基于时空耦合冲突概率场的密集仓储多AGV系统协同路径优化

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Cooperative path optimization for MULTI-AGV systems in high-density warehousing based on a spatio-temporal coupling conflict probability field

　　冯廷平|向云海|滕阳新|唐新辰|李俊民|杨西蒙X.|简明•研究了高密度仓储物流中自动导引车辆（AGV）发生碰撞的时空概率问题。•提出了基于高斯时空扩散的STC-CPF模型。•将STC-CPF与神经动力学路径生成器相结合。•设计了一种基于冲突威胁程度和任务进展的DPDBS调度策略。

引言
随着电子商务和即时配送服务的快速发展，现代仓库物流系统不断朝着更高的存储密度和更强的动态响应能力发展（Alfieri等人，2012年；周等人，2025b年；周等人，2025a年）。高密度仓储环境的特点是货架间距极小、通道狭窄以及作业点高度集中。虽然这些特点有效提升了空间利用效率和订单处理能力，但同时也给内部物流的实时调度和路径规划带来了前所未有的严峻挑战（李等人，2025a年；李等人，2025c年）。作为智能仓储系统的核心执行单元，自动导引车辆（AGV）的部署规模不断扩大，因此，在高密度环境中实现多AGV系统的高效且无冲突的协同运作，已成为决定整体物流效率与运营成本的关键因素（Vlachos等人，2024年；Schiffer等人，2022年）。以韩国电商企业Coupang为例，其应用大规模AGV的无人配送中心在2023年的营收达到了约248.3亿美元（Lee等人，2025年），充分体现了高效AGV调度与规划技术在现代高密度物流系统中的重要作用。

然而，正是在这种高密度且动态性极强的仓储场景中，多AGV路径规划的固有复杂性被大幅放大：首先，密集的货架排列限制了可用空间，而狭窄的通道则大大降低了系统的容错能力；其次，其他AGV、工作人员以及临时障碍物的频繁出现带来了持续的动态不确定性。这些独特的环境特征使得传统的路径规划方法面临诸如频繁的时空冲突、较高的死锁风险以及系统稳定性差等问题，严重制约了系统的最大吞吐量与运行可靠性（Y. Chen等人，2025a年；Xing等人，2024年）。问题的核心在于如何在有限的时空资源下，为每辆AGV实时生成无冲突、无死锁且高效的路径，并实现整个系统效率的全局优化。因此，针对高密度动态仓储环境下的多AGV协同路径优化研究具有重要的理论意义和工程应用价值。

尽管已有大量研究致力于多AGV路径规划领域（Xiong等人，2024年），但在应对高密度仓储环境的特殊性方面仍存在显著局限，主要体现在三个方面：首先，在冲突感知与预测层面，现有的基于时空走廊或人工势场的模型往往将时间与空间维度分离或离散化，难以准确描述AGV运动状态与连续时空中的不确定性扩散之间的耦合演化，从而导致冲突预测滞后或不准确，无法为主动协同决策提供支持（C. Li等人，2025年；X. Chen等人，2025年；O. Rios等人，2021年）。其次，在协同路径生成层面，基于确定性规则或传统搜索算法（如A*、RRT）的规划器缺乏系统级的协同机制，往往会导致路径抖动严重、累积转弯成本过高，且无法适应动态变化的环境（Fransen和van Eekelen，2023年；Sun等人，2025年）；而受生物启发的Glasius神经网络（GBNN）虽具备良好的并行计算和实时响应能力，但其激励函数通常缺乏对潜在冲突风险的明确感知与定量刻画，容易导致局部最优解和非平滑轨迹的产生（Han等人，2023年）。第三，在动态死锁解决层面，现有策略大多依赖静态优先级或简单的动态调整规则，未能深入整合实时冲突威胁和任务进展等多源状态信息，其响应机制存在滞后性，难以在突发密集冲突情况下平衡系统效率与安全性（Kimmel等人，2019年；M. Zhou等人，2024年）。

本文聚焦于高密度仓储环境中的多AGV系统协同路径优化问题。如图1所示，在多辆AGV密集运行的狭窄通道中，它们的路径轨迹同时受到静态障碍物以及其他AGV的实时位置和运动意图的约束，冲突风险在时空维度上紧密关联。为克服上述局限，本文提出了一种专门针对高密度仓储环境设计的闭环协同路径规划框架，该框架融合了“冲突概率预测、基于神经动力学的调节机制以及动态死锁解决”功能。本文的研究内容如下：首先，构建了基于高斯扩散的时空耦合冲突概率场（STC-CPF）模型，以实现潜在冲突的连续量化与预测；其次，设计了集成STC-CPF的基于神经动力学的路径生成器，通过冲突-目标双增益激励函数实现避障与路径平滑的协同优化；最后，提出了动态优先级死锁破解策略（DPDBS），通过整合实时冲突威胁和任务进展信息，实现优先级的自适应调整与主动解决。

本文的主要贡献包括以下三个方面：
1. 提出了基于高斯时空扩散的时空耦合冲突概率场（STC-CPF）模型。该模型创新性地将连续的时空偏微分方程引入多AGV冲突风险的定量描述中，通过高斯扩散过程统一建模AGV运动不确定性的空间扩散与时间演化，为高密度环境下的冲突预测提供了可分析、可严格证明且易于优化的数学基础。
2. 设计了嵌入时空冲突概率场的基于神经动力学的路径生成器。通过构建冲突-目标双增益激励函数，将STC-CPF动态整合到GBNN中，实现了全局目标吸引与局部风险规避之间的协同作用，有效提升了路径安全性并避免了局部收敛现象。
3. 开发了动态优先级死锁破解策略（DPDBS）。该策略通过融合实时冲突威胁程度和任务进展的动态权重指标，实现了AGV优先级的在线自适应调整。采用“主动绕行”而非“被动等待”的新解决机制，显著提升了系统在高密度冲突场景下的响应速度和整体交通效率。

本文的其余结构如下：第2节为文献综述；第3节介绍时空耦合冲突概率场的建模方法；第4节详细阐述基于神经动力学的路径生成器的设计；第5节提出动态优先级死锁破解策略的建模方法及所提出的解决方案；第6节进行实验验证与结果分析；第7节总结研究成果并展望未来工作。

文献综述
在高密度仓储环境中，多AGV系统的协同路径规划是提升现代智能物流系统吞吐量与可靠性的核心挑战。本节从三个视角系统梳理了现有研究：冲突预测与建模方法、高密度仓库物流中AGV的协同路径规划方法，以及AGV死锁破解策略。此外，还重点分析了这些方法的适用性。

时空耦合冲突概率场模型
在高密度且动态变化的仓储环境中，多AGV系统中的路径冲突本质上源于轨迹不确定性与环境动态之间的复杂耦合。为克服传统离散型冲突表示方法的局限性，本节介绍了STC-CPF模型。该模型通过引入高斯时空扩散过程，将AGV的运动状态在时间演化和空间扩散两个维度上统一起来，从而能够……

基于神经动力学的路径生成器
路径规划是提升多AGV协同作业综合效率的关键技术之一。随着AGV的移动性能要求不断提高，且作业环境变得日益动态化和密集化，传统的路径规划算法难以同时满足实时性、路径平滑性以及安全性等多重要求。此外，这些算法还容易陷入局部最优解，往往无法生成可行或高效的路径。由于其……

动态优先级死锁破解策略的建模
在高密度动态仓储环境中，当多辆AGV同时作业时，路径交叉很容易引发各类相遇冲突。若不及时处理，这些冲突可能会进一步演变为系统死锁，严重影响整体运营效率。这类冲突主要包括四种类型：正面冲突、汇聚冲突、交叉冲突以及复杂冲突，其具体的空间构型如图所示……

实验测试与分析
为验证本文提出的基于STC-CPF的多AGV协同路径优化方法的有效性与稳定性，从四个方面开展了仿真实验：多AGV算法性能实验、敏感性分析实验、多AGV动态路径规划对比实验，以及规模扩展性与系统可扩展性分析实验。所有实验均在Windows 11操作系统（64位）环境下进行。

结论与未来工作
为解决高密度仓储环境中多AGV动态路径规划中存在的频繁时空冲突、路径平滑性差以及死锁风险高等核心问题，本文提出了一种多AGV协同路径优化框架。该框架整合了时空耦合冲突概率场（STC-CPF）、神经动力学路径生成器以及动态优先级死锁破解策略（DPDBS）。首先，基于高斯扩散理论，该框架……

CRediT作者贡献声明
冯廷平：写作——初稿撰写、可视化、验证、软件开发、方法论设计、形式分析、数据整理、概念构思。向云海：可视化、验证、软件开发、方法论设计、数据整理。滕阳新：可视化、验证、软件开发、方法论设计、数据整理。唐新辰：可视化、验证、软件开发、方法论设计、数据整理。李俊民：写作——审阅与编辑、方法论设计、资金获取、形式分析。杨西蒙X.：写作——

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知利益冲突或个人关系。

致谢
本研究部分得到了四川省科技计划项目（项目编号2022NZZJ0036）的支持。