1.一种农产品冷藏仓库中的AGV路径规划方法，其特征在于，包括以下步骤：(1)基于深度点云三维数据与二维激光扫描数据构建二维栅格地图；

(2)采用Gmapping算法优化二维栅格地图，得到农产品冷藏仓库环境地图；

(3)通过步骤(2)得到的环境地图，采用改进的OMA算法进行AGV车辆的全局路径规划；

所述改进的OMA算法包括采用改进的循环混沌映射初始化代替其原来的随机初始化、萤火虫扰动策略对算法最优解更新迭代优化；

(4)AGV小车通过步骤(3)得出的最佳路径进行前进，通过搭载的激光雷达检测行驶路径中是否有障碍物，有则跳至步骤(5)，无则跳至步骤(6)；

(5)采用人工势场法完成AGV小车的局部路径规划实现基础避障功能；当AGV小车靠近目标点且在目标点周围存在障碍物，出现目标不可达的状态，引入目标距离函数；当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点，额外给AGV小车施加一个吸引力，将其往虚拟终点的位置吸引；

(6)AGV小车成功将货物送达指定目标点，并通过数据平台可视化实时显示；

步骤(3)所述的改进光学显微镜算法的具体步骤为：

(31)设置光学显微镜算法的目标函数为最短时间路径并初始化相关参数：种群大小、维度大小、路径搜索空间的上界与下界；

(32)使用改进的循环混沌映射初始化方法代替原OMA算法中的随机初始化方法，其公式如下：其中，xn表示第n个混沌序列数，mod表示为取余函数

(33)根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳路径方案bestSolution；

(34)采用萤火虫扰动策略对路径更新迭代优化，降低群体陷入局部最优值的概率，提高搜索全局的能力：对于一个D维的搜索空间，设种群中萤火虫总个数，即路径搜索范围的总个数为NP，则第i只萤火虫的位置表示为Xi＝(xi1,xi2,…,xiD)；萤火虫的相对荧光亮度表示为：式中，I0是目标函数值，当I0值越大时，萤火虫的亮度越大，适应度值越优；γ为光强吸收系数，该系数随着距离的变化和传播媒介的不同而改变；rij为各萤火虫之间的距离，是个体i和j之间的欧式距离，由下式确定：萤火虫的吸引度表示为：

式中，β0表示萤火虫个体光源处的吸引度；萤火虫扰动位置的更新迭代公式如下：式中，第二项是吸引力， 和 分别表示路径当前的位置；第三项是随机化，α为步长影响因子，ε为高斯随机数，t是当前的迭代次数；对于最亮的萤火虫xb，其扰动位置为：(35)判断是否达到最大迭代次数，若未达到则OMA算法进入(33)；否则，结束运行并输出最终结果；

所述步骤(4)的实现过程如下：

通过步骤3改进的OMA算法寻优到的最佳路径，AGV小车在农产品冷藏仓库中沿着该路径行驶，通过搭载的激光雷达扫描附近的障碍物，判断是否有需要避障的步骤，如果有，则调至步骤(5)，否则将继续行驶；

步骤(5)所述采用人工势场法完成AGV小车的局部路径规划实现基础避障功能实现过程如下：在势场中AGV受到目标点的引力；随着AGV与目标点的距离变化而产生变化，当AGV与目标点越近，其所受到的引力越小，当AGV与目标点越远，其所受到的引力则越大；人工势场法的引力势场函数表达式为：其中，kattr为引力场的增益系数，用于调节AGV小车收到的引力大小；Xr为AGV小车当前2

的位置坐标；Xg为目标点的位置坐标；(Xr‑Xg) 为当前点到目标点欧氏距离的平方；

AGV小车的受到的引力为：

Fattr(Xr)＝grad(Uattr(Xr))＝‑kattr|Xr‑Xg| (12)其中，grad(Uattr(Xr))表示引力场Uattr在Xr位置的梯度，即引力场Uattr中Xr位置处势能变化最大的方向；|Xr‑Xg|为AGV小车点与目标点之间的距离；

由式(12)知，AGV小车受到的引力与到目标点的距离呈线性关系，AGV小车距离目标点越近，引力越小；

AGV小车的斥力场函数为：

其中，krep为斥力势场的系数，ρ0为障碍物斥力范围影响因子，ρ(X,X0)为AGV小车到障碍物的欧式距离，斥力势场函数的负梯度为斥力函数，表达式为：其中，grad(Urep(Xr))表示斥力场Urep在位置Xr的梯度，即斥力场Urep中Xr位置处势能变化最大的方向；ρ0为障碍物斥力范围影响因子，与AGV小车的最高速度和最高加速度有关，其关系如下：2

vmax＝2amax(ρmin+s)(15)

其中，vmax为AGV小车的最大速度；amax为AGV小车的最大加速度；ρmin为障碍物斥力范围最低影响因子；s为AGV小车与障碍物保持的安全距离；因此，当ρ0处于以下条件时，能够保证AGV小车安全：当AGV小车与障碍物距离大于ρ0时，AGV小车不受障碍物斥力影响；当AGV小车与障碍物距离小于ρ0时，AGV小车所受障碍物的斥力随着两者距离的减少而增大；AGV小车在运动轨迹受到引力场与斥力场两者的共同影响；在一般路径规划中，存在一个目标点和一个或多个障碍物，因此AGV小车受到的合势场为：Uall(Xr)＝Uattr(Xr)+∑Urep(Xr) (17)

则AGV小车在合势场中受到的合力为：

Fall(Xr)＝Fattr(Xr)+ΣFrep(Xr) (18)

AGV小车最终的运动方向是由AGV小车受到的合力与斥力共同决定，随着AGV小车位置的不断变化，其受到的合力大小与方向也在持续改变；

步骤(5)所述当AGV小车靠近目标点且在目标点周围存在障碍物，出现目标不可达的状态，引入目标距离函数，通过AGV小车与目标点的距离大小来对斥力势场大小进行限制，实现过程如下：改进后的斥力势场函数为：

其中，krep为斥力势场的系数，ρ(X,X0)为AGV小车到障碍物的欧氏距离；ρ0为障碍物斥力范围影响因子， 为AGV小车到目标点的欧氏距离，n为可调节系数；通过对改进的斥力势场函数进行求偏导后得到对应的斥力函数：其中，Frep1(Xr)和Frep2(Xr)为当AGV小车处于障碍物斥力范围时会将受到的斥力分解为两个方向的分力；Frep1(Xr)是障碍物对AGV小车排斥力方向上的力，也就是对AGV小车的排斥力；Frep2(Xr)是目标点对AGV小车引力方向上的力，也就是对AGV小车产生引力；

步骤(5)所述当AGV小车陷入局部最优解状态时在小车附近创造一个新的虚拟终点，额外给AGV小车施加一个吸引力，将其往虚拟终点的位置吸引，实现过程如下：首先设一个局部最优解的判定值为K，然后记录小车每次迭代的位置，如第n次迭代的位置为Pn，机器人第n+1次迭代的位置为Pn+1，其中n≥0，设置一个检测周期为T，每经过T次迭代便对机器人进行一次检测；检测方法为|Pn+1‑Pn|≥K时，判定为小车没有陷入局部最优解，继续向着当前目标点前进；反之当|Pn+1‑Pn|

2.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法，其特征在于，所述步骤(1)的实现过程如下：于农产品冷藏仓库中启动AGV小车，AGV车辆搭载深度相机和激光雷达开始采集地图信息，通过SLAM算法构建导航地图；直流电机驱动AGV小车完成位姿移动，将深度点云三维数据与二维激光扫描数据融合，并使用融合的数据构建二维栅格地图。

3.根据权利要求1所述的一种农产品冷藏仓库中的AGV路径规划方法，其特征在于，步骤(2)所述Gmapping算法是在RBPF_SLAM算法的基础上进行优化；RBPF_SLAM将SLAM问题分解为定位和建图两个问题，先估计出车辆路径，再在车辆路径基础上估计出环境地图；所述RBPF_SLAM建图过程分为采样、重要性权重计算、重定位、更新路标；将激光雷达数据和里程计数据输入到slam_gmapping，再调用openslam_gmapping，观测数据和已有地图是否匹配成功，成功则从改进建议分布中进行采样并计算重要性权重，否则就要从运动模型中进行采样再计算重要性权重；之后计算例子有效性Neff，判断Neff是否小于粒子有效性阈值，是则进行重采样，否则更新地图，最后通过slam_gmapping模块输出农产品冷藏仓库环境地图。

4.一种采用如权利要求1至3任一所述方法的农产品冷藏仓库中的AGV路径规划系统，其特征在于，包括数据采集和预处理模块、数据融合模块、AGV路径规划模块和数据可视化模块；

所述数据采集和预处理模块对农产品冷藏仓库中地图数据进行实时采集；并通过SLAM算法构建导航地图和Gmapping算法优化地图数据进行预处理；

所述数据融合模块将深度点云三维数据与二维激光扫描数据融合，对采集的地图数据进行局部和全局数据融合，并使用融合的数据构建二维栅格地图，提高地图信息的完整性；

所述AGV路径规划模块，利用改进的OMA算法进行AGV车辆的全局路径规划；再通过AGV小车搭载的激光雷达检测行驶路径中是否有障碍物；然后采用改进的人工势场法完成AGV小车的局部路径规划实现避障功能；实现对AGV小车的路径规划；

所述数据可视化模块，对AGV小车路径规划之后货物的送至情况通过云平台数据可视化实时显示。