摘要：针对多自动引导车(Automated Guided Vehicle,AGV)路径规划问题,以最小化总行程时间为目标,提出一种基于冲突搜索(Conflict-Based Search,CBS)算法增强的分布式独立Q学习(Independent Q-Learning,IQL)算法。首先,采用栅格图法构建环境地图,并对多AGV路径规划问题进行数学化描述,涵盖了AGV间的碰撞类型和问题的基本假设。随后,将问题转化为部分可观察马尔可夫决策过程(Partially Observable Markov Decision Process,POMDP),并详细定义了观测空间、动作空间及奖励函数。进一步地,采用异步优先级经验回放架构,将IQL方法扩展到分布式环境中,并通过CBS算法引导Q网络,优化AGV在拥挤环境中的决策过程。最后,根据不同AGV数量设计了与其他深度强化学习算法的对比实验,结果表明所提方法在成功率和平均步长关键性能指标上优于对照算法,从而证实了所提方法的有效性和可行性。

摘要：智能物流是工业4.0的几大主题之一,而基于AGV系统的智能无人仓是现有技术下,物流仓储阶段智能化的一种可能形式。其中,无人仓布局和AGV调度策略都是影响无人仓技术成熟度的重要因素。考虑到无人仓布局与AGV调度策略相互影响的特征,通过将MAPF问题的研究成果与ALNS算法相结合设计AGV调度策略,实验研究了过道等布局要素对于无人仓吞吐效率的影响。实验结果表明,好的过道布局有益于提高无人仓内AGV的运行效率。

摘要：多智能体路径规划问题在航空航天领域的多机任务中应用广泛但求解困难。基于改进冲突搜索的算法被设计用来快速求解多智能体路径规划问题。全局路径规划方面,首先设计综合考虑路径代价总和以及最大完工时间的多目标代价函数,其次提出基于唯一最短路径的冲突分类及消解方案,降低多智能体路径规划的计算量。在线冲突消解方面,利用速度障碍法在线检测和消解智能体与动态障碍物间的突发冲突。仿真结果表明,本文算法在全局路径规划方面保留基于冲突搜索算法的最优性并且降低了算法计算量,同时本文算法能够有效实现在线冲突检测与消解。

摘要：多智能体路径规划应用广泛但求解困难。为更好地处理多智能体路径规划中的路径冲突问题,提高求解效率,将冲突进一步分类为相向顶点冲突和交叉顶点冲突,并提出了对应的消解方式。相向顶点冲突的消解方法采用提前添加约束的方式,避免在消解其冲突的过程中产生另一个可预见的冲突;交叉顶点冲突的消解方法采用寻找最佳等待时间的方式,在消解其冲突的同时消解其他存在的冲突。两种冲突消解方法均可减小约束树的规模,在一定程度上减少算法的计算量。并提出了基于冲突搜索算法的高层节点冲突搜索算法。实验结果表明,所提出的冲突分类及消解方式有效地减小了算法高层中约束树的规模,降低了算法计算量,并在智能体密集的环境下表现出更大的优势。