agv路径规划问题设计与研究.pdf

广 东 工 业 大 学 硕 士 学 位 论 文
（工程硕士）
AGV 路径规划问题设计与研究
李松林
二〇一八年五月
分类号： 学校代号：11845
UDC： 密级： 学 号：2111504165
广东工业大学硕士学位论文
（工程硕士）
AGV 路径规划问题设计与研究
李松林
校内导师姓名、职称： 李卫军 副教授
校外导师姓名、职称： 谢振东 教授级高工
学科(专业)或领域名称： 控制工程
学 生 所 属 学 院： 自动化学院
论 文 答 辩 日 期： 2018 年 5 月
A Dissertation Submitted to Guangdong University of Technology
for the Degree of Master
（Master of Engineering）
Design and Research of AGV Path Planning
Problem
Candidate: Li Songlin
Supervisor: Prof. Li Weijun
May 2018
School of Automation
Guangdong University of Technology
Guangzhou, Guangdong, , 510006
摘要
摘要
自动导引运输车AGV（Automated Guided Vehicle，AGV）是工厂智能运输系统
的一个核心组成成分。它能够替代制造业车间中的人工搬运场景（诸如半成品与成
品的运输、成品的存储等过程），实现工厂中货物自动、智能、高效的运输，从而
使得物流系统智能的运转。所以在汽车制造、3C、重工等自动化行业的生产和仓储
系统中得到广泛使用。而随着AGV的大量应用，企业在保证生产与物流效率的前提
下，往往也需要考虑到其投资成本，所以怎样对AGV进行合理的路径规划便成了研
究热点。
现有的AGV路径规划算法主要分为传统算法与智能算法两大类。其中，智能算
法较传统算法更容易实施，而且其搜索能力更强，因而得到广泛应用。但是，现有
的智能算法（包括遗传算法、神经网络算法、强化学习算法等）依然存在一些问题，
例如遗传算法的“早熟”问题与强化学习算法学习效率低的问题。针对这些问题，
本文提出了相应的改进方法，主要内容包括：
1. 对自由路径导引（无磁条、地标等路线作导向）下静态环境中的AGV路径
规划问题进行了研究，并针对该问题应用了遗传算法模型，本文在遗传算法的适应
度函数选取上引入了一些限制条件，优化了路径的选择；其次针对遗传算法容易“早
熟”的问题，在种群中引入分层遗传的概念，增加了种群多样性，有效的提高了算
法搜索性能。
2. 对自由路径导引下动态环境中AGV的路径规划问题进行研究，并设计了基
于深度强化学习的路径规划模型。在改进算法中将神经网络算法获取的优秀行为值
作为强化学习的参考行为，优化了强化学习算法随机选取行为动作所带来的学习效
率低的问题。
为了验证所提算法的有效性，本文分别对改进的智能算法与传统智能算法进行
了仿真研究，并将其路径规划结果以及迭代曲线分别进行对比研究。结果表明改进
的遗传算法较原算法更具全局搜索能力，而且其路径规划结果更优；改进的深度强
化学习