AGV關鍵技術在航空制造車間的應用展望

1、 AGV關鍵技術在航空制造車間的應用展望 呂玉江 孟召軍 楊偉 陳燕燕 韓召 謝明苛 王延忠Summary：隨著智能制造和航空產(chǎn)品的發(fā)展，傳統(tǒng)的航空產(chǎn)品制造技術已經(jīng)不能滿足航空產(chǎn)品日益發(fā)展的需求，隨著智能制造技術的出現(xiàn)及發(fā)展，以智能物流為基礎的智能制造車間逐漸得到了廣泛應用。在智能制造車間物流中，自動引導小車（AGV）得到了廣泛應用。本文在對AGV關鍵性技術研究進行綜述的基礎上，總結了AGV在物料配送車間的工作流程，闡述了AGV在車間智能控制系統(tǒng)中的應用，提出了將AGV應用于航空制造車間智能物流的方法，并指出了AGV在航空制造車間的應用前景及其發(fā)展方向，對AGV的應用及發(fā)展具有一定的借鑒和參考

2、意義。Key：智能制造；車間物流；路徑規(guī)劃；AGV；航空制造：V264.2：ADOI：10.19452/j.issn1007-5453.2021.07.001自動引導小車（AGV）是指能夠按照規(guī)劃的路徑行駛的，具有移動、負載等功能的地面機器人。AGV有自動化程度高、靈活性強、安全性高等特點。在制造車間中，AGV可以與各類生產(chǎn)線、裝配線、輸送線站臺、貨架、作業(yè)點有機結合在一起，最大限度地縮短物料周轉(zhuǎn)周期，提高生產(chǎn)系統(tǒng)的工作效率。由于其突出優(yōu)勢，AGV被廣泛應用于制造車間物料配送中，解決制造車間存在的物料轉(zhuǎn)運效率低、智能化程度不高等問題。隨著“智能制造”和航空產(chǎn)品的發(fā)展，航空制造車間由于物料種類多

3、、數(shù)量大，并且配送效率低的因素，現(xiàn)有的制造技術已經(jīng)不能滿足航空產(chǎn)品發(fā)展的需求。因此，將以智能物流為基礎的智能制造引入航空制造車間，對推動航空產(chǎn)品的發(fā)展具有重要意義。而AGV作為智能物流中最關鍵的角色，對其關鍵性技術進行研究，并將其應用于航空制造車間，對航空制造車間的發(fā)展有一定推動作用。1航空制造車間存在的問題航空作為軍事力量的重要組成部分，對于國家和人民至關重要，經(jīng)過幾十年的發(fā)展，我國在航空領域已經(jīng)取得了卓越成就。然而，制造技術的落后限制了航空產(chǎn)品的制造和進一步發(fā)展。隨著智能制造的發(fā)展，智能制造在航空產(chǎn)品制造中的應用，受到了許多學者的關注1。航空產(chǎn)品的制造過程主要為：零部件制造、定位、組件連接

4、、機構裝配及總體裝配，最重要的裝配過程是在裝配線上進行的，雖然現(xiàn)有的固定工位式裝配線、脈動式移動裝配線、移動裝配線可以在一定程度上提高裝配效率，但是由于涉及的物料種類繁多、數(shù)量龐大，現(xiàn)有物流效率仍然不能滿足進一步發(fā)展的民用航空制造需求，難以保證制造任務按計劃完成，并且存在以下問題2。（1）工位物料積壓航空產(chǎn)品由于裝配要求高，作業(yè)周期較長，工作量大，各工位上一般會存放幾個工作日的成品及所需物料，待一個工作周期結束后統(tǒng)一配送，因而，物料會停滯在存儲區(qū)，造成生產(chǎn)線的物料堆積。（2）生產(chǎn)線物料短缺由于航空航天制造車間的物料配送由人工及可操縱的移動設備完成，人為的操作具有隨機性，會導致生產(chǎn)線上的物料存儲

5、空間不足，出現(xiàn)配送擁堵，使得緊需物料無法及時進入存儲區(qū)，導致物料短缺。（3）配送靈活性差航空產(chǎn)品的物料配送以“點對點”的方式實現(xiàn)，當出現(xiàn)物料缺少時，需要經(jīng)過多次報備配送，物料才能到達工位，人為的參與就使得物料配送具有隨機性和繁雜性，容易造成配送出錯，影響裝配效率。針對航空產(chǎn)品的生產(chǎn)裝配線存在的上述問題，航空產(chǎn)品制造車間企業(yè)需要車間進行自動化和智能化轉(zhuǎn)型升級，并在此基礎上研究車間智能物流配送技術，實現(xiàn)物料及時配送和高效生產(chǎn)。智能物流作為智能制造的重要環(huán)節(jié)，可以實現(xiàn)環(huán)境感知、決策判斷和路徑規(guī)劃等功能，因此，將智能物流應用于以智能車間為載體的智能制造中，研究復雜環(huán)境的車間智能物流配送技術，能夠最大程

6、度地提升航空產(chǎn)品制造車間管理的準確性，根據(jù)指令互聯(lián)互通協(xié)同作業(yè)，高效地完成搬運與輸送任務。AGV是一種能夠在已知或未知地圖中，根據(jù)上位機給定的路徑信息和指令，完成物料運輸任務的智能裝備。在生產(chǎn)車間，AGV由于其靈活、智能化、柔性化等特點，成為車間物流中的重要組成部分，并得到廣泛應用3。相對于傳統(tǒng)的物流方式，采用AGV進行物料配送，在保證同等運輸能力的條件下，可至少節(jié)約80%以上的勞動力，因此，通過在航空產(chǎn)品制造車間引入以AGV為主體的智能物流對物料的轉(zhuǎn)運過程進行優(yōu)化，可以提高物料的配送效率，降低生產(chǎn)成本，推動航空制造車間的進步，助力航空裝備的發(fā)展。在針對AGV的研究中，關鍵性的技術包括路徑規(guī)劃

7、和任務調(diào)度兩方面。本文在對AGV在路徑規(guī)劃和調(diào)度兩方面進行綜述的基礎上，對AGV的研究現(xiàn)狀進行總結，并對其在航空產(chǎn)品制造車間的應用進行展望。制造車間常見的AGV如圖1所示。2 AGV路徑規(guī)劃AGV路徑規(guī)劃的目的是為AGV提供最優(yōu)的行走路徑，根據(jù)AGV所處的環(huán)境的不同可以分為已知環(huán)境下的全局路徑規(guī)劃和未知環(huán)境下的局部路徑規(guī)劃。根據(jù)此種分類方法，國內(nèi)外學者對AGV路徑規(guī)劃的研究可分為全局路徑規(guī)劃算法和局部避障路徑規(guī)劃算法。2.1全局路徑規(guī)劃在全局路徑規(guī)劃算法方面，研究方法主要包括圖論法、動態(tài)路徑規(guī)劃算法、狀態(tài)空間法和智能算法等，本文主要對圖論法和狀態(tài)空間法進行介紹。（1）圖論法將圖論法應用在機器人

8、路徑規(guī)劃中是一種新的數(shù)學方法，對求解機器人路徑具有重要價值，圖論法中，最常用的是Dijkstra算法，該方法的基本思想是從起點出發(fā)，逐步地向外探尋最短路。Dijkstra算法是一種貪心算法，通過一個數(shù)組記錄起點到各個頂點的最短距離和已經(jīng)確定最短路徑的頂點集合，在路徑規(guī)劃開始時，將起點的路徑權重設為0，對于起點能直接到達的點將其路徑權重（長度）記錄下來，對于不能直接到達的頂點，將路徑長度設為極大。初始的頂點集合只有起點。然后，對周圍頂點選擇路徑長度最短的一點，并將該點加入到集合中，然后確定新加入的頂點是否可以到達其他頂點，并對比該頂點到其他點的距離是否比起點到其他點的距離更短，如果是，就將其路徑

9、長度記錄下來，并在記錄下來的路徑長度中選距離最小的頂點，將這一頂點設置為新的起點，重復以上操作，就可以求出最短路徑4-5。Dijkstra由于采用貪心搜索策略，所以一定可以求解出最短路徑，但是由于其搜索的點太多，在障礙物數(shù)量大的場合中，求解效率太低，為解決這一問題，趙東雄6通過將搜索區(qū)域限定在一定的長方形中來減少算法搜索的點，對提高路徑規(guī)劃效率有啟發(fā)性的意義。在圖論法中，D*算法也是一種常見算法，該算法是Stentz7在1994和1995年兩篇文章中提出的，由于D*算法是一種啟發(fā)式的路徑搜索算法，適合應用在未知環(huán)境或者動態(tài)變化場景中，因此適合于機器人探路場合，最早用于火星探測，如美國“索杰納”

10、火星車，通過利用該算法，完成了在火星復雜地形下的路徑規(guī)劃8。（2）狀態(tài)空間法狀態(tài)空間法是以狀態(tài)和操作符為基礎的問題表示和求解法，可以用來解決復雜環(huán)境中的路徑規(guī)劃問題9。利用這一方法的路徑規(guī)劃算法主要有全局擇優(yōu)搜索、A*算法、Tabu搜索法、模擬退火算法和爬山算法。目前在路徑規(guī)劃中采用的最廣泛的算法是A*算法，該算法是一種采用啟發(fā)函數(shù)的優(yōu)先級搜索算法，通過搜索、遍歷節(jié)點，計算路徑來求解最短路徑，啟發(fā)函數(shù)的作用是判斷在遍歷節(jié)點時先遍歷哪些節(jié)點可以使路徑最短，以提高搜索節(jié)點的效率。A*算法是P.E.Hart，N.J.Nilsson和B.Raphael在1968年提出的，在靜態(tài)環(huán)境中，A*算法能夠針對

11、兩點之間的最優(yōu)距離進行計算，但是在柵格化的地圖中進行移動機器人路徑規(guī)劃時，由于復雜環(huán)境約束的存在，A*算法規(guī)劃出的路徑可能并不是最優(yōu)，為了解決這一問題，王利敏10將A*算法引入到月球車路徑規(guī)劃中，證明A*算法在靜態(tài)完全已知地圖中能以極快的速度找到最短路徑，并對A*算法進行了優(yōu)化。創(chuàng)造性地將A*算法和B樣條函數(shù)相結合，使得AGV可以在復雜地圖中快速地搜索出最短路徑。孫煒等11提出了一種改進的A*算法，采用柵格方法建立環(huán)境模型并針對A*算法規(guī)劃的路徑冗余點較多以及路徑長度和轉(zhuǎn)折角度較大的缺陷，將規(guī)劃出的路徑分割成較小步長，得到新的路徑節(jié)點，最后，從起點開始依次用直線連接終點。結果表明，該算法能在復

12、雜環(huán)境中，有效地減小路徑長度和轉(zhuǎn)折角度。王洪斌等12提出了一種改進的A*算法與動態(tài)窗口法相結合的混合算法，利用目標成本函數(shù)對所有目標進行優(yōu)先級判定，進而利用改進的A*算法規(guī)劃一條經(jīng)過多個目標點的最優(yōu)路徑，同時采用自適應圓弧優(yōu)化算法與加權障礙物步長調(diào)節(jié)算法。此外，提出將改進動態(tài)窗口算法與全局路徑規(guī)劃信息相結合的在線路徑規(guī)劃法，采用預瞄偏差角追蹤法成功捕捉移動目標點，提升了路徑規(guī)劃效率，仿真實驗表明該方法能夠在復雜動態(tài)環(huán)境中更有效地實現(xiàn)路徑規(guī)劃。2.2局部避障路徑規(guī)劃在局部避障路徑規(guī)劃方面，研究應用較多的包括人工勢場法和構建局部地圖避障。本部分主要對兩種研究方法進行介紹。2.2.1人工勢場法人工勢

13、場法認為在環(huán)境中的機器人運動，是在引力和斥力和合力下引起的，其中引力是由目標點產(chǎn)生的，斥力是由障礙物產(chǎn)生的，通過控制引力和斥力，可以實現(xiàn)對機器人運動的控制的位置的計算。1986年，Khatib13首先將人工勢場算法引入到了機器人避障路徑規(guī)劃領域，人工勢場路徑規(guī)劃技術由于原理簡單，便于控制，在機器人的實時避障方面得到了廣泛研究，但人工勢場路徑規(guī)劃方法通常存在局部極小點，引力和斥力場設計時存在人為不確定因素，限制了人工勢場法的應用，為了解決這些問題，朱毅等14設計了一種基于行為的局部極小點的解決方法，通過設計多種合理的轉(zhuǎn)換條件，提高了機器人的決策能力，使機器人能根據(jù)場景采取合適行為，避免出現(xiàn)局部極

14、小點。于振中等15引入了填平勢場，并規(guī)定該勢場只有當機器人處于局部極小點時才啟用，用以解決局部極小點的缺陷。盡管已經(jīng)有不少針對人工勢場法的改進方法，但到目前為止，動態(tài)環(huán)境中引力場與斥力場的設計、局部極小問題仍未得到完全解決，另外，由于人工勢場法的原理，使其在在障礙物較多時，路徑規(guī)劃的計算量會很大，以上這些問題的存在，使得人工勢場路徑規(guī)劃方法的應用受到了限制。2.2.2構建局部地圖避障要構建地圖進行避障，首先要進行的就是構建環(huán)境地圖，在構建環(huán)境地圖方面，常用的有兩種方式，即基于機器視覺的地圖構建和基于SLAM的地圖構建。（1）機器視覺機器視覺可以看作是從圖像中抽取、描述和解釋信息，最終用于實際檢

15、測、測量和控制，其核心內(nèi)容是圖像的處理和識別。在對圖像進行識別前，需要通過預處理對圖像進行特征提取和增強，改善圖像質(zhì)量，便于計算機對圖像進行分析處理?；跈C器視覺的路徑規(guī)劃系統(tǒng)，首先通過視覺和圖像處理的方式采集環(huán)境信息并進行處理和存儲，然后，在運行過程中，對采集到的圖像進行分析，采集AGV在行駛中的信息，最后完成AGV的局部路徑規(guī)劃。國內(nèi)高校中，吉林大學智能車輛課題組最先開始從事基于視覺導航方式AGV研究，采用射頻識別（radio frequency identification，RFI）技術16，先后開發(fā)了JUTW-1、JUTIV-2型視覺導航車，并開發(fā)出面向工廠實際應用的JUTIV-3通用

16、型和裝配型視覺導航AGV17。范瑩莉18在采用單目攝像機機器視覺的AGV上，研究了基于圖像序列的動態(tài)路徑識別算法，對路徑上的標識符和障礙物分別進行識別，實現(xiàn)了局部避障的功能。哈爾濱工業(yè)大學張明明19應用低成本視覺傳感器，研究一種工廠三維環(huán)境的實時重建算法，并利用算法重建的三維環(huán)境地圖，實現(xiàn)了光伏清洗機器人的路徑規(guī)劃。姚偉等20為滿足AGV運動對于AGV視覺導航系統(tǒng)實時性和精確性的要求，設計了基于April Tag視覺基準的視覺定位系統(tǒng)，完成了對AGV工作場景標簽信息的快速采集、標簽識別及位置獲取的圖像處理算法設計以及基于多核通信的軟件系統(tǒng)設計，試驗研究表明，該系統(tǒng)可滿足AGV運動對避障系統(tǒng)的實

17、時性、精確性要求。（2）SLAM同步定位與建圖（simultaneous localization and mapping， SLAM）是指機器人在未知環(huán)境中移動時，一邊移動，一邊根據(jù)自身攜帶的傳感器在對自身進行定位，同時利用外部傳感器對采集的環(huán)境信息進行分析，構件環(huán)境地圖。國內(nèi)外高校、公司在SLAM建圖避障方面進行了大量的研究，如Google公司研發(fā)的全自動駕駛汽車，搭載雷達、激光測距系統(tǒng)、視覺相機、GPS、輪轂傳感器等設備，可以實時更新地圖，引導汽車準確到達目的地，其原理圖如圖2所示。美國Omron Adept公司推出了的一款自主導航的移動機器人平臺Adept Lynx，該平臺利用自身導航

18、軟件進行定位，并且無須安裝磁條導軌、色帶、信號反射器等外界輔助工具，可以根據(jù)自身傳感器，結合現(xiàn)場環(huán)境自主探測周圍環(huán)境，完成路徑規(guī)劃和避障21，如圖3所示。D. V. Lu等學者研究了環(huán)境中行人的存在對路徑規(guī)劃的影響，將行人對路徑規(guī)劃的影響等效為高斯參數(shù)，則將行人對路徑規(guī)劃的影響轉(zhuǎn)化為高斯參數(shù)對路徑規(guī)劃算法中各參數(shù)的影響，圖4展示了在同一環(huán)境中，不同高斯參數(shù)對路徑規(guī)劃的影響22。浙江大學奚婉對電力巡檢機器人的導航系統(tǒng)進行了研究，搭建了軟件系統(tǒng)，可以實現(xiàn)環(huán)境地圖顯示、路徑規(guī)劃、定位導航控制等功能，不僅可以創(chuàng)建全局地圖，還可以求解最短路徑，規(guī)劃最優(yōu)導航路線23。哈爾濱工業(yè)大學的王超研究了一種室內(nèi)機器

19、人的導航算法，通過激光和視覺傳感器進行環(huán)境和地圖構建，如圖5所示，最后通過試驗對機器人的室內(nèi)環(huán)境定位、動態(tài)環(huán)境導航算法進行了驗證24。深圳樂行天下科技有限公司研發(fā)了一種用于機器人及其他設備的自主導航模塊Navi Pack，可以對周圍環(huán)境進行持續(xù)掃描，避開障礙物，選擇安全路徑，實現(xiàn)精確導航，如圖6所示。通過對國內(nèi)外學者在車間物流AGV路徑規(guī)劃的研究總結后發(fā)現(xiàn)，AGV的物料配送路徑規(guī)劃是AGV在車間物流配送系統(tǒng)的基礎，路徑的基本流程為：上層系統(tǒng)生成配送任務信息，系統(tǒng)下發(fā)任務至待命點的AGV，AGV接收上層系統(tǒng)發(fā)送的物料配送信息后開始執(zhí)行任務。當在路徑中遇到?jīng)_突障礙時，進行判斷，沖突解決后前往下一目

20、標，直到到達任務目標點；若障礙無法避開，則重新生成配送任務信息；到達任務地點后卸下物料，判斷是否需要充電，需要充電則進行充電，否則回到待命點。其工作流程圖如圖7所示。3 AGV調(diào)度對于應用在車間中的AGV，已有的研究大多是針對單個AGV進行的25-26。然而，智能制造車間中會有大量的物料及物料配送任務，因此，單個AGV無法完成這些任務，通常需要多個AGV協(xié)同作業(yè)，智能制造車間中通常會利用AGV車群來完成運輸任務。因此，近年來多個AGV的調(diào)度逐漸進入研究者們的視野，研究者們的研究主要集中在多AGV任務規(guī)劃和多AGV任務調(diào)度兩方面。多AGV任務規(guī)劃的目的是完成多個AGV的路徑規(guī)劃，解決多個AGV之

21、間的路徑?jīng)_突問題。多AGV的任務調(diào)度的目的則是完成任務分配，給多個AGV分配運送任務，并確定起點和終點。3.1 AGV任務規(guī)劃在對多AGV任務規(guī)劃的研究方面，大多數(shù)研究的目標集中在解決AGV規(guī)劃完成的任務之間的沖突和避讓問題，目前已有的研究中，主要通過集中式和分布式兩種方法來解決這一問題27。在集中式方法中，Peasgood28，Clark29等使用帶有特定拓撲的圖來搜索路線圖的最小生成樹，Wang等30則將智能制造車間限制為網(wǎng)格世界，問題即轉(zhuǎn)化為在網(wǎng)格世界中尋找不沖突的路徑。集中式方法在多路徑規(guī)劃中具有完整性，這一理想特性在多AGV任務規(guī)劃中非常難得，但這種方法對系統(tǒng)的計算能力有很高的要求3

22、1。為了提高路徑規(guī)劃效率，企業(yè)中一般采用計算效率較為理想的方式（分布式方法）來進行路徑規(guī)劃。例如，Ma等32使用了一種分布的多代理運動規(guī)劃方法，這種方法使用一種算法來查找各個AGV的路徑，但這個方法存在的最大問題就是不能處理出現(xiàn)沖突的場景。Erdmann等33通過提出優(yōu)先級規(guī)劃方法來解決這個問題，并且通過實踐證明了這一方法的有效性，并廣泛應用于多機器人的運動規(guī)劃。但Dewangan等34指出，在實際應用中，由于環(huán)境的復雜性，優(yōu)該算法可能使AGV發(fā)生路徑?jīng)_突現(xiàn)象，為避免這種現(xiàn)象，Cap等35提出了一種改進的優(yōu)先級規(guī)劃方法，可應用在系統(tǒng)結構環(huán)境較好的工廠中。對多AGV任務規(guī)劃的研究除了解決AGV之

23、間的避讓問題外，還需要為每一個AGV從起始點到終點找到一條最優(yōu)路徑。目前國內(nèi)外大多數(shù)研究者采用智能化程度更高、更復雜的算法來求解最優(yōu)路徑36。例如，Mousavi37采用了遺傳算法求解AGV的最優(yōu)路徑；王輝等38采用了蟻群算法求解最優(yōu)路徑；智能算法具有較好的魯棒性和隨機搜索機制，但隨著AGV數(shù)量以及配送任務的增加，傳統(tǒng)智能算法已經(jīng)不能解決遇到的問題，目前，更多的研究都集中在算法的改進策略上。例如，Zhang等39提出了一種改進的人工魚群算法，并將其應用于機器人路徑規(guī)劃；Han等40研究了一種改進的多AGV路徑規(guī)劃遺傳算法并進行了試驗，結果表明，改進后的遺傳算法縮短了AGV的行駛距離；針對移動機

24、器人的路徑規(guī)劃，Li等41將路徑規(guī)劃問題轉(zhuǎn)化為多目標優(yōu)化問題，開發(fā)了一種新的自適應粒子群算法來提高路徑搜索能力，并通過試驗驗證了算法的可行性和有效性。綜上所述，現(xiàn)有的研究在進行多AGV任務規(guī)劃時，主要解決AGV之間的避讓和多條AGV路徑的規(guī)劃這兩個問題。研究者們通過集中式和分布式的方法解決AGV動態(tài)規(guī)劃（AGV之間的避讓）問題，其中分布式方法應用較為廣泛，更加適用于航空制造車間的物料配送；同時，通過智能算法來解決多AGV路徑規(guī)劃（求解最優(yōu)路徑）問題，且多數(shù)研究者通過改進傳統(tǒng)智能算法來提升算法的效率。3.2 AGV任務調(diào)度在實際應用中，AGV的任務規(guī)劃只能解決從起始點到目標點的移動問題，AGV的

25、任務調(diào)度技術則為每個AGV分配起始點和終點。AGV的任務調(diào)度要考慮到配送的成本和所需的時間，調(diào)度方案的優(yōu)良與否，決定著制造車間的物料配送效率，對制造車間任務的完成時間具有決定性作用，因此，近年來許多學者在進行AGV任務調(diào)度的研究。目前，國內(nèi)外學者在AGV的任務調(diào)度領域已取得一定進展：李巖等42采用遺傳算法同時調(diào)度機器和AGV，使AGV調(diào)度成為柔性制造系統(tǒng)集成調(diào)度的一部分，提出了一種新的群體控制策略并通過實例進行了驗證。孫志峻等43提出了一種將遺傳算法和分派規(guī)則相結合的調(diào)度算法。雷定猷等44提出了一種混合遺傳算法。劉旭等45提出了一種改進的遺傳算法進行AGV的任務分配和配送路徑優(yōu)化。近年來，對A

26、GV的任務調(diào)度問題的研究領域主要集中在制造車間、裝配車間和集裝箱碼頭，大部分研究將任務完成時間最短設為優(yōu)化目標，將模型理想化，并且局限于有軌AGV的任務配送系統(tǒng)，只是單純解決了生產(chǎn)設備和AGV之間的調(diào)度問題46。綜上所述，現(xiàn)有的研究中，任務調(diào)度模型都是假設AGV按照固定的路線到達各個位置，但是這并不適用在制造車間環(huán)境中。在制造車間中，對于沒有固定軌道的AGV，在避讓障礙物時，行駛路線并不是固定的，并且，實際運行時，AGV并不能作為理想模型來考慮，AGV的電量、負載、充電時間等，都應該作為變量考慮進參考模型中。因此，在現(xiàn)有的研究中，對于AGV調(diào)度的理論研究與實際應用還存在一定差距，需要進一步完善

27、。根據(jù)對多AGV調(diào)度的國內(nèi)外現(xiàn)有的研究現(xiàn)狀可以看出，大多數(shù)學者是對AGV任務調(diào)度和任務規(guī)劃分別進行研究，對兩者的集成研究較少，這是由于兩個問題本身都是難以解決的復雜問題，集成計算會使得問題解決的難度更大47，但是在實際的制造車間中，這兩者是分不開的。為了解決這一問題，Xidias等48-50在集成調(diào)度和路徑規(guī)劃方面做了一些相關的研究，將工廠地圖等效成樣條曲面51，路徑規(guī)劃問題則轉(zhuǎn)化為在地圖上尋找滿足約束條件的樣條曲線的控制點，AGV的路徑則等效為通過控制點來生成的樣條曲線。在算法上，Xidias等將遺傳算法的編碼分為整數(shù)編碼部分和浮點數(shù)編碼部分，整數(shù)編碼部分表示任務分配的站點，浮點數(shù)編碼部分則

28、是路徑的控制點。通過這種方式將任務規(guī)劃和任務調(diào)度有效的集成在一起，通過一個算法同時求解出AGV的路線和AGV的調(diào)度方案。隨著當前智能制造的發(fā)展，多AGV路徑規(guī)劃問題也逐漸變得復雜化，需要考慮的因素日趨多樣化和隨機化52，當下，關于多AGV的理論研究多數(shù)從實際出發(fā)，并且逐漸得到了較成熟的應用并逐步完善，當然，在面對以智能制造為基礎的“智能工廠”的趨勢下，這些理論還有待進一步優(yōu)化和提高。4應用展望航空制造車間由于涉及的物料種類繁多、數(shù)量龐大，在推進“智能制造”的過程中，車間配送系統(tǒng)由于其系統(tǒng)的復雜性，任務調(diào)度存在及時性、計算的復雜性和多約束性、隨機性、離散不確定性，會使得車間出現(xiàn)物料轉(zhuǎn)運和配送存在

29、效率低、配送時間長、工作量大、成本高等缺點。近年來，由于AGV具有可靠性好、運輸效率高、全自動運行、對物料適應性好、人力成本低、與其他信息化系統(tǒng)接口方便等優(yōu)勢，基于AGV的智能調(diào)度控制系統(tǒng)逐漸在航空制造車間和與航空制造車間存在類似問題的裝配車間中得到應用。在基于AGV的裝配車間智能調(diào)度系統(tǒng)搭建方面，楊耀勇等53在總裝車間搭建了全自動化的物料配送系統(tǒng)，包括上位控制系統(tǒng)及AGV自身的控制系統(tǒng)，該系統(tǒng)可以實現(xiàn)對物料的精準配送，實現(xiàn)效率、質(zhì)量、成本的最優(yōu)化。周鵬飛等54在總裝車間搭建了AGV智能控制系統(tǒng)，使得總裝車間的物料可以實現(xiàn)柔性化供應，降低了生產(chǎn)成本，從而提高了生產(chǎn)效率。在基于AGV的智能物流系

30、統(tǒng)生產(chǎn)調(diào)度與路徑規(guī)劃方面，孫曉順55提出了基于MAS的多AGV任務調(diào)度方法和改進A*算法，并將上述方法集成應用到大型生產(chǎn)車間的AGV調(diào)度系統(tǒng)的開發(fā)中，大大提升了車間物流的自動化水平，從而提高了生產(chǎn)效率。李獅偉56結合生產(chǎn)過程中的工藝，對多種路徑規(guī)劃方法和調(diào)度方法進行了對比分析，提出了一種AGV動態(tài)調(diào)度與路徑規(guī)劃的方法。郭亞銘57開發(fā)了一種AGV路徑規(guī)劃的系統(tǒng)，該系統(tǒng)可以對柔性制造車間的AGV進行路徑規(guī)劃、監(jiān)控和管理，并且可以將系統(tǒng)在運行中出現(xiàn)的故障及時解決。張輝等58針對飛機柔性裝配生產(chǎn)線需求，搭建了一個以兩臺AGV運輸車為基礎的運輸系統(tǒng)并得到了現(xiàn)場應用的驗證。蔣倩等59在全三維飛機裝配虛擬環(huán)

31、境中，完成了AGV在飛機裝配作業(yè)中的路徑規(guī)劃，并消除了AGV在路徑中的碰撞干涉，對基于IGPS導航的AGV路徑規(guī)劃有一定的參考意義。綜上所述，由于航空制造車間、裝配車間、物流車間所面臨的物料配送問題與普通大型產(chǎn)品的制造、裝配、物流車間存在極高的相似性，許多學者在逐漸完善的AGV關鍵性技術研究的基礎上，將AGV逐漸應用于航空制造車間，并得到了實踐的證明，但是現(xiàn)有的技術仍然不夠成熟，在航空制造車間的應用仍處于起步階段，因此，通過對已有的AGV關鍵性技術研究進行總結、分析后，將這些技術進一步完善并應用于航空制造車間中，推動AGV關鍵性技術在航空制造車間的應用，具體實現(xiàn)框圖如圖8所示?；贏GV的航空

32、制造車間的智能物流系統(tǒng)采用分布式系統(tǒng)，主要解決的是在物料配送中存在的信息共享、任務分配以及沖突解除等問題60。系統(tǒng)分為上層控制系統(tǒng)及下層檢測系統(tǒng)，上下層系統(tǒng)之間進行AGV的行駛距離、起點、終點等關鍵信息的交換；上層控制系統(tǒng)負責給執(zhí)行任務的AGV發(fā)送信息，主要完成包括配送任務信息獲取、多AGV初始路徑規(guī)劃、檢測多條路徑之間的沖突以及解決出現(xiàn)的路徑?jīng)_突4項任務；下層檢測系統(tǒng)負責實現(xiàn)AGV的避障，主要包括局部自主避障及通過與上層的信息交換實現(xiàn)的通信信息避障。5結束語AGV作為自動化的搬運設備，應用在中車間中可以大量減少人工勞動，提升車間的工作效率，在很多傳統(tǒng)行業(yè)里，難以實現(xiàn)的任務，它都能高效快捷的完

33、成。由于航空制造車間需要大量的勞動力資源，將基于AGV的智能物流系統(tǒng)全面引進航空制造車間中，可以實現(xiàn)自動取存物料，準時配送物料，提升物料配送效率，解決傳統(tǒng)航空制造車間存在的問題，助力航空裝備的發(fā)展。本文通過對AGV全局路徑規(guī)劃、局部避障路徑規(guī)劃、AGV任務規(guī)劃、調(diào)度的研究進行研究、總結的基礎上，提出了將AGV應用于航空制造車間的實現(xiàn)途徑。由于航空制造車間的特殊性，未來應用在航空制造車間的AGV將具備以下三個特點：（1）應用在航空制造車間的AGV需要具備高精度的特點；（2）應用在航空制造車間的AGV需要具備高可靠性的特點；（3）應用在航空制造車間的AGV具備信息化和智能控制化的特點。航空產(chǎn)品制造

34、裝配環(huán)節(jié)需要大量的勞動力資源，在未來，航空制造車間將全面引進配備AGV，實現(xiàn)車間自動化作業(yè)，自動取存貨物，大大縮短物料配送時間，從而降低航空產(chǎn)品的制造成本。Reference1魏佳新.大數(shù)據(jù)技術在飛機制造中的應用J.科技風， 2018（1）：130. Wei Jiaxin. Application of big data technology in aircraft manufacturingJ. Technology Wind， 2018（1）：130. （in Chinese）2沈夢超.飛機總裝生產(chǎn)線物料精準配送技術研究D.成都：西南交通大學， 2019.Shen Mengchao. Re

35、search on material precise distribution technology in aircraft final assembly line D. Chengdu： Southwest Jiaotong University， 2019. （in Chinese）3孫大涌.先進制造技術M.北京：機械工業(yè)出版社， 2000. SunDayong. AdvancedmanufacturingtechnologyM. Beijing： China Machine Press， 2000. （in Chinese）4張書勤.組態(tài)式FMS中央管理系統(tǒng)的開發(fā)研究D.長春：吉林工業(yè)大

36、學， 2000. Zhang Shuqin. Development and research of configuration fms central management system D. Changchun： Jilin University of Technology， 2000.（in Chinese）5蔣長浩.圖論及網(wǎng)絡流M.北京：中國林業(yè)出版社，2001. Jiang Changhao. Graph theory and network flow theoryM. Beijing：China Forestry Publishing House， 2001.（in Chinese

37、）6趙東雄.多自動導引小車系統(tǒng)（AGVS）路徑規(guī)劃研究D.武漢：湖北工業(yè)大學， 2014. Zhao Dongxiong. The research on path planning for multiautomatic guided vehicle systemD. Wuhan： Hubei University of Technology， 2014.（in Chinese）7Stentz A . Optimal and efficient path planning for partiallyknown environmentsC/ Robotics and Automation，199

38、4. Proceedings. 1994 IEEE International Conference on. IEEE，1994.8湯天驕.基于DSTAR和神經(jīng)網(wǎng)絡的未知環(huán)境移動機器人路徑規(guī)劃方法D.哈爾濱：哈爾濱工業(yè)大學， 2010. Tang Tianjiao. Path planning based on DSTAR and artifacial neural network for mobile robots in unknown environmentD. Harbin： Harbin Institute of Technology， 2010.（in Chinese）9王永慶.人工

39、智能原理與方法M.西安：西安交通大學出版社， 1996. Wang Yongqing. Principles and methods of artificial intelligenceM. Xian：Xian Jiaotong University Press， 1996. （in Chinese）10王利敏.基于A*算法和B樣條函數(shù)的月球車路徑規(guī)劃研究D.長春：吉林大學， 2016. Wang Limin. Path planning of lunar rover based on A star algorithm and B spline function D. Changchun： J

40、ilin University， 2016.（in Chinese）11孫煒，呂云峰，唐宏偉，等.基于一種改進A*算法的移動機器人路徑規(guī)劃J.湖南大學學報（自然科學版），2017，44（4）：94-101. Sun Wei， Lv Yunfeng， Tang Hongwei， et al. Mobile robots path planning based on an improved A* algorithm J. Journal of Hunan University （Natural Science）， 2017， 44（4）： 94-101. （in Chinese）12王洪斌，尹鵬衡

41、，鄭維，等.基于改進的A*算法與動態(tài)窗口法的移動機器人路徑規(guī)劃J.機器人，2020，42（3）：346-353. Wang Hongbin， Yin Pengheng， Zheng Wei， et al. Mobile robot path planning based on improved A* algorithm and dynamic window method J. Robot， 2020，42（3）：346-353.（in Chinese）13Khatib O. Real-time obstacle avoidance for manipulators and mobile rob

42、otsJ. International Journal of Robotics Research，1986，5（1）：90-98.14朱毅，張濤，宋靖雁.未知環(huán)境下勢場法路徑規(guī)劃的局部極小問題研究J.自動化學報，2010，36（8）：1122-1130. Zhu Yi， Zhang Tao， Song Jingyan. Study on the local minima problem of path planning using potential field method in unknown environments J. Acta Automatica Sinica， 2010， 36

43、（8）： 1122-1130.（in Chinese）15于振中，閆繼宏，趙杰，等.改進人工勢場法的移動機器人路徑規(guī)劃J.哈爾濱工業(yè)大學學報，2011，43（1）：50-55. Yu Zhenzhong， Yan Jihong， Zhao Jie， et al. Mobile robot path planning based on improved artificial potential field methodJ. Journal of Harbin Institute of Technology，2011，43（1）：50-55.（in Chinese）16張慧岳，曾佳，劉云波.基于R

44、FID自動識別技術在航空工業(yè)中的應用研究J.航空科學技術，2019，30（3）：41-48. Zhang Huiyue， Zeng Jia， Liu Yunbo. Research of automatic identification technology based on RFID in aviation industryJ. Aeronautical Science & Technology， 2019， 30（3）： 41-48.（in Chinese）17酈光府.基于RFID的AGV視覺導引系統(tǒng)研究D.杭州：浙江大學，2008. Li Guangfu. Research of AGV

45、 visual navitation system based on RFID D. Hangzhou： Zhejiang University，2008.（in Chinese）18范瑩莉.基于機器視覺的AGV動態(tài)路徑識別算法研究D.蘭州：蘭州交通大學，2011. Fan Yingli. Study on the recognition algorithm of AGV dynamic path based on machine visionD. Lanzhou： Lanzhou Jiaotong University， 2011.（in Chinese）19張明明.基于Kinect2的光伏

46、清洗機器人實時環(huán)境重建與自主導航技術研究D.哈爾濱：哈爾濱工業(yè)大學，2016.Zhang Mingming. Research on simutaneous mapping and automated navigation for photovoltaic cleaning robot with Kinect2D. Harbin： Harbin Institute of Technology， 2016.（in Chinese）20姚偉，徐駿善，汪惠芬.基于視覺導航AGV的視覺定位系統(tǒng)設計J.制造業(yè)自動化，2020， 42（11）：18-22. Yao Wei， Xu Junshan， Wan

47、g Huifen. Designed of visual positioning system based on visual navigation AGV J. ManufacturingAutomation， 2020， 42（11）： 18-22.（in Chinese）21Bloss R. Ease of programming and sophisticated sensors see robots advancing intransport logistics，palletizing，order picking and assemblyJ. Industrial Robot，201

48、3，40（5）：420-424.22Lu D V，Allan D B，Smart W D. Tuning cost functions for social navigationM. Social Robotics Springer International Publishing，2013.23奚婉.基于激光掃描的電力巡檢機器人導航系統(tǒng)研制D.杭州：浙江大學， 2017. Xi Wan. Development of navigation system for inspection robot based on laser scanningD. Hangzhou： Zhejiang Univ

49、ersity， 2017.（in Chinese）24王超.室內(nèi)全向移動機器人系統(tǒng)設計及導航方法研究D.哈爾濱：哈爾濱工業(yè)大學， 2017. Wang Chao. Research on design and navigation method of an indoor wheeled mobile robot D. Harbin： Harbin Institute of Technology， 2017.（in Chinese）25黃辰，費繼友，劉洋，等.基于動態(tài)反饋A*蟻群算法的平滑路徑規(guī)劃方法J.農(nóng)業(yè)機械學報， 2017， 48（4）： 34-40. Huang Chen， Fei Ji

50、you， Liu Yang， et al. Smooth path planning method based on dynamic feedback A* ant colony algorithmJ. Transactions of the Chinese Society of Agricultural Machinery， 2017， 48（4）： 34-40.（in Chinese）26Li G，Liu Q，Yang Y，et al. An improved differential evolution based artificial fish swarm algorithm and

51、its application to AGV path planning problemsC/ Chinese Control Conference，2017：2556-2561.27Li B，Liu H，Xiao D，et al. Centralized and optimal motion planning for large-scale AGV systems：A generic approachZ. Advances in Engineering Software，2017.28Peasgood M，Clark C，McPhee J. A complete and scalable s

52、trategy for coordinating multiple robots within roadmapsJ. IEEE Transactions on Robotics，2008，24（2）：282-292.29Clark C M. Probabilistic road map sampling strategies for multi-robot motion planningJ. Robotics and Autonomous Systems，2005，53（3-4）：244-264.30Wang K H C，Botea A. Tractable multi-agent path

53、planning on grid mapsJ. International Joint Conference on Artificial Intelligence IJCAI-09，2009.31Draganjac I，Mikli？D，Kova？i？Z，et al. Decentralized Control of Multi-AGV Systems in Autonomous Warehousing ApplicationsJ. IEEE Transactions on Automation Science & Engineering，2016，13（4）：1433-1447.32Ma X，

54、Jiao Z，Wang Z，et al. Decentralized prioritized motion planning for multiple autonomous UAVs in 3D polygonal obstacleenvironmentsC/InternationalConferenceon UnmannedAircraft Systems（ICUAS），2016：292-300.33Erdmann M，Lozano-Prez T. On multiple moving objectsJ. Algorithmica，1987（2）：1419-1424.34Dewangan R

55、 K，Shukla A，Godfrey W W. Survey on prioritized multirobotpathplanningC/2017IEEEInternational Conference on Smart Technologies and Management for Computing，Communication，Controls，Energy and Materials（ICSTM），Chennai，2017：423-428.35？p M，Novk P，Kleiner A，et al. Prioritized planning algorithms for trajec

56、tory coordination of multiple mobile robotsJ. IEEE Transactions on Automation Science & Engineering，2015，12（3）：835-849.36Pandey A. Mobile robot navigation and obstacle avoidance techniques：A reviewJ. International Journal of Robotics & Automation，2017，2（3）：1-12.37Mousavi M Y，Musa S N，Tahriri F，et al

57、. Multi-objective AGV scheduling in an FMS using a hybrid of genetic algorithm and particle swarm optimizationJ. Plos One，2017，12（3）：e0169817.38王輝，王景良，朱龍彪，等.基于改進蟻群算法的泊車系統(tǒng)路徑規(guī)劃J.控制工程， 2018， 25（2）： 253-258. Wang Hui， Wang Jingliang， Zhu Longbiao， et al. Path planning of parking system based on improved

58、 ant colony algorithmJ. Control Engineering of China，2018， 25（2）：253-258.（in Chinese）39Yi Zhang，Guolun Guan，Xingchen Pu. The robot path planning based on improved artificial fish swarm algorithmJ. Mathematical Problems in Engineering，2016（9）：1-11.40Han Z，Wang D，F(xiàn)eng L，et al. Multi-AGV path planning

59、with double-path constraints by using an improved genetic algorithmJ. Plos One，2017，12（7）：e0181747.41Li G，Chou W. Path planning for mobile robot using selfadaptive learning particle swarm optimizationJ. Science China Information Sciences，2018，61（5）：052204.42李巖，吳智銘，甘泉.柔性加工環(huán)境中機器和AGV的集成調(diào)度J.中國機械工程， 2001

60、， 12（4）： 447-450. Li Yan， Wu Zhiming， Gan Quan. Integrated scheduling of machines and AGVs in flexible manufacturing environmentJ. China Mechanical Engineering，2001，12（4）：447-450.（in Chinese）43孫志峻，朱劍英.基于遺傳算法的多資源作業(yè)車間智能動態(tài)優(yōu)化調(diào)度J.機械工程學報， 2002， 38（4）： 120-125. Sun Zhijun， Zhu Jianying. Genetic algorithm b