唐恒亮，唐滋芳，董晨刚，尹棋正，海秋茹

(北京物资学院信息学院，北京 101149)

随着智能化与无人化科技的快速发展，自动引导小车(automated guided vehicle,AGV)在智能仓储中的应用愈加广泛.AGV路径规划是指在最短时间、最短路径和最小能耗的指标下，为AGV规划出一条从任务起点到任务终点的无障碍最优路径.目前，常用于AGV路径规划的算法有人工势场法、A*算法、遗传算法、蚁群算法、神经网络算法和强化学习算法等，这些算法都存在各自的优势，但在目前的复杂环境下也存在灵活性不高、收敛速度慢、易陷入局部最优解等问题.为优化这些问题，相关的学者一直在科研的道路上前赴后继.

用于AGV路径规划的传统算法主要有A*算法、Dijkstra算法、人工势场法和模拟退火法等.赵晓等[1]结合跳点搜索算法改进A*算法，让跳点替换Openlist和Closelist中的不必要节点，简化了计算，缩短了寻径时间；针对A*算法逐个检查相邻节点从而增加处理时间的问题，Guruji等[2]改进了A*算法，在碰撞阶段和碰撞过程之前计算目标函数，减少了处理时间.贺丽娜等[3]将Dijkstra算法和时间窗原理结合起来顺序规划每个AGV的路径，能够有效避免死锁与碰撞.人工势场法结构简单，但对周围环境感知较弱，易陷入局部最优解且目标不可达.因此，Lazarowska[4]提出了离散化人工势场算法，修改无冲突路径以获得更平滑和更短的路径；Zhang[5]针对传统人工势场法，将智能体的运动方向作为控制变量，解决了路径摇摆的问题.模拟退火算法存在收敛速度慢，全局搜索能力弱的问题.Issam等[6]结合模拟退火与禁忌搜索算法，加快了收敛速度且获得了更精确的规划路径；……