自动引导车（AGV）在近些年得到了迅速的发展与应用，如在自动化仓库系统、柔性制造系统和集装箱码头系统等。AGV应用中最值得注意的问题是AGV任务调度和路径规划。针对这个问题，本文比较了不同算法在AGV任务调度和路径规划中的应用，结合调度算法的发展趋势，对AGV在智慧仓储系统中的应用前景进行了探讨，指出了未来可能的研究方向。

AGV在仓储企业中的使用需要满足一系列条件，包括基础设施、技术系统和运营管理等方面。仓储企业需要根据自身的实际情况选择合适的AGV型号和配置，并建立完善的管理制度和培训体系，以确保AGV能够为企业带来高效、准确的物料搬运服务。

在地面方面，AGV需要在平整的地面上运行，以确保其稳定性和安全性。因此，要求地面不能有障碍物、凸起或不平整的部分。

在照明方面，足够的照明对于AGV的运行和导航系统非常重要，仓库应提供足够的光线，以确保AGV可以准确地识别地标、导航路径和障碍物。

在导引设施方面，AGV通常依靠一些导引技术，如磁铁带、激光导航或无线信号等。在仓库中，这些导引设施需要正确地安装和标识，以便AGV能够顺利地进行导航和定位。

在交通标志方面，仓库内应设置清晰的交通标志和指示，包括行车道、禁止通行区域和优先通行区域等，以确保AGV 与其他设施、工具或人员的协同工作。

WMS是仓储企业的核心管理系统，负责处理所有的入库、出库、移库等作业指令。AGV需要与 WMS进行无缝对接，接收作业指令并完成相应的搬运任务。AGV的导航系统是其核心组件之一，负责指导AGV在仓库中准确地行驶和定位。常见的导航系统包括激光导航、磁带导航、视觉导航等，企业需要根据实际需求选择合适的导航系统。为了保障AGV和人员的安全，需要配备安全防护系统，如碰撞检测、紧急停车、避障等功能。这些功能可以在发生异常情况时及时停止AGV的运行，避免事故发生。

仓储企业需要为AGV的操作人员提供专业培训，确保操作人员熟悉AGV的操作流程和注意事项；还需要定期对操作人员进行考核和评估，确保操作人员具备足够的技能和知识。AGV作为一种机械设备，需要定期进行维护保养，以确保其正常运行。企业需要建立完善的维护保养制度，定期对AGV进行检查、清洁、润滑等工作。企业需要建立完善的调度管理制度，根据作业需求和AGV的实际情况进行合理的调度安排。同时，还需要对AGV的运行数据进行监控和分析，以便及时发现问题并进行优化改进。

AGV在智慧仓储中的应用，既有管理问题，也有技术问题。管理问题是指要考虑许多实验条件、用户需求、环境变化等；技术问题是指需要在成本、质量和效率之间做出权衡。如今，AGV的应用已经得到了广泛地研究。AGV系统可分为集中式系统和分散式系统。集中式系统便于应用，但在大型场景中可能难以很好地工作；分散式系统在大型场景中工作良好，但对软硬件的要求相对较高。然而，通过合理的仓库布局，仍然可以节约20%～50%的成本。

仓库中一般有收货和发货两大作业流程，耗时最多的任务是拣货，如何设计合理的算法减少AGV的行驶时间是智慧仓储系统中的一个关键问题。针对AGV行驶时间的算法主要考虑以下两个方面。

一是AGV任务调度问题。在作业过程中，为了快速完成一项拣货任务，需要找到一辆能够尽快到达任务起始节点的AGV，这是AGV任务调度问题。AGV移动到开始节点的这段时间被称为间隔期，间隔期越短，仓库运行的效率就越高。因此，AGV任务调度的目标是找到一辆能尽快响应订单的AGV。虽然有许多AGV调度方法，但多数算法在棋盘式场景中的性能很少得到验证。

另一个是AGV路径规划问题，这既包括单目标优化问题，也包括多目标优化问题。对路径规划算法有以下三个要求：最短路径；尽量减少时间消耗；有效的路径规划。经典的AGV路线规划算法，如Dijkstra算法，在小型仓库中可以很好地工作，但在节点较多的复杂环境中就会变得效率低下。

AGV的任务调度问题在各种实际场景中都会出现，调度方案的好坏直接影响AGV的运行效率和物流系统的成本。经典的AGV调度方法并不适合当前多节点的场景，既没有考虑能源、成本等问题，也没有考虑棋盘式仓库的特征，只是控制AGV沿基本方向行驶，并在节点处转弯。大多数使用欧几里得方法来评估距离，但它具有以下缺点：当数据样本不平衡时，不能很好地进行调度；大规模环境下计算量大，需要花费大量的时间对数据进行预处理；最短欧氏距离并不意味着AGV在网格环境下的最短行驶距离。因此，基于欧氏距离的调度方法不适用于棋盘式仓库。Dijkstra算法是一种基于图论的经典路由算法，可以将AGV的路由规划集成到 AGV任务调度中，即目前的基于Dijkstra 算法的任务调度算法。基于Dijkstra算法的AGV调度算法使用广度优先搜索计算最优解，这样我们不仅可以获得最优AGV的位置，还可以获得时间最短路线。虽然基于Dijkstra算法的AGV调度算法在棋盘式环境中优于其他算法，但与棋盘式仓库相关的研究较少。

研究人员针对AGV的任务调度问题提出了许多解决方案。Bechtsis等回顾了AGV规划和控制的可持续性。Ryck等回顾了AGV相关控制算法和技术，并提出了一种基于禁忌搜索的启发式算法来解决柔性制造系统中机器和AGV的同步调度问题。使用数学方法来建模调度问题，包括路径布局、车辆容量等限制作为约束，以及单个或多个目标，如最短和最长的完工时间、执行时间和延误等。由于问题的复杂性，主要应用一般启发式、分解算法、自适应遗传或模拟退火算法。徐天凤基于蚁群算法对港口船舶物流进行优化，通过建立港口船舶物流的数学模型，对物流运输中的任务序列进行了优化调度。Yang等分析了集装箱堆场多台起重机和车辆的同时调度问题，利用遗传算法计算集装箱装卸时间，以最小化完工时间为目标获得平均最长的完成时间和所有AGV的平均资源转移时间。

AGV路径规划是找到一条连续的、无死锁的路径，使AGV从起点到目标位置的拥堵延迟最小，从而在起点、终点之间自主导航。在静态环境中，路径规划通常只执行一次，但动态环境可能需要多次寻找无碰撞路径，以便多辆AGV绕过或清除障碍。

Ragothaman等研究了AGV的路径规划问题，使用全球导航卫星系统（GNSS）卫星和蜂窝基站的数据融合，对自身状态进行估计，从而规划路径，从已知的起点出发，以最短的距离到达已知的目标。Shan等提出了一种基于时间窗的多AGV无碰撞路径规划通用算法，深入研究了传统单车规划和冲突解决算法的不足，建立了路径规划的时间窗改进算法和路径冲突协方差的求解方法，经实验表明，改进的算法缩短了路径规划时间，提高了任务的准时交付率。Wang等针对智能停车系统中存在大量不连通路径的问题，提出了一种改进蚁群算法的后备策略，用于基于AGV的智能停车系统的路径规划；同时，采用价值函数优化启发式信息的计算过程，采用奖惩机制对信息素更新策略进行优化，使改进的蚁群算法可以在不牺牲搜索效率的前提下，为AGV规划从起点到终点的最优路径。Yuan等为避免多辆AGV路径冲突，提出了一种双层路径规划算法来优化多辆AGV的路径，使用改进的AGV算法在全局拓扑图中规划 AGV全局路径，得到最短路径的同时，尽可能减少了AGV路径冲突。

在多AGV的仓储物流系统中，由于拥堵或死锁等限制，最短路径不一定会得到最短运输时间。有研究利用数学建模引入无冲突或无死锁策略寻找最短路径，并解决组合调度、车辆数量等问题。郭秀萍等提出一种卡车—无人机联合配送模式，并设计了三阶段规划求解方法。第一阶段，采用改进的K-means聚类算法对客户进行分类，将聚类中心作为卡车配送点；第二阶段，基于旅行商问题模型确定卡车经过所有配送点的最优行驶路线；第三阶段，构建每个配送点续航和容量约束下无人机的路径优化问题并求解，实现了以较低成本将货物送达客户。李圣男等提出了一种基于时间Petri网的多AGV调度优化算法，该算法利用时间Petri网对大规模双向车道环境下多AGV的仓库调度过程进行建模，并在分解后对AGV进行单独分析，减少了算法的时间复杂度，引入传统外点惩罚函数法构建以AGV调度时间为指标的目标函数，通过对AGV运行路径信息的依次迭代和更新，解决了其在调度过程中的碰撞问题并在此基础上增加碰撞类型分析，以目标函数最优为原则对路径进行局部规划，实现了调度方案最优。

AGV任务调度和路径规划对于缩短当前棋盘式应用场景下的任务运行时间至关重要，全文对 AGV在仓库中的应用进行了研究，讨论了AGV任务调度、AGV路径优化等问题。研究发现，虽然AGV任务调度问题由来已久，但对于棋盘式仓库中的动态调度还没有较好的算法，因为节点数量增多，AGV的路径规划变得更加复杂，距离最短的路线不一定是最优路线。尽管经典的基于人工智能的路径规划算法在AGV路径规划中工作良好，但也有一些局限性，很少有研究从根本上减少算法时间，这是今后研究的重要方向。

临沂商贸物流科技产业研究院 张家玮、潘明明、孙百惠