AGV定位与路径规划方法及装置

摘要

本申请涉及路径规划技术领域，公开了一种AGV定位与路径规划方法及装置。所述方法包括：控制目标AGV车从第一目标位置行驶至第二目标位置，并获取目标AGV车的激光雷达数据、方向角度数据以及加速度和角速度数据；根据激光雷达数据、方向角度数据以及加速度和角速度数据，对目标AGV车进行定位识别和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径；当目标AGV车行驶至第二目标位置时，对第一目标行驶路径进行编码转换，得到编码转换行驶路径，并对编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径，本申请提高了AGV定位与路径规划的准确率。

说明书

技术领域

本申请涉及路径规划领域，尤其涉及一种AGV定位与路径规划方法及装置。

背景技术

在现代物流与制造领域，AGV（Automated Guided Vehicle）已经成为自动化运输系统中的核心组件，广泛应用于工厂、仓库等环境中。

传统的AGV导航技术在复杂环境下容易受到噪声、障碍物变化等因素的影响，导致导航不稳定、路径规划效果不佳的问题。环境中的障碍物分布及特性的动态变化对导航系统提出了更高的鲁棒性要求，需要更灵活的方法来应对不同场景的导航挑战。其次，传统的路径规划方法难以满足实时性和动态性的需求，对于快速变化的环境无法做出及时的反应。传感器数据的融合和处理也面临着信息丢失、误差累积等问题，需要更加精细的数据处理和融合算法来提高导航系统的鲁棒性和准确性。

发明内容

本申请提供了一种AGV定位与路径规划方法及装置，用于提高了AGV定位与路径规划的准确率。

第一方面，本申请提供了一种AGV定位与路径规划方法，所述AGV定位与路径规划方法包括：

控制目标AGV车从第一目标位置行驶至第二目标位置，并通过多维传感器组获取所述目标AGV车的激光雷达数据、方向角度数据以及加速度和角速度数据；

根据所述激光雷达数据、所述方向角度数据以及所述加速度和角速度数据，对所述目标AGV车进行定位识别和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径；

当所述目标AGV车行驶至所述第二目标位置时，基于三阶贝塞尔曲线对所述第一目标行驶路径进行编码转换，得到编码转换行驶路径，并对所述编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

第二方面，本申请提供了一种AGV定位与路径规划装置，所述AGV定位与路径规划装置包括：

控制模块，用于控制目标AGV车从第一目标位置行驶至第二目标位置，并通过多维传感器组获取所述目标AGV车的激光雷达数据、方向角度数据以及加速度和角速度数据；

规划模块，用于根据所述激光雷达数据、所述方向角度数据以及所述加速度和角速度数据，对所述目标AGV车进行定位识别和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径；

优化模块，用于当所述目标AGV车行驶至所述第二目标位置时，基于三阶贝塞尔曲线对所述第一目标行驶路径进行编码转换，得到编码转换行驶路径，并对所述编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

本申请提供的技术方案中，通过多维传感器组获取的激光雷达数据、方向角度数据以及加速度和角速度数据，结合预置的位置预测模型，实现了对目标AGV车辆的高精度定位。利用动态调整权重和方向调整量，根据实时障碍物数据进行路径调整，提高了导航的精准性。通过激光雷达传感器对障碍物进行距离测量和点云扫描，结合动态距离分析，实现了对环境中障碍物的高效感知。采用动态调整权重，实时调整对障碍物的导航权重，有效避免碰撞，提高了AGV在复杂环境中的安全性。采用预置的位置预测模型和动态调整策略，使得路径规划更具适应性，可以及时应对目标位置或环境的变化。通过决策融合，根据实时传感器数据和动态调整参数，实现了实时路径规划，提高了对环境变化的适应性。通过对激光雷达数据进行非线性映射和K-means聚类，得到清晰的障碍物点云数据，提高了对环境结构的理解。应用异常识别和异常点剔除，有效排除干扰因素，确保传感器数据的准确性，从而提高了路径规划的可靠性。利用Kalman滤波器对目标AGV车辆的状态进行估计和误差协方差更新，提高了位置估计的准确性。通过卡尔曼增益计算和自适应滤波权重调整，实现了对实时状态的更精准估计，增强了系统的鲁棒性。通过三阶贝塞尔曲线的编码转换和路径优化，实现了路径的平滑和更高效的行驶。运用安全近端策略优化算法，动态调整行驶路径，提高了在复杂环境下的安全性，并确保AGV能够在不同情境下稳定行驶，进而提高了AGV定位与路径规划的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中AGV定位与路径规划方法的一个实施例示意图；

图2为本申请实施例中AGV定位与路径规划装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种AGV定位与路径规划方法及装置。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中AGV定位与路径规划方法的一个实施例包括：

步骤S101、控制目标AGV车从第一目标位置行驶至第二目标位置，并通过多维传感器组获取目标AGV车的激光雷达数据、方向角度数据以及加速度和角速度数据；

可以理解的是，本申请的执行主体可以为AGV定位与路径规划装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，通过预置的AGV自动导航系统确定目标AGV车的第一目标位置和第二目标位置。AGV的自动导航系统需要预先设定好或通过实时计算来识别和锁定起始点和目的地。控制目标AGV车辆从第一目标位置行驶至第二目标位置，并调用目标AGV车中的多维传感器组。这些传感器包括激光雷达传感器、角度传感器和惯性测量传感器，每种传感器都有其独特的功能和作用。激光雷达传感器主要负责进行障碍物距离测量，它通过发射激光束并测量反射回来的光束来确定障碍物的位置和距离，生成障碍物测距数据，这些数据有助于AGV车辆避免撞到障碍物。同时，通过激光雷达进行障碍物点云扫描，获得关于周围环境的详细三维图像。通过将障碍物测距数据和障碍物点云数据进行数据融合，得到更为准确和全面的激光雷达数据，从而更好地指导AGV车辆的行驶。角度传感器则用于计算AGV车与周围障碍物之间的角度偏移，这有助于确保AGV车正确、安全地导航至目标位置。通过测量AGV车的当前方向和障碍物的位置，角度传感器能够计算出必要的方向调整，以帮助AGV避开障碍物，平稳行驶。同时，惯性测量传感器则负责计算AGV车的加速度矢量和角速度，这些数据有助于理解和预测AGV车辆的动态行为。加速度矢量反映了AGV车速度的变化情况，而角速度则表明了它旋转或改变方向的快慢。通过监测这些动态数据，服务器能够实时调整AGV车的行驶状态，确保其平稳、安全地到达目的地。通过高度集成和智能化的多维传感器组合，综合利用各种传感数据进行深度融合和处理，不仅能够确保AGV车辆的定位和路径规划的精确性和安全性，还能够提高其在复杂环境中的适应性和灵活性。

步骤S102、根据激光雷达数据、方向角度数据以及加速度和角速度数据，对目标AGV车进行定位识别和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径；

具体的，通过预置的位置预测模型根据方向角度数据以及加速度和角速度数据对目标AGV车进行位置预测。预测模型基于物理运动公式，考虑当前位置、速度和加速度以及时间的变化，从而计算出下一时刻的位置。根据激光雷达数据和预测出的下一时刻位置，动态调整障碍物对AGV导航的影响权重。这一计算考虑了AGV与障碍物之间的距离，并通过逻辑函数对权重进行调整，以确保AGV在接近障碍物时能够采取更加谨慎的行驶策略。这种动态调整机制使得AGV能够根据周围环境的变化灵活调整其行驶路径，提高了其在复杂环境中的安全性和可靠性。根据方向角度数据和预测的下一时刻位置对AGV进行方向调整量的计算。通过计算期望方向和当前方向之间的差异，并乘以比例系数，确定需要多大的角度调整来纠正AGV的行驶方向。这确保了AGV能够沿着预定的路径准确行驶，同时也能够及时调整方向以应对突发的障碍物或路径变化。根据加速度和角速度数据以及预测的下一时刻位置计算AGV的距离调整速度。考虑AGV当前的速度、与障碍物的距离以及障碍物的影响权重，通过调整公式计算出一个新的速度值。这样做可以确保AGV在接近障碍物时能够减速，而在路径清晰时能够加速，从而在保证安全的同时提高行驶效率。将动态调整权重、方向调整量和距离调整速度进行决策融合和路径规划，综合考虑所有的数据和计算结果，生成一个既安全又高效的行驶路径。通过这种决策融合机制，AGV能够在复杂多变的环境中做出最佳行驶决策，确保其能够准确、安全地从第一目标位置行驶至第二目标位置。

其中，对激光雷达数据进行非线性映射和K-means聚类，更准确地识别和分离障碍物。非线性映射旨在增强数据特征，使得障碍物点云数据在高维空间中更易于区分，而K-means聚类则是一种无监督学习算法，用于将点云数据分组成几个聚类，每个聚类代表一个障碍物。对第一障碍物点云数据进行障碍物异常识别和异常点剔除，确保后续处理的准确性和可靠性。异常识别可以通过各种统计分析方法实现，旨在识别和剔除那些不符合一般模式的数据点，这些点是由于传感器错误、环境干扰或其他非预期因素引起的。对第二障碍物点云数据和预测的下一时刻位置进行动态距离分析。通过计算AGV与各个障碍物之间的距离，得到动态距离数据。动态距离分析的目的是实时捕捉AGV与障碍物之间的相对位置变化，确保AGV在接近障碍物时能够采取更加谨慎的行驶策略。根据动态距离数据，调整障碍物对目标AGV车导航的影响权重，得到动态调整权重。这个调整是通过一个非线性函数实现的，当AGV与障碍物之间的距离低于某个阈值时，影响权重将显著增加，促使AGV采取避障措施。动态调整权重的计算不仅考虑了距离因素，还引入了一个调整因子k，以便根据不同的导航环境和AGV的性能特性进行调整。

其中，通过预置的非线性映射函数将原始的激光雷达数据映射到高维空间中，基于数学模型，揭示数据中隐藏的结构和特征，从而为后续的聚类分析提供更丰富的信息。这种映射不仅增加了数据的维度，而且还增强了障碍物点之间的区分度，使得相似的点更容易被聚类在一起。通过K-means聚类算法对映射后的雷达数据进行聚类簇划分。K-means是一种迭代算法，它通过最小化簇内距离的平方和来将数据点分组成多个初始聚类簇，每个簇由一个簇中心代表。计算每个点到簇中心的距离，并根据距离最小化原则将点分配到最近的簇中。随着迭代的进行，簇中心会不断更新，直到满足收敛条件，最终得到稳定的初始聚类簇及其簇中心。定义映射后的雷达数据对应的聚类目标函数，引导K-means算法向着减少簇内距离方差的方向优化。这个目标函数考虑了所有初始聚类簇内的点到各自簇中心的距离平方和，通过最小化这个值，可以确保聚类结果的紧凑性和分离度。随着目标函数值的减小，簇内的点越来越靠近各自的簇中心，聚类质量也相应提高。为了进一步精细化聚类结果，对每个初始聚类簇进行簇内方差计算。簇内方差反映了簇内点与簇中心之间的距离分布，是衡量聚类质量的重要指标。通过计算每个簇的方差，可以评估簇的紧凑程度，辅助判断聚类效果的好坏。根据每个初始聚类簇的方差，对簇中心进行质心轨迹平滑处理，减少由于数据噪声或采样误差造成的簇中心波动，提高聚类的稳定性和准确性。质心轨迹平滑通过对连续时刻的簇中心进行加权平均，抑制瞬时的波动，保留更加平稳和可靠的趋势，从而得到更加平滑的目标聚类簇。根据目标聚类簇和初始聚类簇计算目标AGV车的导航定位误差。通过比较目标聚类簇和初始聚类簇的差异，评估聚类过程对导航定位精度的影响，并据此进行调整。根据导航定位误差以及多个目标聚类簇，服务器最终输出对应的第一障碍物点云数据，为AGV车的导航和路径规划提供关键信息。

其中，对第一障碍物点云数据进行标准差阈值判定，量化数据的离散程度并识别的异常点。标准差是衡量数据分布散布程度的统计量，通过计算每个点与均值之间的差的平方和的平均值的平方根，可以得到点云数据的标准差。这个值越大，说明数据的波动越大，存在异常值。采用Z-score异常检测方法来进一步识别异常点。Z-score是一种统计分析技术，通过计算数据点与整体数据均值的标准差数来衡量其与均值的偏离程度。通常，一个很高或很低的Z-score表明该数据点是异常点。通过这种方法，服务器根据计算得到的Z-score值来确定哪些点是异常的，并得到Z-score异常检测结果。根据Z-score异常检测结果，对第一障碍物点云数据进行四分位距异常识别。四分位距是基于数据分布的四分位数计算的，它可以提供关于数据分布范围的信息，并帮助识别那些落在正常范围之外的异常点。通过这种方法，服务器能够识别出多个异常数据点，这些点由于各种原因（如传感器故障、环境干扰等）与周围点显著不同。分别计算每个异常数据点到最近簇中心的距离，并进行集群异常识别。从空间分布的角度进一步确认异常点。如果一个数据点与其所属的簇中心距离过远，那么它很是一个异常点。通过集群异常识别，服务器能够基于空间位置关系进一步筛选和确认异常点，得到更为精确的集群异常识别结果。根据集群异常识别结果，对第一障碍物点云数据进行异常点剔除，以得到更加准确和可靠的第二障碍物点云数据。通过移除那些被识别为异常的数据点，从而确保剩余的点云数据更加反映真实的障碍物情况，为AGV的导航和路径规划提供更可靠的信息。

其中，根据动态调整权重、方向调整量和距离调整速度创建目标AGV车的行驶决策融合变量集，这些变量集是路径规划和决策制定过程的基础，综合了AGV车辆当前的状态和周围环境的信息。根据行驶决策融合变量集，对目标AGV车进行罗德里格斯参数计算，以得到AGV车的姿态误差。罗德里格斯参数是一种描述旋转的数学工具，它可以有效地将旋转角度和旋转轴信息融合到一个向量中。通过计算罗德里格斯参数，能够估计AGV车的当前姿态与期望姿态之间的差异，并据此生成姿态误差信息。对AGV车进行状态估计更新，以得到新的状态估计。使用卡尔曼滤波器，通过结合先前的状态估计和当前的观测数据来生成更加准确的当前状态估计。在这个过程中，卡尔曼增益决定了先前估计和当前观测在新估计中的权重分配。通过这种方式，不断地纠正和更新AGV车的状态估计，以反映最新的行驶条件和环境信息。同时，进行误差协方差更新，以得到新的误差协方差。误差协方差是衡量状态估计不确定性的重要指标，它反映了估计值的可信度。通过更新误差协方差，实时地调整估计的不确定性，确保状态估计的准确性和可靠性。进行卡尔曼增益计算，以得到新的卡尔曼增益。这是对先前提到的卡尔曼增益计算的细化和优化，使状态估计更加精确和稳健。卡尔曼增益的计算通常依赖于当前的误差协方差、量测矩阵和量测噪声协方差，通过合适的计算和调整，可以确保增益值能够有效地平衡先前估计和当前观测的权重，从而优化状态估计结果。根据新的状态估计和误差协方差以及卡尔曼增益，进行自适应滤波权重调整，进一步提高估计的准确性和鲁棒性，通过调整滤波权重，服务器能够更好地适应变化的行驶条件和环境噪声，提高导航定位的精度和可靠性。根据调整后的权重对AGV车进行姿态误差反馈校正和实时路径规划。将所有先前的计算和估计结果综合起来，生成AGV车从第一目标位置行驶至第二目标位置的第一目标行驶路径。通过对姿态误差进行反馈校正，实时调整AGV车的行驶方向和速度，确保其沿着预定的路径安全高效地行驶。同时，实时路径规划确保了AGV车能够灵活应对环境变化和突发事件，随时调整行驶路线以避开障碍物，保证行驶的安全性和流畅性。

步骤S103、当目标AGV车行驶至第二目标位置时，基于三阶贝塞尔曲线对第一目标行驶路径进行编码转换，得到编码转换行驶路径，并对编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

具体的，当目标AGV车行驶至第二目标位置时，基于三阶贝塞尔曲线对第一目标行驶路径进行路径表示，通过确定四个控制点来形成一条平滑的曲线路径。三阶贝塞尔曲线能够精确地控制路径的形状和方向，通过调整控制点的位置，生成复杂且符合行驶要求的路径。在此基础上，得到第一目标行驶路径的路径控制点集，包括每个控制点对应的第一控制参数，这些参数反映了AGV车从第一目标位置行驶至第二目标位置在对应控制点的控制信息。对路径控制点集进行控制参数对应转换，得到目标控制点集。将控制点和控制参数转换为适用于从第二目标位置返回至第一目标位置的新控制点集。通过这种转换，利用先前的路径信息，反向生成一条返回路径。每个目标控制点包括对应的第二控制参数，这些参数将用于后续的编码转换和路径生成。对目标控制点集进行编码转换，得到第一目标行驶路径的路径控制点编码序列。编码转换是一个将控制点和控制参数转化为一种特定格式或代码的过程，以便于存储、传输和处理。通过这种转换，能够更有效地处理路径信息，并为后续的时序关系分析和路径生成打下基础。进行时序关系分析和路径生成，得到编码转换行驶路径。通过分析控制点编码序列的时序关系，生成一条符合AGV车行驶要求的新路径。为了确保路径的可行性和安全性，对编码转换行驶路径进行路径切线速度分析和路径曲率计算。这两个参数是衡量路径行驶品质的重要指标，路径切线速度反映了AGV车在路径上的行驶速度，而路径曲率则反映了路径的弯曲程度。通过预置的比例积分控制器，根据路径切线速度和路径曲率对目标AGV车进行路径跟随控制和控制阈值调整。比例积分控制器是一种常用的反馈控制方法，它能够根据路径的实际行驶情况和预定的行驶要求，动态调整控制指令，以实现路径跟随的精确性和稳定性。通过这种控制和调整，得到动态控制阈值，这些阈值将用于后续的路径优化。根据动态控制阈值对编码转换行驶路径进行路径优化，以得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。路径优化是一个调整路径形状和行驶特性以满足特定要求的过程，它可以基于多种标准进行，如最短路径、最小能耗、最佳行驶舒适度等。

其中，通过预置的安全近端策略优化算法对编码转换行驶路径进行路径初始化，根据当前环境和目标状态生成一条初始的行驶路径。对初始化行驶路径进行危险系数计算，以得到路径危险系数。危险系数是一个反映路径安全性的指标，它通过计算路径上的障碍物对AGV车辆安全性的影响来衡量路径的整体危险程度。通过这种计算，服务器能够了解路径的安全状况，并据此进行后续的调整和优化。对初始化行驶路径进行动作因子调整，以得到更新后的动作因子。动作因子是决定AGV车行驶行为的一个重要参数，它影响着AGV车的速度、方向和行驶策略。通过调整动作因子，根据当前的安全状况和目标安全级别动态调整AGV车的行驶行为，以提高路径的安全性和可行性。根据路径危险系数和更新后的动作因子生成初始化行驶路径的安全奖励参数。安全奖励参数是一种激励机制，它通过为安全行驶行为提供奖励来鼓励AGV车采取更安全的行驶策略。这种机制能够有效地指导AGV车在面对复杂环境和不确定风险时做出更合理的行驶决策。同时，根据路径危险系数设置初始化行驶路径的动态安全边界。动态安全边界是一种保障AGV车行驶安全的措施，它根据路径的危险程度动态调整AGV车与障碍物之间的安全距离。通过这种设置，确保AGV车在行驶过程中始终保持在一个相对安全的区域内，有效避免与障碍物发生碰撞。根据安全奖励参数和动态安全边界对初始化行驶路径进行路径修正优化，以得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。通过综合考虑安全性、可行性和效率等多个因素，对初始路径进行细致的调整和优化，生成一条既安全又高效的最终行驶路径。

本申请实施例中，通过多维传感器组获取的激光雷达数据、方向角度数据以及加速度和角速度数据，结合预置的位置预测模型，实现了对目标AGV车辆的高精度定位。利用动态调整权重和方向调整量，根据实时障碍物数据进行路径调整，提高了导航的精准性。通过激光雷达传感器对障碍物进行距离测量和点云扫描，结合动态距离分析，实现了对环境中障碍物的高效感知。采用动态调整权重，实时调整对障碍物的导航权重，有效避免碰撞，提高了AGV在复杂环境中的安全性。采用预置的位置预测模型和动态调整策略，使得路径规划更具适应性，可以及时应对目标位置或环境的变化。通过决策融合，根据实时传感器数据和动态调整参数，实现了实时路径规划，提高了对环境变化的适应性。通过对激光雷达数据进行非线性映射和K-means聚类，得到清晰的障碍物点云数据，提高了对环境结构的理解。应用异常识别和异常点剔除，有效排除干扰因素，确保传感器数据的准确性，从而提高了路径规划的可靠性。利用Kalman滤波器对目标AGV车辆的状态进行估计和误差协方差更新，提高了位置估计的准确性。通过卡尔曼增益计算和自适应滤波权重调整，实现了对实时状态的更精准估计，增强了系统的鲁棒性。通过三阶贝塞尔曲线的编码转换和路径优化，实现了路径的平滑和更高效的行驶。运用安全近端策略优化算法，动态调整行驶路径，提高了在复杂环境下的安全性，并确保AGV能够在不同情境下稳定行驶，进而提高了AGV定位与路径规划的准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的AGV自动导航系统确定目标AGV车的第一目标位置和第二目标位置；

（2）控制目标AGV车从第一目标位置行驶至第二目标位置，并调用目标AGV车中的多维传感器组，多维传感器组包括：激光雷达传感器、角度传感器和惯性测量传感器；

（3）通过激光雷达传感器对目标AGV车进行障碍物距离测量，得到障碍物测距数据，其中，障碍物距离测量公式为：

（4）通过激光雷达传感器对目标AGV车进行障碍物点云扫描，得到障碍物点云数据，并对障碍物测距数据和障碍物点云数据进行数据融合，得到激光雷达数据；

（5）通过角度传感器计算目标AGV车与第i个障碍物之间的角度偏移，得到方向角度数据，其中，角度偏移计算公式为：

（6）通过惯性测量传感器计算目标AGV车的加速度矢量，其中，加速度矢量计算公式为：

（7）通过惯性测量传感器计算目标AGV车的角速度，其中，角速度计算公式为：

（8）对加速度矢量和角速度进行数据集融合，得到加速度和角速度数据。

具体的，通过预置的AGV自动导航系统确定目标AGV车的第一目标位置和第二目标位置。这个过程通常涉及到地图创建、路径规划和目标点设置。控制目标AGV车从第一目标位置行驶至第二目标位置。在这个过程中，AGV车会调用内置的多维传感器组来感知和理解周围环境。这些传感器组通常包括激光雷达传感器、角度传感器和惯性测量传感器等。例如，激光雷达传感器通过发射激光并接收反射回来的激光来测量与障碍物的距离，提供高精度的障碍物检测和定位能力；角度传感器用来测量AGV车的朝向和转向角度，帮助确定行驶方向；惯性测量传感器则通过测量AGV车的加速度和角速度来感知车辆的运动状态。在AGV车行驶过程中，激光雷达传感器不仅能进行障碍物距离测量，还能进行障碍物点云扫描。通过对周围环境进行高频率扫描，激光雷达能够生成详细的障碍物点云数据，这些数据为AGV车提供了更全面的环境信息。同时，对障碍物测距数据和障碍物点云数据进行数据融合，以得到更准确可靠的激光雷达数据。这种数据融合技术可以有效地提高障碍物检测的准确性和可靠性，为AGV车提供更安全的行驶保障。通过角度传感器和惯性测量传感器，计算出AGV车与周围障碍物之间的角度偏移，以及AGV车的加速度矢量和角速度。角度偏移信息有助于AGV车判断周围障碍物的位置和方向，而加速度矢量和角速度则是理解AGV车运动状态的关键参数。通过这些数据，能够更准确地判断AGV车的行驶状态和周围环境情况，为路径规划和行驶控制提供重要依据。对加速度矢量和角速度进行数据集融合。提高数据的准确性和可靠性，并为服务器提供更全面的运动信息。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）通过预置的位置预测模型，根据方向角度数据以及加速度和角速度数据对目标AGV车进行位置预测，得到目标AGV车的下一时刻位置，位置预测模型包括：

（2）根据激光雷达数据和下一时刻位置，动态调整障碍物对目标AGV车导航的影响权重，得到动态调整权重，其中，动态调整权重计算公式为：

（3）根据方向角度数据和下一时刻位置，对目标AGV车进行方向调整量计算，得到方向调整量，其中，方向调整量计算公式为：

（4）根据加速度和角速度数据和下一时刻位置，计算目标AGV车的距离调整速度，其中，距离调整速度计算公式为：

（5）对动态调整权重、方向调整量和距离调整速度进行决策融合和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径。

具体的，通过预置的位置预测模型预测AGV车的下一时刻位置。基于物理运动原理，考虑当前位置、当前速度和当前加速度等因素。根据已知的动态参数预测出AGV车在未来某一时刻的位置，从而为接下来的路径规划提供基础数据。根据激光雷达数据和预测出的下一时刻位置动态调整障碍物对AGV车导航的影响权重。动态调整权重计算公式是基于障碍物距离的一个指数函数，其中包括一个调整因子k和距离阈值

在一具体实施例中，执行步骤根据激光雷达数据和下一时刻位置，动态调整障碍物对目标AGV车导航的影响权重，得到动态调整权重的过程可以具体包括如下步骤：

（1）对激光雷达数据进行非线性映射和K-means聚类，得到第一障碍物点云数据；

（2）对第一障碍物点云数据进行障碍物异常识别和异常点剔除，得到第二障碍物点云数据；

（3）对第二障碍物点云数据和下一时刻位置进行动态距离分析，得到动态距离数据，并根据动态距离数据调整障碍物对目标AGV车导航的影响权重，得到动态调整权重，其中，动态调整权重计算公式为：

具体的，对激光雷达数据进行非线性映射，增强数据的特征，使其在高维空间中更易于区分和聚类。非线性映射可以将原始数据映射到一个更高维的空间中，从而揭露数据中隐藏的结构和模式。对映射后的数据进行K-means聚类。K-means是一种广泛使用的聚类算法，通过最小化簇内距离的平方和来将数据点分组成多个簇。在这个过程中，算法会随机初始化一些簇中心，然后不断迭代更新簇中心的位置，直到满足收敛条件。通过K-means聚类，将激光雷达扫描到的点云数据分组成多个簇，每个簇代表一个障碍物或一组障碍物。对第一障碍物点云数据进行障碍物异常识别和异常点剔除。由于传感器噪声、环境干扰等因素，点云数据中包含一些异常点，这些点不代表真实的障碍物，而是由于误差产生的。为了提高数据的准确性和可靠性，需要识别并剔除这些异常点。通过统计分析方法，如计算点云数据的标准差、Z-score等，以识别那些与大多数数据显著不同的点。在剔除了异常点后，得到更加准确和干净的第二障碍物点云数据。对这些数据和预测的下一时刻位置进行动态距离分析。通过计算AGV车与各个障碍物之间的距离，得到动态距离数据。动态距离分析的目的是实时捕捉AGV车与障碍物之间的相对位置变化，确保AGV车在接近障碍物时能够采取更加谨慎的行驶策略。根据动态距离数据调整障碍物对AGV车导航的影响权重，得到动态调整权重。动态调整权重计算公式是一个基于距离的指数函数，能够根据AGV车与障碍物之间的距离动态调整权重。当AGV车靠近障碍物时，权重增加，意味着障碍物对AGV车的影响增大，AGV车需要采取措施来调整路径以避免碰撞。通过这种方式，根据周围环境的变化动态调整AGV车的行驶策略，提高其导航的安全性和效率。

在一具体实施例中，执行步骤对激光雷达数据进行非线性映射和K-means聚类，得到第一障碍物点云数据的过程可以具体包括如下步骤：

（1）通过预置的非线性映射函数将激光雷达数据映射到高维空间，得到映射后的雷达数据，非线性映射函数为：

（2）通过K-means聚类算法，对映射后的雷达数据进行聚类簇划分，得到多个初始聚类簇以及每个初始聚类簇的簇中心，K-means聚类算法包括：

（3）定义映射后的雷达数据对应的聚类目标函数，并通过聚类目标函数最小化簇内距离的平方和，聚类目标函数为：

（4）对多个初始聚类簇以及每个初始聚类簇的簇中心进行簇内方差计算，得到每个初始聚类簇的方差，簇内方差计算公式为：

（5）根据每个初始聚类簇的方差，对多个初始聚类簇以及每个初始聚类簇的簇中心进行质心轨迹平滑处理，得到多个目标聚类簇，其中，质心轨迹平滑公式为：

（6）根据多个目标聚类簇和初始聚类簇计算目标AGV车的导航定位误差，并根据导航定位误差以及多个目标聚类簇输出对应的第一障碍物点云数据。

具体的，通过预置的非线性映射函数将激光雷达数据映射到高维空间。基于非线性映射函数

在一具体实施例中，执行步骤对第一障碍物点云数据进行障碍物异常识别和异常点剔除，得到第二障碍物点云数据的过程可以具体包括如下步骤：

（1）对第一障碍物点云数据进行标准差阈值判定，得到第一障碍物点云数据的标准差，其中，标准差计算公式为：

（2）根据标准差，对第一障碍物点云数据进行Z-score异常检测，得到Z-score异常检测结果；

（3）根据Z-score异常检测结果，对第一障碍物点云数据进行四分位距异常识别，得到多个异常数据点；

（4）分别计算每个异常数据点到最近簇中心的距离，并对多个异常数据点进行集群异常识别，得到集群异常识别结果；

（5）根据集群异常识别结果对第一障碍物点云数据进行异常点剔除，得到第二障碍物点云数据。

具体的，对第一障碍物点云数据进行标准差阈值判定。标准差是度量一组数值离散程度的统计量，可以反映数据的波动大小。标准差计算是基于点云数据中每个点到所有点平均位置的平均距离。计算得到的标准差可以用来判定点云数据的离散程度，高的标准差意味着点云数据中的点相对分散，而低的标准差则表明点较为集中。基于标准差对第一障碍物点云数据进行Z-score异常检测。Z-score是一个统计量，表示数据点与平均值的差距有多少个标准差。通过计算每个点云数据点的Z-score，识别那些与其他点相比异常偏离平均值的数据点。具体地，一个高的Z-score表明该点远离其他点，是异常点。通过设定Z-score的阈值，服务器能够将那些Z-score超过此阈值的点标记为异常点。基于Z-score异常检测结果对第一障碍物点云数据进行四分位距异常识别。四分位距是基于数据的四分位数来计算的，它反映了数据分布的范围和极端值。通过比较数据点与四分位数的距离，进一步识别那些是异常的数据点。通常，那些远离四分位数范围的点被认为是潜在的异常点。分别计算每个异常数据点到最近簇中心的距离，并进行集群异常识别。通过计算每个异常点到其所属簇中心的距离，服务器识别那些与簇中心距离异常远的点。这些点不属于任何正常的障碍物集群，因此被视为异常点。根据集群异常识别结果，对第一障碍物点云数据进行异常点剔除，以得到更准确和干净的第二障碍物点云数据。剔除后的点云数据将更加可靠，能够更好地反映真实的障碍物环境，为AGV的导航和路径规划提供更准确的信息。

在一具体实施例中，执行步骤对动态调整权重、方向调整量和距离调整速度进行决策融合和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径的过程可以具体包括如下步骤：

（1）根据动态调整权重、方向调整量和距离调整速度，创建目标AGV车的行驶决策融合变量集；

（2）根据行驶决策融合变量集，对目标AGV车进行罗德里格斯参数计算，得到罗德里格斯参数，并根据罗德里格斯参数生成目标AGV车的姿态误差，其中，罗德里格斯参数计算公式为：

（3）对目标AGV车进行状态估计更新，得到新的状态估计，其中，新的状态估计公式为：

（4）对目标AGV车进行误差协方差更新，得到新的误差协方差，其中，误差协方差更新公式为：

（5）对目标AGV车进行卡尔曼增益计算，得到卡尔曼增益，其中，卡尔曼增益计算公式为：

（6）根据新的状态估计、新的状态估计以及卡尔曼增益进行自适应滤波权重调整，得到调整后的权重；

（7）根据调整后的权重对目标AGV车进行姿态误差反馈校正和实时路径规划，得到目标AGV车从第一目标位置行驶至第二目标位置对应的第一目标行驶路径。

具体的，根据动态调整权重、方向调整量和距离调整速度，创建目标AGV车的行驶决策融合变量集。根据行驶决策融合变量集对AGV车进行罗德里格斯参数计算，这是一种用于描述旋转的参数。罗德里格斯参数提供了一种有效的方式来表达和计算三维空间中的旋转，它将复杂的旋转运动转换为一个简单的数学表达式。通过这个参数，计算AGV车的姿态误差，即当前姿态与期望姿态之间的差异。姿态误差是后续状态估计更新和路径规划的关键输入。对AGV车进行状态估计更新。通过卡尔曼滤波器算法，结合之前的状态估计和当前的观测数据来生成一个更加准确的当前状态估计。这种估计对于理解AGV车的当前位置和行驶状态至关重要，它直接影响到接下来的导航和路径规划决策。同时，进行误差协方差更新。误差协方差是一个衡量状态估计不确定性的矩阵，它反映了估计值的可信度和精确度。通过更新误差协方差，服务器能够实时调整估计的不确定性，从而确保状态估计的准确性和可靠性。进行卡尔曼增益计算。卡尔曼增益是决定新观测数据在状态估计中所占权重的关键参数。通过适当的增益计算，服务器能够在保留有用历史信息的同时有效地融合新的观测数据，优化状态估计的准确性和稳定性。根据新的状态估计、误差协方差以及卡尔曼增益进行自适应滤波权重调整，进一步提高估计的准确性和鲁棒性。通过调整滤波权重，更好地适应变化的行驶条件和环境噪声，提高导航和定位的精度。根据调整后的权重对AGV车进行姿态误差反馈校正和实时路径规划。通过对姿态误差进行反馈校正，实时调整AGV车的行驶方向和速度，确保其沿着预定路径安全高效地行驶。同时，实时路径规划确保了AGV车能够灵活应对环境变化和突发事件，随时调整行驶路线以避开障碍物，保证行驶的安全性和流畅性。通过以上步骤，服务器能够为AGV车提供准确可靠的导航定位支持，并生成一条从第一目标位置行驶至第二目标位置的优化行驶路径。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）当目标AGV车行驶至第二目标位置时，基于三阶贝塞尔曲线对第一目标行驶路径进行路径表示，得到第一目标行驶路径的路径控制点集，其中，三阶贝塞尔曲线函数为：

（2）对路径控制点集进行控制参数对应转换，得到目标控制点集，目标控制点集包括每个控制点对应的第二控制参数，第二控制参数为目标AGV车从第二目标位置行驶至第一目标位置在对应控制点的控制参数；

（3）对目标控制点集进行编码转换，得到第一目标行驶路径的路径控制点编码序列，并对路径控制点编码序列进行时序关系分析和路径生成，得到编码转换行驶路径；

（4）对编码转换行驶路径进行路径切线速度分析和路径曲率计算，得到编码转换行驶路径的路径切线速度和路径曲率；

（5）通过预置的比例积分控制器，根据路径切线速度和路径曲率对目标AGV车进行路径跟随控制和控制阈值调整，得到动态控制阈值；

（6）根据动态控制阈值对编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

具体的，当AGV车行驶至第二目标位置时，基于三阶贝塞尔曲线对第一目标行驶路径进行表示。三阶贝塞尔曲线是一种数学曲线，它通过四个控制点来定义，能够生成平滑且连续的路径。在这个过程中，根据AGV车从第一目标位置行驶至第二目标位置的实际行驶轨迹来确定这四个控制点，每个控制点都对应一个第一控制参数，这些参数一起定义了AGV车的行驶路径。对路径控制点集进行控制参数对应转换，得到目标控制点集。将控制点和控制参数转换为适用于从第二目标位置返回至第一目标位置的新控制点集。通过这种转换，利用先前的路径信息，反向生成一条返回路径。每个目标控制点都包括对应的第二控制参数，这些参数将用于后续的编码转换和路径生成。对目标控制点集进行编码转换，得到第一目标行驶路径的路径控制点编码序列。编码转换是一个将控制点和控制参数转化为一种特定格式或代码的过程，以便于存储、传输和处理。通过这种转换，服务器能够更有效地处理路径信息。进行时序关系分析和路径生成，得到编码转换行驶路径。通过分析控制点编码序列的时序关系，生成一条符合AGV车行驶要求的新路径。为了确保路径的可行性和安全性，对编码转换行驶路径进行路径切线速度分析和路径曲率计算。这两个参数是衡量路径行驶品质的重要指标，路径切线速度反映了AGV车在路径上的行驶速度，而路径曲率则反映了路径的弯曲程度。通过预置的比例积分控制器，根据路径切线速度和路径曲率对AGV车进行路径跟随控制和控制阈值调整。比例积分控制器是一种常用的反馈控制方法，它能够根据路径的实际行驶情况和预定的行驶要求，动态调整控制指令，以实现路径跟随的精确性和稳定性。通过这种控制和调整，服务器能够得到动态控制阈值，这些阈值将用于后续的路径优化。根据动态控制阈值对编码转换行驶路径进行路径优化，以得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。路径优化是一个调整路径形状和行驶特性以满足特定要求的过程，它可以基于多种标准进行，如最短路径、最小能耗、最佳行驶舒适度等。通过这种优化，服务器能够生成一条既满足行驶要求又考虑到安全性和效率的优化路径。

在一具体实施例中，执行步骤根据动态控制阈值对编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径的过程可以具体包括如下步骤：

（1）通过预置的安全近端策略优化算法，根据动态控制阈值对编码转换行驶路径进行路径初始化，得到初始化行驶路径；

（2）对初始化行驶路径进行危险系数计算，得到路径危险系数，其中，危险系数计算公式为：

（3）对初始化行驶路径进行动作因子调整，得到更新后的动作因子，其中，动作因子调整函数为：

（4）根据路径危险系数和更新后的动作因子，生成初始化行驶路径的安全奖励参数；

（5）根据路径危险系数设置初始化行驶路径的动态安全边界，其中，动态安全边界设置包括：

（6）根据安全奖励参数和动态安全边界，对初始化行驶路径进行路径修正优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

具体的，通过预置的安全近端策略优化算法，根据动态控制阈值对编码转换行驶路径进行初始化，生成一个初始的行驶路径。安全近端策略优化算法是一种先进的路径规划技术，它能够在保证安全性的同时优化路径的效率和舒适度。通过这种算法，AGV车能够根据当前环境和自身状态生成一个适应性强、风险低的初始路径。对初始化行驶路径进行危险系数计算，以评估路径的安全性。危险系数是一个衡量路径安全风险的指标，它通过计算路径上每个点到最近障碍物的距离，并应用一个指数衰减函数来综合评估路径的整体安全风险。一个高的危险系数意味着路径上存在较高的安全风险，而一个低的危险系数则表明路径相对安全。通过这种计算，服务器能够了解初始化路径的安全状况，并据此进行后续的调整和优化。对初始化行驶路径进行动作因子调整。动作因子是决定AGV车行驶行为的一个关键参数，它影响着AGV车的速度、方向和行驶策略。通过调整动作因子，根据当前的安全状况和目标安全级别动态调整AGV车的行驶行为，以提高路径的安全性和可行性。动作因子调整函数考虑了当前安全级别与目标安全级别之间的差异，并根据这个差异来计算需要调整的动作因子值。根据路径危险系数和更新后的动作因子生成初始化行驶路径的安全奖励参数。安全奖励参数是一种激励机制，它通过为安全行驶行为提供奖励来鼓励AGV车采取更安全的行驶策略。这种机制能够有效地指导AGV车在面对复杂环境和不确定风险时做出更合理的行驶决策。同时，根据路径危险系数设置初始化行驶路径的动态安全边界。动态安全边界是一种保障AGV车行驶安全的措施，它根据路径的危险程度动态调整AGV车与障碍物之间的安全距离。通过这种设置，服务器能够确保AGV车在行驶过程中始终保持在一个相对安全的区域内，有效避免与障碍物发生碰撞。根据安全奖励参数和动态安全边界对初始化行驶路径进行路径修正优化，以得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。通过综合考虑安全性、可行性和效率等多个因素，对初始路径进行细致的调整和优化，生成一条既满足行驶要求又考虑到安全性和效率的优化路径。

上面对本申请实施例中AGV定位与路径规划方法进行了描述，下面对本申请实施例中AGV定位与路径规划装置进行描述，请参阅图2，本申请实施例中AGV定位与路径规划装置一个实施例包括：

控制模块201，用于控制目标AGV车从第一目标位置行驶至第二目标位置，并通过多维传感器组获取所述目标AGV车的激光雷达数据、方向角度数据以及加速度和角速度数据；

规划模块202，用于根据所述激光雷达数据、所述方向角度数据以及所述加速度和角速度数据，对所述目标AGV车进行定位识别和路径规划，得到从第一目标位置行驶至第二目标位置对应的第一目标行驶路径；

优化模块203，用于当所述目标AGV车行驶至所述第二目标位置时，基于三阶贝塞尔曲线对所述第一目标行驶路径进行编码转换，得到编码转换行驶路径，并对所述编码转换行驶路径进行路径优化，得到从第二目标位置行驶至第一目标位置对应的第二目标行驶路径。

通过上述各个组成部分的协同合作，通过多维传感器组获取的激光雷达数据、方向角度数据以及加速度和角速度数据，结合预置的位置预测模型，实现了对目标AGV车辆的高精度定位。利用动态调整权重和方向调整量，根据实时障碍物数据进行路径调整，提高了导航的精准性。通过激光雷达传感器对障碍物进行距离测量和点云扫描，结合动态距离分析，实现了对环境中障碍物的高效感知。采用动态调整权重，实时调整对障碍物的导航权重，有效避免碰撞，提高了AGV在复杂环境中的安全性。采用预置的位置预测模型和动态调整策略，使得路径规划更具适应性，可以及时应对目标位置或环境的变化。通过决策融合，根据实时传感器数据和动态调整参数，实现了实时路径规划，提高了对环境变化的适应性。通过对激光雷达数据进行非线性映射和K-means聚类，得到清晰的障碍物点云数据，提高了对环境结构的理解。应用异常识别和异常点剔除，有效排除干扰因素，确保传感器数据的准确性，从而提高了路径规划的可靠性。利用Kalman滤波器对目标AGV车辆的状态进行估计和误差协方差更新，提高了位置估计的准确性。通过卡尔曼增益计算和自适应滤波权重调整，实现了对实时状态的更精准估计，增强了系统的鲁棒性。通过三阶贝塞尔曲线的编码转换和路径优化，实现了路径的平滑和更高效的行驶。运用安全近端策略优化算法，动态调整行驶路径，提高了在复杂环境下的安全性，并确保AGV能够在不同情境下稳定行驶，进而提高了AGV定位与路径规划的准确率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。