基于GPS 的集裝箱碼頭集卡場內作業路徑規劃

葉增健，李 玲，鄭敬發（中國外運華南有限公司，廣東 廣州 510799）

0 引 言

相比于全自動化集裝箱碼頭，傳統的集裝箱碼頭受制于堆場面積、投入產出比等問題，無法利用AGV（Automated Guided Vehicle）等自動化技術對堆場內的交通流進行科學精準的管控與調度，集卡的作業路徑通常由司機決定，具有較強的隨機性，導致交通流偏離設計的理想狀態，難以感知與控制，增加了管理成本，降低了作業效率。因此，引導集卡司機按照規劃路徑進行作業，能夠提升交通流的可預測性，根據道路的最大通行量對集卡推薦作業路線進行調整，能夠有效避免碼頭內部擁堵情況，縮短集卡等待時間，提升碼頭的作業效率。

國內外相關文獻以自動化碼頭AGV路徑規劃問題的求解居多，且多聚焦于內集卡裝卸船作業，楊靜蕾[1]以集卡運行距離最短為目標，提出了單集卡多箱區裝卸作業的路徑最優模型；趙金樓等[2]以最小化集卡空載距離和空載率為目標，分兩階段設計模型并利用粒子群算法進行求解；于洋[3]分析了影響集裝箱港口內交通流的因素，并提出優化意見和建議；湯海亮等[4]引入集卡作業指令打分模型對集裝箱碼頭裝卸船任務指令進行動態計算，實現了集卡全場作業調度；曹瑩等[5]通過引入碰撞因子對A*算法進行改進，實現了對AGV運行路徑的規劃，提升了作業效率。

目前國內外學者對集卡裝卸作業路徑規劃研究存在以下幾點不足：一是研究大多聚焦于內集卡的裝卸作業，對于外集卡場內作業路徑的研究較少，而外集卡在數量上比內集卡還要多，且多數司機并非碼頭員工，對堆場作業狀態了解不全面，管理難度大，更易造成場內車流堵塞；二是多數研究仍處于理論分析階段，輸出的結果不夠精細化，如輸出的規劃路徑為A車到B泊位到C箱區，但無法提供具體的作業路線，對非自動化的傳統碼頭缺乏參考意義；三是多數研究的路徑規劃方案都是非動態的，而碼頭的作業是非標準節拍式的作業，尤其是二類港口碼頭，現場作業隨時可能發生改變，規劃路線的有效性有待考證。因此，本文將針對傳統集裝箱碼頭集卡場內作業路徑規劃問題，提出一套可行的堆位級別路徑導航解決方案。

1 案例介紹

本文依托廣州市某二類碼頭（下稱H倉碼）對集卡場內作業規劃方案進行闡述，H倉碼場內堆場面積占地共13.92萬平方米，分為主堆場和子堆場兩個場區，共計11個箱區；有5個閘口，其中3個進閘口，2個出閘口。該碼頭具備以下場內作業路線規劃的基本條件。

堆場具備清晰的場地布局，包括明確劃分的箱區、道路和堆位，不存在場內集裝箱隨意堆放的情況，由堆位編碼可以準確定位目的地；

堆場內有明確的交通流規劃，標識道路是否為雙向道路、是否支持掉頭等，每個箱區有固定的裝卸車道；

具備場內路線規劃功能的相關操作系統（如TOS）載體，拖車司機可以通過手機實時將定位信息反饋給操作系統。

2 堆場道路有向圖及道路經緯度信息確定

2.1 堆場道路有向圖的確定

本文采用有向圖作為抽象工具，對集裝箱堆場的道路信息進行了抽象。首先，從實際堆場中獲取到道路網絡的地理信息和道路連接關系數據。然后根據道路連接關系構建了一個有向圖，圖的節點表示道路的交叉口或閘口，邊表示道路之間的連接關系。接下來需要對有向圖的節點進行編號，并確定節點屬性，例如是否是閘口、是否允許通行等，并根據實際車流設置邊的單雙向屬性。通過這樣的抽象，本研究將復雜的道路網絡簡化為圖結構，便于后續的數據處理和分析工作。

這種抽象方法具有顯著優勢。首先，有向圖能夠更好地展現道路網絡的拓撲結構，包括交叉口、道路的流向和連接關系等信息，有助于深入理解道路網絡的結構和性能。其次，有向圖能夠方便地應用圖論和網絡分析的方法，例如最短路徑算法、網絡中心性度量等，為后續的道路導航算法和性能評估奠定了基礎。最后，抽象后的圖結構還能夠減少數據的復雜性和冗余性，簡化了計算和存儲需求。

因此，將集裝箱堆場的道路信息進行有向圖抽象是關鍵步驟，為后續的研究設計和實驗分析提供了重要基礎。我們將H倉碼的場內道路抽象為有向圖（如圖1所示），并對節點進行編碼，確定一個節點集合P∈（01，02，03，...，32），其中09、10、11、12、33等為閘口節點，其他節點為道路連接節點；與此同時，確定一個道路集合，如05-01，01-02，02-03等，如果有雙向屬性的道路，如03-07、07-03段道路，需一起納入集合。

圖1 H 倉碼堆場有向圖

2.2 節點、道路經緯度及距離獲取

確定有向圖之后，需要獲取集合P和集合R中元素的經緯度信息，對于節點，只需要獲取單個節點的經緯度即可，對于道路，則需要獲取起點-終點中間道路的軌跡序列。此處可借助高德地圖提供給開發者的API實現。

2.2.1 節點經緯度獲取

調用高德地圖提供的API，可以獲取選定節點的經緯度，通過遍歷集合P記錄下每個節點的經緯度及其特殊屬性，如節點32是進閘口，經緯度坐標是（113.464 68，23.089 366）；獲取節點經緯度后，可將節點添加至高德地圖，以便更加直觀地查看節點和道路的分布情況。

2.2.2 道路經緯度及距離長度獲取

調用高德地圖獲取行車路徑規劃的API，可以獲取兩個節點中間道路軌跡的經緯度集合及距離長度等基本信息。通過遍歷集合R中的所有道路，獲取所有道路的經緯度及其實際距離長度。需要注意的是，高德地圖對堆場場內道路屬性的定位可能與實際情況不一致，可能會導致行車路徑規劃不準確，如道路方向不一致，需要人工對道路軌跡的經緯度進行校準；又如對于高德地圖中不存在的道路，可以由人工進行點位經緯度采集，自定義場內道路。

3 堆場集裝箱建模及裝卸點位經緯度信息確定

3.1 堆場集裝箱建模

由于集裝箱堆場的面積太大，如果采用現場測量每個集裝箱堆放位置的方式，會耗費大量的人力資源和時間成本，同時測量設備本身也存在誤差，無法得到一個較為準確的堆位經緯度信息。因此，本文結合集裝箱堆放特性及地理衛星圖（如圖2所示），通過三維映射的方式推導出每個集裝箱堆位的理論經緯度數值。

圖2 集裝箱建模渲染圖

首先，我們要根據碼頭操作系統中的堆場圖設置數據，利用三維技術在高德地圖上將其呈現出來，對于單裝卸車道的箱區，同個貝內集裝箱的裝卸位置都是相同的，因此在建模時僅需渲染第一層的集裝箱數據，同時，我們可以開啟高德地圖的衛星圖圖層進行堆位校準。

3.2 裝卸點位經緯度信息確定

完成上述建模步驟后，就得到了一個集裝箱堆位的三維圖層，并且可以結合three.js的方法獲取每一個集裝箱三維對象的坐標，然后結合高德地圖的方法進行轉換，獲取集裝箱堆位經緯度信息。

上述操作只能獲取堆位在堆場內的具體經緯度，而不是集卡實際裝卸目標位置的經緯度，因此，還需要以堆位為圓心畫圓與裝卸道路相切，切點即為集卡實際裝卸的目標位置，獲取堆位對應裝卸位置的經緯度進行存儲，就可以得到一個堆位與裝卸位置經緯度的映射關系。如圖3所示，a點為箱區裝卸道路，b點為堆位對應的經緯度點位，c點為以堆位為中心的圓與道路的切點，實施過程中可以使用高德地圖的工具函數GeometryUtil.closestOnSegment和GeometryUtil.distance輔助獲取切點（注：若裝卸道路軌跡由多個點構成，可以遍歷線段獲取最短距離）。

圖3 裝卸點位示意圖

4 集卡位置信息確定獲取

上述環節處理完成后，已經可以得到整個堆場所有道路的經緯度信息以及所有集裝箱堆位的經緯度信息。之后，我們還需獲取集卡的位置信息，集卡的位置信息由三部分組成，分別是歸屬哪段道路，在道路的哪個位置，車頭朝向哪個方向。

首先，需要確定集卡歸屬哪段道路。雖然可以通過手機收集集卡的位置信息，但由于經緯度精確度與地圖展示存在匹配問題，將車輛定位在場地中間時，無法直觀地知道集卡在哪段道路，因此，我們需要重新將集卡的位置定位在道路上。可以通過遍歷車輛獲取當前位置到集合R的距離，哪段道路距離最短，集卡就在該段道路上。

其次，需要確定集卡在道路上的具體位置，參考裝卸點位的確定方式，以集卡當前所在位置為圓心作圓，其與集卡所在道路的切點即為集卡當前所在道路的具體位置。獲取上述數據之后，即可確定車輛在道路上的具體位置。

最后，需要確定當前集卡在道路上的行駛方向，由于單個經緯度無法確定車輛的行駛方向，因此，我們需要通過判斷兩個連續的位置變化信息來確定集卡在道路上的行駛方向。例如，當集卡在路段24-19時，設置當前時刻為t，當前時刻集卡距離路段終點（節點19）的距離為dt，上一時刻為t-1，上一時刻集卡距離路段終點（節點19）的距離為dt-1，如果dt＜dt-1，則證明車輛是沿著道路方向行駛的，否則就是在逆著道路方向行駛。

5 集卡場內作業路徑規劃

經過上述步驟，我們已經得到了集裝箱堆場場內道路有向圖，場內道路的基礎數據以及路徑規劃的起點（集卡的當前位置）及終點（堆位位置），可以通過求解有向圖來確定集卡作業的路徑。

首先，我們需要根據作業內容以及集卡當前位置來修改基礎的有向圖，插入起點、終點，例如，集卡當前在28-27路段，即將在17-20路段卸載一個集裝箱，那么我們可以調整有向圖，如圖4所示，圖中“車”代表當前集卡位置，“卸”代表要裝卸的作業點位，那么集卡場內作業路徑規劃問題就可以簡化抽象為求解圖4所示的有向圖中從“車”到“卸”的所有路徑中的最優路徑。

圖4 調整后的有向圖

在有向圖的求解方面，常見的方法是使用python中的NetworkX，以距離為權重結合A*算法進行求解，調用NetworkX的astar_path方法使用A*算法求解從集卡當前位置到裝卸點位的最優路徑為：集卡—節點27—節點26—節點23—節點19—節點17—裝卸點（見圖5）。

圖5 NetworkX 繪制有向圖

此外，針對一些特殊場景，還可以動態調整有向圖，例如，根據現場車流情況，若路段26-23出現擁堵，那么可以過濾掉有向圖中的26-23路段，這樣求解出來的最優路徑即：集卡—節點27—節點21—節點20—節點24—節點19—節點17—裝卸點。本文論述中心不在于討論有向圖求解算法，因此該部分不做詳述。

求解得到最優路徑后，還需要基于道路的基礎數據還原規劃路徑的經緯度數據集合，結合高德地圖對規劃路徑進行展示，為集卡司機提供路徑規劃的結果，甚至可以結合高德地圖moveAlong的方法實現模擬導航。此外，還可以結合現場集裝箱的堆放，進行3D圖層的堆疊渲染，讓司機對堆場現場有更加直觀的判斷（見圖6）。

圖6 3D 堆場展示

6 結 語

本文基于傳統集裝箱碼頭集卡場內作業路徑規劃的場景，提出了一種成本較低、可以快速實現堆位級別路徑導航的方案，與高德地圖現有的API和3D建模相結合，對集裝箱碼頭場內的道路和堆位經緯度進行轉換提取，并將路徑導航問題抽象為有向圖求解問題，將復雜問題簡單化，通過常用的路徑規劃算法（如A*等）即可得到導航路徑，且可以根據車輛的實時位置進行路徑規劃，真正做到整個堆場內任意位置的路徑規劃，最大程度地方便了集卡司機查看作業流程，減少繞路兜路的情況，提升了碼頭作業效率，緩解了堆場擁堵。在案例中，H倉碼還通過引入路段繁忙情況、遠控龍門吊欄頭控制等方式，動態更新有向圖以獲取最優的路徑規劃，同時還加入了車輛逆行檢測系統，規范司機安全行駛。未來我們可以通過引入更高精度的電子地圖和無人駕駛技術，進一步優化路徑規劃算法，考慮更多實際因素的影響，并在實際場景中進行更多的驗證與實踐，以期為傳統碼頭的現代化管理和作業效率提升貢獻更多的智能化解決方案。