基于离散事件仿真的大型AGV车队拥堵感知调度研究

《Electronics》：Congestion-Aware Scheduling for Large Fleets of AGVs Using Discrete Event Simulation

本文针对大型自动化导引车（AGV）车队面临的网络环境问题（如切换延迟和干扰），提出了一种基于离散事件仿真（DES）的拥堵感知AGV调度方法。该方法通过拥堵函数、拥堵惩罚和拥堵感知调度规则三大核心组件，有效量化并缓解了由交通拥堵引起的AGV系统效率低下问题，为5G技术下大规模AGV车队的优化运行提供了创新性解决方案。

　　

在智能工厂环境中，向无人化和自动化系统的逐步转变已成为显著趋势。作为实用的自动化物料搬运系统，移动机器人如自动化导引车（AGV）的应用日益广泛，不仅限于制造业，还扩展至智能仓储和物流等对高效任务分配和路径规划至关重要的领域。传统的大型AGV车队常受网络环境问题困扰，例如切换延迟和信号干扰，这可能导致操作不准确或延迟。近年来，5G技术因其能提供更稳定的网络环境而成为解决这些网络问题的实用工具，从而推动了基于5G技术的大型AGV车队的部署浪潮。AGV通常由AGV控制系统（ACS）进行控制，该系统负责路径规划和AGV调度等任务。AGV调度是在正确的时间将正确的任务分配给正确的车辆的过程，这一过程对AGV车队的性能，尤其是大规模车队，具有显著影响。然而，现有的AGV调度方法很少考虑交通拥堵，而这在大型车队中经常发生。为填补这一空白，本研究提出了一种基于仿真的、面向大型AGV车队的拥堵感知AGV调度方法。

AGV调度最小化拥堵的策略

该方法的核心在于三个组成部分：拥堵函数、拥堵惩罚和拥堵感知调度规则。拥堵函数用于计算车间内特定点或区域的拥堵程度，其输入通常是该区域内AGV的数量（n_AGV,k），并通过预设的阈值（T_l,k）将其离散化为不同的拥堵等级（c_k）。拥堵惩罚则代表了当车辆穿越AGV路径网络中的特定路段时所产生的损失，在本研究中主要表现为根据拥堵等级降低AGV的移动速度（v_k= v(c_k)）。拥堵感知调度规则则为任务和车辆的调度提供了启发式的决策逻辑。

为了应用所提出的方法，需要预先在AGV路径网络中识别出拥堵控制区域（CCA）。这些区域是具有相似属性的点和路径段的集合，主要分为三种类型：取货区域（包含一个或多个取货点及其进出路径段）、卸货区域（包含一个或多个卸货点及其进出路径段）以及中间区域（连接不同区域的路径段）。AGV调度逻辑主要涉及两个关键决策：任务分派规则（决定下一个执行哪个运输任务）和AGV分派规则（决定由哪辆可用AGV来执行选定的任务）。本研究提出了一系列拥堵感知的调度规则，例如，在任务分派中，可以考虑取货点拥堵等级最高（HPCL）或卸货点拥堵等级最低（LDCL）等规则；在AGV分派中，则可以考虑拥堵等级最高-空闲距离最短（HCL-LD）等规则。这些规则旨在调度过程中纳入CCA的拥堵水平信息，以优化系统性能。

实验设计与结果分析

为验证所提出方法的有效性，研究基于韩国一家汽车零部件制造商的真实车间，利用FlexSim 2024 Update 2仿真软件构建了一个包含80个取货点（P1-P80）、10个卸货点（D1-D10）和40个充电站（A1-A40）的大型AGV车队仿真模型。模型中定义了多个CCA，包括取货区域、卸货区域和中间区域。拥堵函数采用统一的阈值（T_1,k=3, T_2,k=5, T_3,k=7）将拥堵程度分为4级，拥堵惩罚则体现为每增加一个拥堵等级，移动速度降低15%。

实验设计了100种不同的场景，结合了10种任务分派规则（包括传统的FIFO、STD以及提出的HPCL、LDCL等）和10种AGV分派规则（如NIV、HCL-LD等）。每个场景重复运行40次，以统计可靠性。仿真周期为连续4天（345,600秒），并考虑了缓冲区容量限制、动态作业到达、AGV电池充电以及定期休息等实际约束。性能评估主要基于平均延误时间（Tardiness）、迟到率（Tardy Rate）、取货停留时间（Pickup Stay Time）和平均拥堵时间（AVG Congestion Time）等指标。

实验结果揭示了几个重要发现。首先，任务分派规则对系统整体性能的影响远大于AGV分派规则，表明控制任务流入是管理系统瓶颈的关键杠杆。其次，在局部操作效率与全局系统准时性之间存在明显的权衡。基于距离的规则（如STD）在最小化取货停留时间（约1400秒）和平均拥堵时间（约35,315秒）方面非常有效，但其"饥饿现象"导致了极高的平均延误时间（超过30,000秒）。相反，提出的拥堵感知规则（如LDCL和HPCL）通过平衡全局工作负载，有效降低了系统延误的严重程度，尽管它们导致了更高的局部拥堵和停留时间。再者，提出的LPCL规则展现出了作为混合解决方案的潜力，它在保持较低迟到率和具有竞争力的平均拥堵时间方面表现良好。最后，研究证实，增加规则复杂性（如复合规则LCL-SD）并不总能提升性能。

结论与未来展望

本研究提出的基于仿真的拥堵感知AGV调度方法，通过整合拥堵函数、拥堵惩罚和拥堵感知调度规则，为解决大规模AGV车队因交通拥堵导致的性能下降和操作低效问题提供了有效途径。实验结果表明，将动态系统信息（如节点级拥堵状态）融入分派逻辑，比单纯依赖几何距离更能优化运营效率。

未来的研究工作将围绕几个方向展开。首先，将模型扩展到能够进行任务批处理的多负载AGV。其次，将显式考虑AGV与控制系统之间的详细通信动态，研究通信系统技术特性对AGV系统运营性能的影响。第三，将所提出的调度逻辑扩展到更复杂的路径拓扑（如双向或网状网络），以处理动态空间冲突和多向流。第四，探索通过将本研究提出的拥堵感知规则作为强化学习（RL）智能体的动作空间，来开发集成高级路径规划和自适应调度的综合动态控制框架。最后，需要应用多目标优化方法来平衡运营指标和拥堵相关指标之间的权衡。