AGV AGENT控制系统研究

论文摘要

本文结合AGV的单机智能化需求和Agent技术及标准体系的发展,以目前应用较广泛的JADE作为Agent开发平台,设计了一种实用的AGV Agent控制系统。设计了Agent与运动控制卡的交互、与OPC服务器交互、与数据库交互的中间件,扩展了Java Agent的功能。在运动控制卡上设计了有实时性要求的轨迹生成、运动控制、位姿估计和安全控制等行为模块,将数据库和路径规划等管理性行为设计在车载PC104工业控制计算机上。人机交互界面可作为独立的Agent驻留在上位监控计算机上。这种无中心控制系统提高了AGV的单机智能和整个AGV系统的开放性和柔性,并可方便地与自动化立体仓库(AS/RS)控制系统进行链接。通用的多点全局轨迹规划的方法较难适应AGV Agent控制系统要求,研究了两点间的轨迹规划方法。为了保证整个路径曲率连续,使AGV在过渡路径段跟踪过程中操舵角能够连续变化,并满足AGV在到达目标点处的位姿要求,推导出两点间的五次Hermite多项式曲线和五次参数曲线的计算公式,分析了这两种轨迹规划方法的优缺点,分别提出了速度和操舵控制方法。这两种方法均可实现在线轨迹生成,便于导引控制,并分别进行了仿真和实验验证。设计了以编码器、陀螺仪、磁栅尺等多传感器和组合Kalman滤波器组成的AGV惯性导航系统。采用编码器和陀螺仪经简化Kalman滤波算法进行姿态角检测,可在运动控制卡上实时处理传感器的数据融合问题,提高姿态角检测精度；为了消除AGV运行过程中的累积误差,在路径上每隔一段距离安装一对磁钉,AGV直线运动扫过磁钉时,可通过磁栅尺测量AGV中心与磁钉之间的距离并计算AGV与这对磁钉连线的夹角,系统采用扩展Kalman滤波器将推算位姿和磁钉校正位姿进行数据融合,得到更为精确位姿。扩展Kalman滤波器的矩阵运算由上位工控机计算可提高计算效率,经过实验证明这种组合导航系统能够满足要求。这种导航系统具有定位准确、成本低、安装方便等优点。车间环境障碍使得磁钉的绝对位置难以精确测量,给AGV的实际应用调试带来不便。为了实现AGV快速安装布局,采用示教方法由AGV测量并记录磁钉的位置,并在以后的重复运动中采用迭代学习方法不断更新路径段的目标值,实验证明,经若干次学习后AGV更能精确地通过磁钉,AGV跟随路径的累积误差也得到了消除。采用Q学习方法进行磁钉路径的智能规划,实现最短路径寻找,同时解决了任务调度及避障等问题。Q学习算法无须建立精确的环境模型,简化了智能体的编程,方便实用。通过对AGV Agent控制系统、轨迹规划、导引控制、导航系统及磁钉路径学习和智能规划等方面的研究,构建了一种实用的AGV控制系统。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 引言
• 1.2 AGV关键技术
• 1.2.1 定义
• 1.2.2 AGV关键技术及国内外研究现状
• 1.3 AGV控制系统的发展趋势
• 1.3.1 无中心控制系统
• 1.3.2 AGV Agent体系结构
• 1.3.3 AGV Agent控制的轨迹规划要求
• 1.3.4 惯性组合导航系统
• 1.3.5 AGV轨迹跟踪和路径规划
• 1.4 本文的研究课题的确立
• 1.4.1 课题研究的工程背景及实验条件
• 1.4.2 课题来源
• 1.4.3 自动导向牵引车系统要求
• 1.4.4 本文的研究主要内容
• 1.4.5 意义及应用前景
• 1.4.6 论文结构
• 1.5 本章总结
• 2 AGV AGENT控制系统
• 2.1 概述
• 2.2 AGV Agent系统的研究情况
• 2.2.1 Agent
• 2.2.2 多Agent系统
• 2.2.3 Agent在AGV控制系统中的应用
• 2.3 AGV Agent控制系统总体框架
• 2.3.1 Agent开发平台选择
• 2.3.2 Java Agent与硬件交互技术
• 2.3.3 AGV Agent控制系统两种结构
• 2.3.4 系统框架优点
• 2.4 中间件的开发设计
• 2.4.1 Agent与PMAC运动控制卡的交互
• 2.4.2 Agent与数据库交互
• 2.5 AGV Agent控制系统设计
• 2.5.1 任务分析
• 2.5.2 Agent行为设计
• 2.5.3 软件结构
• 2.5.4 人机界面Agent设计
• 2.5.5 AGV Agent运行
• 2.6 AGV Agent控制系统在AS/RS中的链接方法
• 2.6.1 本课题中的AS/RS简介
• 2.6.2 AS/RS控制系统
• 2.6.3 AGV Agent与AS/RS控制系统链接方案
• 2.7 小结
• 3 AGV系统组成及运动方程
• 3.1 概述
• 3.2 AGV车体结构
• 3.3 AGV系统硬件配置
• 3.4 前轮驱动操舵三轮AGV的运动方程
• 3.5 本章小结
• 4 AGV轨迹规划及导引控制
• 4.1 运动轨迹及控制要求
• 4.2 轨迹规划的研究概况
• 4.3 路径曲率与操舵角的关系
• 4.4 AGV操舵角限值、速度和加速度控制
• 4.5 笛卡尔坐标系中的五次Hermite插值曲线
• 4.5.1 插值条件
• 4.5.2 曲线插值方法
• 4.5.3 Newton差商法计算的五次Hermite插值多项式
• 4.5.4 路径曲率及AGV控制量计算
• 4.5.5 路径仿真
• 4.5.6 坐标系插值曲线路径实验
• 4.6 五次参数曲线
• 4.6.1 参数曲线概述
• 4.6.2 常用的参数曲线
• 4.6.3 五次参数曲线推导
• 4.6.4 端点切向量的确定
• 4.6.5 参数曲线路径曲率及AGV控制量计算
• 4.6.6 实验说明
• 4.6.7 参数路径仿真
• 4.6.8 参数曲线轨迹实验
• 4.7 本章小结
• 5 AGV导航系统设计
• 5.1 AGV组合导航技术
• 5.2 Kalman滤波器
• 5.2.1 Kalman滤波器
• 5.2.2 Kalman滤波器用于数据融合的方法
• 5.2.3 扩展Kalman滤波器（Extended Kalman Filter,EKF）
• 5.3 编码器和陀螺仪的数据融合
• 5.3.1 简化的Kalman滤波器
• 5.3.2 陀螺仪中值及方差
• k估计实验'>5.3.3 姿态角变化量Δθ_k估计实验
• 5.4 磁钉校正及EKF数据融合
• 5.4.1 磁钉磁栅尺校正系统
• 5.4.2 EKF数据融合
• 5.5 导航系统结构
• 5.5.1 系统框图
• 5.5.2 系统更新过程
• 5.6 EKF数据融合实验
• 5.6.1 预测方差Q
• 5.6.2 磁尺和磁钉的测量方差设定
• 5.6.3 EKF实验
• 5.7 本章小结
• 6 磁钉路径的迭代学习与智能规划
• 6.1 引言
• 6.2 磁钉路径设计
• 6.3 磁钉目标的迭代学习
• 6.3.1 迭代学习算法
• 6.3.2 实验
• 6.3.3 小结
• 6.4 磁钉路径智能规划
• 6.4.1 研究概况
• 6.4.2 强化学习
• 6.4.3 Q学习（QLearning）
• 6.4.4 Q学习算法进行路径规划
• 6.4.5 多台AGV Q学习任务竞争
• 6.4.6 路径占用时Q学习
• 6.5 本章小结
• 7 全文总结及展望
• 7.1 全文总结
• 7.2 创新点
• 7.3 不足与展望
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文及研究成果