agv系统的大脑是调度算法。同样是二十台潜伏顶升agv，用不同算法，吞吐量可能相差一倍。本文不写复杂公式，而是用白话解释几种核心算法的逻辑，以及如何调参获得最佳效果。
一、路径规划：Dijkstra与AStar怎么选
Dijkstra算法会计算起点到所有节点的最短路径，适合地图节点少、需要预先计算全路径的场景。优点是保证找到全局最优，缺点是大地图下计算量大。AStar算法加入了启发函数（比如当前点到终点的直线距离），只探索有希望的方向，速度快很多。对于有几百个节点的大型工厂地图，AStar比Dijkstra快五到十倍。2026年主流agv小车厂家的调度软件默认使用AStar，但在静态路径预计算时仍会调用Dijkstra。还有一个技巧是分层路径规划：先将地图划分为区域，先规划跨区域路径，再细化区域内路径，进一步降低计算时间。对于agv叉车这种长车身，路径规划还要考虑转弯半径和内轮差，算法需要增加一个“可通行性检查”步骤。
二、交通管制：时间窗与区域锁
多车运行时必须避免碰撞。时间窗法将路径按时间片段划分，每台AGV预约未来一段时间的空间占用。例如AGV一号预约从时间十秒到十五秒占用交叉口，AGV二号只能在十五秒后通过。时间窗法的优点是精确，但需要所有AGV时间同步（误差小于一百毫秒），且计算量大。区域锁法简单粗暴：将工厂划分为若干区域，每个区域同时只能有一台AGV进入。AGV进入前申请区域锁，驶出后释放。区域锁法牺牲一些效率但实现简单，适合中等密度场景。更高级的是动态优先级区域锁，高优先级AGV可以抢占低优先级AGV的区域锁，后者主动避让。某汽车总装厂将区域锁粒度从二十米调整为五米后，通道利用率提升了百分之三十。
三、任务分配：就近原则与负载均衡的矛盾
最简单的任务分配是最近车原则：哪个AGV离取货点最近就派给谁。这会导致某些热门区域的AGV永远在忙，远处的AGV闲置。负载均衡算法会考虑每台AGV的当前任务队列长度和电量，优先派给任务少且电量充足的车。2026年主流采用混合策略：先计算每个AGV的综合成本，成本等于距离乘以权重系数再加上当前任务时间乘以另一系数。权重系数需要根据现场调优。例如在仓库密集区，距离权重可以设为一，任务时间权重设为二；在稀疏区反过来。可以使用一个模拟退火或遗传算法离线寻优最佳权重组合。
四、死锁检测与恢复策略
死锁是指多台AGV相互等待，谁也动不了。典型场景是两台AGV在交叉口面对面堵住。检测方法：每隔五秒检查一次所有AGV的状态，如果连续三秒没有任何AGV的位置变化且没有任务完成，即判定死锁。恢复策略由简到繁：策略一，让其中一台AGV后退一段距离；策略二，随机选择一台AGV取消当前任务，改道去充电；策略三，通知人工干预。好的调度系统会提前预防死锁，例如在路径规划时加入“禁止U型转弯”规则，或设置单向车道。经验值：每天超过三次死锁说明路径设计或算法参数有问题，需要调整。
五、2026年算法趋势：多智能体强化学习
传统算法依赖人工设定的规则和权重，难以适应动态变化。多智能体强化学习让每台AGV作为一个智能体，在与环境交互中自主学习最优策略。某研究机构在仿真环境中让五十台AGV学习了两百万步后，平均搬运时间比传统A算法缩短百分之二十三。但目前该技术还不太稳定，偶尔会出现策略突变。成熟的商用系统仍以传统算法为主，但加入了机器学习模块来动态调整权重参数。建议用户在招标时询问厂家是否支持在线参数自整定，这是未来五年可以落地的方向。成都蓉希智能的调度系统提供可视化调参界面，可以直接修改算法权重并实时观察效果变化。
