許晉　李憲強(qiáng)　何琳　高軍偉

摘? 要：隨著經(jīng)濟(jì)和各行各業(yè)的快速發(fā)展，我國科技水平的提升，傳統(tǒng)加工制造工廠逐漸向著智能化和無人化發(fā)展，AGV智能車的應(yīng)用將大大提高制造工廠的工作效率，也能滿足工廠柔性加工制造的需求。制造工廠的工作環(huán)境越復(fù)雜，對工廠內(nèi)的安全要求也就越高，尤其是新興的智能無人工廠，發(fā)生安全事故的后果是不可想象的。在這種復(fù)雜的工作環(huán)境中，AGV小車的路徑規(guī)劃問題需要考慮AGV的實際大小和尺寸，生成路徑的安全性要求比路徑最短更重要。遺傳算法（geneticalgorithm，GA）在路徑規(guī)劃問題中，可以兼顧多個優(yōu)化目標(biāo)，可針對不同的需求設(shè)置不同的編碼方式。在遺傳算法中應(yīng)用了非線性規(guī)劃理論，考慮了路徑的安全性和平滑度。提出了一種自適應(yīng)遺傳算法的路徑規(guī)劃方法，采用了人工勢場對種群初始化，提高了算法收斂速度。提出了基于染色體信息熵的遺傳算法，可通過基因交叉和變異使種群快速繞開障礙物。綜上所述，現(xiàn)有文獻(xiàn)雖然對基于遺傳算法的路徑規(guī)劃方法加以改進(jìn)，使其符合路徑安全性的要求，但卻只是簡單的設(shè)置了固定的安全距離，沒有考慮AGV小車的實際尺寸大小和AGV與障礙物之間的碰撞概率，并且算法改進(jìn)后的收斂效率并不高。本文提出了一種融合碰撞概率的柵格地圖構(gòu)建方法，考慮了AGV的尺寸大小和位姿狀態(tài)，并應(yīng)用改進(jìn)染色體編碼和適應(yīng)度函數(shù)的遺傳算法對A*算法產(chǎn)生的初始路徑進(jìn)行優(yōu)化，加快了遺傳算法的搜索進(jìn)程，最終得到的路徑符合安全性、高效性和最短三項指標(biāo)。

關(guān)鍵詞：加工制造工廠;工廠AGV;安全路徑規(guī)劃;改進(jìn)遺傳算法

引言

工廠AGV行駛路徑復(fù)雜、應(yīng)用局限性等問題，以AGV配送物料行駛路徑最短為目標(biāo)，采用遺傳算法進(jìn)行AGV路徑規(guī)劃，并加入物料類型選擇的循環(huán)套，通過多次實驗確定最合理的控制參數(shù)，從而產(chǎn)生AGV運(yùn)輸多種類型物料的最優(yōu)路徑結(jié)果。使用Matlab軟件對算法進(jìn)行仿真，結(jié)果表明：該算法是有效的，能夠直接實現(xiàn)AGV在運(yùn)輸多種類型物料時所產(chǎn)生的不同種路徑的優(yōu)化。

1工廠AGV問題描述

某工廠的AGV運(yùn)輸物料模型一般可以描述為：工廠的生產(chǎn)車間共有20臺工作機(jī)器，需要5種物料，當(dāng)AGV運(yùn)輸不同物料時，途經(jīng)的機(jī)器坐標(biāo)和數(shù)量不同，行駛路徑有很多種。本文將研究如何運(yùn)用遺傳算法高效直接的產(chǎn)生AGV運(yùn)輸多種物料時的不同路徑優(yōu)化結(jié)果。鑒于AGV運(yùn)輸物料的過程比較復(fù)雜，且為了便于本文的模型建立及研究，現(xiàn)做如下規(guī)定和假設(shè)：1）單臺AGV只可運(yùn)輸一種物料;2）AGV初始位置均在物料配送中心;3）AGV行駛路徑是指從物料配送中心坐標(biāo)為起點，途經(jīng)所有需要此種類型物料的機(jī)器，最后回到起點;4）單臺AGV的運(yùn)輸量可以滿足全部機(jī)器所需的特定類型物料量。

2改進(jìn)的遺傳算法

2.1遺傳算法染色體編碼

本算法采用（-n，n）間整數(shù)編碼的方式，染色體長度為A*算法產(chǎn)生基準(zhǔn)路徑的總節(jié)點數(shù)，編碼數(shù)值的大小表示節(jié)點的偏移，偏移空間為由前一節(jié)點指向該節(jié)點線段的垂直法線上的柵格，規(guī)定0表示節(jié)點不偏移，負(fù)值表示向著前進(jìn)方向的左邊偏移n個柵格，正值則為向右偏移n個柵格。

2.2交叉操作

本文中，假設(shè)隨機(jī)選擇兩個已經(jīng)被復(fù)制的個體分別為：A=35749，B=46285，確定交叉點，A=35|749，B=46|285，在對應(yīng)位置交換基因片段，同時保證每個個體依然是1-N的隨機(jī)排列，防止進(jìn)入局部收斂，交叉過程后則產(chǎn)生=46749，=35285兩個新個體。

2.3交叉概率

選擇將AGV運(yùn)輸C類物料的路徑作為研究對象，遍歷機(jī)器數(shù)目為N=13，AGV行駛路徑個數(shù)也即群體規(guī)模為2N=26，迭代次數(shù)C為50次，設(shè)定變異概率，改變交叉概率的數(shù)值，每種情況實驗15次，求出不同數(shù)值下的平均路徑長度，發(fā)現(xiàn)當(dāng)交叉概率時，平均路徑長度最短。因此，本文中遺傳算法的交叉概率取值為0.6為宜。

2.4模擬制造工廠AGV工作過程

根據(jù)加工制造工廠廣泛應(yīng)用的經(jīng)典車床模型，在GAZEBO軟件中建立了虛擬的制造工廠AGV工作環(huán)境，工廠空間大小為50m×50m，其中分布有CNC數(shù)控機(jī)床兩臺，小型操作臺三個，中型切割機(jī)三臺和大型數(shù)控車床三臺。AGV小車的寬為40cm，長為40cm，長寬比為1。使用本算法模擬的AGV工作路徑，其路徑長度為67.725m，路徑平均碰撞概率為13.721%。

3特殊環(huán)境參數(shù)監(jiān)測系統(tǒng)

特殊監(jiān)測系統(tǒng)設(shè)計是為了監(jiān)測車間環(huán)境在生產(chǎn)過程中產(chǎn)生的非常規(guī)的空氣內(nèi)容物，使用者可以在顯示系統(tǒng)上看到當(dāng)前車間環(huán)境的天然氣濃度、煙霧濃度、氫氣濃度、一氧化碳濃度、酒精濃度、空氣質(zhì)量、可燃?xì)怏w濃度、液化氣濃度的數(shù)值和火焰監(jiān)測，并可以根據(jù)氣體的種類的工作環(huán)境要求設(shè)定不同的報警閥值，當(dāng)某項監(jiān)測指標(biāo)超過報警閥值則會觸發(fā)報警。該系統(tǒng)采用MQ-2到MQ-9等8個模塊、MQ-135模塊和火焰?zhèn)鞲衅??；贏T89C52單片機(jī)系統(tǒng)以及PCF85914芯片進(jìn)行設(shè)計，將8個MQ系列傳感器分為兩組分別連接在兩個PCF8591芯片上進(jìn)行A/D轉(zhuǎn)換，單片機(jī)使用I2C總線連兩個PCF8591芯片，分別使用90H和92H兩個器件地址進(jìn)行訪問，按照順序分別讀取不同的傳感器數(shù)值，并在顯示系統(tǒng)上有對應(yīng)的數(shù)字顯示，MQ傳感器誤差均穩(wěn)定在±0.1V以內(nèi)。八項非常規(guī)監(jiān)測數(shù)據(jù)根據(jù)氣體種類要求設(shè)定不同的報警閾值，當(dāng)超過所設(shè)定的200ppm對應(yīng)閾值的時候就會觸發(fā)報警系統(tǒng)報警，當(dāng)環(huán)境恢復(fù)或達(dá)到標(biāo)準(zhǔn)時系統(tǒng)會停止報警?；鹧?zhèn)鞲衅髟谟忻骰鸬那闆r下會像單片機(jī)發(fā)送異常信號，并通過報警模塊進(jìn)行報警。

4系統(tǒng)架構(gòu)

OpenTCS是Google開發(fā)的一個移動機(jī)器人開源軟件框架，用于移動機(jī)器人的訂單接收、分發(fā)，并且提供了一整套用于外部調(diào)用的API接口。在OpenTCS的基礎(chǔ)上，于頂層開發(fā)調(diào)度中間件，負(fù)責(zé)將用戶或者生產(chǎn)系統(tǒng)生成的訂單進(jìn)行路徑調(diào)度、訂單融合優(yōu)化、AGV分配，然后生成具體的Kernel內(nèi)部數(shù)據(jù)傳給Kernel;于客戶端開發(fā)用戶操作界面，使用RMI遠(yuǎn)程調(diào)度方法與Kernel數(shù)據(jù)交換，實現(xiàn)界面UI與服務(wù)器主進(jìn)程的分離與通訊;在Kernel中開發(fā)響應(yīng)針對下位機(jī)的驅(qū)動，在驅(qū)動中對調(diào)度數(shù)據(jù)進(jìn)行預(yù)處理，并且與下位機(jī)建立TCP/IP通訊;下位機(jī)端開發(fā)與kernel中驅(qū)動對接的驅(qū)動程序，完成數(shù)據(jù)通訊，并且控制響應(yīng)ROS節(jié)點實現(xiàn)對傳感器的控制。

結(jié)語

工廠AGV的行駛路徑問題，本文在路徑優(yōu)化操作前加入物料類型的選擇循環(huán)套，針對不同的群體規(guī)模設(shè)定相應(yīng)的迭代次數(shù)，并通過實驗數(shù)據(jù)選擇優(yōu)化效果最佳的控制參數(shù)，最后進(jìn)行了數(shù)據(jù)的仿真驗證，證明了該算法的有效性。本文的研究成果擴(kuò)大了遺傳算法解決類似路徑規(guī)劃問題的應(yīng)用面。對于工廠的實際生產(chǎn)情況來講，本文的研究成果可以提高車間的生產(chǎn)效率，進(jìn)而提升工廠經(jīng)濟(jì)效益。

參考文獻(xiàn)

[1]? 張軍，趙玉剛，楊強(qiáng)，等.微型自動循跡搬運(yùn)車控制系統(tǒng)的開發(fā)[J].組合機(jī)床與自動化加工技術(shù)，2017（7）：133-136.

[2]? 倪生科，劉正江，蔡垚，等.基于混合遺傳算法的船舶避碰路徑規(guī)劃[J].上海海事大學(xué)學(xué)報，2019，40（1）：21-26.

[3]? 王雷，李明.改進(jìn)自適應(yīng)遺傳算法在移動機(jī)器人路徑規(guī)劃中的應(yīng)用[J].南京理工大學(xué)學(xué)報，2017，41（5）：627-633.

[4]? 劉二輝，姚錫凡.基于改進(jìn)遺傳算法的自動導(dǎo)引小車路徑規(guī)劃及其實現(xiàn)平臺[J].計算機(jī)集成制造系統(tǒng)，2017，23（3）：465-472.