一种室内AGV分拣小车防冲突调度及应急避障方法

一种室内agv分拣小车防冲突调度及应急避障方法
技术领域
1.本发明属于agv小车技术领域，涉及一种室内agv分拣小车防冲突调度及应急避障方法。


背景技术：

2.目前， 电商行业的发展势不可挡，而物流又是该行业及其重要的部分，物流分拣的效率很大程度上影响着行业的发展速度。但是，实际操作中分拣中心无论是采用人工分拣，还是采用智能分拣，都会出现作业冲突、物理障碍乃至快件散落等异常情况。这就需要一套可靠且科学的分拣小车调度方法，使转运中心分拣流程更加精准高效。


技术实现要素：

3.本发明针对现有技术存在的不足，提出一种室内agv分拣小车防冲突调度及应急避障方法，该方法基于图像边缘计算在图像处理方面的应用，在货物没有掉落之前对货物掉落概率和危险半径进行预测，使受影响小车能够及时避障，并结合改进的a-star算法对小车路径进行实时调整。
4.本发明提供一种室内agv分拣小车防冲突调度及应急避障方法，包括以下步骤：步骤1、首先获取小车已装载货物表面图像、表面深度图像和路况图像，由三张图像获得货物的轮廓边缘、边缘深度、边缘交点和路面的崎岖深度；步骤2、由边缘交点获取货物零散度，由边缘深度和货物零散度得到零散度影响指标；步骤3、根据小车到下一跳结点间路径图像中的信息以及小车行驶情况，计算货物掉落指标；由货物零散度、凸包深度和货物掉落影响指标得到货物的掉落概率；步骤4、采用一种hesitating star算法的静态路网最佳路径求解方法，帮助小车选择下一跳路径并初步预防冲突；步骤5、使用一个处理方案决策函数meth，根据小车运动情况与货品掉落事件的特点，确定小车的处理方式。
5.本发明的方法首先获取小车已装载货物表面图像、表面深度图像和路况图像，由三张图像获得货物的轮廓边缘、边缘深度、边缘交点和路面的崎岖深度；由边缘交点获取货物零散度，由边缘深度和货物零散度得到零散度影响指标；使用改良过的a-star算法，根据小车相关数据得到下一跳结点；根据小车到下一跳结点间路径图像中的信息以及小车行驶情况，计算货物掉落指标；由货物零散度、凸包深度和货物掉落影响指标得到货物的掉落概率；当掉落概率达到预设掉落阈值，由零散度影响指标、凸包深度、货物掉落影响指标得到掉落半径；由掉落半径和掉落时间引导受影响小车进行避障。本发明在货物没有掉落之前对货物掉落概率和危险半径进行预测，使受影响小车能够及时避障,从而大大提高分拣流程的健壮性。
6.本发明进一步优化的技术方案如下所示：
所述步骤1中，为了保证小车对外界环境有正确认知，使用加权去雾的图像度量评估方法，处理小车及其获取信息，具体操作如下：步骤1.1、通过agv小车上方部署的球形深度相机获取小车已装载货物表面图像、表面深度图像和路况图像，进而获得小车上货物的轮廓边缘、边缘深度、边缘交点和路面的崎岖深度，其中表面图像特指货物的俯视图像；在获取图像特征的同时，也通过传感器获取小车的相应数据，相应数据包括小车的实时速度、实时加速度和行驶方向；将每100帧图像划分为一个区间记为，其中n∈{0,1，2，
……
，100}，并通过下式计算区间内各图像结构相似性指标，视觉信息保真度以及图像色差矩阵，图像色差矩阵，式中，表示已采集的各图像在不同尺度下的结构相似度参数值的加权求和，表示图像分割成若干方格后，每一行方格的色彩rgb数值的欧氏距离组成的列向量，是指图片中能够清晰读取的货物物流信息标识的比率，分别表示图像被分割后的不同方格的坐标，、、、分别表示分割后各个方格的结构相似性指标，表示每一行方格的色彩rgb数值的欧氏距离；步骤1.2、选取、以及众数区间的交集为参考点，使用加权去雾法评估每阶段图像的质量（计算加权质量评估指数），
其中，为每阶段图像的加权质量评估指数，、和均是相对权重，是相对权重，表示视觉信息保真度，即表示采集的图片中能够清晰读取的货物物流信息标识的比率；表示图像分割成若干方格后每一行方格的色彩rgb数值的欧氏距离组成的列向量，表示已采集的各图像在不同尺度下的结构相似度参数值加权求和，表示单位向量矩阵；计算得出得即加权质量评估指数，然后选取每一区间非众数区前25%的帧数作为参考序列；步骤1.3、确定参考序列以后，先对图像中边缘交点进行交点统计得到边缘交点数量，再根据边缘交点对轮廓边缘进行分割，得到无遮挡货物的第一边缘和被遮挡货物的第二边缘，并获取分割后第一边缘的长度和第二边缘的长度，根据第一边缘的长度和第二边缘的长度得到遮挡长度比（=第一边缘的长度/第二边缘的长度）；然后由第一边缘和第二边缘得到货物的裸露区域面积（货物的裸露区域面积=第一边缘的长度
×
第二边缘的长度）；获取无遮挡货物的表面面积后，根据所述裸露区域面积和所述表面面积之比得到裸露区域面积比（所述无遮挡货物的表面面积为所述无遮挡货物的俯视面面积）；所述遮挡长度比、所述裸露区域面积比和所述边缘交点数量为计算所述货物零散度做准备。
7.所述步骤2中，为了提高分拣效率，涉及到了新兴的多层agv小车（如图3所示），由所述遮挡长度比、所述裸露区域面积比、所述边缘交点数量得到所述货物零散度，具体操作如下：步骤2.1、根据所述被遮挡货物的第二边缘确定零散货物的数量；步骤2.2、根据所述轮廓边缘和所述轮廓边缘的边缘深度确定零散货物的所在层数；步骤2.3、计算所述货物零散度，其中，表示所述边缘交点的数量，表示层号为的所述零散货物的遮挡长度比，表示层号为的所述零散货物的裸露区域面积，表示所述存有零散货物的货架层
数，表示所述整个agv小车载物台货物的表面面积；步骤2.4、根据所述边缘深度和所述货物零散度得到零散度影响指标，根据各个所述零散货物的所在层数和所述货物的实际层数得到多个层数比，由所述货物零散度和所述层数比得到零散度影响指标：式中，表示层号为的零散货物的零散度影响指标，为零散货物所在的层数。
8.所述步骤3中，根据货物零散度、凸包深度和货物掉落影响指标得到货物的掉落概率，计算公式如下：其中，为货物的掉落概率，表示所述货物零散度的影响系数，表示所述货物掉落影响指标的影响系数，表示小车所携货物凸包深度，表示预设凸包安全阈值，表示所述小车所允许通过的最大凸包深度，表示所述货物掉落影响指标，表示所述货物零散度。在本发明实施例中，货物零散度的影响系数 ，货物掉落影响指标的影响系数，预设凸包安全阈值预设凸包安全阈值。
9.所述步骤3中，为了量化货物掉落的风险，提出一个计算火毒掉落概率的公式，根据小车到下一跳结点间路径图像中的信息以及小车行驶情况，计算货物掉落指标，货物掉落影响指标既考虑到了直线行驶，也考虑到了小车万向轮转体过程，具体操作如下：在直线行驶时，计算所述货物掉落影响指标：其中，表示所述直线行驶变速前的速度标准差，表示所述小车的每次原地转向的加速度标准，是物品的质量，是小车表面的静摩擦参数，为重力加速度，下车在运动中的最大加速度，是小车每次急停转向时的速度,是小车行进过程中变速点个数；在原地转弯时，计算所述货物掉落影响指标：
其中，表示所述小车弯道行驶时的实时速度， 表示所述小车弯道行驶时允许的最大速度,为小车转向角度。
10.所述步骤4中，为了最终实现对分拣小车的调度与控制，使用名为hesitating star算法的静态路网最佳路径求解方法，该算法改良了完整性机器人路径规划的常用代价函数，引入了非完整性约束，从而更加适用于agv小车这种非完整性机器人在复杂室内环境中的避障以及异常情况处理，包括：输入：环境的占用网格图、起始位置、目标位置、agv小车规格（自我车辆的运动模型）、小车路径内各格点货物掉落概率和已知障碍物的位置；输出：agv小车从给定起始位置到所需目标位置（路径）的最佳路径；以下步骤根据给定的输入创建所需的输出：（1）通过在 上定位起点、目标和障碍物位置来提供占用网格图；（2）将地图按照合理的比例尺网格化；（3）在占用网格图中，为当前节点周围的每个周围节点分配一个代价函数值，主要由与两个多项式加权（加权因数为当前结点与目标节点直线距离和初始节点与目标节点直线距离之比）求得，其中表示到达该节点的各个邻接节点中心的最低成本，是从当前节点到达目标节点的最低步长成本(图中当前节点通往目标节点的路径集合为)。通常会选择代价函数值最低的邻接结点作为后继结点：最低的邻接结点作为后继结点：最低的邻接结点作为后继结点：
式中，为可调节权重参数（可根据需要调整），为小车物品数量，为在直线行驶时计算所述货物掉落影响指标，为在原地转弯时计算所述货物掉落影响指标，为小车承载物品重量；算法直到到达目标节点停止，将得到一个当前最优路径；（4）结合agv小车自身的运动学约束，使用上述多星系算法跟随提取的航路点，调整小车移动轨迹，找到到达目标位置的最终最佳路径，使用简化的小车模型计算全局位置为 的车辆运动学模型如下：的车辆运动学模型如下：的车辆运动学模型如下：其中，分别表示小车在前、后、左、右、左前45
°
、右前45
°
、左后45
°
以及右后45
°
等8个方向的移动速率，表示所需的行驶长度，是轴距，是自我车辆的转向角,、均是动态矫正因素(为小车万向轮各方向的单位向量，为各个方向上的位移量)，分别表示小车当前位置在8个方向上的运动判定向量（若没有速度，就是0向量；若有速度，则是该方向上的单位向量），表示运动偏转角，表示离心圆半径，表示小车轴距，表示本轮迭代的偏转角，表示上一轮迭代的偏转角，表示本轮迭代的车头方向速度，表示上一轮迭代的车头方向速度，表示本轮迭代的与车头垂直方向速度，表示上一轮轮迭代的与车头垂直方向速度。
11.所述步骤4中，针对日常分拣工作中常见的小车相撞现象，根据hesitating star算法的静态路网最佳路径求解方法，提出避免小车行程冲突的动态调节机制，具体如下：步骤4.1、为环境内各小车作业设置优先级，首先计算各小车优先级参考值，
，其中，取值始终在之间，为小车承重上限，为小车承载的货物重量，为指定取货时间剩余占比，为小车当前剩余距离与接受取货指令距离之比,为小车工作状态，其中有货车为0，空车为1，为涉及冲突风险的各小车，为场地内所有小车集合；最后，将各小车按照优先级参考值排序，优先级越高的小车越优先保持原有路径；步骤4.2、计算每2*2的单位网格内，同时出现的小车之间的冲突指数，，其中，为网格冲突系数,分别为每2*2的单位网格内同时出现的各个小车俯视中心到所在小格水平边界、垂直边界的较大距离，为单位网格面积，为涉及冲突风险的各小车，为涉及冲突风险的各小车集合，为每2*2的单位网格内按原路径规划存在不同小车共存的时间，为小车车身长度， 为每2*2的单位网格内小车两两之间的相对速度矢量，是两车端点距离较近者，两车端点距离较远者；步骤4.3、判定小车运行情况严重度，如果,则说明该区域小车冲突严重，区域内除优先级最高的小车以外，一律重新规划路线，选择临近8个网格中除去本2*2单位网格以外的最佳网格作为下一跳；如果,则说明该区域小车较为拥挤，区域内除优先级前1/2（向下取整）的小车以外，一律重新规划路线，选择临近8个网格中除去本2*2单位网格以外的最佳网格作为下一跳；
如果,则无需调整区域内小车路径选择。为临近8个网格中的车辆数。
12.所述步骤4中，为了优化避免小车行程冲突的动态调解机制，提出优化小车避让过程的控制方法，具体操作如下：（1）假设小车选择避让后，以加速度做匀减速运动的行驶时间为，可得避让车辆a减速行驶过程中行驶距离为：其中，为小车收到信号至做出相应的减速操作前的反应时间及小车进行减速操作至自身开始减速的机器反应时间，表示避让车辆a的车速随时间的变化关系，为积分符号（这个积分对t积分），为车辆接收到预警信息前的车速，为车辆此刻加速度；（2）通过反应时间可以得到车辆在反应时间内以避让车辆接收到预警信息前的车速做匀速率运动时的行驶距离为：显然可得，该小车在避让过程中的位移总方向移动距离为且；（3）设小车垂直方向摆动距离为，那么其中，为小车直线位移；（4）确保小车在避让过程中不会触碰到其他小车或者障碍物，则小车垂直方向摆动距离，易得：。
13.所述步骤4中，，如果发生快件掉落的情况则需要一个异常情况处理方法，来解决掉落的快件问题，具有操作如下：（1）利用小车自带俯视深度摄像机确定掉落快件所在位置分区，令该区块
，即作障碍物标识；（2）使用一个处理方案决策函数来确定处理掉落快件的方法：式中，为掉落货物占据的网格数，为小车与掉落点的距离，为小车与目的地的距离；当小于的时候，证明掉落快件附近小车数量较少或者小车距离掉落位置更近，小车必须修改目标为快件掉落位置，并在避免小车行程冲突的动态调解机制的约束下取回快件；当大于的时候，证明掉落快件附近小车数量较多或者小车距离目标节点更近，小车选择将剩余快件送至目标节点后，再判断是否可以取回掉落快件；当在与之间的时候（包含0和1），则掉落快件的情况尚不明朗，小车可原地暂停，等待函数值发生变化，离开该区间后再进行操作。
附图说明
14.图1为本发明中agv分拣小车避障方法的流程图。
15.图2为本发明中多层托盘agv小车的示意图。
16.图3a为本发明中hesitating star算法流程图；图3b为本发明中hesitating star算法的静态路网最佳路径求解方法的流程图。
17.图4为hesitating star算法调整路径过程实例图。其中，图4a为本发明hesitating star算法中占用网格图；图4b为本发明hesitating star算法中网格化的占用网格地图；图4c为本发明hesitating star算法中当前最优路径的示意图；图4d为本发明hesitating star算法中到达目标位置的最终最佳路径的示意图。
18.图5为本发明中小车充入避免机制流程图。
具体实施方式
19.下面结合附图对本发明的技术方案做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护权限不限于下述的实施例。
20.实施例1本实施例提出一种室内agv分拣小车防冲突调度及应急避障方法，如图1和图2所示，包括以下步骤：步骤1、首先获取小车已装载货物表面图像、表面深度图像和路况图像，由三张图
像获得货物的轮廓边缘、边缘深度、边缘交点和路面的崎岖深度；步骤2、由边缘交点获取货物零散度，由边缘深度和货物零散度得到零散度影响指标；步骤3、根据小车到下一跳结点间路径图像中的信息以及小车行驶情况，计算货物掉落指标；由货物零散度、凸包深度和货物掉落影响指标得到货物的掉落概率；步骤4、采用一种hesitating star算法的静态路网最佳路径求解方法，帮助小车选择下一跳路径并初步预防冲突。具体地，当掉落概率达到预设掉落阈值，由零散度影响指标、凸包深度、货物掉落影响指标得到掉落半径；由掉落半径和掉落时间引导受影响小车进行避障。
21.步骤5、使用一个处理方案决策函数meth，根据小车运动情况与货品掉落事件的特点，确定小车的处理方式。同时，采用改良的a-star算法，根据小车相关数据得到下一跳结点。
22.其中，为了保证小车对外界环境有正确认知，使用加权去雾的图像度量评估方法，处理小车及其获取信息。具体操作如下：步骤1.1、通过agv小车上方部署的球形深度相机获取小车已装载货物表面图像、表面深度图像和路况图像，进而获得小车上货物的轮廓边缘、边缘深度、边缘交点和路面的崎岖深度。其中表面图像特指货物的俯视图像。在获取图像特征的同时，也通过传感器获取小车的相应数据，相应数据包括小车的实时速度、实时加速度和行驶方向。将每100帧图像划分为一个区间记为，其中n∈{0,1，2，
……
，100}，并计算区间内各图像结构相似性指标，视觉信息保真度以及图像色差矩阵，图像色差矩阵，式中， 表示已采集的各图像在不同尺度下的结构相似度参数值的加权求和，表示图像分割成若干方格后，每一行方格的色彩rgb数值的欧氏距离组成的列向量，是指图片中能够清晰读取的货物物流信息标识的比率，分别表示图像被分割后的不同方格的坐标，、、、分别表示分割后各个方格的结构相似性指
标，表示每一行方格的色彩rgb数值的欧氏距离。
23.步骤1.2、选取、以及众数区间的交集为参考点，使用加权去雾法评估每阶段图像的质量（计算加权质量评估指数）：其中，为每阶段图像的加权质量评估指数，、和均是相对权重，是相对权重，表示视觉信息保真度，即表示采集的图片中能够清晰读取的货物物流信息标识的比率；表示图像分割成若干方格后每一行方格的色彩rgb数值的欧氏距离组成的列向量，表示已采集的各图像在不同尺度下的结构相似度参数值加权求和，表示单位向量矩阵。
24.计算得出得即加权质量评估指数，然后选取每一区间非众数区前25%的帧数作为参考序列。
25.步骤1.3、确定参考序列以后，先对图像中边缘交点进行交点统计得到边缘交点数量；根据边缘交点对轮廓边缘进行分割，得到无遮挡货物的第一边缘和被遮挡货物的第二边缘，并获取分割后第一边缘的长度和第二边缘的长度，根据第一边缘的长度和第二边缘的长度得到遮挡长度比（=第一边缘的长度/第二边缘的长度）；由第一边缘和第二边缘得到货物的裸露区域面积（货物的裸露区域面积=第一边缘的长度
×
第二边缘的长度）；获取无遮挡货物的表面面积后，根据所述裸露区域面积和所述表面面积之比得到裸露区域面积比（所述无遮挡货物的表面面积为所述无遮挡货物的俯视面面积）；所述遮挡长度比、所述裸露区域面积比和所述边缘交点数量为计算所述货物零散度做准备。
26.为了提高分拣效率，涉及到了新兴的多层agv小车（如图3所示），由所述遮挡长度
比、所述裸露区域面积比、所述边缘交点数量得到所述货物零散度，具体操作如下：步骤2.1、根据所述被遮挡货物的第二边缘确定零散货物的数量。
27.步骤2.2、根据所述轮廓边缘和所述轮廓边缘的边缘深度确定零散货物的所在层数。
28.步骤2.3、计算所述货物零散度：其中，表示所述边缘交点的数量，表示层号为的所述零散货物的遮挡长度比，表示层号为的所述零散货物的裸露区域面积，表示所述存有零散货物的货架层数，表示所述整个agv小车载物台货物的表面面积。
29.步骤2.4、根据所述边缘深度和所述货物零散度得到零散度影响指标，包括：根据各个所述零散货物的所在层数和所述货物的实际层数得到多个层数比，由所述货物零散度和所述层数比得到零散度影响指标：式中，表示层号为的零散货物的零散度影响指标，为零散货物所在的层数。
30.根据货物零散度、凸包深度和货物掉落影响指标得到货物的掉落概率，计算公式如下：其中，为货物的掉落概率，表示所述货物零散度的影响系数，表示所述货物掉落影响指标的影响系数，表示小车所携货物凸包深度，表示预设凸包安全阈值，表示所述小车所允许通过的最大凸包深度，表示所述货物掉落影响指标，表示所述货物零散度。在本发明实施例中，货物零散度的影响系数 ，货物掉落影响指标的影响系数，预设凸包安全阈值预设凸包安全阈值。
31.为了量化货物掉落的风险，提出一个计算火毒掉落概率的公式，根据小车到下一跳结点间路径图像中的信息以及小车行驶情况，计算货物掉落指标，货物掉落影响指标既考虑到了直线行驶，也考虑到了小车万向轮转体过程，具体操作如下：
在直线行驶时，计算所述货物掉落影响指标：其中，表示所述直线行驶变速前的速度标准差，表示所述小车的每次原地转向的加速度标准，是物品的质量，是小车表面的静摩擦参数，为重力加速度，下车在运动中的最大加速度，是小车每次急停转向时的速度,是小车行进过程中变速点个数。
32.在原地转弯时，计算所述货物掉落影响指标：其中，表示所述小车弯道行驶时的实时速度， 表示所述小车弯道行驶时允许的最大速度,为小车转向角度。
33.为了最终实现对分拣小车的调度与控制，使用名为hesitating star算法的静态路网最佳路径求解方法。该算法改良了完整性机器人路径规划的常用代价函数，引入了非完整性约束，从而更加适用于agv小车这种非完整性机器人在复杂室内环境中的避障以及异常情况处理，包括：输入：环境的占用网格图、起始位置、目标位置、agv小车规格（自我车辆的运动模型）、小车路径内各格点货物掉落概率和已知障碍物的位置。
34.输出：agv小车从给定起始位置到所需目标位置（路径）的最佳路径。
35.如图3a和3b所示，以下步骤根据给定的输入创建所需的输出：（1）通过在 上定位起点、目标和障碍物位置来提供占用网格图，如图4a所示。
36.（2）将地图按照合理的比例尺网格化，本实施例将其分为6*6的网格，如图4b所示。
37.（3）在占用网格图中，为当前节点周围的每个周围节点分配一个代价函数值，主要由与两个多项式加权（加权因数为当前结点与目标节点直线距离和初始节点与目标节点直线距离之比）求得，其中表示到达该节点的各个邻接节点（8个方
向）中心的最低成本，是从当前节点到达目标节点的最低步长成本(图中当前节点通往目标节点的路径集合为)。通常会选择代价函数值最低的邻接结点作为后继结点：点：点：式中，为可调节权重参数（可根据需要调整），为小车物品数量，为在直线行驶时，计算所述货物掉落影响指标，为在原地转弯时，计算所述货物掉落影响指标，为小车承载物品重量；算法直到到达目标节点停止，将得到一个当前最优路径，如图4c所示。
38.（4）结合agv小车自身的运动学约束，使用上述多星系算法跟随提取的航路点，调整小车移动轨迹，找到到达目标位置的最终最佳路径，如图4d所示。使用简化的小车模型计算全局位置为 的车辆运动学模型如下：的车辆运动学模型如下：的车辆运动学模型如下：其中，分别表示小车在前、后、左、右、左前45
°
、右前45
°
、左后45
°
以及右后45
°
等8个方向的移动速率，表示所需的行驶长度，是轴距，是自我车辆的转向角,、均是动态矫正因素(为小车万向轮各方向的单位向量，为各个
方向上的位移量)，分别表示小车当前位置在前、后、左、右、左前45
°
、右前45
°
、左后45
°
以及右后45
°
等8个方向上的运动判定向量（若没有速度，就是0向量；若有速度，则是该方向上的单位向量），表示运动偏转角，表示离心圆半径，表示小车轴距，表示本轮迭代的偏转角，表示上一轮迭代的偏转角，表示本轮迭代的车头方向速度，表示上一轮迭代的车头方向速度，表示本轮迭代的与车头垂直方向速度，表示上一轮轮迭代的与车头垂直方向速度。
39.针对日常分拣工作中常见的小车相撞现象，根据hesitating star算法的静态路网最佳路径求解方法，提出一种避免小车行程冲突的动态调节机制，如图5所示，具体如下：步骤4.1、为环境内各小车作业设置优先级，首先计算各小车优先级参考值，，其中，取值始终在之间，为小车承重上限，为小车承载的货物重量，为指定取货时间剩余占比，为小车当前剩余距离与接受取货指令距离之比,为小车工作状态，其中有货车为0，空车为1，为涉及冲突风险的各小车，为场地内所有小车集合；最后，将各小车按照优先级参考值排序，优先级越高的小车越优先保持原有路径；步骤4.2、计算每2*2的单位网格内，同时出现的小车之间的冲突指数，，其中，为网格冲突系数,分别为每2*2的单位网格内同时出现的各个小车俯视中心到所在小格水平边界、垂直边界的较大距离，为单位网格面积，为涉及
冲突风险的各小车，为涉及冲突风险的各小车集合，为每2*2的单位网格内按原路径规划存在不同小车共存的时间，为小车车身长度， 为每2*2的单位网格内小车两两之间的相对速度矢量，是两车端点距离较近者，两车端点距离较远者；步骤4.3、判定小车运行情况严重度，如果,则说明该区域小车冲突严重，区域内除优先级最高的小车以外，一律重新规划路线，选择临近8个网格中除去本2*2单位网格以外的最佳网格作为下一跳；如果,则说明该区域小车较为拥挤，区域内除优先级前1/2（向下取整）的小车以外，一律重新规划路线，选择临近8个网格中除去本2*2单位网格以外的最佳网格作为下一跳；如果,则无需调整区域内小车路径选择。
40.为临近8个网格中车辆数量。
41.为了优化避免小车行程冲突的动态调解机制，提出优化小车避让过程的控制方法，具体操作如下：（1）假设小车选择避让后，以加速度做匀减速运动的行驶时间为，可得避让车辆a减速行驶过程中行驶距离为：其中，为小车收到信号至做出相应的减速操作前的反应时间及小车进行减速操作至自身开始减速的机器反应时间，表示避让车辆a的车速随时间的变化关系，为积分符号（这个积分对t积分），为车辆接收到预警信息前的车速，为车辆此刻加速度；（2）通过反应时间可以得到车辆在反应时间内以避让车辆接收到预警信息前的车速做匀速率运动时的行驶距离为：
显然可得，该小车在避让过程中的位移总方向移动距离为且；（3）设小车垂直方向摆动距离为，那么其中，为小车直线位移；（4）确保小车在避让过程中不会触碰到其他小车或者障碍物，则小车垂直方向摆动距离，易得：。
42.为了处理快件掉落等问题，本发明提出一种基于图像边缘计算的agv分拣小车避障方法，如果发生快件掉落的情况则需要一个异常情况处理方法，来解决掉落的快件问题，具有操作如下：（1）利用小车自带俯视深度摄像机确定掉落快件所在位置分区，令该区块，即作障碍物标识；（2）使用一个处理方案决策函数来确定处理掉落快件的方法：式中，为掉落货物占据的网格数，为小车与掉落点的距离，为小车与目的地的距离；当小于的时候，证明掉落快件附近小车数量较少或者小车距离掉落位置更近，小车必须修改目标为快件掉落位置，并在上述避免小车行程冲突的动态调解机制的约束下取回快件；当大于的时候，证明掉落快件附近小车数量较多或者小车距离目标节点更近，小车选择将剩余快件送至目标节点后，再判断是否可以取回掉落快件；当在与之间的时候（包含0和1），则掉落快件的情况尚不明朗，小车可原地暂停，等待函数值发生变化，离开该区间后再进行操作。
43.以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。