论文部分内容阅读
AGV作为一种具有货物搬运能力的智能机器人,已经在仓储物流运输、生产搬运等产业有了成功的应用,使得企业的工作效率有所提高。为了保障AGV在工作过程中的行驶安全和工作效率,AGV应具有躲避障碍物的能力,而目前现有的避障策略是设定一个安全距离值,当AGV与障碍物之间的相对距离小于该值时就需要AGV停车,但当障碍物为运动的,AGV就会出现随着与障碍物之间距离的不断变化而出现时走时停的现象。显然,这种方法降低了企业的生产效率,为了解决这种现象,本文根据AGV实际的行驶环境,提出一种对动态障碍物避障的策略,通过减少AGV不必要的停车,达到提高企业生产效率的目的。首先,为了保证AGV车体的安全,论文通过分析AGV避障情形、避障过程,把AGV与动态障碍物之间的相对距离和相对速度作为影响AGV避障转角的主要因素,从而建立一种在预测AGV与动态障碍物相对距离基础上可以控制AGV避障转角的模型。其次,建立一种基于模糊推理算法的AGV避障转角模糊控制器,将AGV与动态障碍物之间的相对距离和相对速度作为该控制器的输入变量,AGV的避障转角度数作为该控制器的输出变量,通过建立的AGV避障转角控制模型确定该控制器的模糊规则,同时又建立一种与AGV避障转角模糊控制器同输入同输出变量的AGV避障转角自适应神经网络模糊控制器,并对该自适应神经网络模糊控制器进行一定次数的训练与测试,得到合理的隶属度函数的模糊子集与模糊规则。最后对建立的AGV避障转角控制模型、AGV避障转角模糊控制器、AGV避障转角自适应神经网络模糊控制器模型分别进行仿真验证,结果表明三者均可对达到避障的目的,但AGV避障转角模糊控制器、AGV避障转角自适应神经网络模糊控制器可以解决AGV在避障过程中鲁棒性的问题,且AGV避障转角自适应神经网络模糊控制器可以更好的减小避障时AGV与动态障碍物的中心距离,从而提高AGV的避障准确性。