基于AI深度强化学习的多AGV协同动态路径规划系统技术方案

本申请涉及自动引导车技术领域，公开了基于AI深度强化学习的多AGV协同动态路径规划系统，包括势场生成感知模块，用于实时生成和感知一个围绕AGV自身的多层动态势场；拓扑特征分析模块，用于分析所述多层动态势场的势场拓扑特征；策略激活模块，用于依据所述势场拓扑特征，执行一种符号元策略中包含的元形态切换协议，以从一个策略子树库中激活一个与当前语境匹配的策略子树；指令生成模块，用于执行被激活的所述策略子树，以生成用于驱动所述AGV的控制指令。通过元形态切换协议根据客观的势场拓扑特征来动态激活不同的策略子树，使AGV能够根据所处环境语境自适应地切换其行为模式，实现了情境感知下的精细化决策，提高了路径规划的效率和安全性。

【技术实现步骤摘要】

本专利技术涉及自动引导车，具体为基于ai深度强化学习的多agv协同动态路径规划系统。

技术介绍

1、自动引导车（automated guided vehicle, agv）作为现代物流仓储、柔性制造和自动化港口等领域的核心装备，其部署规模与运行密度正持续增长。在日益复杂的应用场景下，如何高效、安全地进行多agv系统的协同路径规划，已成为提升系统整体效率与安全性的关键瓶颈。

2、现有的多agv路径规划技术在应对大规模、高动态性、高交互性的复杂环境时，显现出多方面的局限性。一方面，传统的集中式调度系统虽然能够进行全局路径优化，但其固有的缺陷也十分明显。该类系统将所有agv的感知、决策与规划任务全部交由一个中央服务器处理，随着agv数量的增多，中央服务器的计算负荷呈指数级增长，极易形成系统性能的瓶颈。同时，通信延迟和单点故障风险也显著增加，导致系统的整体可扩展性差、鲁棒性不足。

3、另一方面，为了克服集中式系统的弊端，分布式路径规划方法应运而生，该方法允许每个agv独立进行决策。然而，现有的分布式方法往往采用一套固化的、单一的行为逻辑，例本文档来自技高网...

【技术保护点】

1.基于AI深度强化学习的多AGV协同动态路径规划系统，其特征在于，包括：

2.根据权利要求1所述的基于AI深度强化学习的多AGV协同动态路径规划系统，其特征在于，所述多层动态势场至少包括：

3.根据权利要求2所述的基于AI深度强化学习的多AGV协同动态路径规划系统，其特征在于，所述意图宣告势场通过如下公式计算：

4.根据权利要求3所述的基于AI深度强化学习的多AGV协同动态路径规划系统，其特征在于，所述博弈权重的值是基于AGV 自身的载重状态和其当前执行的任务优先级动态确定的。

5.根据权利要求1所述的基于AI深度强化学习的多AGV协同动...

【技术特征摘要】

1.基于ai深度强化学习的多agv协同动态路径规划系统，其特征在于，包括：

2.根据权利要求1所述的基于ai深度强化学习的多agv协同动态路径规划系统，其特征在于，所述多层动态势场至少包括：

3.根据权利要求2所述的基于ai深度强化学习的多agv协同动态路径规划系统，其特征在于，所述意图宣告势场通过如下公式计算：

4.根据权利要求3所述的基于ai深度强化学习的多agv协同动态路径规划系统，其特征在于，所述博弈权重的值是基于agv 自身的载重状态和其当前执行的任务优先级动态确定的。

5.根据权利要求1所述的基于ai深度强化学习的多agv协同动态路径规划系统，其特征在于，所述符号元策略包括：

6.根据权利要求5所述的基于ai深度强化学习的多ag...

【专利技术属性】
技术研发人员：王大龙，
申请(专利权)人：王大龙，
类型：发明
国别省市：