仓储物流机器人技术现状与发展

近年来,我国国民经济迅速发展,成本与利润的矛盾逐渐凸显。对于制造企业来说,不断地完善生产系统,优化仓库设计显得尤为重要,智能仓储由于其便于管理、效率高的特性逐渐成为我国仓储方式的中流砥柱,智能仓储的重要组成之一就是仓储物流机器人。

本文结合近年来国内外仓储物流机器人的相关研究,对相关研究方法及成果作了对比总结,最后阐明了仓储物流机器人研究的未来趋势,希望为相关企业及对此方向感兴趣的学者提供一定的帮助。

仓储物流机器人的工作效率影响着整个仓储系统的效率。在此背景下,仓储物流机器人不断优化与完善,在拣选、搬运及码垛等方面承担起重要作用。常见的仓储物流机器人有自动导引小车(Automated Guided Vehicle,AGV)、码垛机器人及分拣机器人等。

AGV是一种不需要人工驾驶,由自动导航系统控制的智能化与柔性化相结合的搬运设备。自动搬运导引车主要运用在汽车行业、物流行业及制造行业等诸多领域,其中,物流行业AGV的应用已经成为继汽车行业之后的第二大应用领域。

码垛机器人主要应用于堆垛与包装作业中,由系统自动控制,可以负担频率高、重量大的堆垛作业,其工作效率与精度远高于人力,且紧凑灵活,占用空间及面积相对较少。码垛机器人根据其原理的不同可分为3种:直角坐标式机器人、关节式机器人及极坐标式机器人。

分拣机器人主要应用于分拣作业。一般的分拣机器人由控制系统、机械手臂、2D相机及检查摄像头等部分组成。通常,工作人员对控制系统预先编程,再使用2D相机实现对物料形状、颜色等特征的分析,计算出手臂合适的夹取姿态,然后手臂将物料分拣到模板对应的凹槽中,完成分拣作业。

仓储物流机器人的研究需基于已知的环境信息,所以,要进行仓储物流机器人的规划设计,需要通过传感器感知环境并建立环境模型,地图建模方式的好坏直接决定着环境信息表达的精确度和复杂度,影响着规划决策的效果与效率[1],研究者常采用栅格法、拓扑法及几何建模等方法进行地图的建模与研究。由于几何建模过于简单无法表示现代仓储物流的特点,故本文对此不作讨论。

栅格法主要是将整个二维空间均匀地离散化为规则的基本单元,每个单元可以用数字赋予该位置唯一的信息,比如用数字“0”代表该栅格对应的位置可以通行,用数字“1”代表该栅格对应的位置存在障碍物无法通行,这样的特性使栅格法在障碍物众多的环境下也能快速地构建与管理地图。但在规模较大,设施布置复杂的地图中,栅格法无法精确实时地提供位置信息,并且栅格地图的精度依赖于栅格化的比例大小,比例过大则计算精度不够,比例过小则增加了计算量。栅格法建模如图1所示。

图1 栅格法建模  下载原图
 

拓扑法构建地图模型即将环境中不同通道之间交叉区域的几何中心或只有一个出口的区域的几何中心抽象为节点的形式,再用线段将每个节点连接在一起,形成点线相连的网络,拓扑地图如图2所示。

图2 拓扑地图  下载原图
 

拓扑地图体现出仓储环境中点线相对位置关系,但损失了地图上的图形形状、面积、距离及方向等细节信息。拓扑法建模的节点和边的数量远小于栅格地图的栅格数量,具有空间和时间复杂度低的优势,但是拓扑法更加依赖于传感器的精确定位,对地图的结构化有一定的要求。拓扑地图的建立通常有两种方式:基于边的建模及基于节点的建模。

仓储物流机器人的核心技术为自主导航技术,其包括机器人对环境的感知、自身定位及路径规划等3个部分[2]。对环境的感知通常通过传感器实现,如红外线、激光雷达及超声波等;其中,红外线通过感应红外光谱的变化来得知目标点的位置,激光雷达和超声波通过基站测出机器人与目标之间的距离,并使用方程计算目标地点的位置。

仓储物流仓储机器人的自身定位由室内定位技术来实现。当前,针对于仓储物流机器人室内定位的技术有5种:二维码导航定位技术、超声波导航定位技术、视觉导航定位技术、光反射导航定位技术及技术即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术,其定位技术对比如表1所示。

除此之外,文献[3]将基于群智感知的定位技术分为基于模型、基于信号指纹、基于惯性导航、基于视觉信息及自我可部署等5种室内定位技术并进行了详细介绍,能够对仓储物流机器人的定位提供一定的参考。

  
表1 定位技术对比  下载原图

近年来,众多学者对任务分配问题进行了广泛研究。文献[4]从机器人执行任务的能力、任务紧急程度和任务复杂程度3个方面出发,对多机器人任务分配问题设定了相应的分类标准,得到同行学者的普遍认同。

从机器人执行任务的能力上进行划分,可以将机器人分为单任务机器人及多任务机器人。单任务机器人即每次只能执行单个订单任务,只有当前任务完成后才进入下一个任务,效率相对较低。多任务机器人即每次可以执行两个及以上的任务,有较强的个人能力,效率相对较高;从机器人的任务需求紧急程度上进行划分,可以将任务分配分为即时分配和延时分配。即时分配即将当前系统中存在的订单直接分配给机器人,延时分配即考虑未来可能产生的订单来进行任务分配;从任务的复杂程度上进行划分,可分为单机器人任务与多机器人任务。单机器人任务即仅需一个机器人即可完成当前订单任务,多机器人任务即需要多个机器人共同合作来完成当前订单任务;文献[5]对Gerkey和Matarid分类法中的延时分配进行了扩展,加入了时间和顺序约束。

目前仓储物流机器人任务分配中常用的算法有遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)、贪心算法、拍卖算法及基于情感招募的算法等。

遗传算法借鉴自然界的“适者生存”的竞争法则,不断优化后代种群的质量,从而得到近似最优解。该算法具有良好的收敛性、全局寻优能力,且过程简单、计算时间少、鲁棒性高且具有良好的可扩展性,适用于求解复杂优化问题,但遗传算法的局部搜索能力较差,易产生早熟收敛的问题,自身参数选取困难,易陷入局部最优。在任务分配问题中,构建合适的染色体编码方式以及适应度函数是解决问题的关键所在。

文献[6]提出了综合时间代价、路径代价和协调度代价的多层编码遗传算法的仓储物流机器人集群任务分配算法。文献[7]改进了遗传算法的变异和交叉规则,对多机器人任务分配问题进行了研究与优化。文献[8]使用遗传算法研究了3个仓储物流机器人的任务分配问题。

粒子群算法的基本思想即模仿兽群、昆虫、鸟群以及鱼群等的群体行为,上述群体根据某种协同方式搜索获得食物,该群体中的各个成员在学习自身经验的同时借鉴其他成员的经验,以此不断改善自身的搜索模式。粒子群算法仅有速度与位移两个迭代因子,原理简单易实现,且粒子具有记忆能力,收敛速度快,寻优过程的稳定性较高。

文献[9]对于多机器人智能仓储系统中某一时刻多订单同时到达的问题,提出了一种改进的PSO算法,利用该方法解决订单任务的调度问题。文献[13]将粒子群算法与遗传算法相结合,用遗传算法中交叉生成后代的策略,使交叉产生基因优良的子代为粒子群算法中粒子的综合效应,使算法有更好的寻优结果并避免了陷入局部最优,实现了批量组策略下的任务组重构。文献[11]针对多目标任务分配问题,使用粒子群算法控制参数,根据粒子的运动行为确定移动机器人的搜索策略。

贪心算法的基本思想是从问题的初始解开始,根据某个优化测度,每一步都求得一个局部最优解,最后期望得到全局最优解。文献[12]基于贪心思想设计了多机器人任务调度策略,构造任务调度评价函数达到执行相应策略的目的。文献[13]将仓储物流机器人分为数量充足和不足两个方面进行讨论,将机器人充足的任务分配问题转化为多机器人、少任务的非平衡指派问题,并使用贪婪思想设计启发式算法;将机器人不足的任务分配问题根据待拣选订单中任务的相似度建立分组模型,使用贪婪思想的邻近算法设计启发式算法。

基于市场的算法是一种受经济规律启发的方法,它基于经济学中拍卖的概念,拍卖是由交易规则的机制来定义[14]。基于市场的算法包括拍卖算法、合同网协议算法等。

拍卖算法即在机器人系统中,让任务作为被拍卖的物品,各机器人之间基于某种协议相互协商、相互谈判最终完成任务分配。各机器人之间的协作是通过投标来实现,根据市场经济充分竞争规律,出价最低的机器人将最终中标。该方法的优点是能够实现全局最优任务分配。分布式拍卖算法是单射型算法,即投标-中标。合同网协议法在拍卖算法基础上实现了招标-投标-中标。

文献[15]使用拍卖算法,对拍卖中机器人故障和环境不确定性的影响找到了合适的解决方案。文献[16]研究多机器人拍卖任务分配问题,研究了招标者和竞标者之间的通信损失对求解质量的影响。文献[17]研究了仓储物流多机器人任务分配问题,通过改进传统拍卖算法,设立了未知任务代价、任务均衡分配及路径代价最小化等多重目标,提出一种新的平衡启发式拍卖方法。文献[18]考虑机器人利用率及机器人之间的互相干扰等因素,提出了考虑任务执行的有效性取代分配的最优性的目标的一种改进的拍卖算法。文献[19]提出了一种组合拍卖算法,该算法主要是基于任务之间的相关性将任务划分为不同的集群,根据集群进行分配的方法比传统的任务分配方法更有效率。

在机器人任务分配问题中,机器人决策和推理能力直接影响到任务的执行情况,因此,国内外涌出一批学者研究以情感为方向的机器人任务分配问题。一般情况下利用以下两种方式实现情感机制对机器人行为的影响:一种方式是通过情感来调节机器人的行为;另一种方式是用情感来触发机器人产生相应的行为[20]。基于情感招募的算法相比智能算法来说更加注重机器人之间的相互影响。

国内研究情感招募的学者以合肥工业大学最为集中。文献[21]分析了大规模机器人追捕的相关特性及情感因素对追捕结果的影响,提出了以神经网络训练过程为核心的情感机器人追捕任务分配自组织算法,并在此基础上提出了基于DIMCSA势点分配围捕策略的大规模情感机器人的追捕算法实现了机器人的任务分配。文献[20]构建了合理的机器人情感模型,基于此情感模型提出一种基于协作意愿的拍卖算法解决了多机器人的任务分配问题。文献[22]基于前人研究,提出基于情感的任务分配算法并引入心理学OCEAN模型对算法进行扩充。文献[23]为度量多机器人任务分配问题中机器人个体合作意愿,提出了一种基于情感合作因子的多机器人追踪任务分配算法,建立了衡量机器人是否适合参与追捕任务的情感合作因子,结合拍卖算法招募团队负责人和团队合作者。

任务分配相关算法对比如表2所示。

物流机器人路径规划的总目标是用尽量少的步数使机器人从起点移动到终点,且途中不与任何障碍物相撞,即达到尽可能减少物流机器人的总运行时间、行走路程以提高整个仓储系统性能的目标。移动机器人的路径规划基本上是通过确定性算法和非确定性算法来完成的,这两种算法的混合被称为进化算法[24],从近年的相关研究分析可知,进化算法及其他智能算法已广泛应用在仓储物流机器人路径规划研究中并取得了阶段性的进展,这些智能算法包括遗传算法、A*算法、Q-Learning算法蚁群算法、粒子群算法、模糊算法、神经网络算法、人工势场算法、细菌觅食法及萤火虫算法等。

  
表2 任务分配相关算法对比  下载原图

遗传算法与其他机器人路径规划的智能算法相比,应用更广、使用更频繁及优点更明确,所以近年来对仓储物流机器人路径规划的研究中,遗传算法论文数量较多。遗传算法在路径规划问题的求解过程中,一般是随机生成初始种群,这种方式得到的解质量较差,所以通常用邻近算法、贪心算法等方法来改善初始种群质量,且由于遗传算法的局部搜索能力差、收敛速度慢,易于陷入局部最优,研究者常将遗传算法与其他智能算法结合在一起解决问题。

文献[25]针对于传统遗传算法收敛速度慢的问题,根据个体适应度的变化动态调整交叉概率和变异概率。文献[26]提出了一种求解移动机器人静态和动态路径规划问题的遗传算法。文献[27]提出了一种新的遗传算法变异算子,并将其应用于动态环境下的移动机器人路径规划,并验证了改进遗传算法的优越性。文献[28]采用最小化所有AGV的总路径距离和最小化每个AGV的单路径距离的双路径约束,提出改进的遗传算法解决多AGV的路径规划问题。文献[29]以完工时间、AGV数量及惩罚成本的最小化作为优化目标,提出一种自适应多目标遗传-差分进化算法,笔者采用多段式实数编码的方式,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,实现多约束条件下AGV系统的多目标调度优化。文献[30]等使用改进的遗传算法实现了货位和路径协同优化。文献[31]采用反向学习生成初始种群,运用自适应的变异和交叉概率对遗传算法进行改进,并设计了动态差分进化策略提高遗传算法的收敛速度。文献[32]提出了一种基于改进遗传算法的帧间关联平稳路径规划方法,解决了常规路径规划算法中路径长度不优及多次路径不连贯的问题。

A*算法是一种重要的启发式算法,主要应用于两点之间最优路径的选取。A*算法通过一个估值函数F=G(n)+H(n)来实现,该函数是影响A*算法效率及优劣的重要因素,G(n)为从初始点到点n的路径的最小代价,H(n)为从点n状态到目标状态的路径的最小估计代价,其中,估值函数的关键在于启发函数H(n)的选择,H(n)的值越接近实际最优值,搜索的效率就越高。A*算法在仓储物流机器人路径规划的应用已经非常普遍。

文献[33]针对A*算法在搜寻过程中的节点多、耗时多等问题,使用双向同步的A*算法,即使算法从起点和终点同时开始路径搜索,并设计启发函数对模型从方向和距离两方面进行改进。文献[34]将物流任务分解,加入曼哈顿路径代价和时间等待代价对A*算法改进修正,实现了特殊道路规则约束下的路径规划。文献[35]引入时间代价结合A*算法解决多仓储物流机器人拣选路径规划。文献[12]从减少路径转角次数的角度对A*算法进行了转角约束,减少了机器损耗,提高了仓储物流效率。文献[36]对传统A*算法中3种常用距离算法的不足提出改进,并提出复杂对角线距离算法对机器人进行路径规划。文献[37]对传统A*算法中预定义的四节点或八结点的拓展方式进行改进,用评价函数计算出邻域的具体坐标,并在邻域上寻找评价值最优的节点来改进A*算法。文献[10]针对AGV路径规划中的资源分配冲突问题,提出了一种引入了转向因子、繁忙因子矫正计算距离的改进A*算法。文献[7]对A*算法的估价函数增加了权值项,结合地图信息表和交通规则对A*算法进行了改进。文献[38]结合A*算法和多帧时间窗轮换算法,对多AGV小车进行全局路径规划。文献[39]用传统A*算法中距离估价函数除以机器人的移动速度,得到时间代价,同时加入转向代价对多机器人拣货路径进行全局规划。文献[40]提出了一种改进的A*算法,该算法能够仅保留路径中的起点、转折点和终点,并针对A*算法中转向次数多的问题,引入了动态切点法对已规划的路径进行平滑处理,实现机器人全局路径规划。

Q-Learning算法是强化学习中的一种,常用于智能控制、机器人等领域。在对环境进行探索之前,任意给定Q-table的初始值。随着对环境的持续探索,Q-table会通过迭代使用动态规划方程来更新Q-table以获得越来越好的近似值,其中,Q-Learning算法中的奖惩函数用来指导和判断机器人运行效果的优劣。

文献[6]设置了合适的奖惩机制以加快Q-Learning算法的收敛性和准确性,并利用曼哈顿路径对路径成本估值,以此优化算法结构。文献[41]针对机器人收敛速度慢的等问题,将模拟退火与Q-Learning算法结合,该算法很好地改善了Q-Learning算法中连续状态空间的泛化问题。文献[42]把人工势场法引入到Q值初始化的过程,解决了现有移动机器人在使用强化学习方法进行路径规划时常见的收敛速度慢、路径平滑度差等问题。文献[43]提出了一种基于Q-Learning的机器人局部路径规划算法,文章合理考虑了环境区域与空间状态数量,并在此基础上设计了连续的报酬函数,使机器人能够及时反馈动作执行情况。

蚁群算法即在搜索过程中,蚂蚁在搜寻路径上释放出信息素,蚂蚁通过感应路径上的信息素,会沿着信息素存在的路径移动。信息素的挥发会随着时间降低,故在路径规划中,相同挥发情况下,路径长度短的信息素浓度相对较高,所以越来越多的蚂蚁选择较短的路径,同时释放更多的信息素,这样路径长度较短的信息素浓度逐渐累加升高,其他路径的信息素浓度越来越低,最终能够确定最优路径。

文献[44]在传统蚁群算法启发函数基础上引入一个路径指引函数,解决了传统蚁群算法路径规划过程中可能出现的路径迂回或者死锁现象,有效地解决了多仓储机器人协同运输作业问题。文献[45]构造了MAKLINK无向网络图对蚁群算法中的启发函数进行优化,并引入动态光滑因子和全局信息因子,达到控制AGV路径的长度和光滑程度的效果,提高了AGV运行的效率。文献[46]比较了遗传算法和蚁群算法在全局静态环境下的路径规划性能,指出与遗传算法相比,蚁群算法在环境中搜索最优路径的时间更短,并提出了一种新的信息素更新参数的蚁群算法。文献[47]通过改进蚁群算法的启发函数和信息素挥发因子,使蚁群算法在全面搜索路径的同时也能快速收敛。文献[48]增加了起始点到目标点的信息素浓度以提高蚁群算法前期搜索效率,并采用自适应策略调整挥发系数以提高蚁群算法的全局搜索能力。文献[49]考虑蚁群搜索过程中的历史信息及失败经验,提出了一种基于负反馈机制的改进蚁群算法来解决机器人路径规划问题。文献[50]提出一种双层蚁群算法,即先用外层蚁群算法寻出一条大致路径,然后将该条路径作为基础构造一个小型区域,在该区域下用内层蚁群算法重新寻优,若所得路径质量更高,则更新路径。文献[51]在双层蚁群算法的基础上提出了一种变步长蚁群算法,该算法扩大蚁群的移动范围,通过对调点的选择达到变步长策略。文献[52]提出一种多态蚁群优化算法,采用自适应状态转移策略和自适应信息素更新策略改进蚁群算法,解决于路径规划问题。文献[53]提出一种自适应的蚁群优化算法,算法在计算信息素增量时同时考虑了路径长度与时间,均衡了路径时间与长度最优。

文献[54]选择粒子群算法进行多机器人路径规划,通过判断阈值来解决早熟收敛现象,通过非线性动态权重来优化核心参数,通过边界约束来优化粒子边界问题的影响。文献[55]提出一种适用于多AGV系统避碰决策优化的改进粒子群算法,即通过融合算法的变异思想为粒子引入变异操作,改善优化算法的全局搜索能力。文献[56]提出了一种粒子群优化算法用于移动机器人的全局最优路径规划。文献[57]设计了并行启发式粒子群优化算法解决移动机器人的全局路径规划问题。文献[58]提出了一种两阶段的全局路径规划方法,即第一阶段以最短路径和最大平滑度为目标建立模型,并设计了一种混沌变化系数的量子粒子群算法求解;第二阶段根据Bezier曲线与平滑度约束对第一阶段所得路径拟合修正,最终得到速度变化小且能耗低的连续路径。文献[59]在传统粒子群算法的基础上,增加了自适应粒子位置更新系数,并引入贪心策略,提高了粒子群算法精度,实现了机器人的静态路径规划。文献[60]应用萤火虫算法来寻找移动机器人在二维静态和动态环境中的无碰撞最短路径,将该算法与粒子群算法进行了比较,并指出萤火虫算法在路径长度和计算成本方面优于粒子群算法。文献[61]针对存在移动障碍物的环境,提出一种能使机器人在最短时间内搜寻到从起始位置到目标位置最短可能路径的细菌觅食优化算法。文献[62]设计了一种改进的克隆选择算法对多AGV路径规划进行了研究。文献[63]提出一种有向D*算法,作者通过引入关键节点和导向函数来控制节点搜索范围,同引入平滑度函数减少无效转弯,实现移动机器人动态路径规划。文献[64]对未知环境下的路径规划,提出一种通过好奇驱动设定奖赏值的强化算法获得最优路径。文献[65]对文献[66]提出的快速拓展随机树(Rapidly-exploring Random Tree,RRT)算法进行了改进。

文献[35]以路径总长度最小为优化目标,提出改进的自适应遗传算法与修正的A*算法相结合的办法实现了单机器人批量拣选的路径规划,并考虑单机器人转向、拣选时间,同时考虑多机器人的位置冲突、等待时间等代价对A*算法改进,实现多机器人批量拣选路径规划。文献[67]将时间窗算法和dijstra算法相结合,在无线通信技术的基础上,实现AGV的路径规划。文献[68]在栅格法建模的基础上,使用人工势场法构造距离函数,以此增加AGV在局部路径上的搜索和安全避障能力,并使用蚁群算法实现全局最优路径规划。文献[69]提出了一种基于人工势场(APF)和模拟退火算法的移动机器人全局路径规划方法,并取得了很好的效果。文献[70]针对AGV的全局路径规划问题,提出一种粒子群遗传相融合的自适应算法,并通过引入自适应惯性权重解决了pso-go融合算法迭代前期寻优速度慢的问题,并针对遗传算法提出一种交叉双重变异策略,优化了融合算法的搜索能力、速度及收敛精度等。文献[71]在栅格法建模的基础上,使用人工势场法作为蚁群算法和A*算法的方向参数加快了蚁群算法的收敛速度,缩小了A*算法的搜索范围。文献[72]提出了一种改进的A*算法与动态窗口法相结合的混合算法,以解决移动机器人在多目标复杂环境中的路径规划问题。文献[73]提出了一种基于独狼搜索机制的自适应精英蚁群混合算法,文中引入独狼视场机制来改进精英蚁群算法的寻径能力,并引入独狼逃跑策略优化信息素的更新机制,提高了混合算法的全局搜索能力。文献[74]从不同的评价指标出发,分析对比了基于栅格地图中常使用的4种全局路径规划算法以及其增强算法。

本文对比了路径规划相关算法,如表3所示。

  
表3 路径规划相关算法  下载原图

在安全避障方面,仓储环境下的障碍物分布规律相对简单,除物理的避障方式以外,目前国内外学者常通过制定交通规则,或者提前预测机器人位置等方式避免冲突。制定交通规则目的在于通过规则自主定义机器人的优先级,使机器人在执行任务过程中,按照优先等级选择继续执行或等待避让的状态,以此杜绝冲突发生。预测机器人位置的避障方式即通过相关算法实时计算机器人的下一步位置,若有机器人的下一步位置重复,则执行等待或重新规划路线命令。

文献[1]提出一种多步前瞻性启发式算法,通过预测机器人移动步数,不断迭代规划出最优路径。文献[6]提出一种在交通规则和预约表约束下的AGV避障方法。文献[12]引入单行道约束,提出基于拥塞控制的多机器人路径规划策略,建立预测拥塞概率地图以减少机器人在工作中遇到的冲突。文献[55]结合图论提出一种基于顶点属性和实时位姿信息的冲突预测方法,并在考虑路网全局状态的基础上,建立避碰决策的数学评价模型,提出一种适用于多AGV系统避碰决策优化的改进粒子群优化算法。文献[75]采用模拟退火算法在固定的多边形障碍物之间寻找无碰撞的最优轨迹,并设立了49条模糊规则来调整机器人在路径规划过程中的速度。文献[67]采用实时更新位置信息和时间窗排布的方法,有效避免了AGV工作过程中可能发生的冲突。文献[7]结合交通规则以及bug算法思想提出了多机器人协同避障算法。文献[38]引入小车的运动学约束和防碰撞最优超平面约束在多AGV全局路径规划的基础上实现了避障。文献[76]针对双向车道仓储环境中AGV的调度问题,首先使用时间Petri网对调度过程进行建模,其次通过对AGV运行路径信息的依次迭代和更新解决调度过程中的碰撞问题,最后在此基础上增加3种碰撞类型分析(节点资源、道路资源及目标节点资源),实现了调度方案最优。文献[62]对柔性生产车间的AGV运行效率问题进行了研究,提出了离线-在线两阶段的交通控制策略来解决AGV运行过程中产生的冲突。文献[45]在实现AGV全局路径最优的基础上,通过加入避障因子使AGV减少碰撞的发生。文献[39]采用优先级法对每种路径冲突类型提出消解策略,并提出一种基于三维时空图和预约表的合作时域算法,解决多个机器人拣货的局部路径冲突问题。文献[50]提出了等待避障策略、正碰避障策略及追尾避障策略等3种策略来解决环境中的动态障碍物躲避问题。

当前,随着我国市场经济的蓬勃发展,用户需求的逐渐个性化及多样化,势必对仓储物流机器人调度提出更高的要求。

仓储物流机器人将趋向于传感器为辅、算法模型为主的导航方式。目前,室内定位技术的准确性依靠于传感器的精度,精度越高则成本越昂贵。针对于仓储物流机器人的室内导航来说,不能过度要求导航的精准性,响应速度快的导航方式应成为首选,因此依靠于传感器高精度的定位将逐渐转向于传感器为辅,算法模型为主的导航方式。

仓储物流机器人的任务分配将趋向多机器人多任务的分配方式,并对任务执行的动态性和反馈性做出要求。随着电子商务的迅猛发展以及订单任务的不断激增,机器人需要迅速对多个订单做出响应,传统的单机器人单任务的分配方式已不能满足当前所需,多机器人多任务的分配方式将成为主流。当前已有学者开始考虑机器人任务执行过程的实时反馈,这将有助于工作人员更好地了解机器人的实时状态,从而保证任务执行的流畅性和高效性。

仓储物流机器人路径规划的目标将更贴合实际情况。当前,学者在进行机器人路径规划时主要考虑的目标是在最短的时间内找到最短行走路径,但在未来多样化的仓储环境下,机器人路径规划的目标将更加具体,更加贴合实际。

仓储物流机器人避障相关算法将向机器人-时间-位置三者相结合的方向发展。机器人的安全避障对系统的动态性要求更高,目前部分学者通过提前计算机器人发生冲突的时间与位置来避免冲突,这种解决避障问题的思路能在仓储物流机器人安全避障领域得到有效利用。

多种新型智能算法及混合智能算法将成为仓储物流机器人问题解决的主流。单一的智能算法已无法满足现实发展的需求,多种算法结合改进,取长补短,不断优化势必带来更满意的解,例如人工势场的方向指导性较好,常将其与其他算法相结合作为方向指引参数。且当前学者们的研究大都停留在传统的群体智能算法上[77],但在社会科学的不断发展下,一些新型智能算法逐步诞生,这些算法参数较少,进化过程相对简单,运算速度快,全局搜索能力更较强,可以广泛应用于解决高维和多目标优化问题[78]。

本文对近年来国内外仓储物流机器人常见的研究方法进行了梳理总结,并在此基础上延伸出了未来仓储物流机器人研究的潜在趋势,希望为使用物流机器人的相关企业及对此方向感兴趣的学者提供一定的借鉴与方法指导。