Research on Multi-Vehicle and Multi-Task Route Planning for Autonomous Delivery Robots in Parks

공원 내 자율 배달 로봇을 위한 다중 차량 및 다중 작업 경로 계획 연구

In the context of multi-vehicle and multi-task logistics distribution within a park, traditional algorithms are often hindered by high computational complexity and slow convergence rates. Particle Swarm Optimization (PSO) has gained popularity in path planning for autonomous delivery vehicles due to its straightforward algorithmic principles, broad applicability, and comprehensive search capabilities. However, the conventional PSO is susceptible to premature convergence, leading to local optima. To address this, this study incorporates the Tent map into the PSO to enhance the algorithm's global search ability and prevent premature convergence. Benchmark function tests demonstrate that the improved Particle Swarm Optimization algorithm (TPSO), as proposed in this study, exhibits faster convergence and greater accuracy.In the instance verification section, X Park was selected as an example to construct a multi-vehicle and multi-task model for the logistics distribution within the park. The TPSO algorithm proposed in this paper was used to solve the model, and finally, the superiority of the TPSO algorithm was verified through comparative simulation.

공원 내 다중 차량 및 다중 작업 물류 분배의 맥락에서 전통적인 알고리즘은 종종 높은 계산 복잡성과 느린 수렴 속도에 의해 제한된다. 입자 군집 최적화(PSO)는 그 간단한 알고리즘 원칙, 광범위한 적용 가능성, 그리고 포괄적인 검색 능력으로 인해 자율 배달 차량의 경로 계획에서 인기를 얻고 있다. 그러나 기존의 PSO는 조기 수렴에 취약하여 지역 최적해에 도달할 수 있다. 이를 해결하기 위해 본 연구는 PSO에 텐트 맵 혼돈(Tent map)을 도입하여 알고리즘의 전역 검색 능력을 향상시키고 조기 수렴을 방지하고자 하였다. 벤치마크 함수 테스트 결과, 이 글에서 제안한 개선된 입자 군집 최적화 알고리즘(TPSO)은 더 빠른 수렴과 높은 정확성을 보였다. 사례 검증 섹션에서는 X 공원을 예로 들어 공원 내 물류 분배를 위한 다중 차량 및 다중 작업 모델을 구축하였으며, 이 글에서 제안한 TPSO 알고리즘을 사용하여 모델을 해결하였고, 최종적으로 TPSO 알고리즘의 우수성을 비교 시뮬레이션을 통해 검증하였다.