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

摘要：隨著智能制造和航空產品的發展，傳統的航空產品制造技術已經不能滿足航空產品日益發展的需求，隨著智能制造技術的出現及發展，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展方向，對AGV的應用及發展具有一定的借鑒和參考意義。

關鍵詞：智能制造；車間物流；路徑規劃；AGV；航空制造

中圖分類號：V264.2文獻標識碼：ADOI：10.19452/j.issn1007-5453.2021.07.001

自動引導小車（AGV）是指能夠按照規劃的路徑行駛的，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可以與各類生產線、裝配線、輸送線站臺、貨架、作業點有機結合在一起，最大限度地縮短物料周轉周期，提高生產系統的工作效率。由于其突出優勢，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運效率低、智能化程度不高等問題。

隨著“智能制造”和航空產品的發展，航空制造車間由于物料種類多、數量大，并且配送效率低的因素，現有的制造技術已經不能滿足航空產品發展的需求。因此，將以智能物流為基礎的智能制造引入航空制造車間，對推動航空產品的發展具有重要意義。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，經過幾十年的發展，我國在航空領域已經取得了卓越成就。然而，制造技術的落后限制了航空產品的制造和進一步發展。隨著智能制造的發展，智能制造在航空產品制造中的應用，受到了許多學者的關注[1]。

航空產品的制造過程主要為：零部件制造、定位、組件連接、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、數量龐大，現有物流效率仍然不能滿足進一步發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

航空產品由于裝配要求高，作業周期較長，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一配送，因而，物料會停滯在存儲區，造成生產線的物料堆積。

（2）生產線物料短缺

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，會導致生產線上的物料存儲空間不足，出現配送擁堵，使得緊需物料無法及時進入存儲區，導致物料短缺。

（3）配送靈活性差

航空產品的物料配送以“點對點”的方式實現，當出現物料缺少時，需要經過多次報備配送，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。

針對航空產品的生產裝配線存在的上述問題，航空產品制造車間企業需要車間進行自動化和智能化轉型升級，并在此基礎上研究車間智能物流配送技術，實現物料及時配送和高效生產。智能物流作為智能制造的重要環節，可以實現環境感知、決策判斷和路徑規劃等功能，因此，將智能物流應用于以智能車間為載體的智能制造中，研究復雜環境的車間智能物流配送技術，能夠最大程度地提升航空產品制造車間管理的準確性，根據指令互聯互通協同作業，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，可至少節約80%以上的勞動力，因此，通過在航空產品制造車間引入以AGV為主體的智能物流對物料的轉運過程進行優化，可以提高物料的配送效率，降低生產成本，推動航空制造車間的進步，助力航空裝備的發展。

在針對AGV的研究中，關鍵性的技術包括路徑規劃和任務調度兩方面。本文在對AGV在路徑規劃和調度兩方面進行綜述的基礎上，對AGV的研究現狀進行總結，并對其在航空產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路徑規劃

AGV路徑規劃的目的是為AGV提供最優的行走路徑，根據AGV所處的環境的不同可以分為已知環境下的全局路徑規劃和未知環境下的局部路徑規劃。根據此種分類方法，國內外學者對AGV路徑規劃的研究可分為全局路徑規劃算法和局部避障路徑規劃算法。

2.1全局路徑規劃

在全局路徑規劃算法方面，研究方法主要包括圖論法、動態路徑規劃算法、狀態空間法和智能算法等，本文主要對圖論法和狀態空間法進行介紹。

（1）圖論法

將圖論法應用在機器人路徑規劃中是一種新的數學方法，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，逐步地向外探尋最短路。Dijkstra算法是一種貪心算法，通過一個數組記錄起點到各個頂點的最短距離和已經確定最短路徑的頂點集合，在路徑規劃開始時，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，對提高路徑規劃效率有啟發性的意義。

在圖論法中，D*算法也是一種常見算法，該算法是Stentz[7]在1994和1995年兩篇文章中提出的，由于D*算法是一種啟發式的路徑搜索算法，適合應用在未知環境或者動態變化場景中，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”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劃[8]。

（2）狀態空間法

狀態空間法是以狀態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境中的路徑規劃問題[9]。利用這一方法的路徑規劃算法主要有全局擇優搜索、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函數的優先級搜索算法，通過搜索、遍歷節點，計算路徑來求解最短路徑，啟發函數的作用是判斷在遍歷節點時先遍歷哪些節點可以使路徑最短，以提高搜索節點的效率。

A*算法是P.E.Hart，N.J.Nilsson和B.Raphael在1968年提出的，在靜態環境中，A*算法能夠針對兩點之間的最優距離進行計算，但是在柵格化的地圖中進行移動機器人路徑規劃時，由于復雜環境約束的存在，A*算法規劃出的路徑可能并不是最優，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劃中，證明A*算法在靜態完全已知地圖中能以極快的速度找到最短路徑，并對A*算法進行了優化。創造性地將A*算法和B樣條函數相結合，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境模型并針對A*算法規劃的路徑冗余點較多以及路徑長度和轉折角度較大的缺陷，將規劃出的路徑分割成較小步長，得到新的路徑節點，最后，從起點開始依次用直線連接終點。結果表明，該算法能在復雜環境中，有效地減小路徑長度和轉折角度。王洪斌等[12]提出了一種改進的A*算法與動態窗口法相結合的混合算法，利用目標成本函數對所有目標進行優先級判定，進而利用改進的A*算法規劃一條經過多個目標點的最優路徑，同時采用自適應圓弧優化算法與加權障礙物步長調節算法。此外，提出將改進動態窗口算法與全局路徑規劃信息相結合的在線路徑規劃法，采用預瞄偏差角追蹤法成功捕捉移動目標點，提升了路徑規劃效率，仿真實驗表明該方法能夠在復雜動態環境中更有效地實現路徑規劃。

2.2局部避障路徑規劃

在局部避障路徑規劃方面，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

人工勢場法認為在環境中的機器人運動，是在引力和斥力和合力下引起的，其中引力是由目標點產生的，斥力是由障礙物產生的，通過控制引力和斥力，可以實現對機器人運動的控制的位置的計算。

1986年，Khatib[13]首先將人工勢場算法引入到了機器人避障路徑規劃領域，人工勢場路徑規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換條件，提高了機器人的決策能力，使機器人能根據場景采取合適行為，避免出現局部極小點。于振中等[15]引入了填平勢場，并規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。

盡管已經有不少針對人工勢場法的改進方法，但到目前為止，動態環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境地圖，在構建環境地圖方面，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，最終用于實際檢測、測量和控制，其核心內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，改善圖像質量，便于計算機對圖像進行分析處理。基于機器視覺的路徑規劃系統，首先通過視覺和圖像處理的方式采集環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的局部路徑規劃。

國內高校中，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]，先后開發了JUTW-1、JUTIV-2型視覺導航車，并開發出面向工廠實際應用的JUTIV-3通用型和裝配型視覺導航AGV[17]。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，實現了局部避障的功能。哈爾濱工業大學張明明[19]應用低成本視覺傳感器，研究一種工廠三維環境的實時重建算法，并利用算法重建的三維環境地圖，實現了光伏清洗機器人的路徑規劃。姚偉等[20]為滿足AGV運動對于AGV視覺導航系統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，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設計，試驗研究表明，該系統可滿足AGV運動對避障系統的實時性、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境中移動時，一邊移動，一邊根據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境信息進行分析，構件環境地圖。國內外高校、公司在SLAM建圖避障方面進行了大量的研究，如Google公司研發的全自動駕駛汽車，搭載雷達、激光測距系統、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，可以根據自身傳感器，結合現場環境自主探測周圍環境，完成路徑規劃和避障[21]，如圖3所示。

D. V. Lu等學者研究了環境中行人的存在對路徑規劃的影響，將行人對路徑規劃的影響等效為高斯參數，則將行人對路徑規劃的影響轉化為高斯參數對路徑規劃算法中各參數的影響，圖4展示了在同一環境中，不同高斯參數對路徑規劃的影響[22]。

浙江大學奚婉對電力巡檢機器人的導航系統進行了研究，搭建了軟件系統，可以實現環境地圖顯示、路徑規劃、定位導航控制等功能，不僅可以創建全局地圖，還可以求解最短路徑，規劃最優導航路線[23]。

哈爾濱工業大學的王超研究了一種室內機器人的導航算法，通過激光和視覺傳感器進行環境和地圖構建，如圖5所示，最后通過試驗對機器人的室內環境定位、動態環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，可以對周圍環境進行持續掃描，避開障礙物，選擇安全路徑，實現精確導航，如圖6所示。

通過對國內外學者在車間物流AGV路徑規劃的研究總結后發現，AGV的物料配送路徑規劃是AGV在車間物流配送系統的基礎，路徑的基本流程為：上層系統生成配送任務信息，系統下發任務至待命點的AGV，AGV接收上層系統發送的物料配送信息后開始執行任務。當在路徑中遇到沖突障礙時，進行判斷，沖突解決后前往下一目標，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協同作業，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任務規劃和多AGV任務調度兩方面。多AGV任務規劃的目的是完成多個AGV的路徑規劃，解決多個AGV之間的路徑沖突問題。多AGV的任務調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任務規劃

在對多AGV任務規劃的研究方面，大多數研究的目標集中在解決AGV規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，Peasgood[28]，Clark[29]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格世界，問題即轉化為在網格世界中尋找不沖突的路徑。集中式方法在多路徑規劃中具有完整性，這一理想特性在多AGV任務規劃中非常難得，但這種方法對系統的計算能力有很高的要求[31]。為了提高路徑規劃效率，企業中一般采用計算效率較為理想的方式（分布式方法）來進行路徑規劃。例如，Ma等[32]使用了一種分布的多代理運動規劃方法，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沖突的場景。Erdmann等[33]通過提出優先級規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劃。但Dewangan等[34]指出，在實際應用中，由于環境的復雜性，優該算法可能使AGV發生路徑沖突現象，為避免這種現象，Cap等[35]提出了一種改進的優先級規劃方法，可應用在系統結構環境較好的工廠中。

對多AGV任務規劃的研究除了解決AGV之間的避讓問題外，還需要為每一個AGV從起始點到終點找到一條最優路徑。目前國內外大多數研究者采用智能化程度更高、更復雜的算法來求解最優路徑[36]。例如，Mousavi[37]采用了遺傳算法求解AGV的最優路徑；王輝等[38]采用了蟻群算法求解最優路徑；智能算法具有較好的魯棒性和隨機搜索機制，但隨著AGV數量以及配送任務的增加，傳統智能算法已經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劃；Han等[40]研究了一種改進的多AGV路徑規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；針對移動機器人的路徑規劃，Li等[41]將路徑規劃問題轉化為多目標優化問題，開發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，現有的研究在進行多AGV任務規劃時，主要解決AGV之間的避讓和多條AGV路徑的規劃這兩個問題。研究者們通過集中式和分布式的方法解決AGV動態規劃（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路徑規劃（求解最優路徑）問題，且多數研究者通過改進傳統智能算法來提升算法的效率。

3.2 AGV任務調度

在實際應用中，AGV的任務規劃只能解決從起始點到目標點的移動問題，AGV的任務調度技術則為每個AGV分配起始點和終點。AGV的任務調度要考慮到配送的成本和所需的時間，調度方案的優良與否，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任務調度的研究。

目前，國內外學者在AGV的任務調度領域已取得一定進展：李巖等[42]采用遺傳算法同時調度機器和AGV，使AGV調度成為柔性制造系統集成調度的一部分，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則相結合的調度算法。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化。近年來，對AGV的任務調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化目標，將模型理想化，并且局限于有軌AGV的任務配送系統，只是單純解決了生產設備和AGV之間的調度問題[46]。

綜上所述，現有的研究中，任務調度模型都是假設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，在現有的研究中，對于AGV調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。

根據對多AGV調度的國內外現有的研究現狀可以看出，大多數學者是對AGV任務調度和任務規劃分別進行研究，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]在集成調度和路徑規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]，路徑規劃問題則轉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編碼部分和浮點數編碼部分，整數編碼部分表示任務分配的站點，浮點數編碼部分則是路徑的控制點。通過這種方式將任務規劃和任務調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的調度方案。

隨著當前智能制造的發展，多AGV路徑規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的理論研究多數從實際出發，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、數量龐大，在推進“智能制造”的過程中，車間配送系統由于其系統的復雜性，任務調度存在及時性、計算的復雜性和多約束性、隨機性、離散不確定性，會使得車間出現物料轉運和配送存在效率低、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、與其他信息化系統接口方便等優勢，基于AGV的智能調度控制系統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的裝配車間智能調度系統搭建方面，楊耀勇等[53]在總裝車間搭建了全自動化的物料配送系統，包括上位控制系統及AGV自身的控制系統，該系統可以實現對物料的精準配送，實現效率、質量、成本的最優化。周鵬飛等[54]在總裝車間搭建了AGV智能控制系統，使得總裝車間的物料可以實現柔性化供應，降低了生產成本，從而提高了生產效率。

在基于AGV的智能物流系統生產調度與路徑規劃方面，孫曉順[55]提出了基于MAS的多AGV任務調度方法和改進A*算法，并將上述方法集成應用到大型生產車間的AGV調度系統的開發中，大大提升了車間物流的自動化水平，從而提高了生產效率。李獅偉[56]結合生產過程中的工藝，對多種路徑規劃方法和調度方法進行了對比分析，提出了一種AGV動態調度與路徑規劃的方法。郭亞銘[57]開發了一種AGV路徑規劃的系統，該系統可以對柔性制造車間的AGV進行路徑規劃、監控和管理，并且可以將系統在運行中出現的故障及時解決。張輝等[58]針對飛機柔性裝配生產線需求，搭建了一個以兩臺AGV運輸車為基礎的運輸系統并得到了現場應用的驗證。蔣倩等[59]在全三維飛機裝配虛擬環境中，完成了AGV在飛機裝配作業中的路徑規劃，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，具體實現框圖如圖8所示。

基于AGV的航空制造車間的智能物流系統采用分布式系統，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]。系統分為上層控制系統及下層檢測系統，上下層系統之間進行AGV的行駛距離、起點、終點等關鍵信息的交換；上層控制系統負責給執行任務的AGV發送信息，主要完成包括配送任務信息獲取、多AGV初始路徑規劃、檢測多條路徑之間的沖突以及解決出現的路徑沖突4項任務；下層檢測系統負責實現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，在很多傳統行業里，難以實現的任務，它都能高效快捷的完成。

由于航空制造車間需要大量的勞動力資源，將基于AGV的智能物流系統全面引進航空制造車間中，可以實現自動取存物料，準時配送物料，提升物料配送效率，解決傳統航空制造車間存在的問題，助力航空裝備的發展。

本文通過對AGV全局路徑規劃、局部避障路徑規劃、AGV任務規劃、調度的研究進行研究、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。

航空產品制造裝配環節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，實現車間自動化作業，自動取存貨物，大大縮短物料配送時間，從而降低航空產品的制造成本。

參考文獻

[1]魏佳新.大數據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 manufacturing[J]. Technology Wind， 2018（1）：130. （in Chinese）

[2]沈夢超.飛機總裝生產線物料精準配送技術研究[D].成都：西南交通大學， 2019.Shen Mengchao. Research 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：機械工業出版社， 2000. SunDayong. Advancedmanufacturingtechnology[M]. Beijing： China Machine Press， 2000. （in Chinese）

[4]張書勤.組態式FMS中央管理系統的開發研究[D].長春：吉林工業大學， 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.圖論及網絡流[M].北京：中國林業出版社，2001. Jiang Changhao. Graph theory and network flow theory[M]. Beijing：China Forestry Publishing House， 2001.（in Chinese）

[6]趙東雄.多自動導引小車系統（AGVS）路徑規劃研究[D].武漢：湖北工業大學， 2014. Zhao Dongxiong. The research on path planning for multiautomatic guided vehicle system[D]. Wuhan： Hubei University of Technology， 2014.（in Chinese）

[7]Stentz A . Optimal and efficient path planning for partiallyknown environments[C]// Robotics and Automation，1994. Proceedings. 1994 IEEE International Conference on. IEEE，1994.

[8]湯天驕.基于DSTAR和神經網絡的未知環境移動機器人路徑規劃方法[D].哈爾濱：哈爾濱工業大學， 2010. Tang Tianjiao. Path planning based on DSTAR and artifacial neural network for mobile robots in unknown environment[D]. Harbin： Harbin Institute of Technology， 2010.（in Chinese）

[9]王永慶.人工智能原理與方法[M].西安：西安交通大學出版社， 1996. Wang Yongqing. Principles and methods of artificial intelligence[M]. Xian：Xian Jiaotong University Press， 1996. （in Chinese）

[10]王利敏.基于A*算法和B樣條函數的月球車路徑規劃研究[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： Jilin 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，鄭維，等.基于改進的A*算法與動態窗口法的移動機器人路徑規劃[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）

[13]Khatib O. Real-time obstacle avoidance for manipulators and mobile robots[J]. International Journal of Robotics Research，1986，5（1）：90-98.

[14]朱毅，張濤，宋靖雁.未知環境下勢場法路徑規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（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劃[J].哈爾濱工業大學學報，2011，43（1）：50-55. Yu Zhenzhong， Yan Jihong， Zhao Jie， et al. Mobile robot path planning based on improved artificial potential field method[J]. Journal of Harbin Institute of Technology，2011，43（1）：50-55.（in Chinese）

[16]張慧岳，曾佳，劉云波.基于RFID自動識別技術在航空工業中的應用研究[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 industry[J]. Aeronautical Science & Technology， 2019， 30（3）： 41-48.（in Chinese）

[17]酈光府.基于RFID的AGV視覺導引系統研究[D].杭州：浙江大學，2008. Li Guangfu. Research of AGV 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 vision[D]. Lanzhou： Lanzhou Jiaotong University， 2011.（in Chinese）

[19]張明明.基于Kinect2的光伏清洗機器人實時環境重建與自主導航技術研究[D].哈爾濱：哈爾濱工業大學，2016.Zhang Mingming. Research on simutaneous mapping and automated navigation for photovoltaic cleaning robot with Kinect2[D]. Harbin： Harbin Institute of Technology， 2016.（in Chinese）

[20]姚偉，徐駿善，汪惠芬.基于視覺導航AGV的視覺定位系統設計[J].制造業自動化，2020， 42（11）：18-22. Yao Wei， Xu Junshan， Wang Huifen. Designed of visual positioning system based on visual navigation AGV [J]. ManufacturingAutomation， 2020， 42（11）： 18-22.（in Chinese）

[21]Bloss R. Ease of programming and sophisticated sensors see robots advancing intransport logistics，palletizing，order picking and assembly[J]. Industrial Robot，2013，40（5）：420-424.

[22]Lu D V，Allan D B，Smart W D. Tuning cost functions for social navigation[M]. 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研制[D].杭州：浙江大學， 2017. Xi Wan. Development of navigation system for inspection robot based on laser scanning[D]. Hangzhou： Zhejiang University， 2017.（in Chinese）

[24]王超.室內全向移動機器人系統設計及導航方法研究[D].哈爾濱：哈爾濱工業大學， 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.基于動態反饋A*蟻群算法的平滑路徑規劃方法[J].農業機械學報， 2017， 48（4）： 34-40. Huang Chen， Fei Jiyou， Liu Yang， et al. Smooth path planning method based on dynamic feedback A* ant colony algorithm[J]. Transactions of the Chinese Society of Agricultural Machinery， 2017， 48（4）： 34-40.（in Chinese）

[26]Li G，Liu Q，Yang Y，et al. An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems[C]// Chinese Control Conference，2017：2556-2561.

[27]Li B，Liu H，Xiao D，et al. Centralized and optimal motion planning for large-scale AGV systems：A generic approach[Z]. Advances in Engineering Software，2017.

[28]Peasgood M，Clark C，McPhee J. A complete and scalable strategy for coordinating multiple robots within roadmaps[J]. IEEE Transactions on Robotics，2008，24（2）：282-292.

[29]Clark C M. Probabilistic road map sampling strategies for multi-robot motion planning[J]. Robotics and Autonomous Systems，2005，53（3-4）：244-264.

[30]Wang K H C，Botea A. Tractable multi-agent path planning on grid maps[J]. International Joint Conference on Artificial Intelligence IJCAI-09，2009.

[31]Draganjac I，Mikli？D，Kova？i？Z，et al. Decentralized Control of Multi-AGV Systems in Autonomous Warehousing Applications[J]. IEEE Transactions on Automation Science & Engineering，2016，13（4）：1433-1447.

[32]Ma X，Jiao Z，Wang Z，et al. Decentralized prioritized motion planning for multiple autonomous UAVs in 3D polygonal obstacleenvironments[C]//InternationalConferenceon UnmannedAircraft Systems（ICUAS），2016：292-300.

[33]Erdmann M，Lozano-Pèrez T. On multiple moving objects[J]. Algorithmica，1987（2）：1419-1424.

[34]Dewangan R K，Shukla A，Godfrey W W. Survey on prioritized multirobotpathplanning[C]//2017IEEEInternational Conference on Smart Technologies and Management for Computing，Communication，Controls，Energy and Materials（ICSTM），Chennai，2017：423-428.

[35]？áp M，Novák P，Kleiner A，et al. Prioritized planning algorithms for trajectory coordination of multiple mobile robots[J]. IEEE Transactions on Automation Science & Engineering，2015，12（3）：835-849.

[36]Pandey A. Mobile robot navigation and obstacle avoidance techniques：A review[J]. International Journal of Robotics & Automation，2017，2（3）：1-12.

[37]Mousavi M Y，Musa S N，Tahriri F，et al. Multi-objective AGV scheduling in an FMS using a hybrid of genetic algorithm and particle swarm optimization[J]. 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路徑規劃[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 ant colony algorithm[J]. Control Engineering of China，2018， 25（2）：253-258.（in Chinese）

[39]Yi Zhang，Guolun Guan，Xingchen Pu. The robot path planning based on improved artificial fish swarm algorithm[J]. Mathematical Problems in Engineering，2016（9）：1-11.

[40]Han Z，Wang D，Feng L，et al. Multi-AGV path planning with double-path constraints by using an improved genetic algorithm[J]. Plos One，2017，12（7）：e0181747.

[41]Li G，Chou W. Path planning for mobile robot using selfadaptive learning particle swarm optimization[J]. Science China Information Sciences，2018，61（5）：052204.

[42]李巖，吳智銘，甘泉.柔性加工環境中機器和AGV的集成調度[J].中國機械工程， 2001， 12（4）： 447-450. Li Yan， Wu Zhiming， Gan Quan. Integrated scheduling of machines and AGVs in flexible manufacturing environment[J]. 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車間智能動態優化調度[J].機械工程學報， 2002， 38（4）： 120-125. Sun Zhijun， Zhu Jianying. Genetic algorithm based for intelligentschedulingoptimizationofmulti-resource[J]. Journal of Mechanical Engineering， 2002， 38（4）： 120-125.（in Chinese）

[44]雷定猷，張蘭. AGV系統的調度優化模型[J].科學技術與工程， 2008， 8（1）： 66-69. Lei Dingyou， Zhang Lan. Dispatch optimization modeling of automatic guided vehicle system [J]. Science Technology and Engineering， 2008， 8（1）： 66-69.（in Chinese）

[45]劉旭，樓佩煌，錢曉明，等.基于改進遺傳算法的物料配送多AGV調度優化[J].機械設計與制造工程， 2015（3）： 16-21. Liu Xu， Lou Peihuang， Qian Xiaoming， et al. Scheduling of automated guided vehicles for material distribution based on improvedgeneticalgorithm[J].MachineDesignand Manufacturing Engineering， 2015（3）： 16-21.（in Chinese）

[46]Kaoud E，El-Sharief M A，El-Sebaie M G. Scheduling problems of automated guided vehicles in job shop，flow shop，and container terminals[C]// 2017 4th International ConferenceonIndustrialEngineeringandApplications（ICIEA）. IEEE，2017.

[47]Vis I F A. Survey of research in the design and control of automated guided vehicle systems[J]. European Journal of Operational Research，2006，170（3）：677-709.

[48]Xidias E K，Azariadis P N，Aspragathos N A. Path planning of holonomic and non-holonomic robots using bump-surfaces[J]. Computer-Aided Design and Applications，2008，5（1-4）：497-507.

[49]Xidias E K，Azariadis P N. Mission design for a group of autonomous guided vehicles[J]. Robotics & Autonomous Systems，2011，59（1）：34-43.

[50]Xidias E，Zacharia P，Nearchou A. Path planning and scheduling for a fleet of autonomous vehicles[J]. Robotica，2016，34（10）：2257-2273.

[51]Azariadis P N，Aspragathos N A. Obstacle representation by Bump-surfaces for optimal motion-planning[J]. Robotics & Autonomous Systems，2005，51（2）：129-150.

[52]干一宏.面向航天制造企業的車間作業調度與指導技術研究[D].南京：南京理工大學， 2015. Gan Yihong. Research on job shop scheduling and guidance technologyforaerospacemanufacturingenterprises[D]. Nanjing： Nanjing University of Science and Technology， 2015.（in Chinese）

[53]楊耀勇，李華峰，延玉軍，等.汽車總裝車間智能物流輸送技術研究[J].汽車工藝與材料，2020（10）：7-12. Yang Yaoyong， Li Huafeng， Yan Yujun， et al. Research on intelligent logistics transportation technology in automobile assembly workshop[J]. Automobile Technology & Material， 2020（10）：7-12.（in Chinese）

[54]周鵬飛，潘志友，魏磊. AGV調度控制系統在汽車總裝車間的應用[J].物流技術， 2020，39（9）：143-147. Zhou Pengfei， Pan Zhiyou， Wei Lei. Application of AGV dispatch control system in automobile assembly workshop [J]. Logistics Technology， 2020，39（9）：143-147.（in Chinese）

[55]孫曉順.大型生產車間中AGV調度方法研究[D].武漢：華中科技大學， 2019. Sun Xiaoshun. Research on AGV scheduling method in largescale production workshop [D]. Wuhan： Huazhong University of Science and Technology， 2019.（in Chinese）

[56]李獅偉.船用汽輪機智能車間AGV動態調度與路徑規劃研究[D].哈爾濱：哈爾濱工業大學， 2020. Li Shiwei. Research on AGV dynamic scheduling and path planning of marine steam turbine intelligent workshop [D]. Harbin： Harbin Institute of Technology， 2020.（in Chinese）

[57]郭亞銘.面向柔性制造車間環境的AGV路徑規劃研究[D].鄭州：河南工業大學， 2020.Guo Yaming. Research on AGV route planning in flexible manufacturing workshop environment [D]. Zhengzhou： Henan University of Technology， 2020.（in Chinese）

[58]張輝，周麗，郭洪杰，等.面向飛機柔性裝配線的聯動AGV研制[J].航空制造技術， 2013（20）：67-69. Zhang Hui， Zhou Li， Guo Hongjie， et al. Development of AGV linkage for flexible assembly line of aircraft [J]. Aeronautical Manufacturing Technology， 2013（20）：67-69.（in Chinese）

[59]蔣倩，張云志，張少擎，等.飛機數字化裝配中IGPS導航的AGV路徑規劃方法[J].航空制造技術，2016（22）：72-77+83. Jiang Qian， Zhang Yunzhi， Zhang Shaoqing，et al. Path planning method of the AGV navigated by IGPS in aircraft digital assembly [J]. Aeronautical Manufacturing Technology， 2016（22）： 72-77+83.（in Chinese）

[60]楊春寧，杜黎明，李春.未知區域無人機協同搜索方法及效率分析[J].航空科學技術， 2019， 30（10）：56-63. Yang Chunning， Du Liming， Li Chun. Methods and efficiency comparison of UAV swarms collaborative search in unknown area[J]. Aeronautical Science & Technology， 2019， 30 （10）： 56-63.（in Chinese）

Application Prospect of AGV Key Technology in Aeronautical Manufacturing Workshop

Lv Yujiang1，Meng Zhaojun2，Yang Wei3，Chen Yanyan1，Han Zhao2，Xie Mingke3，Wang Yanzhong2，3

1. AVIC Beijing Changcheng Aeronautical Measurement and Control Technology Research Institute，Beijing 101111，China 2. Liaoning Institute of Science and Technology，Benxi 117000，China 3. Beijing University of Aeronautics and Astronautics，Beijing 100191，China

Abstract： With the development of intelligent manufacturing and aerospace products， the traditional aviation manufacturing technology already cannot satisfy the needs of the development of the aviation products. Along with the appearance and development of intelligent manufacturing technology， intelligent logistics based intelligent manufacturing plant has been widely employed. In intelligent manufacturing workshop logistics. Automated Guided Vehicle（AGV） has been widely used.Based on AGV key technology research， this paper summarizes the AGV in the working process of the material supply workshop， expounds its application in the workshop of intelligent control system， and puts forward a method that applies the AGV to the intelligent logistics as well as its prospect and development direction in aviation manufacturing plant， which has references to the AGV development.

Key Words： intelligent manufacturing； workshop logistics； path planning； AGV； aviation manufacturing