多车轨道路径规划算法设计

多车轨道路径规划算法设计
场景：多车，⾛最顶层轨道⽅格，⽴⽅仓，多车共同取货。

单车路径规划算法选择
常⽤的最短路径规划算法是Dijkstra、A*、D*算法。

Dijkstra算法效率低，D*是对A*的优化版本，减少计算量，区别在于D*以终点为搜索开始点，适合环境变化的场景。

优化在于，障碍物变更，可以利⽤之前的部分计算结果，离终点越远，需要重新计算的计算量越⼩。

由于项⽬场景最⾼是100*100的⽅格，A*已经⾜够，⽽且A*的路径更为优化，所以最终选择使⽤A*算法。

多车运动实现⽅法
多车运动需要考虑的问题是如何不卡死，问题类似于死锁，容易想到的算法是银⾏家算法、优先级；每量车将要⾛下⼀步之前预判是否完成任务，如果不能，停⽌分配新空间。

使⽤这个⽅法可以避免绝⼤多数情况的多车互卡的问题。

只是有两个问题：1.少数情况卡死；2.效率低，远处的阻塞也会带来⼩车等待
问题1是因为多车运动场景和死锁的场景不同，⽆论如何⼩车都会占⽤⼀定的空间，所以如果互邻的车想⾛向对⽅位置，会发⽣互卡，为了避免卡死，选择卡死时间过长会产⽣随机运动的策略避免问题。

多车运动路径规划最优解
多车运动涉及到多辆⼩车的互相影响，阻塞等情况。

如何寻找最优解。

理论上最优解只有两种可能，第⼀种是公式，直接算出，第⼆种是穷举法。

多车运动，是复杂场景，没有公式直接算出。

是需要根据当时情况随时会变化。

⽽每辆车，每⼀秒运动轨迹是（上、下、左、右、不动、取货/放置）六种可能的状态。

假设完成⼀个任务可能需要10秒，假如总共5辆车，以⼀秒为时间单位，需要穷举的可能性是6的5次⽅的10次⽅，也就是8*10的38次⽅，远远超过计算机运算能⼒，故最优解⽆法实现。

当前⼈类⾯对最优解不存在，⼜不想陷⼊局部最优，所选择的⽅法原理都⼀致：使⽤随机数。

例如：蚁群算法、退⽕算法、粒⼦算法、遗传算法还有AlphaGo使⽤的蒙特卡洛随机树，本质都是加⼊⼀定的随机数。

所以为了避免多车运动陷⼊局部最优卡死，必须引⼊随机数。

引⼊随机数带来效率问题
引⼊随机数会导致⼩车很容易发⽣随机运动，重复来回移动，影响效率。

为了增加效率⼜不能陷⼊卡死困境，所以引⼊程序逻辑，尽量避免随机运动：1.通过随机数加权（类似蒙特利尔随机树），同⼀任务⾛过的路，随机⽐重更低，有其他车路径的路，随机⽐重更低；2.通过程序逻辑设计，优先采取预设定会车策略，例如两车相向⾏驶，互相阻塞前进道路，先辆车左旋尝试避让，失败了右旋避让……预设策略都失败了，再使⽤随机防卡死设计。

交通阻塞问题-时间⽚
多车同时⾛，由于算法⼀致，容易发⽣都⾛⼀条路问题，为了避免交通拥堵，对每个⽅格做时间⽚设计，在a*算法时，对不同⽅向做⼀定的加权，拥堵路段权重更低，同时对⾛直线进⾏直线加速，⾛直线权重更⾼。