汽 车 工 程

2023 年（第 45 卷）第 10 期 Automotive Engineering 2023（Vol.45）No.10

doi：10.19562/j.chinasae.qcgc.2023.10.014

基于改进冲突搜索的智能车库多 AGV 路径规划 *

任明辉 1，梁 军 1，陈 龙 1，张 春 2，王 云2
（1. 江苏大学汽车工程研究院，镇江 212013；2. 宝胜系统集成科技股份有限公司，扬州 225800）

［摘要］ 智能车库中多自主引导车（automated guided vehicle，AGV）的路径规划问题直接影响存取车的效率和

安全性。针对智能车库中 AGV 的任务执行优先级问题，提出了基于改进冲突搜索的路径规划模型（improved con⁃
flict-based search with priority，iCBS-pri），该改进模型主要由任务分配（task allocation，TA）、单 AGV 路径规划（path
planning，PP）、多 AGV 冲突检测与解决（conflict detection and resolution，CDAR）3 个模块组成，TA 模块将未分配任务
分配给 AGV，PP 模块通过设置直线惩罚函数，减少路径的转弯次数对 AGV 运行时间的影响以提高 AGV 任务完成效
率，CDAR 模块包括冲突检测（conflict detection，CD）子模块和冲突解决（conflict resolution，CR）子模块，CR 子模块针
对 CD 子模块检测出的冲突类型，制定基于备用区域（spare zone，SZ）和旁路规划（bypass，BP）的冲突解决策略，以规
划多 AGV 无冲突路线。仿真实验验证了典型场景下的该模型，结果表明：
（1）PP 模块所提改进 A*相较于传统 A*算
法在路径长度和拐点数量分别减少 8. 82% 和 38. 62%；
（2）任务分配算法的分配成功率达到 100%，任务一致性的概
率达 88. 9%；
（3）iCBS-pri 算法在任务规划成功率方面比 iCBS 算法平均提升 11. 3%，算法平均运行时间提升 5. 93%，
进一步提升了智能车库存取车效率。
关键词：智能车库；路径规划；任务执行优先级；自主引导车；冲突

Multi-AGV Path Planning for Intelligent Garage Based on Improved

Conflict Search

Ren Minghui1，Liang Jun1，Chen Long1，Zhang Chun2 & Wang Yun2

1. Automotive Engineering Research Institute，Jiangsu University，Zhenjiang 212013；
2. Baosheng System Integration Technology Company Limited，Yangzhou 225800

［Abstract］ Path planning of multiple Automated Guided Vehicles（AGVs）in intelligent garage directly af⁃
fects the efficiency and security of the vehicle. For the task execution priority of AGVs in RIG，the Improved Con⁃
flict-Based Search with priority （iCBS-pri） path planning model is proposed. The improved model is mainly com⁃
posed of Task Allocation （TA），single-AGV Path Planning （PP），multi-AGV Conflict Detection and Resolution
modules. The TA module allocates unassigned tasks to AGVs. The PP module improves the completion efficiency of
AGV tasks by setting a linear penalty function to reduce the impact of the number of turns of the path on AGV run⁃
ning time. The CDAR module includes Conflict Detection（CD）submodule and Conflict Resolution（CR）submod⁃
ule. The CR submodule develops conflict resolution policies based on Spare Zone（SZ）and Bypass planning（BP）
for the conflict types detected by the CD submodule，so as to plan multi-AGV conflict-free routes. Simulation experi⁃
ments verify the model under typical scenarios. The results show that：
（1）Compared with the traditional A* algo⁃
rithm，the improved A* proposed by the PP module reduces the path length and the number of inflection points by
8.82% and 38.62%，respectively；
（2）The assignment success rate of the task allocation algorithm reaches 100%，
with the task consistency probability reaching 88.9%；
（3）Compared with the iCBS algorithm，the success rate of
task planning of iCBS-pri algorithm is improved by 11.3% on average，with the average running time of the algo⁃

* 国家自然科学基金（51108209）和宝应县重点研发计划项目（BY201908）资助。
原稿收到日期为 2023 年 02 月 26 日，修改稿收到日期为 2023 年 03 月 29 日。
通信作者：梁军，教授，博士，E-mail：liangjun@ujs. edu. cn。
 · 1934 · 汽 车 工 程 2023 年（第 45 卷）第 10 期

rithm improved by 5.93%，which further improves the efficiency of RIG access vehicle.
Keywords：intelligent garage； path planning； task execution priority； autonomous guide vehicle；
conflict

前言
近 年 来 ，基 于 自 主 引 导 车 （automated guided
vehicle，AGV）的 智 能 车 库（robot-based intelligent
garage，RIG）成为智能交通与智慧导航领域研究热
点。RIG 通过多 AGV 搬运以实现车辆的存取过程，
用户仅需在 RIG 摆渡区进行车辆交换 ，提升了车
辆停车便捷性，减少了停车场内部由于人为操作导
致的冲突问题，提升车辆存取效率和车位供给量，是
缓解城市“停车难”问题理想的停车方式。
RIG 兼具高效性和安全性的特点，通过 RIG 停
车管理系统为 AGV 指派停车任务，并规划无冲突路
径 ，其中包含的多 AGV 路径规划是一项至关重要
［2］
的技术。目前，多 AGV 路径规划常用时间窗 、交通
规则 等方式解决多 AGV 存在的冲突问题，能够满
［4］
足小规模 AGV 系统的无冲突路径规划问题，但是无
法满足 AGV 规模逐渐庞大的智能车库系统。
目前研究学者将多 AGV 系统建模为多智能体
路径搜索（multi-agent path finding，MAPF）问题，将
AGV 看作智能体来求解，在已知环境中为一组智能
体搜寻无冲突路径，同时最小化 AGV 运行时间总
和［5-6］。CBS（conflict-based search algorithm）算法是
一种领先的两级搜索算法，用于优化求解 MAPF 问
题，其核心思想是独立地为每个智能体规划一条路
径 ，然 后 通 过 分 支 解 决 智 能 体 之 间 的 冲 突［7］。
Boyarski 等［8］将增强、元代理和绕过冲突措施等改进
的研究成果引入到 CBS 算法中，能够减少 CBS 的运
行时间，但是并未考虑到任务执行优先级和 AGV 的
实际冲突类型对 CBS 的影响。Okoso 等［9］将 CBS 算
法应用到具有任务执行优先级的自主代客泊车系
统，然而考虑的冲突类型和冲突解决措施相对简单。
RIG 属于 AGV 代客泊车系统，需要 AGV 对车辆进行
搬运，现有研究很少考虑到任务分配过程对多 AGV
路径规划的影响，且提出的冲突解决策略并不适用
RIG 环境。
针对具有任务执行优先级的 RIG 系统，在分析
RIG 实际冲突特点的基础上，引入基于备用区域搜
索策略和旁路规划策略协同的冲突消解方法，提出
了一种基于改进 CBS 的路径规划算法，为 RIG 规划
多 AGV 无冲突路径。
1 RIG 停车环境分析
1. 1 RIG 冲突类型分析
如图 1 所示，应用平行式车位布局的 RIG 的车
位布局方式与 AGV 的运行方式息息相关，AGV 通常
［1］
采用麦克纳姆轮底盘，可以全向移动，能够较为容易
实现平行停车。在多 AGV 搬运车辆任务过程中，
AGV 间的冲突可分为对向冲突、交叉口冲突、停车
冲突和跟随冲突 4 种类型。对向冲突通常出现在两
辆 AGV 相向通行同一 AGV 通道的情况，如图 2（a）所
示，它是一种典型的死锁现象，要求冲突的一方退出
当前路径才能解决冲突，而不能通过等待操作解决。
［3］
鉴于 AGV 运行特点，RIG 交叉口位置在同一时间步
长内仅允许一辆车通行，当多辆 AGV 同时通行交叉
口时，交叉口冲突即会产生，这是 RIG 中较为常见的
冲突类型，如图 2（b）所示。在 AGV 执行存取车任务
进入或离开停位时，会占用 AGV 通道并阻碍其他
AGV 的正常通行，便会产生停车冲突，如图 2（c）所
示。倘若一个 AGV 占用另一个 AGV 在上一时间步
占用的节点，两辆 AGV 便会发生冲突，记为跟随冲
突，如图 2（d）所示。
图1 RIG 典型场景
1. 2 RIG 路径规划问题描述
面向 RIG 的多 AGV 路径规划可以描述为多智
能体路径搜索 MAPF 问题，由无向图 G（V，E）
（其中
V 表示顶点集，E 表示边集），一组负责执行停车任务
 2023（Vol.45）No.10 任明辉，等：基于改进冲突搜索的智能车库多 AGV 路径规划 · 1935 ·

AGV 路径规划（path planning，PP）、多 AGV 冲突检

测 与 解 决（conflict detection and resolution ，CDAR）
3 个模块组成，最终生成多 AGV 无冲突路径集合 π *，
如图 3 所示。TA 将未分配任务分配给 AGV，本文所
提的 TA 模块的任务执行优先级不受任务分配过程
中任务与 AGV 的距离影响；PP 模块是 iCBS-pri 下层
搜索算法的主要内容，所提 PP 模块通过设置直线惩
罚函数，减少路径的转弯次数对 AGV 运行时间的影
响，以提高 AGV 任务完成效率，最小化 AGV 的 SoC
为目标；CDAR 模块包括冲突检测（conflict detection，
CD）子模块和冲突解决（conflict resolution，CR）子模
块。CD 子模块根据 RIG 实际情况，通过检测参与冲
突的 AGV 运动状态以此确定实际冲突类型；本文改
进的 CR 子模块针对 CD 子模块检测出的冲突类型，
制 定 基 于 备 用 区 域（spare zone，SZ）和 旁 路 规 划
（bypass，BP）的冲突解决策略，以规划多 AGV 无冲
突路线。

图2 多 AGV 典型冲突类型 任务分配

任务序列生成T AGV序列生成A 任务匹配策略
的 m 个 AGV 集 A={ a 1，a 2，⋯，a m } 以及一组待执行的
实时停车任务 T={ τ 1，τ 2，⋯，τ n } 所构成。当 a i 被指 AGV执行序列Ω

派完成任务 τ k 时，从初始停车位置 o i 出发，然后前往 单AGV路径规划

任务始末位置gk
取车位置 b k 搬运车辆，最后达到车辆的目标停放位 AGV初始位置oi 设定转弯因子o(n)

置 g k。在 RIG 中，AGV 的最大装载车辆数为 1，且每 生成单AGV路径

个任务仅由一辆 AGV 执行。当停车任务数量大于
多AGV冲突检测与解决
AGV 数量时，多于 AGV 数量的任务只能在 RIG 外等
冲 冲突类型分析 冲突类型判定 冲突类型建模
待，并不会影响 RIG 内的 AGV 运行情况，故假定 m = 突
检
交叉口冲突 停车冲突 对向冲突 跟随冲突
n。AGV 运动机构通常选择麦克纳姆轮机构，可实 测
冲
现 全 向 移 动 ，有 前 进（Ad）、后 退（Re）、向 左 横 移 突
解 等待解决措施 搜索旁路策略BP 搜索备用区域SZ
（Lt）、向右横移（Rt）以及原地等待（Wp）等操作，且 决
在每个时间步长内，AGV 均执行移动或等待操作。
MAPF 的 目 标 就 是 以 最 小 化 AGV 运 行 时 间 总 和 多AGV无冲突路径集合π*
（sum of costs，SoC）为目标，搜索满足所有 AGV 的无
冲 突 路 径 ，其 目 标 为 寻 找 最 优 的 集 合 π* 使 SoC 图3 基于改进冲突搜索的多 AGV 路径规划模型
最小［10］：
π * = arg ∑T i
2. 1 TA 模块
（1）
ai ∈ A TA 在 MAPF 问题中起着重要作用，它涉及如何
在任务集 T 中的待分配任务分配给 AGV 集 A 中 AGV。
2 RIG 多 AGV 路径规划模型 TA 根据 AGV 的初始位置和待分配任务的初始位置
间的距离进行分配，以减少 AGV 的无效运行路径，提
针对 RIG 中 AGV 的任务执行优先级问题，提出 升 RIG 的整体运行效率。同时，
每个未分配的任务都
了 基 于 改 进 冲 突 搜 索 的 路 径 规 划 模 型（improved 与 RIG 中任务执行优先级相关联，任务执行优先级
conflict-based search with priority，iCBS-pri）。该 改 不受任务分配过程中任务与 AGV 的距离影响，能够
进 模 型 主 要 由 任 务 分 配（task allocation，TA）、单 以优先级排序的形式处理 AGV 间的冲突现象。
 · 1936 · 汽 车 工 程 2023 年（第 45 卷）第 10 期

为提升停车场收益，停车会员收费是一项有效 模块的算法复杂性，PP 算法规划每一部分的路径，

的措施 。在 RIG 中，停车会员需要额外的费用，会
［11］
员用户停车任务也应具有更高的执行优先级。由于
RIG 任务存在执行优先级，在 CBS 设计时应充分考
虑到优先级对整体规划的影响，且在任务分配时不
能影响任务原有的执行优先级。任务优先级 pri =
{ p ，p ，⋯，p }是 AGV 任务集 T 中任务执行次序的集
1 2 n
合，如果 p k ≥ p k ，任务 τ k 的优先级就比 τ k 高［12］。通
， ，
过给定任务优先级的集合 pri，以 p i T i 计算冲突过程
中的时间成本消耗。具有优先级的 MAPF 问题的目
标就是寻找集合 π*使 SoC 最小：
π * = arg min ∑p i T i
ai ∈ A
以 AGV 的初始位置 o i 与未分配任务的初始位
置 b k 间的距离为评定标准，将未分配任务分配至距
离该任务最近的 AGV。由于 AGV 的数量有限，当任
务的数量多于 AGV 的数量时，超出 AGV 数量的任务
将等待第二次分配，并根据用户类型赋予优先级系
数。如下的 TA 算法阐述了任务分配的具体流程。
TA 算法
输入：AGV 集 A，未分配任务集 T
输出：任务分配序列 Ω
1 Ω←ϕ
2 根据任务执行优先级对任务排序
3 for a i ∈ A do
4 Ωi ← ϕ
5 for τ k ∈ T do
6 D ← ‖ oi - bk ‖
7 if ‖ o i - b k ‖ = min {D}
8 Ωi ← Ωi ∪ τk
9 T ← T\ {τ k }
10 end if
通过在改进的 TA 算法中添加距离优先原则，AGV
通常会继续完成原先搬运任务。在 PP 算法中，对单
一 AGV 规划最优路径，而不考虑其他 AGV 的影响。
传统 A* 算法是一种以此选取估计成本最小的
节点作为下一步的搜索节点，接着重复此操作直至
寻找到目标节点，能够寻找到 MAPF 问题的最优解，
但是实际规划的路径往往会出现多个拐点［13］ 。在
图论中，拐点的个数并不会影响路径的最优性，而在
实际 RIG 环境中，AGV 搬运车辆完成停车任务，属于
重载 AGV，当 AGV 遇到拐点时，AGV 会调节麦克纳
姆轮的速度在原地旋转进行方向调整，以此完成转
（2）
弯动作，会耗费大量时间。因此在实际规划 AGV 路
径时，既要确保路径最短，又要尽可能选择拐点最少
的路径。
传统 A* 算法的核心是通过指定的启发函数对
未遍历的节点进行查询，缩小搜索范围，提升搜索速
度，具体表达如下：
( ) ( ) ( )
f n =g n +h n （3）
式中：f ( n ) 表示从初始节点到目标节点的最低成本
估计；g ( n ) 为由初始节点到当前节点的实际成本；
h ( n ) 为当前节点到目标节点的估计成本，h ( n ) 也就
是启发函数。由于 RIG 环境较为规整，且 AGV 仅在
x 轴或 y 轴方向行驶，为使规划出的路径最短，同时
尽可能选择拐点最少的路径，因此选择曼哈顿距离
作 为 启 发 函 数 ，并 在 启 发 式 函 数 中 加 入 惩 罚 函 数
( )
o n ，通过计算父节点和子节点的直线度决定惩罚
then 函数值。
本文在选择曼哈顿距离作为启发函数，并在启
发式函数中加入惩罚函数 o n 的基础上提出改进 ( )
后的 A 算法表达如下：*

11 end for
( ) ( )
f n =g n +h n +o n ( ) ( ) （4）
12 Ω ← Ω ∪ Ω
■■ 0， | x t + 1 - x t - 1 | ⋅ | y t + 1 - y t - 1 | = 0
13 end for
( )
o n =■
14 return Ω ( ( ) ( ))
■■ K g n + h n ，其他
（5）
2. 2 PP 模块 2. 3 CDAR 模块
在 RIG 中 ，将 任 务 集 T 中 的 所 有 任 务 分 配 给 CDAR 模块需要对各 AGV 规划路径，各路径之
AGV 集中的 AGV 后，PP 模块通过规划无冲突路径 间难免存在冲突，针对此问题 CDAR 模块设计了 CD
导航到指定位置，完成车辆存取任务。在车辆存取 子模块和 CR 子模块来消解路径冲突，CD 子模块根
过程中，PP 规划的无冲突路径通常由两部分组成： 据 RIG 实际情况，通过检测参与冲突的 AGV 运动状
(
任务搬运路径 o i → b k 和任务执行路径 b k → g k 。 ) ( ) 态以此确定实际冲突类型，CR 子模块针对 CD 子模
由于 AGV 执行优先级由搬运任务决定，因此 AGV 在 块检测出的冲突类型，制定基于备用区域和旁路规
不同路段上具有的优先级可能有所不同，为简化 PP 划的冲突解决策略，以规划多 AGV 无冲突路线。
 2023（Vol.45）No.10 任明辉，等：基于改进冲突搜索的智能车库多 AGV 路径规划
2. 3. 1 CD 子模块
PP 算法为单个 AGV 规划路径，但是路径间可能
存在冲突现象，冲突检测方法则须正确检测 AGV 间
存在的所有冲突现象。在 CBS 算法中，通过迭代时
间步，分析所有 AGV 的位置信息以此检测冲突现
象，主要有边冲突、点冲突、交换冲突、跟随冲突和循
环冲突 5 种类型，如图 4 所示。
图4 MAPF 问题中存在的主要冲突类型
在 RIG 中，多 AGV 冲突类型通常为对向冲突、
交 叉 口 冲 突 、停 车 冲 突 和 跟 随 冲 突 4 种 类 型 ，与
MAPF 问题中的点冲突、交换冲突和跟随冲突 3 种类
型对应［14］，循环冲突出现频率较低，而边冲突在 RIG
中几乎不会出现，因此通过检测 MAPF 中的冲突类
型即可确定 RIG 中的冲突现象。 π i t 、π j t 分别表
示 a i 和 a j 经过 t 个时间步长后的位置，并通过 π i t 、
()
π j t 来描述 MAPF 问题中存在的主要冲突类型。
（a）边冲突：a i 和 a j 在执行各自的搬运任务时，
两辆 AGV 在同一时间步以相同的方向通行同一条
( ) () ()
边 A，B ϵE，可 表 示 为 π i t = π j t 且 π i t + 1 =
π ( t + 1)，如图 4（a）所示。
j
（b）点冲突：a i 和 a j 根据规划路径，两辆 AGV 在
同一时间步占据同一个节点 BϵV，可表示为 π i t +
) ( )
1 = π j t + 1 ，如图 4（b）所示。
（c）交换冲突：a i 和 a j 按照既定的路径，在同一
时间步以相反的方向通行同一条边 A，B ϵE，并实
现相互交换位置的效果，可表示为 π i t = π j t + 1
( ) ()
且 π i t + 1 = π j t ，如图 4（c）所示。
（d）跟随冲突：当 a i 计划占用 a j 在上一个时间步
(
占用的节点 BϵV，可表示为 π i t + 1 = π j t ，如图 4
（d）所示。
（e）循环冲突：一组 AGV 在同一时间步内，每个
AGV 移动到之前被另一个 AGV 占用的节点，形成一
个“旋转循环”的模式，可表示为 π i t + 1 = π i + 1 t ， (
· 1937 ·
( ) () ( ) ()
π i + 1 t + 1 = π i + 2 t ， ⋯， π j - 1 t + 1 = π j t 且
( ) ()
π j t + 1 = π i t ，如图 4（e）所示。
2. 3. 2 CR 子模块
CR 子 模 块 是 对 检 测 的 冲 突 制 定 一 组 约 束
( N. constraints )，以成本 ( N. cost ) 最小化为目标，为所
有 AGV 规划一组无冲突路径 ( N. solution )，是 CBS 上
层搜索算法的关键部分（N 表示约束树上的节点）。
(
CBS 上层搜索算法在约束树 constraint tree，CT 上 )
执行最佳的搜索策略，通过生成限制 AGV 的约束集
来迭代解决冲突现象。从只有一个约束集为空的初
始根节点开始，调用 CBS 下层搜索找到 N. solution，
下层搜索评估 N. cost 最低的节点，然后选择最低的
N. cost 扩展 CT 节点，然后 CBS 下层搜索会选择扩展
的节点并在 N. solution 中识别一组冲突 N. constraints。
如果 N. constraints 为空，
则CBS终止并返回 N. solution，
否则会随机选择一个要解决的冲突，根据冲突的类
型施加约束，并添加到 N. constraints 中，同时 CBS 下
层搜索会重新规划 N. solution 中的路径以适应新添
加的约束。以图 5 为例，a 1 和 a 2 搬运具有不同优先
级的任务，调用下层路径规划算法得到两条路径，在
A 点存在点冲突 C = a 1，a 2，A，1 ，通过拆分节点 A
以生成两个子节点，每个节点均继承 A 点的约束集，
() () 通过为每个节点添加约束 a 1 或 a 2 在初始位置等待
() 并计算 A. cost，可以获得 A. solution，其冲突解决措施
为 a 1 在初始位置等待 1 个时间步长。
在 RIG 中，
所有车辆均需要 AGV 搬运，
且 AGV 将
车辆搬运至指定车位后立即返回指定的停放位置，
故
AGV 有搬运状态和非搬运状态。由于路径规划算法
( ) 是分段规划，可以通过判断 AGV 的初始位置 o i 和须
执行任务的初始位置 b k 间的距离来实现，即 o i = b k
时，AGV 处于搬运状态，设为 h i = 1，否则 h i = 0。
( 面对 AGV 间的冲突，通常办法是约束其中一辆
AGV 使其等待，以此来实现冲突解决的目的。然
而，对向冲突和循环冲突会使 AGV 陷入死锁现象，
( ) 无法通过等待措施解决该类冲突现象，此时约束其
() ( ) 中一辆 AGV 退出当前路径，本文提出的冲突解决措
施主要有备用区域搜索 SZ 和旁路规划 BP ［15］两( ) ( )
种策略。
) () SZ 策略通过为 AGV 划分周边空闲区域作为避
障 区 域 ，以 实 现 冲 突 解 决 的 目 的 ，仅 适 用 于 两 辆
AGV 冲突的类型［15-16］，也是 RIG 中最为普遍的冲突
类型。由 RIG 的布局特点可知，对于搬运状态 AGV，
) () 附近空闲车位可以作为 AGV 的备用区域，而对于非
 · 1938 ·
图5 基于 CBS 的冲突解决策略
搬运状态 AGV，所有车位可作为备用区域。然而，
如何规划备用区域是一个非常关键的问题。AGV
在进入备用区域时须执行转弯操作，根据冲突节点
出现的时间步，提前为冲突 AGV 划分备用区域，常
被设置为车位区域。如下 SZ 算法阐述了备用区域
搜索策略的具体流程。
SZ 算法
输入：节点 N，空闲车位
输出：True or False
( )
1 for N ′ ∈ ST N do
2 for a i in C do
3 if o i = b k then
4 hi = 1
5 if path i ≠ φ
6 SZ i ← SP i
7 end if
8 end if
9 调用下层搜索确定全局路径
( )
10 if N. cost = N ′. cost & N. NC π， ( )
11 N. solution ← N ′. solution
12 end if
13 OPEN ← { N }
14 renturn True
15 end for
16 return False
汽 车 工 程 2023 年（第 45 卷）第 10 期
BP 策略［17］是通过规划其中一个 AGV 的路径，
以绕过冲突减少 CBS 搜索树的节点数量。由于对
AGV 路径再规划，RIG 中所有已知路径均会受到影
(
响 ，冲 突 节 点 的 总 数 量 Number of Conflict， N. NC )
可能会增加，会造成时间步长的显著增加。相较于
原始路径 π i，BP 规划出的新路径 π，i 不能增加新的冲
( )
突 节 点 ，即 N. NC π，i ≤ N. NC π i ，且 满 足 约 束 ( )
N. constraints。 从 保 持 路 径 最 优 性 的 角 度 来 看 ，在
MAPF 问题中必须规划一条有效的旁路，使 SoC 最
小。当处理节点 N 上的冲突 C 时，BP 通过以优先规
划 N. NC 最 小 的 方 式 遍 历 节 点 N 的 所 有 子 节 点
( ) ( )
ST N ，即 N′ ∈ ST N 且 N. NC π，i ≤ N. NC π i ，然 ( ) ( )
后判断所规划旁路的有效性（BP 算法第 3 行），并生
成有效旁路的所有节点的集合 P。以两个 AGV 参与
的冲突为例，倘若第一个子节点判定旁路有效，则
BP 不需要添加任何新的节点，也避免了调用其余子
节点的底层搜索。
BP 算法
输入：节点 N
输出：True or False
( )
1 for N ′ ∈ ST N do
2 for a i in C do
3 ( ) (
if N. cost = N ′. cost & N. NC π， ( )
i ≤ N. NC π i ( ) ) then
4 N. solution ← N ′. solution
5 end if
6 end for
7 OPEN ← { N }
8 return True
9 end for
10 return False
在 RIG 环境中，停车冲突类型较为简单，通常采
用等待措施来解决，该方法就不再赘述。跟随冲突
类型是由于领航 AGV 的停止而造成的跟随 AGV 与
领航 AGV 之间的冲突，领航 AGV 在时间步长为 t 时
可能存在多个冲突，因此，解决跟随 AGV 时，将跟随
AGV 解决冲突所需的时间步长计入到领航 AGV，以
尽可能避免跟随 AGV 和领航 AGV 的避让操作。对
于对向冲突类型，属于死锁，本文针对此种冲突采取
(
( ) ) then
i ≤ N. NC π i
SZ 和 BP 协同的方式来进行冲突解决，由于 SZ 对整
体规划影响较小，在 N. cost 相同的情况下，优先选择
SZ，具有高优先级的 AGV 具有优先通行权，降低了
冲突产生的概率，会减少无关的搜索工作算法。本
文采用的备用区域搜索策略和旁路规划策略协同算
法能够提升任务规划的成功率，由于搜索备用区域
 2023（Vol.45）No.10 任明辉，等：基于改进冲突搜索的智能车库多 AGV 路径规划 · 1939 ·

和有效旁路在一定程度上能够帮助算法提前终止搜 区域针对存车任务，当任务数量小于或等于存车区
索或剔除无关搜索工作，从而进一步提升任务规划 域车位数量时，在存车区域随机生成任务初始位置，
成功率。如下 iCBS-pri 算法阐述了冲突解决的具体 在 RIG 的空闲车位区域随机生成任务目标位置，而
流程。 当任务数量大于存车区域车位数量时，超出存车区
域车位的存车任务数量在下一个时间步随机出现在
iCBS-pri 算法
输入：MAPF 实例
存车区域的车位位置，任务目标位置仍随机生成在
输出：最优路径 π * RIG 的空闲车位区域。选取分配成功率、路径长度
与转弯次数、冲突类型检测准确率和任务执行成功
1 N. constraints = ∅
2 Ω = TA A，T ( ) 率等作为评价指标。本文实验是在 Windows10 系统
3 N. solution = PP A ( ) 下进行，利用 MATLAB 2022a 对算法关键组件进行
(
4 N. cost = COST N. solution ) 仿真验证，硬件配置为 NVIDIA GeForce GTX1060，
5 OPEN ← { N } 3 GB 显 存 ，Intel（R） Core（TM） i5-8400 CPU @
6 while OPEN ≠ ∅ do
2. 80 GHz×6，16 GB RAM。
7 N ← arg min N. cost
8 C ← CD N ( )
9 if C = ∅ then
10 return N. solution
11 end if
12 (
if SZ N，C then)
13 continue
14 end if
15 (
if BP N，C then)
16 continue
17 end if
18 for a i in C do
19 R. constraints ← N. constraints
20 R. solution ← N. solution
21 R. solution = PP R ( )
22 (
R. cost = COST R. solution )
23 OPEN ← { N }
图6 典型 RIG 场景栅格地图
24 end for
25 end while
26 return False 3. 2 实验验证与结果分析
3. 2. 1 实验一：任务分配算法实验验证
实验验证不同任务数量 N 的情况下，任务分配

3 实验验证 算法的有效性。选取任务分配成功率 S ta、任务分配

一致性 C ta 和任务平均分配时间 T ta 作为任务分配算
3. 1 实验说明 法评价指标，以任务分配成功率 S ta 和任务分配一致
通过构建典型 RIG 场景的 20×20 栅格地图，每 性 C ta 表示任务分配算法的性能，S ta 由成功分配的任
个栅格为边长为 1 个单位长度的正方形栅格，黑色 务数 N s 与任务总数 N 的比值得到，C ta 表征任务的两
和蓝色栅格分别为已占用的停车位和空闲停车位， 阶段均由同一 AGV 执行的概率，由同一 AGV 执行的
停车位容量为 130，如图 6 所示，左侧为存车区域，右 任务数量 N τ 与任务总数 N 得到，即
N
侧为取车区域。通过随机生成 AGV 停车位置的方 S ta = s × 100% （6）
N
式重复进行实验 100 次，取其平均值作为实验结果， N
并设定仿真时间为 5 min。假设 AGV 和任务数量相 C ta = τ × 100% （7）
N
等，且设定存车任务和取车任务相等。在 RIG 车位 任务分配算法实验结果如表 1 所示。不同任务
 · 1940 · 汽 车 工 程 2023 年（第 45 卷）第 10 期

数量 N 情况下任务分配成功率 S ta 总是为 100%，因为 法、CBS［10］算法、CBS+SZ［16］算法和 CBS+BP 算法的性

任务数量和 AGV 数量相等，且任务分配算法针对每 能，选择任务规划成功率和 SoC 作为 iCBS 算法的评
一 个 未 分 配 任 务 τk 依 据 距 离 原 则 分 配 给 最 近 的 价指标，并探讨了 50% 任务具有执行优先级的情况
( )
AGV a i 。任务分配一致性 C ta 表征同一任务分配给 下，优先级对 iCBS-pri 算法性能的影响。图 7 展示
同一 AGV 的概率，当任务数量较少 N ≤ 10 时，C ta 总 (
了不同车位占有率 p = 30%，60%，90% 以上 4 种算)
是接近 100%，而 N > 10 时，由于超出存车区域的车 法随着 AGV 数量的增加，对应的任务规划成功率 S tp
位数量的车辆会在车位空闲时随机生成，存在 AGV 和 SoC 的实验结果。任务规划成功率 S tp 由成功规划
到达任务初始位置时将该 AGV 分配给新生成的存 的任务数量 N tp 与任务总数 N 的比值确定，表征系统
车任务的情况，因此随着 AGV 数量的增加，C ta 呈现 在有限时间内的多 AGV 路径规划性能。
降低趋势且最小为 88. 9%，从而平均分配时间成本 图 7 所示的实验结果表明，随着 AGV 数量的增
总和 T ta 也在不断增大。 加，任务规划成功率逐渐减小，而 SoC 逐渐增加，这
是由于 AGV 数量的增加导致了路径规划问题的复
表1 任务分配算法实验结果
S ta % C ta % T ta s
杂性，进而使冲突现象明显快速增加。增加 BP 策略
N
2 100 100 0. 074
的 CBS 算 法（CBS+BP）和 增 加 SZ 策 略 的 CBS 算 法
4 100 100 0. 102
（CBS+SZ）任务规划成功率明显高于 CBS 算法。在
6 100 100 0. 303 p = 30%，AGV 数量为 12 时，CBS 算法的 S tp 仅为 0. 2，
8 100 100 0. 846 而 CBS+SZ 算法和 CBS+BP 算法的 S tp 分别达到 0. 8
10 100 100 1. 259 和 0. 92，主要是因为搜索备用区域和有效旁路能够
12 100 99. 2 1. 904 帮助算法提前终止搜索或剔除无关搜索工作，从而
14 100 96. 8 2. 445 进一步提升任务规划成功率。BP 策略在解决 AGV
16 100 93. 8 3. 787 之间的冲突时使用了有效旁路，而 BP 算法能够保证
AGV 路径的完整性和最优性，因此添加 BP 策略的
3. 2. 2 实验二：单 AGV 路径规划算法实验验证
CBS 算法与传统 CBS 算法具有相同的 SoC，添加 SZ
实验验证改进 A*算法与传统 A*算法的性能对
策略的 CBS 算法与 iCBS 算法的 SoC 相等。SZ 策略
比，通过随机生成 AGV 停车位置的方式重复进行实
通过搜索附近的可用区域为 AGV 规划避让空间，能
验 100 次，取其平均值作为实验结果，并设定仿真时
够增加路径规划的成功率。在 p = 60%，AGV 数量
间为 5 min。选择路径平均长度 L pp 和拐弯次数 Nt pp
为 12 时，CBS+SZ 算法的 S tp 仍达到 0. 45，但会增加
作为路径规划算法的性能评价指标。具体的实验结
CBS 算法的 SoC。随着车位占有率的增加，实验中 p
果如表 2 所示。
由 30% 增加到 90%，SZ 策略和 BP 策略的可搜索范
表2 路径规划算法实验结果 围逐渐减少，对 CBS 的贡献逐渐减少，因此各种算法
本文改进 路径长度 拐点数量 的任务规划成功率之间的差距逐渐减少，iCBS 算法
性能指标 A*算法
A*算法 减少率 减少率 的优越性逐渐降低。
L pp 113. 93 103. 88 8. 82% 优先级对 iCBS 算法的影响如图 8 所示。iCBS-
Nt pp 5. 93 3. 64 38. 62% pri 算法的任务规划成功率总是高于 iCBS 算法，是因
为具有高优先级的 AGV 具有优先通行权，降低了冲
由表 2 可知，与传统的 A*算法相比，添加直线惩 突产生的概率，减少了无关的搜索工作。而由于车
罚函数的 A*算法在平均路径长度上优势并不明显， 位占有率的增加，优先级的影响逐渐减小，两种算法
而 平 均 拐 点 数 量 减 少 了 2. 29，拐 点 数 量 减 少 率 达 的差距逐步减小，主要是因为具有任务优先级低的
38. 62%，说明其抑制拐点生成的效果较为明显。 AGV 可选的避让区域有限，导致 AGV 间的冲突仍旧
3. 2. 3 实验三：iCBS-pri 算法实验验证 存在。
实验通过在 CBS 算法中增加 SZ 和 BP 策略，验 不同路径规划算法的运行时间如表 3 所示。由
证不同冲突消解策略在 CBS 算法中的作用。选取不 数据可以看出，AGV 数量的不断递增，各算法求解
(
同车位占有率 p = 30%，60%，90% 下验证 iCBS 算 ) 运行需要更多的时间。由于 BP 策略与停车位占有
2023（Vol.45）No.10 任明辉，等：基于改进冲突搜索的智能车库多 AGV 路径规划
图7
图8
率无关，CBS 算法和 CBS+BP 算法的运行时间几乎
没有变化。BP 策略在 AGV 数量较小的情况下，由于
BP 需要搜索路径，会增加运行时间，但是在 AGV 数
量较多时，路径搜索的时间相较于无效搜索和提前
搜索终止带来的优势来说相对较小。相较于 CBS 算
法，CBS+BP 算法在 AGV 数量较多时的运行时间有
较大提升。在停车位占有率较少的情况下，SZ 策略
可以大幅消解路径冲突，其搜索范围较小，所以搜索
时间花费较小，因此 CBS+SZ 算法在 AGV 数量较少
· 1941 ·
iCBS 算法实验结果
优先级对 iCBS 算法的影响
时运行时间略大于 CBS 算法，而在 AGV 数量较多时
CBS+SZ 算法的优势较为明显。然而，任务优先级能
够减少无效搜索过程，能够减少节点拓展，iCBS-pri
算法的运行时间相较于 iCBS 有一定的减少。在停
车位占有率较高时，SZ 策略成功率逐渐降低，且运
行时间略有增加，CBS+BP 算法在运行时间方面比
iCBS 算法有一定的优势，结合图 7 展示的任务规划
成功率，CBS+BP 算法更适用于停车占有率较高的
场景。
 · 1942 · 汽 车 工 程 2023 年（第 45 卷）第 10 期

表3 不同路径规划方法的平均运行时间
平均运行时间/s
车位占有率 规划方法
2 4 6 8 10 12 14 16
CBS 0. 037 0. 043 0. 052 0. 181 1. 351 1. 879 2. 582
CBS+SZ 0. 039 0. 045 0. 049 0. 163 1. 293 1. 781 2. 373 3. 278
30% CBS+BP 0. 054 0. 073 0. 125 0. 576 1. 502 2. 502 3. 815 5. 512
iCBS 0. 057 0. 081 0. 143 0. 527 1. 397 2. 137 3. 368 4. 953
iCBS-pri 0. 052 0. 078 0. 134 0. 485 1. 310 1. 939 2. 642 4. 233
CBS 0. 035 0. 046 0. 051 0. 185 1. 390 1. 852 2. 574
CBS+SZ 0. 041 0. 047 0. 053 0. 180 1. 312 1. 814 2. 439 3. 463
60% CBS+BP 0. 057 0. 071 0. 131 0. 583 1. 557 2. 483 3. 790 5. 527
iCBS 0. 074 0. 103 0. 165 0. 599 1. 429 2. 334 3. 653 5. 326
iCBS-pri 0. 068 0. 094 0. 154 0. 584 1. 374 2. 298 3. 550 5. 227
CBS 0. 039 0. 049 0. 056 0. 191 1. 367 1. 903 2. 610
CBS+SZ 0. 049 0. 053 0. 061 0. 193 1. 403 1. 964 2. 633
90% CBS+BP 0. 054 0. 073 0. 125 0. 576 1. 502 2. 502 3. 815 5. 512
iCBS 0. 089 0. 117 0. 203 0. 667 1. 627 2. 703 3. 973 5. 697
iCBS-pri 0. 071 0. 105 0. 212 0. 636 1. 592 2. 697 3. 892 5. 557

Research Part C：Emerging Technologies，2021，128：103140.

4 结论 ［3］ HU Y，DONG L，XU L. Multi-AGV scheduling and routing prob⁃

lem based on a three-stage decomposition method［J］. Mathemati⁃
cal Biosciences and Engineering，2020，17（5）：5150-5172.
针对 RIG 中具有任务执行优先级的多 AGV 路 ［4］ QU S，XU Z，LU F，et al. ITDP-Robot：design of an intelligent
径规划问题，提出了一种改进的基于搜索的冲突消 transport dispatch parking robot［J］. Smart City Application，
解模型。根据 RIG 中 AGV 运行特点，创新性地提出 2019，2（5）：24-32.

备用区域搜索策略和旁路规划策略相结合的 CBS 上 ［5］ STERN R. Multi-agent path finding-an overview［J］. Artificial In⁃
telligence，2019：96-115.
层搜索算法，同时在下层搜索算法中添加直线惩罚
［6］ LI J， RUML W， KOENIG S. Eecbs： a bounded-suboptimal
函 数 ，以 减 少 路 径 拐 点 对 AGV 运 行 的 影 响 ，并 在 search for multi-agent path finding［C］. Proceedings of the AAAI
CBS 算法基础上提出基于 iCBS-pri 的多 AGV 路径规 Conference on Artificial Intelligence （AAAI），2021：12353-
划算法，并验证了 iCBS-pri 算法在不同车位占有率 12362.

的情况下具有较高的任务规划成功率，且 iCBS-pri ［7］ BARER M，SHARON G，STERN R，et al. Suboptimal variants
of the conflict-based search algorithm for the multi-agent path⁃
算法在任务规划成功率方面比 iCBS 算法平均提升
finding problem［C］. Seventh Annual Symposium on Combinatori⁃
11. 3%，算法平均运行时间提升 5. 93%，进一步提升 al Search，2014.
了 RIG 存取车效率。但研究以数值仿真验证为主， ［8］ BOYARSKI E，FELNER A，STERN R，et al. ICBS：improved
仿真实验场景设置相对理想，未来将通过获取实际 conflict-based search algorithm for multi-agent pathfinding［C］.

的停车 AGV 的运行数据以及智能车库的运行数据， Twenty-Fourth International Joint Conference on Artificial Intelli⁃

设计更加贴近实际车库环境的实验场景来验证和改
进 iCBS-pri 算法以适用智能车库运行场景。
参考文献
［1］ CHEN G，HOU J，DONG J，et al. Multi-objective scheduling
strategy with genetic algorithm and time-enhanced A* planning
for autonomous parking robotics in high-density unmanned park⁃
ing lots［J］. IEEE/ASME Transactions on Mechatronics，2020，26
（3）：1547-1557.
［2］ ZHANG J，LI Z，LI L，et al. A bi-level cooperative operation ap⁃
proach for AGV based automated valet parking［J］. Transportation
gence，2015.
［9］ OKOSO A，OTAKI K，NISHI T. Multi-agent path finding with
priority for cooperative automated valet parking［C］. 2019 IEEE
Intelligent Transportation Systems Conference （ITSC）. IEEE，
2019：2135-2140.
［10］ SHARON G， STERN R， FELNER A， et al. Conflict-based
search for optimal multi-agent pathfinding［J］. Artificial Intelli⁃
gence，2015，219：40-66.
［11］ TSUBOI Y，KANAMORI R，YAMAMOTO T，et al. Analysis of
parking lot choice behaviors by utilizing accounting data［J］. Jour⁃
nal of the Eastern Asia Society for Transportation Studies，2015，
11：523-536.
 2023（Vol.45）No.10 任明辉，等：基于改进冲突搜索的智能车库多 AGV 路径规划
［12］ MA H，HARABOR D，STUCKEY P J，et al. Searching with con⁃
sistent prioritization for multi-agent path finding［J］. Proceedings
of the AAAI Conference on Artificial Intelligence，2019，33（1）：
7643-7650.
［13］ 李鑫，廖凯文，陈薇，等 . 多自动导引车路径规划的时空冲突约
束 A* 算 法［J］. 计 算 机 集 成 制 造 系 统 ，2021，27（11）：3219-
3226.
LI Xin，LIAO Kaiwen，CHEN Wei，et al. A* algorithm with spa⁃
tial-temporal conflict constraints for path planning of multiple au⁃
tomatic guided vehicles ［J］. Computer Integrated Manufacturing
Systems，2021，27（11）：3219-3226.
［14］ AI B，JIANG J，YU S，et al. Multi-agent path finding with het⁃
（上接第 1884 页）
［20］ PEI P，LI Y，XU H，et al. A review on water fault diagnosis of
PEMFC associated with the pressure drop ［J］. Applied Energy，
2016，173：366-385.
［21］ 张晓鹏，朴世文，钟兵，等 . 变载速率对 PEMFC 电堆动态响应
的影响［J］. 电池，2021，51（6）：568-571.
ZHANG X P，PIAO S W，ZHONG B，et al. Influence of variable
loading rate on dynamic response of PEMFC stack［J］. Battery Bi⁃
monthly，2021，51（6）：568-571.
［22］ WU H，LI X，BERG P. Numerical analysis of dynamic processes
in fully humidified PEM fuel cells ［J］. International Journal of
Hydrogen Energy，2007，32（12）：2022-2031.
［23］ HOU Y，YANG Z，WAN G. An improved dynamic voltage model
of PEM fuel cell stack［J］. International Journal of Hydrogen En⁃
ergy，2010，35（20）：11154-11160.
［24］ LI Y，ZHAO X，LIU Z，et al. Experimental study on the voltage
· 1943 ·
erogeneous edges and roundtrips［J］. Knowledge-Based Systems，
2021，234：107554.
［15］ ZHAO Y，LIU X，WU S，et al. Spare zone based hierarchical mo⁃
tion coordination for multi-AGV systems［J］. Simulation Model⁃
ling Practice and Theory，2021，109：102294.
［16］ XU R，FENG H，LIU J，et al. Dynamic spare point application
based coordination strategy for multi-AGV systems in a wip ware⁃
house environment［J］. IEEE Access，2022，10：80249-80263.
［17］ BOYRASKY E，FELNER A，SHARON G，et al. Don't split，try
to work it out：bypassing conflicts in multi-agent pathfinding［C］.
Proceedings of the International Conference on Automated Plan⁃
ning and Scheduling，2015，25：47-51.
uniformity for dynamic loading of a PEM fuel cell stack［J］. Inter⁃
national Journal of Hydrogen Energy，2015，40（23）：7361-7369.
［25］ LIN R，ZHU Y，NI M，et al. Consistency analysis of polymer
electrolyte membrane fuel cell stack during cold start ［J］. Ap⁃
plied Energy，2019，241：420-432.
［26］ MANN R F，AMPHLETT J C，HOOPER M A I，et al. Develop⁃
ment and application of a generalised steady-state electrochemi⁃
cal model for a PEM fuel cell ［J］. Journal of Power Sources，
2000，86（1-2）：173-180.
［27］ 国家市场监督管理总局，国家标准化管理委员会 . 燃料电池发
动机性能试验方法：GB/T 24554—2022［S］. 北京：中国标准出
版社，2022.
State Administration for Market Regulation，Standardization Ad⁃
ministration. Performance test methods for fuel cell system：GB/T
24554—2022［S］. Beijing：Standard Press of China，2022.