Метод визначення оптимального шляху мобільної роботизованої платформи в умовах обмежених ресурсів

Abstract

With the transition to Industry 5.0, mobile robotic platforms (MRPs) have become an important element of industrial automation, replacing outdated conveyors. They optimize the transportation of materials at industrial enterprises, integrate with control systems and adapt to changing conditions. The authors focus on their navigation in dynamic environments, avoiding obstacles when interacting with people in conditions of limited resources. The paper analyzes the limitations of existing approaches to route planning for MRPs, in particular the A*, D*, DLite, M algorithms in dynamic environments. Special attention is paid to the optimization of algorithms using federated learning, introducing artificial intelligence to increase productivity. The authors proposed a method for determining the shortest route for AGV, which is based on classical algorithms for finding the optimal route in conditions of static and dynamic obstacles, taking into account limited resources, in particular the remaining battery charge and the time to complete the task. Stationary obstacles include walls and fixed workplaces of personnel, and dynamic obstacles are classified as living (industrial personnel) and inanimate (other MRPs or unpredictable objects such as boxes). Federated learning is used to predict the voltage drop of MRP batteries taking into account the individual characteristics of the platforms. The developed method involves dividing the route map into a uniform grid, constructing obstacle matrices, predicting battery voltage and calculating the optimal route using the A*, D*, DLite, M algorithms. The effectiveness of the method is evaluated by the following parameters: route length, number of cells passed, execution time, remaining battery charge. The results of the method are presented on the example of the AGV Formica 1 route, AIUT, Gliwice, Poland. The D* algorithm underlying the developed method is the most efficient in terms of execution time, number of cells passed, and battery conservation, which makes it optimal for dynamic conditions. The DLite and M algorithms also show good performance in static conditions, with lower resource consumption. A*, although it finds the optimal path, is the slowest and less efficient under limited resources. Thus, for dynamic environments, D* is the best choice, while DLite and M are good options for stable conditions.

З переходом до Індустрії 5.0 мобільні роботизовані платформи (МРП) стали важливим елементом автоматизації промислових підприємств, замінивши застарілі конвеєри. Вони оптимізують транспортування матеріалів на промислових підприємствах, інтегруються з системами управління та адаптуються до змінних умов. Основну увагу автори приділили навігації МРП в динамічних середовищах, уникаючи перешкод при взаємодії з людьми в умовах обмежених ресурсів. У роботі проаналізовано обмеження наявних підходів до планування маршрутів для МРП, зокрема алгоритми A*, D*, DLite, M в умовах динамічних середовищ. Особливу увагу приділено оптимізації алгоритмів із застосуванням федеративного навчання, впроваджуючи штучний інтелект для підвищення продуктивності. Авторами запропоновано метод визначення найкоротшого маршруту для МРП, в основу якого закладені класичні алгоритми знаходження оптимального маршруту в умовах статичних і динамічних перешкод з урахуванням обмежених ресурсів, зокрема залишкового заряду акумуляторної батареї та часу виконання поставленого завдання. Стаціонарні перешкоди — це стіни та нерухомі робочі місця персоналу, а динамічні — класифіковані як живі (промисловий персонал) і неживі (інші МРП чи непередбачувані об’єкти, такі як коробки). Застосовано федеративне навчання для прогнозування спаду напруги акумуляторних батарей МРП з урахуванням індивідуальних характеристик платформ. Розроблений метод передбачає поділ карти маршруту на рівномірну сітку, побудову матриць перешкод, прогнозування напруги батареї та визначення оптимального маршруту за допомогою алгоритмів A*, D*, DLite, M. Ефективність методу оцінено за такими параметрами: довжина маршруту, кількість пройдених комірок, час виконання, залишковий заряд батареї. Подано результати роботи методу на прикладі маршруту МРП Formica 1, AIUT, Глівіце, польща. Алгоритм D*, закладений в основу розробленого методу, є найефективнішим за часом виконання, кількістю пройдених комірок і збереженням заряду батареї, завдяки чому він є оптимальним для динамічних умов. Алгоритми DLite і M також показують хорошу продуктивність в статичних умовах, з меншими витратами ресурсів. Алгоритми A* хоча і знаходить оптимальний шлях, є найповільнішим і менш ефективним за обмежених ресурсів. Таким чином, для динамічних середовищ найкращим вибором є алгоритм D*, а хорошими варіантами для стабільних умов є алгоритми DLite і M.