摘要
随着工业的发展和科技的进步，叉车式自动导引车(Automated Guided Vehicle， AGV)被广泛应用于仓储、物流等领域，路径规划是其核心技术之一。其中，全局路径规划适用于静态环境，随着应用场景复杂化，需要具有更高的规划效率。局部路径规划适用于动态未知环境，由于算法的局限性，存在局部死锁问题。此外，叉车式AGV对其与目标的角度和距离偏差有着较高的要求。因此，本文提出了改进的全局路径规划算法和局部路径规划算法，并将它们与目标检测算法结合，设计了一种两段式混合路径规划算法。本文主要的研究内容及创新包括： 1. 提出了改进的 A*(Improve-A*，IMA*)全局路径规划算法和基于 Q 学习的动态窗口(Q-Learning-Dynamic Window Approach，Q-DWA)局部路径规划算法。通过将A*算法的评价函数改进为可随搜索距离变化的动态评价函数，同时将单向搜索方式变为双向动态搜索方式，提出IMA*算法。在DWA算法的评价函数中，加入对全局路径的评价子函数，同时结合Q-Learning动态调整评价函数的权重系数，提出Q-DWA算法。仿真表明，IMA*算法在路径长度上减少了13%，规划用时缩短了20%，转折次数减少了20%，遍历节点数减少了48%。此外，Q-DWA算法提高了DWA算法的通用性和实用性，并且能解决陷入局部死锁的问题。 2. 提出了一种改进 YOLOv5m 目标检测算法。针对叉车式 AGV 对目标检测高精度、实时性的使用需求，增加了卷积注意力模块(Convolutional Block Attention Module，CBAM)，并且将边界框损失函数，改进为 FOCAL_EIOU_LOSS 损失函数。实验结果表明，改进YOLOv5m 目标检测算法精度达到 90%以上，检测速度达到30帧以上，满足叉车式AGV的使用需求。 3. 提出了一种两段式混合路径规划算法。针对叉车式 AGV 的实际使用需求，该算法综合了IMA*算法、Q-DWA算法以及改进后的YOLOv5m目标检测算法。该算法采用两段式的规划方式，以全局路径为基础，利用全局路径的关键节点作为局部路径规划的目标进行导航。同时，利用目标检测算法获取AGV与目标的相对位置，进行角度和位置的调整。该算法能够有效地提高AGV的路径规划效率和导航精度，满足实际应用的需求。 最后，考虑实验安全性及场地限制等因素，根据实际差速式叉车运动学模型搭建差速式AGV小车，并进行实际环境测试，以验证本文所提算法的可行性。实验表明，实验使用的差速式AGV小车在静态和动态环境中，均可实现自主路径规划、可实时躲避动态和未知障碍物，并且到达目标位置后，差速式AGV小车与目标的角度偏差在±5°以内，距离偏差在±5cm以内。混合路径算法能够使叉车式AGV自主、高效、安全地完成路径规划，并保证其在导航结束后与目标的角度和距离偏差在合理范围内，为后续工作奠定了基础。
NETL