

当AGV在t_i到t_j时间段从点a沿着方向dir向b点移动路径为冲突路径时，采用基于人工智能算法调节策略获得新路径行驶状态：

S′＝(a,dir′,t′_i,t′_j)

式中，dir′为AGV新朝向，t′_i＝t_i+t_c+t_c′，t′_j＝t_j+t_c，t_c表示AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

若满足条件

t_i≥t′_i且t_j≤t′_j

采用基于算法调节获得新路径策略较优，否则，采用基于速度调节策略，即保持AGV原路径行驶策略；

步骤4-5，基于上述避免冲突和死锁的数学模型，AGV路径规划的优化目标为完成工单调度任务所有AGV车辆作业的总时间，根据启发式算法搜索队列中估值最小的状态作为取出条件，构建AGV调度路径优化的数学模型为：

式中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_kj表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

步骤4-6，判断工单调度任务队列是否已空，若已空且仍未取出估值最小的状态，则结束算法，说明起始点o和终点e之间不存在合法路径，否则转入步骤4-7；

步骤4-7，判断是否a＝e，若是，则表示找到了优化路径，结束算法并输出最佳AGV调度策略方案，否则返回步骤4-5。

所述对AGV的行进路线进行最优规划的约束条件为：

(1)调度任务中的AGV车辆数不大于厂区内车辆总数，

(2)行驶路径p到r不存在对向行驶车辆，且p到r路径上车辆数不应大于该路径可容纳的最大车辆数：

式中，l为选取的某一路径长度，l_AGV为AGV负载时的长度；

其中x_ki和y_kj通过下述约束条件定义；

进一步的，所述AGV管控系统包括业务编排系统、控制系统、调度系统；

业务编排系统用于接收上位系统任务指令后根据仓库系统出入库信息、厂房车间的生产信息、AGV的实时位置和载货等信息自动生成AGV搬运任务；

控制系统用于通过AGV工作区域的5G无线网络，实时与AGV进行通信，获取AGV位置、运行状态等信息，采集现场设备的运行状态信息，监控AGV运行情况；

调度系统用于接受生产调度指令和通过电子地图调度AGV小车实现仓库到厂房、工位与工位之间的路径优化与协调，基于时间优先，路径优先，任务均衡原则，结合工厂具体的任务通过智能算法调度安排AGV车辆。

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

进一步的，所述AGV管控系统与上位系统(制造执行系统MES与仓储管理系统WMS)、AGV硬件设备通过5G通信连接，5G无线物联网络采用5G基站、5G接入模组和无线路由器实现5G网络对室内和室外的全覆盖。

本发明方法应用5G物联网大带宽、低时延、多连接的特性，通过AGV管控系统和人工智能算法相结合的方式，使得AGV路径规划、实时调度和位置追踪更具有灵活性，提高了运输效率和稳定性，实现了5G使能智能制造的应用。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于5G物联网的AGV调度路径优化方法，其特征在于，包括以下步骤：

步骤1，MES系统根据生产工单产生搬运任务，并下发至WMS系统；

步骤2，WMS系统接收任务指令并生成AGV搬运任务；

步骤3，根据生产任务信息和现场叫料系统的叫料信息，构建AGV调度路径规划的搜索状态的数学模型；

步骤4，AGV管控系统基于AGV所在的位置、起始站点的位置、目标站点位置依据启发式人工智能算法求解，对AGV的行进路线进行最优规划；

步骤5，判断上位系统生产任务是否更新，若是返回执行步骤3，否则输出最佳AGV调度策略方案。

2.根据权利要求1所述的基于5G物联网的AGV调度路径优化方法，其特征在于，所述步骤3中的AGV调度路径规划的搜索状态的数学模型，其前提条件包括：

(1)任一时刻，每辆AGV小车只搬运同一种物料、每台机器只加工一个工件；

(2)AGV小车在负载或空载下的行驶速度不受影响，在完成任务后将返回指定的停靠点等待；

(3)每个工位均有缓存区，用于存放待加工和已加工好的工件；

(4)加工设备资源冲突经高级排程由车间制造执行系统MES进行动态调度和状态监控，AGV管控系统负责接收该数据；

(5)AGV小车能够停靠在车间已规划路线中任何一个工位进行装载或卸载操作，AGV小车在各工位的装载/卸载时间均已知，各工位之间的距离已知；

(6)AGV小车路线是双向单通道，同一时刻在每个节点和路段只允许通过一辆AGV小车；

(7)考虑AGV之间的碰撞和冲突问题；

(8)设置站点专属队列和共享队列，AGV管控系统调度AGV优先进入站点专属队列，如果专属队列已满再进入共享队列排队，且共享队列支持被多个站点共享；

(9)当AGV在进入共享队列的路上时，若发现站点专属队列有空位，则AGV管控系统会自动调度AGV直接去站点专属队列进行排队。

3.根据权利要求2所述的基于5G物联网的AGV调度路径优化方法，其特征在于，所述步骤3中的数学模型为：

其中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_kj表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间。

4.根据权利要求2所述的基于5G物联网的AGV调度路径优化方法，其特征在于，所述步骤4中的对AGV的行进路线进行最优规划，具体包括以下步骤：

步骤4-1，构建AGV行驶地图及边界条件，用M表示AGV行驶地图的点集和边集：

M＝(P，L)

其中，P代表AGV小车定位点的点集，L代表边集，表示点与点之间的连通性，对于任意一条边l∈L，若任意一条边l两端与点p和点r相连接，则表示为l＝(p，r)；设定AGV路径的起始点o和终点e以及当前时间t_pre；

步骤4-2，构建搜索状态数学模型：

S＝(a，dir，t_i，t_j)

其中，a表示AGV所处的当前点，dir表示AGV朝向的方向，t_i表示AGV到达a点处的时间，t_j表示驶离a点的最大时间；

当AGV在t_i到t_j时间段通过边l从点a沿着方向dir向b点移动，此时需要考虑状态转移，构建新搜索状态的数学模型为：

s′＝(b，dir′，t_i+t_c+t_c′，t_j+t_c)

其中，t_c为AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

步骤4-3，通过定义已知冲突集合中的边l，如果同一时间分别有两辆AGV小车在同方向完全重叠和相反方向完全或部分重叠的情况，则会发生碰撞；

构造冲突边集：

Conf(l)＝{l′|l′＝(x，y)∈L，x＝p或x＝r；y＝p或y＝r}

步骤4-4，枚举所有可能的方向dir，向空的优先级队列Q中加入初始搜索状态：

S＝(o，dir，t_pre，+∞)

其中，o为AGV行驶的起始点，dir为AGV行驶的方向，t_pre为当前时间；

当AGV在t_i到t_j时间段从点a沿着方向dir向b点移动路径为冲突路径时，采用基于人工智能算法调节策略获得新路径行驶状态：

S′＝(a，dir′，t′_i，t′_j)

式中，dir′为AGV新朝向，t′_i＝t_i+t_c+t_c′，t′_j＝t_j+t_c，t_c表示AGV从a到b花费的时间，t_c′为AGV到达点a后从原朝向dir转到新朝向dir′的时间；

若满足条件

t_i≥t′_i且t_j≤t′_j

采用基于算法调节获得新路径策略较优，否则，采用基于速度调节策略，即保持AGV原路径行驶策略；

步骤4-5，基于上述避免冲突和死锁的数学模型，AGV路径规划的优化目标为完成工单调度任务所有AGV车辆作业的总时间，根据启发式算法搜索队列中估值最小的状态作为取出条件，构建AGV调度路径优化的数学模型为：

式中，t_ki表示第k辆AGV接收上位系统任务后到开始执行的时间，t_ki表示第k辆AGV完成任务所用的时间，f_k是第k辆AGV接收任务情况，表示在当前点到终点的期望，Q是优先级队列用来维护所有搜索状态；

步骤4-6，判断工单调度任务队列是否已空，若已空且仍未取出估值最小的状态，则结束算法，说明起始点o和终点e之间不存在合法路径，否则转入步骤4-7；

步骤4-7，判断是否a＝e，若是，则表示找到了优化路径，结束算法并输出最佳AGV调度策略方案，否则返回步骤4-5。

5.根据权利要求4所述的基于5G物联网的AGV调度路径优化方法，其特征在于，对AGV的行进路线进行最优规划的约束条件为：

(1)调度任务中的AGV车辆数不大于厂区内车辆总数，

(2)行驶路径p到r不存在对向行驶车辆，且p到r路径上车辆数不应大于该路径可容纳的最大车辆数：

式中，l为选取的某一路径长度，l_AGV为AGV负载时的长度；

其中x_ki和Y_kj通过下述约束条件定义；

6.根据权利要求1所述的基于5G物联网的AGV调度路径优化方法，其特征在于，所述AGV管控系统与上位系统、AGV硬件设备通过5G通信连接，5G无线物联网络采用5G基站、5G接入模组和无线路由器实现5G网络对室内和室外的全覆盖。

7.一种基于5G物联网的AGV调度路径优化系统，其特征在于，包括以下模块：

工单生成并下发模块：用于根据生产工单产生搬运任务，并生成AGV搬运任务；

AGV调度路径规划模型构建模块：用于构建AGV调度路径规划的搜索状态的数学模型；

路径规划模块：用于依据启发式算法求解并输出最佳AGV调度策略方案。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述方法的步骤。

9.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。

Images