【中国南京信息工程大学汪先伟团队】基于改进A*算法的AGV任务路径规划研究

研究背景

近年来，全球汽车保有量逐年递增，导致道路交通安全和机动车拥堵状况不容乐观。在新一轮科技革命和产业变革的加持下智能汽车已成为世界各汽车强国的战略竞争高地，同时，作为智能交通系统(Intelligent Transportation System, ITS)的重要组成部分，智能汽车也是解决交通安全以及交通拥堵等问题的有效手段。从关键技术层面可将智能驾驶技术分为环境感知、定位建图、规划控制三大部分，而规划控制中的规划模块被形象地称为智能驾驶的大脑，通过整合上游模块的有价值信息来确定自动驾驶车辆未来的驾驶行为和生成轨迹信息，并在此过程中保证行驶的安全性、舒适性和通行效率。

伴随人工智能的大背景，智能制造的大规模推广应用，与智能汽车具有紧密相关性的类车地盘的AGV作为其中的重要媒介，不断应用到工厂车间、物流仓库、生产加工等多个领域，具备良好的发展前景。而路径规划一直是自动导引车中不可或缺的一部分，规划出一条安全可行、复杂度低的可行路径能够有效地提高AGV任务的执行效率。针对实际应用的一般静态场景，相比较于遗传算法、RRT算法，A*算法的路径寻优效率更高、效果更好。但传统的A*算法在制造业领域下的许多复杂场景中的寻路仍具有改进空间，其寻得的最终路径容易出现复杂度较高的情形，如拓展范围过广、寻路时间较长、路径转弯次数多、拐角不平滑等。针对上述的一些问题，很多学者也进行了一些研究：Guo等人针对A*算法路径规划出的路径折线多、转折角度大问题，提出了融合了Bezier 曲线的方法来进一步优化路径，但缺少对路径寻路速度提升以及不必要转折点数量削减的策略。Cao等人针对搜索到的最终路径转折点较多问题进行改进，通过判断同等代价下优先拓展父节点方向点的搜索方式来减少转弯次数，但存在实际后续路径中具有远离任务点趋势的节点无法完成优化的问题。Chen等人针对规模较大场景中的路径规划，提出了一种双向搜索机制的改进A*算法来提升寻路的时间效率，但缺少对AGV的转向成本的考虑。Xing等人提出一种基于复杂停车环境的A*算法路径规划应用方法，使得规划出的路径更具可行性，但未考虑实际行车路径转折角平滑问题。

本文基于AGV的一般复杂环境和室内应用场景，分别采用栅格法建模复杂环境地图和室内空旷场景下的SLAM((Simultaneous Localization and Mapping,同步定位与建图)算法建图进行路径规划实验，在A*算法的基础之上，引入估价权重并考虑栅格间距值设定，提出拐点回溯处理的路径优化方法来减少不必要拐弯次数，分别在路径节点拓展过程中和初始路径回溯过程中两个方面，对其拓展方式、路径转折点个数以及转弯路径平滑度进行改进优化。经仿真实验验证，最终的改进算法能够增加AGV任务路径的搜索速度，进一步提升节点拓展效率，减少非必要转弯次数，增加实际路径的可行性。

 

结果及意义

本研究基于AGV的一般复杂环境和室内应用场景，利用软件构建复杂环境地图，采用网格法和SLAM (Simultaneous Localization and Mapping)算法构建室内开放场景地图，用于后续路径规划实验。本研究在传统A*算法的基础上，对其在路径节点展开和初始路径回溯过程中的展开方式、拐点个数、转弯路径平滑度进行了改进和优化。本研究的贡献可以总结如下：

在代价函数中引入估计权值，在节点扩展中使用占用节点标记，减少了随机分布障碍物多的情况下扩展节点的数量和寻路时间。我们还提出了拐点回溯的路径优化方法，以减少不必要的转弯、冗余的路径段和集成的Bezier曲线，使路径满足车辆行驶的平滑性要求。最后，通过仿真实验验证了改进算法的适用性。

仿真结果表明，本文提出的改进算法优于传统方法，可以通过规划低复杂度和平滑度的路径来帮助AGV提高任务执行效率。此外，该方案为无人车的全球路径规划提供了新的解决方案。

同时，还有几个方面应该是未来发展的重点，包括规划算法是否能应对多场景而保持良好的适用性和鲁棒性，是否能够在复杂的狭窄场景下满足规划安全稳定性要求以及是否能够考虑感知的不确定性和控制约束来进行规划等。

 

---

---