陈海洋， 王露楠

(西安工程大学电子信息学院，西安，710048)

随着人工智能、物联网、5G等创新技术的发展，传统的仓储技术与生产线已经不能满足现在的环境需求，为了实现物流仓储的智能化和生产线的柔性化，各大企业纷纷尝试将智能机器人(automated guided vehicle，AGV)投入到物流仓储和生产车间中。为了使AGV能在复杂的环境中更加安全地运行，应针对不同环境对AGV进行路径规划，路径规划算法的目标是为移动机器人在障碍物地图中规划出一条高效可行的路径，该路径对移动机器人导航效果有着至关重要的作用。如何改进现有算法使其更适用于物流仓储和柔性化生产线是当前生产制造业向智能化转变面临的巨大挑战[1]。

目前，AGV路径规划算法的改进多在A*算法[2]、Dijkstra算法[3]、蚁群算法[4]、粒子群算法[5]、遗传算法[6]、人工势场法[7]等，也有学者对这些智能算法进行改进，比如樊志凯等[8]提出基于多目标的遗传模拟退火算法，虽然在简单环境下可以快速得到较优路径，但是在复杂环境下，收敛速度慢，规划路径需要较长时间。为了解决复杂环境下机器人的路径规划问题，概率路图(probabilistic road map, PRM)[9]和快速搜索随机树(rapidly-exploring random trees, RRT)[10]等基于采样的路径规划算法被提出。PRM将连续空间分割成若干个离散空间，然后再利用其他算法寻找路径，由于分割离散空间过程的随机性，使得PRM搜索路径的效率不高。针对PRM路径规划的不足，Lavalle等[10]提出了同样基于采样的RRT算法，该算法虽然具有概率完备性，但是由于只能通过一棵树扩展路径，寻路时间过长。……