倉儲是物流行業(yè)中重要的環(huán)節(jié)，高效合理的倉儲有利于對入庫、移庫、盤點及出庫等環(huán)節(jié)進行全面控制和規(guī)范管理，從而實現物資的快速周轉流通。
     大型倉儲中心物資吞吐量每日可多達5萬單，由于物品分類繁雜、庫房數目眾多、道路情況復雜，搬運叉車駕駛員在尋找目標貨架時只能憑借記憶或路牌指引，既費時費力又極易出錯。針對這一現狀,本文提出了一種基于RFID的室內定位導航方法，通過車載射頻天線讀取地面標簽信息，建立運輸車輛與所在倉庫地圖的坐標關系，實現對車輛的實時追蹤定位，進而由車載運算終端生成最優(yōu)行駛路徑，并協同主機解決多車輛的任務分派、協同調度等問題。
1 系統結構
    系統由調度主機、車載終端和RFID模塊三個部分構成，如圖1所示。調度主機作為數據匯總中心，一方面通過Wi-Fi無線網絡與車載終端進行信息交互[1]，內容包括下行的指令下達、地圖下載以及上行的信息反饋、任務回執(zhí)等；另一方面主機作為后端MIS管理系統，對物資、員工、車輛等實體進行信息維護。
    車載終端是連接RFID模塊與主機的橋梁,其任務包括接收主機調度指令、規(guī)劃最優(yōu)路徑、控制RFID讀寫等，為駕駛員提供可視的圖形界面和便利的操作方式(如觸摸屏、語音識別)，并為可能使用到的外部器件提供充足的通信接口(如RFID常用的RS232/485、條碼掃描槍、擴展存儲器等接口)。
     RFID模塊用作倉儲傳感器網絡的核心傳感單元，通過射頻信號的空間耦合，實現讀卡器對標簽信息的采集與修改。因此RFID模塊應支持ISO18000-6b/c標準，具備完善通信協議及多標簽防沖突檢測算法。
2 地圖與定位
     根據大型倉儲中心的布局特征，本文采取了拓撲與柵格相結合的地圖構造方式[2]：將整個空間劃分為若干個以柵格地圖表示的子區(qū)域（Room），各子區(qū)域與廳廊（Hall）之間以拓撲方式連接，如圖2所示。
    此方法充分結合了柵格地圖的定位優(yōu)勢及拓撲地圖在路徑規(guī)劃上的便捷性，不僅克服了單一地圖下柵格數量過多對處理器資源過度消耗的缺點,減少了實時處理的負擔，而且通過弱化拓撲復雜度，彌補了拓撲地圖難以創(chuàng)建和維護的不足。
    圖2中,實圓點代表RFID標簽節(jié)點，8位數字表示對應節(jié)點坐標。其中包括bit[7]樓層號，bit[6]子區(qū)域號， bit[5]節(jié)點屬性(1：拓撲坐標；0：柵格坐標)，bit[4:0]坐標值。坐標以9 000為中心依據索引法[3]向四周擴散。

    車輛行駛途中定時獲取地面RFID標簽信息,當采集到如表1中坐標20 195 535時，即定位到2層廳廊(節(jié)點P)。

3 單車導航
    當車輛接收到主機下達的行駛指令后，對應車載終端以當前位置為起點，計算生成一條到達任務節(jié)點的最佳路線。其路線既要求避開障礙，又要求保證最小的行駛耗費(如時間、路程、轉彎次數等)。
    尋徑算法決定了路徑規(guī)劃的效率，不同的尋徑算法適應于不同的場合。根據物流倉庫內的貨架擺放布局不需經常更新，因此，可采用靜態(tài)地圖尋徑常用的Dijkstra或A*算法[4]。對于A*算法，通常用G(n)表示從起點s到任意定點n的實際耗費。G(n)是一個定值，但有可能找到一條從起點到節(jié)點n更近的路徑，因此有可能被更新。H(n)用于表示從任一點n到終點所耗費的期望值,因為H(n)是個估計值，所以一般值不變。由G(n)和H(n)得到節(jié)點n的估價函數如式(1)所示,它表示從起點經過定點n到達終點的耗費值估計。每次查找，算法都將檢查F(n)值最小的定點。
    
    圖3對應于圖2中Room2的柵格地圖。圖中S為起始節(jié)點，G為目標節(jié)點，假設相鄰格點間距離權重D相同，運用A*算法實現的路徑軌跡如圖中S到G間的實圓點所示，不同指向的箭頭表示A*算法的擴散方向。值得注意的是，實線邊框內的區(qū)域是查找到目標時所有遍歷過的節(jié)點，其數量明顯小于Dijsktra算法(Dijsktra算法同樣尋徑幾乎遍歷了整張網格地圖)。效率的差異即是本文采用A*算法的依據。

4 多車輛調度
    倉儲運營現場，運輸車隊可能一次性接收到大量任務，如裝載、卸貨、盤點等。如何為每輛車分配恰當的任務，調整執(zhí)行次序，使車隊在滿足一定約束條件（載貨量、總行程、時間限制等）下，最高效地完成指令目標，也即是求解車輛最優(yōu)化調度的問題VRP(Vehicle Routing Problem)[5]。
    VRP精確算法所需的計算量非常大，只適合于小規(guī)模調度。而啟發(fā)式算法如遺傳算法、模擬退火算法、禁忌搜索算法、蟻群算法等[6],可在可接受的時間限制下盡可能得到問題的最優(yōu)解。本文采用遺傳算法，不僅是因為其具有全局搜索能力,而且利用了它的隱式并行性、魯棒性強和實現簡單等優(yōu)點，極大地減少了計算時間，提高了調度效率。
    應用于運輸車隊調度的遺傳算法流程定義如下：
    (1) 初始化算法前期準備信息,包括最大使用車輛數Nv、各車輛最大載貨量Lm、各任務點坐標Pt、車輛當前所在坐標Pv以及各坐標點間距離Dij。其中由Dij由車載終端多機并行計算，并交由主機匯總。
    (2) 由任務數目與車輛數目之和確定染色體長度(ChromSize)，如取任務點A、B、C、D、E、F共6個,車輛有Vs、Vm、Ve共3輛，則ChSize=6+3=9。初始化種群規(guī)模PopSize、進化代數Ge、交叉概率Pc、變異概率Pm,隨即初始化原始種群。
    (3) 計算個體自適應度，從而確定其遺傳幾率。對于染色體x，設定其適應度函數如下：

     (5) 新種群內個體間隨機兩兩配對,以交叉概率Pc交換部分基因，從而交叉形成兩個新的個體（本文選取單點交叉算子）。
    (6) 以變異概率Pm將個體中某些基因位置對換，從而變異出一個新的個體。變異運算是產生個體的輔助方法，決定了遺傳算法的局部搜索能力，同時保持了種群的多樣性，與交叉運算相結合，實現了對空間全局與局部的同步搜索。
    (7) 循環(huán)執(zhí)行(3)~(6)步驟，直至達到進化代數Ge次為止。
    (8) 根據每次進化結果統計信息，得出算法結果。
    設定任務節(jié)點A、B、C、D、E、F及車輛Vs、Vm、Ve位置信息如圖3所示,水平與垂直方向相鄰網格距離權重為10，斜向權重為14，種群規(guī)模為10，進化代數為100，交叉概率為0.5，變異概率為0.01。對每一代適應度最高結果記錄如圖4所示，橫軸為進化代數，縱軸實線為最短距離，虛線為對應序列平均適應度。

     由圖可見，種群進化使最優(yōu)個體的適應度有降至平均的趨勢，如第21代~第30代。此外,良性進化使變異個體適應度有明顯的提升，如第10代。隨即初始化樣本在有限進化代數內達到了一定的收斂性，在第21代取得了以行駛路程為約束條件的局部最優(yōu)值382，染色體序列Ve-D-B-E-Vm-A-Vs-C-F,對應車輛規(guī)劃為：Vs負責任務C、F，車輛Vm負責任務A，Ve負責任務D、B、E。
    應用本文方法及參數在某超市現場環(huán)境下進行5次隨機測試。與傳統的人工尋路及順序執(zhí)行方式相比較，引入A*算法及遺傳算法后，節(jié)省了約60%的任務執(zhí)行時間，如表2所示。

    本文提出的基于RFID倉儲車輛的智能導航與多車輛調度方法，充分利用了RFID模塊多路采集的特性，將貨物識別功能與車輛實時定位功能集成于一體。車載終端的設計，不僅為駕駛員提供了智能的路徑規(guī)劃，而且實現了多終端對路徑距離的分布式求解，有效提升了主機對多車輛協調調度的效率，從而縮短了貨物搬運周轉時間，節(jié)約了物流倉儲成本，具有很好的應用前景。
參考文獻
[1] OKTEM R, AYDIN E, CAGILTAY N E. An indoor navigation aid designed for visually impaired people[J]. Industrial Electronisc, 2008,34.
[2] 劉俊承. 室內移動機器人定位與導航關鍵技術研究[D].中國科學院自動化研究所，2005.
[3] Lin  Weiguo, Mu Changli, TAKASE K. Path planning with  topological map built with ID tag and WEB camera[C]. Proceedings of the 2006 IEEE, June 25-28, 2006.
[4] 常青, 楊東凱, 寇艷紅,等.車輛導航定位方法及應用[M]. 北京: 機械工業(yè)出版社, 2005.
[5] 張青. 導航系統中路徑規(guī)劃的研究[D]. 武漢:武漢科技大學, 2008.
[6] 張偉, 李守智, 高峰,等.幾種智能最優(yōu)算法的比較研究[C]. Proceedings of the 24th Chinese Control Conference, Guangzhou, P.R. China July 15-18, 2005:1316-1320.