欢迎光临~耐锢数字化智能软件技术(广东)有限公司官方网站！
语言选择：繁體中文
AGV（自动导引车）的智能路径规划算法选择多样，可根据具体需求和应用场景，从单AGV路径规划算法和多AGVs路径规划算法两大类中进行挑选。以下是一些主流算法及其特点：
单AGV路径规划是多AGVs路径规划的基础，通常是已知地图环境的路径寻优问题，旨在完成起始点与目标点之间的路径规划，无需考虑AGV之间的冲突。
Dijkstra算法：
原理：一种解决有向加权图中单源最短路径的算法，用于计算一个顶点到其他所有顶点的最短路径。算法以起点为中心，向外逐步扩展，搜索顶点范围，直至遍历到目标顶点。
优点：保证找到全局最短路径（边权非负时）。
缺点：搜索范围大，无方向性，计算效率较低（尤其在大地图上）；动态障碍物需重算全局路径，实时性差。
适用场景：常作其他算法（如A*）的基础，或在环境简单时使用。
A*算法：
原理：由最佳优先搜索策略和Dijkstra算法组成的启发式算法。通过启发函数计算从当前结点至所有可达的下一结点的成本值，然后选择成本最低的结点作为下一步的目标位置。
优点：在启发函数满足条件时，保证最优路径且通常比Dijkstra效率高得多。广泛用于AGV全局路径规划。
缺点：性能受启发函数选择影响；内存消耗可能大；环境频繁变化时仍需重规划。
动态变种：为应对动态环境，有D、LPA、D* Lite等算法。它们能在环境变化时增量式更新路径（而非完全重算），显著提高响应速度。D* Lite是AGV动态避障常用算法。
适用场景：适用于需要高效全局路径规划的场景。
RRT*算法：
原理：一种基于采样的路径规划算法，特别适合高维空间和复杂约束（如车辆运动学）。通过在状态空间随机采样，逐步生长一棵从起点开始的树来探索空间。RRT*是RRT的优化版，增加了重连接（Rewiring）步骤，使路径能渐近最优（采样点越多，路径越接近最优）。
优点：处理高维状态（姿态、速度等）和复杂约束能力强；不需要显式环境地图；概率完备性（存在路径则最终能找到）；RRT具有渐近最优性。
缺点：路径非严格最优（除非无限采样）；路径可能不平滑（需后处理）；性能对参数敏感；收敛可能较慢。
动态变种：如Dynamic RRT，通过移除/更新树中与动态障碍物碰撞的部分并继续生长来实现重规划。
适用场景：适用于复杂环境和运动约束下的路径规划。
蚁群算法：
原理：经典的群智能优化算法，灵感来源于蚂蚁在寻找食物过程中的行为。蚂蚁在觅食时，会在经过的路径上释放信息素，并能够感知环境中信息素的含量浓度大小。信息素浓度大小表征这条路径距离食物的远近，当路径距离越短，信息素浓度越高。信息素浓度越高的路径，越容易被蚂蚁选择。
优点：具有全局搜索能力，能够找到较优解。
缺点：算法复杂度较高，计算时间较长；容易陷入局部最优解。
适用场景：适用于需要全局搜索能力的路径规划问题。
多AGVs路径规划是单AGV路径规划的深入研究，为典型的MAPF（Multi-Agent Path Finding）问题，属于NP难问题。该问题的关键约束是，当多AGVs同时沿着各自路径行驶时，各AGV之间不会发生冲突。求解MAPF的算法可以分为两类：集中式规划算法和分布式规划算法。
集中式规划算法：
原理：需要获悉所有AGV的起始位置、目标位置，以及障碍物位置信息等。
分类：可分为基于A*搜索算法、CBS（Conflict-Based Search）、代价增长树搜索算法以及基于规约等。
优点：在求解的过程中更注重解的质量。
缺点：计算复杂度较高，适用于AGV数量较少的场景。
代表算法：CBS算法应用最为成熟。它具有两层结构，下层算法为每个AGV搜索出一条代价最小的有效路径；基于每条有效路径，通过上层算法构建一个二叉树结构的约束树。约束树的节点包含约束、全部AGV的路径构成的解和代价。通过约束树，可以检查路径之间是否冲突，若不冲突，再选择其中代价最小的分支继续进行下层路径搜索。
分布式规划算法：
原理：采用去中心化的方式。在AGV与环境交互过程中，每个AGV均可以与一定范围内的其他AGV进行通信，完成路径规划。
优点：适用于大规模智能体的环境，更加关注求解效率。
缺点：解的质量可能不如集中式规划算法。
研究热点：多智能体深度强化学习算法正在成为分布式算法方面的研究热点，这类算法多应用于游戏和实际工程领域。
