数字孪生驱动的车间AGV路径规划方法

0 引言

在当今智能制造产业高速发展的环境趋势下，智能物流[1,2]作为我国重点发展的智能制造五大核心产业之一，也随着智能装备、智能感知等技术的兴起而被日益重视。智能物流是以集成信息化技术为支撑，使物流系统实现高度自动化并具备自行解决物流中相关问题的能力，从而达到现代物流体系的标准。车间[3]内的物流配送属于离散任务驱动的多自动引导车（automated guided vehicle，AGV）配送问题，其任务订单为实时到达，运输环境具有动态不确定性。根据车间物流配送的实际作业现状，其物流配送具有AGV设备工作连续不间断、路径规划具备动态性和多 AGV 同时作业的特点，因而在避免冲突乃至扰动事件的前提下优化物流配送效率是问题的关键所在，而传统路径规划方法的优化效果距离智能物流的需求还有较大的差距。

有些研究在AGV路径规划初始阶段考虑冲突避免问题，例如：基于初段时间窗检测的多AGV避障路径规划[4,5]，设计改进蚁群算法和相应的冲突解决策略求解得到多AGV全局路径最优解[6]，利用Dijkstra算法和时间窗排布进行多AGV路径规划，并根据优先级避免AGV碰撞冲突[7]等。这类方法的特点在于，在路径规划的计算过程中考虑AGV之间的冲突问题，综合已知的任务序列，规划所有AGV的路径得到整体最优解。但此类方法一般只能应用于运行环境和任务需求已知不变的场景中，具有一定的局限性。还有一类研究是在路径规划以及AGV的任务执行阶段均考虑AGV之间的冲突调解问题，并设置相应的策略进行路径的实时调整，例如：房殿军等[8]研究了智能AGV群体作业场景中的路径规划和动态避障决策，建立了适用于栅格地图的AGV碰撞模型，提出栅格半径范围内碰撞类型预先检测的动态避障策略；张丹露等[9]为解决智能仓库环境下多AGV协同路径规划问题，提出基于交通规则和预约表的动态加权地图构建法，并利用改进A*算法求解得出防碰撞路径，但降低了AGV运输效率；孙毛毛等[10]为解决多AGV在动态环境下的无碰撞路径规划问题，提出了包括预先规划和实时规划的两阶段路径规划方法。动态路径规划方法[11,12]多是根据物流系统实时状态对AGV当前路径进行调整，该方法属于反应式预规划，可有效避免由于环境变化和实时道路信息变化而导致的AGV之间的冲突，为每个AGV寻找相对最优的路径。

针对AGV路径规划算法的研究已比较成熟，但对于多AGV动态路径规划问题，现有方法仍然存在对扰动事件处理能力较弱、获取全局最优解难度高等问题。因此，仅仅进行模型和算法的改进很难再有实质性突破，随着物理仿真技术的发展和车间环境数据的累积，融合模型、数据、算法来优化多AGV路径规划问题是值得研究的方向。在此背景下，数字孪生(Digital Twin，简称DT)的提出和推广为动态环境下的车间AGV路径规划研究提供了新的思路。DT是利用虚拟数字化模型实时物理实体的多维物理特征的技术[13]，早期应用于物理实体的数字化建模领域，例如Cai等[14]提出可通过实时数据的获取和处理来构建机床的数字孪生模型。截至目前，DT已扩展到产品设计[15]、生产流程优化[16]、设备调度优化[17]以及设备故障预测与健康维护[18]等领域。

现有一些研究将数字孪生应用于物流规划领域：东华大学史恭威[19]以某海工产品制造厂区物流系统为研究对象并设计其数字孪生架构，基于 XML 语言和无向有色 Petri 网描述物流设备及其作业调度过程的多维信息模型，并开发了作业调度系统，实现了配送过程透明化；Lee C 等[20]建立一种智能机器人仓库的物理信息系统模型，通过工作流数据采集和过程监控来预测 AGV 运动，并利用多种策略进行协同决策，避免 AGV 发生冲突；张连超等[21]基于数字孪生卫星总装车间提出一种物料准时配送方法，其利用神经网络模型预测工人的操作时间，降低了由人工差异造成配送时间的预测误差，提高了车间物料配送的准时性。由此可见，数字孪生技术在物流规划领域已经展开了实践性研究。但是，数字孪生技术应用于车间物流规划领域还是存在一些问题，其中的数字孪生建模主要依赖于数据，如果数据采集系统没有获取足够的信息，那数据驱动的模型跟物理实体肯定存在差异，这就需要物理模型来进行补充；而选取哪个维度来切入并进行可实现的数字孪生物理建模，也是目前面临的困难[22]。此外，相对于提升路径规划算法的性能，如何定量证明分析数字孪生模型确实优化了车间物流，也是需要考虑的问题。

本文针对某企业电机总装车间的 AGV 路径规划问题，提出一种基于数字孪生的解决方案。当前车间的 AGV 物流系统有如下升级需求：(1)路径规划方法需要在配送任务下达时，快速规划出无冲突配送路径，并降低配送时间成本；(2)路径规划方法需要在动态环境下，根据突发事件的详细状况实时调整 AGV 的规划路径，以较小的冲突调整时间代价避免冲突发生。通过建立车间数字孪生环境模型，实现车间状态更新和信息同步，利用模型优化调整路径规划算法参数，实现对车间 AGV 路径规划问题的优化。

1 数字孪生驱动的车间AGV路径规划技术架构

影响车间 AGV 路径规划最为主要的物理因素是车间环境地图信息，该信息受到车间道路通行状态和 AGV 路径计划变动的影响。本文所构建的数字孪生环境模型在车间 AGV 路径规划系统中的作用是为 AGV 路径规划算法提供动态数据模型基础。首先建立车间虚拟场景模型，并以此为背景将车间环境地图抽象为拓扑模型，然后在拓扑模型的基础上设置模型更新方法并建立 AGV 路径规划仿真模型。在环境地图模型的基础上通过建立数学约束、优化目标、改进算法来进行 AGV 路径优化，最终通过将数据和算法共同导入仿真模型来验证优化结果。如图 1 所示，物理空间与虚拟空间总体上实现虚实共生、迭代演进[23]。此外，本架构相比于传统车间的 AGV 路径规划模型，主要有以下两个特点：

图片[1]-数字孪生驱动的车间AGV路径规划方法 — 图 1 数字孪生驱动的车间 AGV 路径规划技术架构

(1)虚实共生的运行状态。物理设备、虚拟设备的运行状态是共生关系。一方面通过数据通信等手段将物理设备的运行状态实时传递给虚拟车间；另一方面由虚拟车间根据传递来的数据，通过内置的算法进行实时仿真优化，然后控制物理设备的运行。物理车间的设备状态改变影响虚拟车间的仿真结果；相对的，虚拟车间仿真结果的改变也将改变物理车间的设备运行状态。

(2)实时演进的规划过程。对车间 AGV 运动过程来说，虚拟车间的仿真结果与物理车间中的实际运行结果实时演进。一方面仿真结果指导物理设备的运行，并根据时间的推进、事件的发生与消失不断改变其控制指令与路径规划结果；另一方面物理设备将运行过程、运行结果等信息不断反馈给虚拟空间，进而更新虚拟车间的数据、模型、方法等要素，从而影响了路径规划的仿真结果。因此虚拟车间与物理车间的规划过程始终处于实时演进的过程中。

2 车间数字孪生环境模型构建

2.1 车间现状

本文研究背景为国内某企业电机总装车间，车间内包括 4 条定子生产线、4 条转子生产线以及5条总装生产线，其主要用于电机自动化生产业务中的电机总装任务以及部分电机定子、转子的生产任务。该车间总体布局图如图 2 所示。

图片[2]-数字孪生驱动的车间AGV路径规划方法 — 图 2 电机总装车间布局图

从图 2 中可以得出，原材料仓库与车间内部分生产线存在着较长的运输距离，生产线的物料补给需要通过 AGV 来完成。因此，AGV 需要从起点尽快将原材料仓库中的物料按照指令运输到各生产线的原材料上线节点处，以满足生产需要。

2.2 数字车间模型构建

对于数字车间场景建模，采用 3DMAX 和 gltf-pipeline 插件等工具，结合车间背景环境、生产设备、道路分布、AGV 设备状态等动静态数据，按照图 2 所示的车间布局图对车间生产线工位、物流道路、AGV 等要素进行三维建模和模型压缩，而后导入到 Three.js 进行模型的组合和布置，最后在浏览器进行渲染，形成可视化交互界面，如图 3 所示。数字车间模型通过数据通信等方式获取实际车间中的 AGV 设备运行状态，并实时展示于界面中。