基于蚁群优化与深度神经网络的3D仓库多维AGV路径规划
机器人学
2025-04-04 v1 人工智能
摘要
在现代仓库场景中，电商的快速扩张及其日益复杂的多层存储环境暴露了传统AGV（自动导引车）路径规划方法的局限——这些方法常依赖静态二维模型和经验调优的启发式策略，难以处理动态交通与拥堵。为此，本文提出一种 novel AGV路径规划方法用于3D仓库环境，采用融合ACO（蚁群优化）与深度学习模型的混合框架，称为NAHACO（Neural Adaptive Heuristic Ant Colony Optimization）。NAHACO集成三项关键创新：首创性启发式算法用于3D仓库货物建模运用多维张量，解决实现卓越启发式精度的挑战；将拥堵感知损失函数集成至ACO框架内，称为CARL（Congestion-Aware Reinforce Loss），实现基于交通与容量约束动态调整路径成本的动态启发式校准，以优化ACO路径规划；第三，引入自适应注意力机制捕获多尺度空间特征，进一步解决ACO路径规划与AGV导航的动态启发式校准问题。NAHACO显著提升路径规划效率，实现更快计算速度及超越现有方法的优异性能，同时自动适应仓库约束实现实时优化。NAHACO超越SOTA方法，在TSP基准中将总体成本降低最高24.7%。在仓库测试中，NAHACO将成本降低最高41.5%，拥堵降低最高56.1%。
引用
@article{arxiv.2504.01985,
title = {Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks},
author = {Bo Zhang and Xiubo Liang and Wei Song and Yulu Chen},
journal= {arXiv preprint arXiv:2504.01985},
year = {2025}
}