几十年来，随着科学技术的不断发展，整个制造业的生产制造过程发生了明显的变化，其主要特征是生产规模的大型化以及生产过程的连续化和复杂化，原先比较简单的生产制造方式已经无法满足市场需求。20世纪80年代，WRIGHT等[1]提出了智能制造的概念，并将其定义为通过继承知识工程、制造软件系统、机器人视觉和机器人控制，针对专家知识与工人技能进行建模，进而使智能机器可以在无人干预的状态下完成小批量生产。
当前，智能制造包含智能工厂、智能产线、智能物流等关键组成部分和相应的智能制造技术，以及分布式数控(distributed numerical control, DNC)、计算机集成制造系统(computer integrated manufacturing system, CIMS)、智能仓储管理系统(intelligent warehouse management system, IWMS)等智能制造系统。1991年，日本倡导“智能制造系统IMS”国际合作研究计划，指出智能制造系统是一种贯穿制造全流程并以柔性方式集成的智能活动，是一种与智能机器有机融合的先进生产系统[2]。随着智能制造技术的飞速发展，诸多制造业已经向数字化、智能化、网络化、柔性化的智能制造模式转型升级，以提高生产效率、提升制造质量和降低制造成本。其中，3C制造业具有多品种、小批量、个性化定制以及物流频次上升速度快等特点，全球近70%的3C电子产品由中国制造，然而其90%的生产过程(工序)仍然需要人工参与完成，智能制造技术改造和升级发展空间广阔。
智能制造过程中的智慧物料传输与调度通过无线定位、物体标识追踪等技术实现生产过程中的物料派发、运输、仓储、装卸等环节的无人化、自动化和智能化。及时、准确、高效的智慧物料传输和调度是连续生产的基础和保证，在降低物料流动时间和成本同时，能够提升生产制造的整体效率和仓储利用率，实现生产制造资源的合理分配和管理，在智能制造中具有重要意义和作用。面向3C制造业，物料传输与调度应具备快速应变和提供多设备接入的能力，因此，基于AGV自动导引车的智能物料传输与调度技术能够很好地实现仓库与产线、产线与产线之间的物理和信息连接，助力3C制造车间物料传输与调度的自动化、智能化发展。
据此，本文首先简要介绍3C制造业智能制造发展现状与趋势，分析3C智能制造过程中物料传输与调度的技术要求和现状问题；然后，在总结AGV发展历程及其应用的基础上，重点探讨物料传输任务数据库、AGV路径规划、多机协同调度、动态调度管控和AGV调度管理系统等3C工厂智慧物料传输与调度关键技术；最后，对3C智能制造工厂的AGV智慧物料传输与调度技术进行总结和展望，提出5G+AIoT和高度集成化等未来发展方向与趋势，整体架构如图1所示。
1 3C行业的智能制造发展现状与趋势
1.1 3C行业简介与发展情况
3C行业是指结合计算机(computer)、通信(communication)和消费电子产品(consumer electronic)三大科技产品整合应用的资讯家电产业，常见的3C产品(也称“信息家电”)包括手机、电脑、数码相机等。20世纪90年代后期，随着互联网和电子产业的发展以及全球工业制造产业链的专业化分工，3C行业由此诞生并快速发展。在全球3C行业垂直整合和水平分工双重趋势过程中，品牌商逐渐把设计、营销和品牌管理作为其核心竞争力，而将产品制造部分外包，使得3C制造逐渐走向精细化与专业化[3]。因而，3C行业也成为国际工业制造产业链中的重要组成部分。
3C产品具有方便高效、操作简便、实用性和创新性强、智能化程度高等特点，国内外许多计算机、通信、家电等企业逐渐认识到3C产品的巨大市场，纷纷进军该领域。据统计，2019年全球3C制造业的市场规模约为13 020亿美元，随着智能手机的快速发展及其拍照、视频、网络等功能的不断强大，智能手机成为3C行业最具代表性的产品。全球知名的3C电子核心厂商(包括Apple、Huawei、Fujitsu等)均不断增加在智能手机领域的投入。2019—2022年，全球智能手机年销量为13.3亿台左右，如图2所示[4-5]，2023年销量进一步增加。近十几年来，我国3C行业也获得了快速发展和高速增长，以2021年为例，中国3C电子行业投融资金额达961.62亿元人民币，发展潜力巨大[6]。
1.2 3C行业的智能制造发展现状
1.2.1 3C智能制造工厂
近年来，随着各行业制造工厂向自动化、数字化、智能化的快速发展，3C制造工厂也加速转型。西门子安贝格电子工厂被称为最接近工业4.0的智能制造工厂，依靠各种先进技术每天可完成350次生产切换，产品组合包含约1 200种不同产品，每年要生产1 700万个Simatic组件，实现了多品种工控机的混线生产。国内的立讯精密公司自上市以来，不断提升其制造能力，从最初被动式定位的制造模式发展到如今的全自动智能超精密模块化制造。这种跨越式发展引领3C行业不断提质增效降本和持续转型升级。
1.2.2 3C智能制造产线
产线的智能化是实现工厂智能化的核心。SCHEER[7]提出了一种基于策略和经验的智能生产架构，包括设计阶段的成本估算、专家系统的使用和公司间的流程链。根据这个框架，3C智能产线的设计思路是在生产和装配的过程中，通过传感器、数控系统或射频识别(radio frequency identification, RFID)等技术自动进行生产指标、装备信息等的采集，并通过电子看板实时显示生产状态，而且生产线能够实现快速换线，适应3C产品多品种、小批量的制造特点。天马微电子股份公司的第六代柔性主动矩阵有机发光二极体面板(active matrix organic light emitting diode, AMO-LED)显示屏生产线于2020年5月18日开工，2022年9月首批显示屏下线。该产线结合5G、大数据、人工智能、工业互联网等技术，实现了产线的智能监控和智能管理，打造了一条业内先进的柔性AMOLED生产线。
1.2.3 3C智能制造关键技术
关键技术是实现智能化制造的核心基础和突破口。对于3C智能制造来说，所应用的关键技术大多与人工智能和工业大数据密切相关，包括数据采集、传输和分析技术、基于数字孪生的虚拟仿真技术、基于神经网络的人工智能技术等。智慧物料传输与调度作为智能仓储和工厂物流智能化的基础，包含物料传输和物料调度两个关键的组成部分，对应的关键技术包括云计算物料管控技术、AGV机器人自动化控制技术、工业互联网通信技术、人工智能物料调度技术等。目前我国3C智能制造技术正处于快速发展阶段，在现代传感技术、AGV机器人控制技术、自动化技术等方面已经取得初步成果，国内知名3C企业歌尔股份公司为了打造自动化、数字化的智能工厂，将RFID应用于智能仓储系统，通过数字孪生技术建立标准化、模块化的二维/三维模型，采用可视化和远程控制技术实现工厂各区域的信息采集和远程监控。
面对制造系统的日益复杂和数据的快速增长，我国的3C智能制造技术仍然存在着诸多亟待突破和解决的技术难题。为促进信息化、数字化制造，数字孪生技术已经在3C智能制造中得到了大量的应用，但如何构建制造物理空间和信息数据空间的实时映射、建立多种数字模型的关联、利用数字孪生技术实现3C智能制造多层次资源的融合等仍有待研究。随着3C智能工厂数据规模的不断扩大和数据类型的不断丰富，数据管理和安全储存的难度逐渐增加，同时，智能工厂每时每刻都存在大量传输的数据流，为防止数据流干扰，各设备之间相互设防，产生了比较严重的“数据孤岛”问题。因此，完善大数据传输、管理和分析，实现工业互联网多维融合、设备信息化互联互通等数据管理与传输技术也是3C智能制造当前的主要技术瓶颈之一。
1.2.4 3C智能制造现状小结
当前，3C智能工厂、智能产线和智能制造关键技术正在飞速发展和提升，相关技术和应用如图3所示[8]。然而，3C智能制造的应用领域和应用范围依旧具有一定的局限性。很少有企业能够实现真正意义上的智能化、无人化。西门子安贝格电子工厂也仅使生产过程的自动化率达到75%，郑州富士康的“黑灯工厂”数字化智能制造基地也仅实现了70%的自动化率。目前的智能工厂中，大多数控制系统只实现了数据采集以监测生产状态，但发现故障后无法进行自主处理，仍然需要人工进行故障修复。很多智能工厂对智能制造关键技术的应用也仅是将某一子系统应用于某一生产环节中，应用场景单一，理论基础比较弱。
1.3 3C行业的智能制造发展趋势
随着人们生活水平、消费能力的不断提升，全球3C行业市场前景广阔。由于劳动力和设施成本增加，未来3C制造业将持续向自动化、信息化、集成化、智能化方向快速发展[9]。为了更好地响应市场，解决3C产品的多样性和精密性在制造转型过程中引起的一系列问题，我国正在大力推进3C智能制造体系建设。我国3C制造业不同生产工序的智能化水平呈现不同的发展特征，前端零部件及中端模组组装工序的智能化水平较高，促使3C智能工厂和智能产线的功能更加专业和高效，种类日益丰富。
随着3C制造业智能化水平的提升和资源投入的增加，智能制造将实现3C产品制造过程的高度自主化和柔性化，适应不同的生产对象和生产环境，达到原料配送、运输调度、生产过程等生产要素的整体优化。通过5G、人工智能、信息技术和先进制造的系统深入融合，智能工厂总体性能不断升级，提升3C产品制造的复杂度和产品的精密度。智能产线中的加工设备、调度系统和数据传输将实现双向深度集成，增强产线之间在大型、复杂生产场景中实现信息交互和自我学习的能力。
2 3C制造工厂的物料传输与调度简介
2.1 3C制造工厂的物料传输与调度技术要求
3C制造工厂的物料传输与调度的基本要求是面对柔性化生产具有快速响应、精细划分产线和提高生产效率的能力，能够精准控制供应链和生产节拍，并根据实际工厂需求、产线布局及配送、仓储等特点满足相关特殊要求。在3C制造工厂中，传输的物料主要包括电子元器件及其专用材料、集成电路板等半成品以及生产组装和包装等成品。以智能手机生产为例，其产线主要包括电路板元器件表面装贴产线(surface mount technology, SMT)、主板测试、主板预加工、预组、组装、整机测试和包装7个工段，不同工段存在不同的原料、加工环境和成品，因此，对智能手机产线的物料传输和调度需要综合考虑相关工段工艺、物料等要求，主要体现在：
1) SMT、主板测试等工段的自动化程度较高，具有较为固定的生产流程，在物料传输时应确保上下料的及时性和稳定性。所需运输的物料主要是电子元器件和集成电路板，具有体积小、质量小、互换性高等特点，在运输过程中应注意速度平稳，保证上下料运送的精度。
2) 组装、包装等工段的自动化程度较低，需要较多的人工参与，生产节拍相对不够稳定，因此，在物料传输时，应依靠中央控制系统发送运输信号，保证信号接收的实时性和稳定性。
3) 各工段可能会出现加工或测试失败的不良品，工段内需将不良品回流到规定位置。进而根据是否需要对其修理或作为废料，进行合理调度并运输到指定地点。
2.2 3C制造工厂的物料传输与调度技术现状
当前，3C智能制造仍然处于发展阶段，车间和产线的整体自动化程度还不够高，智能设备和智能技术的实际应用也比较简单，因而，在物料传输与调度过程中，依旧存在人工参与较多、智能化较低等问题。
2.2.1 人工参与率较高
传统的人工物料传输、手推车物料传输和传送带物料传输依然广泛用于当前的3C制造工厂。这些物料运输方式需要消耗大量人力，效率较低且成本较高，同时，在一定程度上限制了3C智能制造工厂的环境布局和生产效率。为此，华为公司在智能工厂中提出了基于5G和人工智能(artificial intelligence, AI)的智能运维方法，如图4所示[10]。依据分层式架构，工厂中的物料调度遵循生产作业进度计划和物料需求计划，利用AGV、AMR等运输机器人进行物料运输。
2.2.2 智能化程度较低
由于目前的智能化物流系统仍然不够完善，且与实际生产工艺融合不够深入，即使采用AGV等机器人物料传输技术，现有的AGV物料传输大多仅是按照设定好的路线和固定的时间将物料送达某个目的地，物料放置和冲突调节等环节依然需要依靠人力解决。此外，当前3C制造工厂的物料传输调度方式大多采用车间中央控制系统将生产订单按照一定顺序排序后分发给每个工段，各工段的工作人员根据加工任务进行物料加工和运输排班，自动化程度较低。
富士康集团在美国建立智能工厂，其中2条产线使用了AGV自动化物流设备在备料区、产线、测试区搬运物料与成品。依据调度计划，应用潜入式AGV进行侧面取货和自主上下料，实现了2种AGV与6种料架之间的连接，完成了物流运输任务。然而，这也仅限于2条生产线的物料运输实现了部分自动化，整个工厂的物料调度与运输的整体智能化程度仍然不高。
作为物料与智能产线之间的桥梁，智能化物料传输与调度将随着3C智能制造技术的不断发展，在全自动化设备开发、人工智能与大数据应用、信息决策系统融合等方面迅速发展[11]，提升了物料传输与调度的效率和准确性，满足了3C智能工厂多样化、个性化的仓储物流作业需求，促进了车间智慧物流和3C智能工厂的快速高质量发展。
3 3C智能制造工厂基于AGV的智慧物料传输与调度
3.1 AGV的发展与应用
3.1.1 AGV的兴起与发展
AGV指能够沿着规定的路径行驶、自主导航、移动和搬运物品的运输车。AGV起源于美国，随后在欧洲和日本等国家迅速发展，典型的发展历程如图5所示。美国Basrrett电子公司在1953年开发了世界上第一辆AGV[11]。1973年之后，AGV在制造业中获得了广泛应用。随着柔性系统技术的迅速发展，欧洲Clark公司开始研发基于计算机智能控制的AGV运作系统[12]。如今，随着5G技术和人工智能技术的不断发展，AGV的自适应能力和规划能力得到了巨大提升。国际上知名的AGV厂商大多仍然来自欧美[13]，如美国Webb、Locus Robotics、法国Exotec等公司。近年来，我国AGV行业蓬勃发展，出现了沈阳新松、云南昆船、深圳优艾智合等知名企业。我国AGV市场规模增速迅猛，应用领域也从汽车、电子、纺织等工业与制造业不断辐射到医疗、服务等行业[14]。
3.1.2 AGV关键技术简介
AGV的关键技术主要包括自动导引、智能避障和协同控制3个方面。就自动导引来说，目前大多数AGV采用惯性二维码导引，AGV通过识别二维码实现工厂的位置定位。该方法比较简便、灵活，但工厂中的二维码容易损坏，导致维护成本与维护频次较高。除了二维码外，越来越多的AGV采用即时定位地图构建(simultaneous localization and mapping, SLAM)技术进行导引定位。SLAM引导不需要任何导向标记，灵活性和灵敏度都比较高，非常适用于车间物料搬运与传输，但目前SLAM的成本仍然较高。
智能避障是指AGV在动态的工厂环境中运行时，需要通过环境感知识别周围的障碍物，利用自主路线规划技术和智能控制技术进行智能避障，实现AGV的无障碍运行。常见的AGV智能避障方法是利用高精度传感器，如激光雷达、毫米波雷达等对障碍物进行识别，进而利用神经网络、PID算法和模糊推理等方法进行信息处理和AGV避障动作的控制。
协同控制解决多个AGV同时工作的任务调度、路径规划和多机协作问题。目前多数工厂采用基于调度规则、比较基础的协同控制方法，随着智能算法和人工智能技术的发展和成熟，越来越多的高效算法和先进技术将会应用到工厂和车间[15]，提升多机协同工作效率。
3.1.3 AGV在智能工厂中的应用
当前，AGV在智能工厂中的应用主要包括物料传输和柔性装配。
1) 物料传输。AGV作为运输机器人进行物料传输是最常见的应用方式，如图6所示。在智能工厂的仓储物流和产线系统中，由多个AGV组成的自动化传输系统对于提高物料运输的高效性和灵活性、降低生产成本和资源浪费等具有重要意义。
2) 柔性装配。柔性复合AGV不仅能够作为无人自动搬运车辆使用，而且可以用作可移动的装配台和加工台，如图7所示。这些AGV既能独立作业，又能准确有序地组合衔接完成装配，同时还能够对半成品进行加工或对损坏件进行检修，起到动态调节作用。目前，AGV柔性装配在轿车总装、家电生产、发动机装配、试车、机床加工等制造领域已得到一定应用。
3.1.4 AGV在3C制造工厂物料传输中的应用概述
随着3C制造业的生产模式逐渐向精细化、定制化发展，AGV在3C生产制造过程中的应用逐渐增多。目前，国内已有数十家3C制造企业布局带有AGV的自动化物流系统。例如，OPPLE[16]的物料传输和调度系统是基于蓝芯科技研发的AGV搭载深度视觉系统，可以实现精准定位、实时避障和数据监控等功能，显著提升了OPPLE智能车间的生产效率；迦智科技[17]的激光SLAM融合AGV物流智能解决方案，包括AGV调度、WCS对接和监控看板等功能，能够实现PCB贴片生产线所需的各类原料由线边仓到产线的物料自动化配送；怡丰机器人[18]设计部署的LED晶片制造车间AGV调度系统，实现车间物料的精准配送环相扣、统一调度，有序高效；极智嘉公司利用二维码AGV和激光SLAM导航AGV协同工作，实现3C制造车间线边库物料的精准管理及配送。
虽然AGV在3C制造工厂的应用越来越多，但目前仍处于快速发展阶段，诸多相关技术在不断突破、迭代和优化提升，发展潜力和空间巨大。图8所示为3C智能制造工厂中AGV的工作体系。AGV调度管理系统根据运输任务数据库生成运输任务，通过车间互联网下发给各台AGV，同时实时管理所有AGV调度和车辆状态，以提高3C智能工厂中物料传输与调度的效率和可靠性。下面围绕物料传输任务构建、AGV路径规划、多机协同调度、动态调度管控、AGV调度管理系统等方面进一步进行分析和讨论。
3.2 3C智能制造工厂的AGV物料传输任务构建
在3C智能制造工厂中，AGV所执行的物料运输动作可简单地分为取货和卸货两类，但每一次所运输的物料种类却可能大不相同，主要包括目标工段的原料、工段间的半成品以及生产成品。3C制造工厂的中央控制系统根据订单要求、加工时间、物料种类等信息调度AGV进行物料传输，因而，中央控制系统需要处理大量种类繁杂的数据和信息，若数据分散传送，则容易引起系统运行速度下降、信息丢失或传送错误，导致AGV无法收到物料传输任务或者执行错误的物料任务。为此，中央控制系统通常设置一个独立的模块空间，将物料传输任务集成为一个信息知识库。
物料传输任务信息知识库包含每个物料传输任务的加工顺序、物料种类、开始加工时间、机器序号和完成加工时间等信息与参数，并给这些信息注明了相应的标签。在对物料传输进行分配时，任务中每一项参数的标签与信息知识库的标签配对，将对应参数进行赋值(即更新数据库)，然后进行路径规划，最终将该任务的信息包和规划好的路线发送给AGV。这样既保证了中央控制系统的处理效率和数据传输的稳定性，提升了AGV接收和执行任务的精确性，又能根据任务需求改变、机器故障、任务优先级改变等紧急情况实时监测和更新信息数据库，及时改变任务标签参数和做出物料传输调整，降低突发因素对物料传输和生产过程的影响。德马科技[19]的车间AGV调度和控制系统的调度信息知识库基于系统数据库和业务数据库开发，很好地将AGV调度与生产过程有机结合。目前，该AGV调度系统已经用于华为、格力等3C制造企业的智能工厂，显著提高了AGV的运输效率，实现了任务智能分配、车辆集群调度、路径智能规划和交通智能管制等系统调度与管控。
3.3 3C智能制造工厂物料传输AGV的导引路径规划
AGV路径规划是指通过搜索和选择算法，根据预设的性能指标，在起始状态和目标状态之间寻找一条最优或近似最优的无冲突路径，其性能指标可以是最短距离路径、最短时间路径或最小耗电量路径等。合理的AGV路径规划可以提高物流效率，避免AGV之间的冲突，减少等待时间，同时提高AGV工作的可靠性和灵活性。此外，还可以根据实时的环境变化，及时调整AGV的行驶路线，使之在能够满足不同物流需求的条件下，达到减少AGV行驶距离和时间的目的。
在3C工厂基于AGV的物料传输与调度过程中，路径规划是AGV准确可靠运行的重要基础。AGV的路径规划主要由中央控制系统根据调度系统所计算的结果，按照工厂地图将AGV单位任务下的路径计算完成后，通过通信系统发送至AGV。按照对工厂环境地图信息的掌握情况，路径规划可分为全局路径规划和局部路径规划。目前，3C智能工厂的AGV路径规划主要采用基于环境信息已知的全局路径规划，还有一小部分工厂采用基于传感器信息的局部路径规划。后者的环境是未知或部分未知的，障碍物的尺寸、形状和位置等信息必须通过传感器获取。
Casun公司研发的多AGV路径规划系统是依据预先绘制的智能工厂地图进行矢量计算和路线分析，最终选择最佳路线。有较多3C智能制造工厂利用这套系统进行多AGV路径规划，如惠科电子有限公司将Casun的多AGV路径规划系统用于3C产品的半产品运输和成品入仓等生产过程，提高了运输准确性的同时降低了人工成本。苏州艾吉威机器人有限公司[20]将应用在智能工厂的AGV路径规划分为单循环路径、双循环路径和多循环路径，以更好地适应不同工厂的需求，其中多循环路径如图9所示[20]。
AGV路径规划的核心在于求解算法。高效准确的算法不仅可以快速、及时地求出AGV的运行路径，而且能够减少AGV的冲突和碰撞，增强系统的稳定性，同时，根据车间环境和任务需求的变化进行相应的调整，以适应各种情况。近年来，国内外学者广泛采用的路径规划求解方法主要包括遗传算法、A*算法、基于Petri网的方法等。
3.3.1 遗传算法
遗传算法是一种比较经典的智能优化算法。大量研究表明，遗传算法在求解离散组合优化问题时效果很好。遗传算法的核心思想为优胜劣汰，通过交叉、变异操作对个体进行筛选，将适应度高的个体组成新的群体，经过迭代，群体的适应度不断提高，最终得到最优的种群。
为了获得优良的AGV路径规划求解方法，研究人员对遗传算法不断进行了改进。刘二辉等[21]针对传统遗传算法动态路径规划易早熟的缺点，提出了一种改进遗传算法的AGV动态路径规划算法，提出了启发式变异规则和模拟退火操作方法，并开发了AGV动态路径规划仿真平台，通过实验验证了改进的遗传算法的有效性。孙波等[22]为解决遗传算法在AGV路径规划问题中早熟收敛的问题，用模拟退火法进行种群选择，利用精英策略和自整定策略改进了交叉和变异算子，通过对比实验验证了改进算法在AGV路径规划方面的有效性和优势。王辉等[23]针对遗传算法求解AGV路径规划问题时产生的早熟、收敛精度低等缺陷，将遗传算法和粒子群算法相结合，提出了一种动态自适应混合算法。该算法前期利用动态自适应策略对交叉突变的概率进行优化，后期引入自适应交叉算子和突变算子来提高全局搜索能力。GU等[24]对AGV的路径跟踪进行了研究，利用遗传算法对LQR控制器进行优化，试验结果表明，遗传算法的加入能提高系统的收敛速度和稳定性，获得更好的路径跟踪效果。
3.3.2 A*算法
A*算法是一种求解路径规划问题的启发式搜索算法。在搜索节点时，A*算法将已经搜索过的路径成本和从当前状态到目标状态的估计成本相结合，组成启发函数，能够在保证找到最短路径的情况下减少搜索节点，提高搜索效率。
A*算法及其改进算法在AGV路径规划方面获得了广泛应用。ZHANG等[25]针对A*算法会受到虚线和冗余节点影响的问题，提出了一种改进的A*算法，将路径节点中多余的拐点剔除使得路径更加平滑，实验表明该算法能够找到更短的路线和更短的转弯时间。ZHENG等[26]为了减少AGV运行路线的长度，在A*算法的代价函数中加入了角度评估成本，从而寻找拐点最小的路径，仿真结果表明大大加快了搜索速度。TANG等[27]将三次B样条曲线引入A*算法，同时删除不符合要求的节点，显著提升了AGV在转弯路径方面的稳定性，节点数减少了10%，转弯数减少了25%，转弯角减小了33.3%，总距离减少了25.5%。赵晓等[28]针对A*算法解决较大场景时存在的内存开销大、计算时间长等问题，通过筛选跳点进行扩展，直到生成最终路径，寻路速度提高了约200%。王维等[29]针对复杂室内环境下AGV路径规划存在实时性差的问题，通过对估计路径以指数加权方式进行衰减，使A*算法能够更快地接近目标点，同时对生成的路径进行五次多项式平滑，仿真结果如表1所示，可见访问节点大大减少到仅158个，时间和路径长度也分别缩短了93.8%和17.6%，极大地提高了路径规划的实时性。
| 算法 | 访问节点数 | 时间/s | 路径长度 |
|---|---|---|---|
| Dijkstra算法 | 3 110 | 406 | 131 |
| 传统A*算法 | 2 362 | 326 | 131 |
| 改进A*算法 | 158 | 20 | 108 |
3.3.3 基于Petri网的方法
Petri网是对离散并行系统的数学表示，既有严格的数学表达方式，也有直观的图形表达方式。针对AGV路径规划，Petri网能够很好地表征各类元素的逻辑状态变化情况。
HE等[30]利用Petri网解决了具有逻辑和时间约束的AGV路径规划问题。他们结合Petri网的结构特点和整数线性规划技术，利用定时Petri网络开发了一种路径规划方法，确保AGV能够及时访问所有任务区域。NISHI等[31]提出了一种Petri网分解方法，通过使用多项式时间内的最短路径算法重复生成每个子网的最优解，并在目标函数中嵌入一个惩罚函数集成在子网的派生解中，优化了半导体制造舱中的AGV路线规划。LACERDA等[32]针对多AGV系统提出了一种规则协调方法，使用Petri网络对AGV进行建模，建立了一种能够满足多AGV行为的最大限制的Petri网络，并通过示例证明了Petri网络解决多AGV系统问题的高效性。张瑞杰等[33]针对离散制造车间物料配送和废料回收效率低、成本高等问题，建立了能够描述车间资源流动状态的Petri模型以及具有Petri网特性的路径规划方法，通过实验验证了Petri网应用于离散制造车间物料传输路径规划的可行性与有效性。李圣男等[34]针对离线物流仓库的AGV路径规划问题，采用时间Petri网建立路径模型，并将其分为以单辆AGV为单位的个体，逐一分析和整合，有效降低了AGV无冲突路径方案的计算时间。
3.3.4 其他路径规划算法
近年来，很多智能算法及其改进算法也被广泛应用于AGV路径规划。RAJATIA等[35]针对AGV路线规划的问题，提出了一种半动态时间窗口约束的路径规划策略，每个路径节点的时间窗口分为空闲和占用两种状态，路径双向弧的时间窗口表示交通流信息，将该策略与Dijkstra算法结合有助于减少AGV车辆的阻塞时间。SAIDI-MEHRABAD等[36]利用一种蚁群算法求解由工厂调度和AGV无冲突路线规划组成的模型，通过13个测试结果证明了蚁群算法是一个高效的元启发式解法。MIYAMOTO等[37]提出了一种局部随机搜查方法，能够有效限制AGV和机器缓冲区的容量。ZHANG等[38]针对AGV运行工作的节能问题，提出了两阶段求解法和基于粒子群优化两种方法，利用实验证明了其在生产实际中具有较强的鲁棒性。ZHONG等[39]针对已知任务分配的AGV进行路径规划，建立了路径优化、冲突和死锁等一系列混合整数编程模型。刘国栋等[40]针对降低AGV的研发成本等问题，提出一种两阶段动态路经规划策略，通过仿真验证了其良好的柔性与鲁棒性。宋永杰等[41]提出了一种改进的双向快速扩展随机树算法(bidirectional rapidly-exploring random tree, Bi-RRT)，有效改进了传统Bi-RRT随机性大等问题。赵靖[42]针对3C制造车间多任务下的多AGV路径规划和冲突解决问题，提出了路径节点算法和加工设备通知候车2种冲突解决方法，特别是后者利用设备区域的AGV候车区进行冲突躲避，在实际测试中可以很大程度地提高有效路径的使用率。
3.4 3C智能制造工厂物料传输AGV的多机协同调度
在3C工厂物料传输中，往往都是很多台AGV同时工作、合力完成搬运任务，这时多台AGV之间的协同调度尤为重要。AGV多机协同调度是指多台AGV在一定的约束条件下(如数量、运输路线等)，共同合作完成一批货物的接送任务，以实现如空闲时间最小化，完成时间最小化等目标。在3C智能制造工厂的物料传输中，AGV多机协同调度的设计需要考虑以下几个方面：首先，要根据AGV物料传输信息知识库确定各个任务的优先级、生成时间和截止时间，以便于对其进行排序处理；其次，要明确各个任务的起始点位置和终止点位置，以便规划各任务的运输路线；然后，要了解工厂中各台AGV的信息，包括位置、数量、电池电量、工作状态等，以便合理、高效、准确地调动AGV；最后，要设置可视化界面来实时监测上述信息的动态变化，以便及时地进行状态观测和故障处理。
国内外学者针对AGV多机协同调度开展了广泛、深入的研究，付建林等[43]系统、详细地分类分析了AGV调度模型优化问题。面向3C智能制造工厂的AGV物料传输，下面从基于调度策略的分析方法、基于Agent的建模仿真方法、基于遗传算法的智能优化算法、基于神经网络的自主学习方法等方面，对3C制造场景下的AGV多机协同调度方法进行总结。
3.4.1 基于调度策略的分析方法
调度策略和规则是基于知识和经验，对任务或作业进行优先级排序和分配的一种方法，通常由多个规则组合而成。SUN等[44]针对柔性制造系统的调度问题，建立了时间Petri网模型，包含AGV运输模型和可变工艺流程模型，并在AGV运输模型中加入了一个AGV的调度策略，很好地解决了车间调度问题。DEMESURE等[45]提出了柔性制造系统中AGV的分散式运动规划和调度方法，允许每个AGV在运输物料期间更新其目标资源和地点，同时为避免碰撞冲突规划了一个假设的轨迹路线，从而实现了分散式调度。武星等[46]针对多负载AGV系统的任务调度和死锁问题，提出了一种具有任务行进时间的无死锁任务调度规则，建立以延迟率最小化和负荷不均匀度最小化为目标函数的模型，实验证明该规则具有较好的优化性能和较高计算效率。HEGER等[47]结合AGV的行驶时间和多用途特性，提出了一种基于工作场景的规则组合方法，通过不同场景的调度实验比较27种规则组合的结果，证明使用最短运输时间规则(shortest travel time, STT)、先进先出规则(first in first out, FIFO)和最小等待时间规则(least waiting time, LWT)的组合可以实现总体优化的效果。郭沛佩等[48]对柔性作业车间机床与AGV联合调度问题进行了研究，利用最短旅行时间、最低利用率和最长空闲时间等AGV调度规则和工件规则进行匹配，实验结果发现，将最短等待时间作为工件规则、最短旅行时间作为AGV调度规则能够获得最有效的调度解决方案，当采用顺序投产、批量为1、到达频率服从泊松120分布、系统应配置AGV的最佳数量为5时，系统的平均流动时间将缩短26.8%、完工时间缩短18%。
3.4.2 基于智能体的建模仿真方法
智能体是指在某一环境下能实现自主决策的个体。AGV调度系统可以视作一个多智能体系统，工作的AGV视为智能体，通过多个智能体采用合同网协议或改进的合同网协议进行协商，实现对整个AGV调度系统的智能控制。
GUO等[49]针对AGV数量增加引起的调度冲突问题，设计了一种基于多智能体系统的AGV系统架构，采用改进的Dijkstra算法计算每个AGV的无冲突路径，通过与MAS控制系统进行比较，验证了该方法在解决调度问题的有效性。BERNDT等[50]将多个AGV在智能工厂中的物料运输视作多智能体运行，以每台AGV的运行时间最小化为目标进行调度，实验结果表明，其模型具有更少的完成时间。MAYER等[51]也将智能工厂中的AGV视作多智能体系统，提出了一种分散的控制方法，作业智能体根据系统获得的物料库存数量发布任务，路径规划智能体依据任务规划出最优路径，进而由管理AGV的智能体将任务和路线派发给AGV并协调AGV工作，实验结果显示该模型和方法具有良好的可行性。POPPER等[52]针对作业车间的AGV调度问题，提出了多智能体强化学习算法，将工厂中的机床调度问题与AGV调度问题相结合，经过100个调度测试实例证明，多智能体强化学习算法的总体完成时间比其他启发式算法的总体完成时间更短。陈鸣等[53]针对传统智能体系统优化目标单一、全局性能优化效果较差等缺点，提出了一种基于信息素的多智能体动态调度策略，通过信息素减少了智能体之间的通信量，实现了全局多目标高效优化，在此基础上，蔡跃坤等[54]针对带有RFID等无线传感设备的智能工厂生产调度问题，提出了基于数据和智能体的调度方法，建立了AGV-智能体、机床-智能体等混合智能体系统(如图10所示)，发现加入混合智能体系统后，最大流经时间和平均流经时间均明显下降。
3.4.3 基于遗传算法的智能优化算法
遗传算法模拟生物进化过程与机制求解问题，具有很强的全局优化能力，因而被广泛用于AGV多机协同调度。然而，遗传算法有时也容易出现早熟或陷入局部最优解等问题，因此，在实际应用中，往往对其加以改进或与其他算法联合使用。
MOUSAVI等[55]针对柔性制造系统中的AGV调度问题，建立了兼顾AGV电池电量和最大限度减少AGV制造跨度与数量的数学模型，利用遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)相结合的GA-PSO算法进行求解，使AGV运行效率的平均值由69.4%提升至79.8%。GOLI等[56]面向制造车间中的单元制造系统的AGV调度，建立了模糊混合整数线性规划模型，开发了遗传算法与鲸鱼算法混合的优化算法，显著提升了计算效率和精度。GAO等[57]为解决柔性制造系统车间的AGV调度问题，选择运行距离和AGV能耗作为目标函数建立调度模型，提出了一种启发式的大邻域遗传算法(genetic algorithm with large neighborhood search, GA-LNS)，通过计算成本函数值，在每次迭代中将最小全局成本所对应的点插入目标点中，大幅提高了遗传算法的局部搜索能力和鲁棒性。曾亮等[58]为了提高AGV协同完成任务的效率，将遗传算法进行编码方式改进后，融入文化算法框架，对种群空间进化的较优个体进入信念空间进行进一步更新，优化了调度任务完成时间和运行速度。孟庆岩等[59]针对AGV作业调度问题，将萤火虫等数学优化算法与遗传算法融合，提出了一种新的混合萤火虫遗传组合的元启发式调度算法。
3.4.4 基于神经网络的自主学习方法
神经网络也称为人工神经网络(artificial neural network, ANN)，通过模仿生物神经元信号相互传递的方式进行学习和训练，从而获得解决问题的最优方法。神经网络被广泛用于求解车间多AGV协同调度问题。
针对如何利用交付任务信息和AGV时空信息进行AGV动态调度、从而最大限度地减少任务的延迟时间和AGV的行驶时间等问题，CHEN等[60]提出了一种包含卷积神经网络和深度确定性策略梯度深度学习架构，可以根据输入的时空状态来调整AGV的运行状态，有效降低了任务完成时间和AGV运行时间。WANG等[61]针对AGV调度问题开发了一种新型多状态调度算法，基于神经网络的行程时间预测提高算法的时间精度，在AGV利用率和任务执行时间等方面具有较大优势，并在空调产线中得到了应用验证。YAN等[62]提出了一种基于深度Q学习神经网络的交通策略训练方法，可以快速调整和决策AGV的运输计划。
3.4.5 其他优化方法
ZOU等[63]针对工作站呈矩阵式分布的制造车间中任务调度问题，建立了混合整数线性规划模型，将车间的生产时间划分为若干个连续的生产周期，开发了相应的新型人工蜂群算法及其参数，并通过真实工厂的110个实例分析验证了其方法的优越性。GONZALEZ等[64]为了解决AGV在柔性制造系统中的自主性问题，提出了一种半层次结构的自主控制策略。BOHÁCS等[65]针对工厂的运输效率问题，开发了一种考虑任务完成度和资源的物流控制方法，能够快速响应工厂任务的动态变化；VECHET等[66]针对AGV的避障问题，提出了一种融合AGV传感器数据和诊断数据的决策网络，提高了AGV运行时的避障效率，增强了智能工厂多AGV协同调度的可靠性。
3.5 3C智能制造工厂物料传输AGV的动态调度管控
根据AGV在工作过程中所接到的任务是否会出现突然变化，AGV调度可分为静态任务调度和动态任务调度。静态任务调度是指在已知调度环境和任务前提下的事前调度，相对比较稳定但缺少灵活性；动态任务调度是指在调度环境和任务存在不可预测扰动情况下的调度，灵活性较高但比较复杂。在AGV实际的工作中，任务的变化是不可避免的。LE-ANH等[67]研究并总结了动态任务下的AGV路径规划、死锁解决、车辆调度、AGV系统设计和控制框架等问题，指出AGV的动态调度管控十分必要。
目前，3C智能工厂的AGV动态调度管控大多仍然依靠人工对生产任务的重调度结果，由中央控制系统向AGV派发新的运输任务和规划路线，冲突和死锁等问题也多由人工解决。因此，开发高效、可靠、灵活的动态调度管控算法及方法具有重要意义和价值。
3.5.1 AGV任务的动态管控
任务动态管控需要根据订单的实时变化，更新AGV的信息知识库，经由通信系统发送给AGV，改变AGV的运行顺序。中央控制单元可以利用智能算法、调度规则等方法，将变化的订单任务进行合理调度后，传送给AGV的信息知识库中。SABUNCUOGLU等[68]提出了一种在线调度算法，设置了调度决策过程的层级，按照决策层级的顺序来确定合适的AGV进行任务派发。当系统状态发生变化时，需按层级进行调度。实验结果表明，算法减小了均值流时间、提高了平均迟到度。周炳海等[69]为了为解决混流装配线中AGV的动态调度问题，建立了以装配线产量和AGV物料搬运距离作为衡量指标的目标函数，在实时调度阶段利用基于知识库和逻辑混沌初始化的果蝇优化算法对神经网络模型调度规则进行改进，在最终决策阶段实现了对AGV最优调度规则的选取，具体方法流程如图11所示[69]，实验结果表明，该方法能够很好地应对动态环境的变化，有效提升了AGV的动态调度能力。
3.5.2 AGV路径的动态管控
路径动态管控是指每台AGV接收到新的运输命令时，利用神经网络、深度学习等方法重新进行路径规划、冲突避障和死锁解决等动态管理和控制。ZHONG等[70]针对AGV无冲突路径规划和综合调度问题，建立了集成路径规划、AGV调度和冲突死锁的混合整数规划模型，可在任务已知的情况下将AGV的延迟时间降到最低。NISHIDA等[71]针对动态任务调度时AGV的无冲突路线规划问题，提出了一种基于时空网络的启发式求解方法，能够在动态任务到达时将提前和迟到的损失降至最低，并将每个任务的总完成时间最小化。ALI UMAR等[72]针对AGV集成调度和无冲突路径问题，提出了一种基于混合遗传算法的路径规划方法，具有较好的可行性。XU等[73]针对AGV动态环境下的碰撞和死锁问题，提出了一种基于动态应用的协调策略，AGV在中央控制单元中记录位置点，将该位置点输入到位置点集合表示该点被占有，其他经过该点的AGV则只能选择申请备用路径点或等待，当AGV离开该条路段时，即时释放这条路段的所有位置点，能够高效解决动态环境下的死锁问题。姜辰凯等[74]提出了基于时间窗的改进Dijkstra算法，首先利用Dijkstra算法进行路径规划，然后通过计算AGV通过每个工位节点的时间窗来避免冲突，若产生冲突，则对低优先级的AGV再次进行路径规划，实现了多AGV的动态路径规划，提高了系统效率和鲁棒性。
3.6 3C智能制造工厂物料传输AGV的调度管理系统
AGV调度管理系统是集成AGV的路径规划、多机协同、动态调度等功能和子系统的中央监管系统，主要用于AGV数量较多、运输线路和场景比较复杂、运输频率较高的场景，使工厂物料传输等工作更加准确、高效、智能和便捷。在大多数智能工厂中，AGV调度管理系统作为中央控制单元的一部分，是AGV的中央监控和管理系统，可以等比例显示AGV工作区域的地图、运行线路、运行速度、电量监控等参数，也可以显示AGV任务执行统计、状态异常、远程分析等信息。
国内外学者设计和开发了多种不同的AGV调度管理系统。项卫锋[75]开发了一种AGV调度系统，用于规划AGV在特定范围内的路线，并将结果发送到任务管理模块，选取最优的结果进行物料运输；周荣军等[76]设计的AGV调度系统利用收集到的工厂设备数据和加工路线信息进行AGV调度。王智勇[77]针对多辆AGV的无冲突运行问题，开展了多AGV调度系统集成和AGV调度管理系统的工程仿真验证。王鼎[78]在对AGV软件系统进行分类和规划工作流程的基础上，开展了数据库分析和调度管理系统软件的设计。王永阳[79]针对3C车间AGV物料运输和调度过程中的充电问题，提出了组合充电规则算法，如图12所示，将AGV的充电流程分解为进站决策、充电站选择决策和出站决策，利用相应的规则通过算法集进行重组，获得AGV充电调度问题的有效解，进而构建了3C智能制造工厂的AGV充电管控系统，实现了AGV充电调度方案的快速生成与可视化。
当前，在实际应用中，AGV调度管理系统是智能工厂生产调度管理的一个子系统。例如，郑州联睿电子科技有限公司设计开发的调度系统包括数据采集层、网络传输层和应用层3个部分，能够实现全局化定位监控和实时搜查等功能，其中，运输工具导航模块就是AGV调度管理系统，以最小等待时间和最小化空车行驶时间为目标进行最优路线规划，合理安排物料的传输，实时监测AGV的位置和状态，从而确保AGV合理高效工作。
虽然目前应用AGV的3C制造企业很多，但具有自主调度系统的企业不多，能够结合生产实际系统优化和高效使用AGV调度管理系统的企业更少，因此，设计和开发AGV调度管理系统对于建设和发展3C智能制造工厂具有重要意义。
在3C智能工厂中，AGV调度管理系统也大多采用集中控制的方式，系统中包括任务管理、任务执行、AGV管理、通信管理、信息采集等模块，能够实现可视化管理。所有AGV都通过调度管理系统进行实时监控，在必要条件下能够人工介入和手动调控，以满足不同工位的物料运输需求。系统工作时，依据时间先后和任务优先级对订单下达的任务进行调度，并根据AGV的工作状态和任务优先度和物料运输条件调度不同的AGV，同时，AGV管理模块对各台AGV的状态参数(包括位置、电量、运行方式等)进行检测。通信管理模块保证AGV通过网络与调度系统保持联系，信息采集模块负责生成各个站点的调度任务清单，获取各种物料接受、送达时间等信息。
4 3C智能制造工厂物料传输与调度技术的发展趋势
目前，3C智能制造工厂中的AGV物料传输与调度智能化体系处于开发和建设阶段，自动化、智能化程度依然有待提高。例如，上下料、动态调度、冲突解决等方面还需要人力参与。随着3C制造业数字化、智能化水平的提升以及机械智能化技术的飞速发展，基于AGV的智能物料传输与调度将深度融合智能机器人、制造装备、工业大数据、物联网、人工智能、信息决策等技术[80]，朝着5G+AIoT和集成化的方向快速发展，赋能3C行业数字化、网络化、协同化智能制造。
4.1 基于5G+AIoT的AGV智慧物料传输与调度
工业4.0、物联网、5G和人工智能技术的快速发展对3C智能工厂和AGV物料传输带来了巨大影响。物联网通过条码识别、RFID、传感器等信息传感技术，实现“物”与“物”、“人”与“物”的通信和信息交互，以及对物品的智能化识别、定位与跟踪[81]。第五代通信技术(5G)具有传输时延低、终端接入量大、能力强等特点[82]。将5G网络切片化技术和边缘计算技术以及物联网系统集成技术和大数据分析技术应用于AGV智慧物流，能够很好地解决AGV智慧物流当前存在的传输信息量大、速率和准确性较低等问题，使原本碎片化的物流信息变成应用价值更高的“数据链”，实现对各种制造资源的实时定位、跟踪以及高精度智能化识别、监控、管理，为AGV智能物料传输与调度带来新的技术变革。
不少研究人员和单位正在探索将5G+AIoT技术应用于智能工厂物料传输与调度。陈建勋等[83]将5G技术应用于调度系统的数据传输，显著提升了运输效率和稳定性。张懿卿等[84]将5G的边缘计算网络切片技术应用于AGV运行系统的监控管理，实现了对AGV的实时监控。爱立信在南京建设的5G智能工厂中，AGV调度系统实现了5G网络覆盖[85]。在5G网络的高质量、低时延保障下，所有AGV都可以确保连接质量和调度效率，实现了远程控制和路径规划，从而提高了设备利用率，保障了工厂生产。TCL将5G技术运用到3C智能制造工厂的物料运输中，提出了“一键运料”的5G智慧工厂方案，在26条SMT生产线中部署了AGV和AMR，实现了物料和产品装运的一键式全流程无人化，为3C智能工厂基于5G+AIoT的AGV智慧物料传输与调度奠定了一定的技术基础[86]。三一集团、迦智科技等制造企业也通过5G+AIoT技术的支持下实现对AGV的精准管控，不仅提升了AGV单体的智能化水平，而且实现了整个物流系统的降本增效[87]。
尽管已经开展了上述探索，但5G+AIoT技术在AGV智慧物料传输与调度的应用仍处在初级阶段，依然存在一定的技术难点。5G+AIoT技术的部署实现需要依靠先进的软硬件相互结合，而国内5G芯片制造的核心技术和商用工艺尚不成熟，同时，国内芯片产业与软件、服务器等产业的协同性不足，使得数据服务器和AGV的成本较高，5G+AIoT技术的实际应用效果不够理想。随着3C智能制造业的快速发展，AIoT处理数据的规模不断扩大，对于5G数据传输的稳定性和安全性要求也不断增长，而现有的5G抗干扰算法尚未得到成熟应用，对于多台AGV接入服务器后产生的信息泄露和丢失问题不能进行有效解决，成为限制5G+AIoT技术在AGV智慧物料传输与调度应用的另一个技术难点。针对当前5G+AIoT技术面临的技术和应用难点，在发展5G切换算法和网络动态部署技术以及解决AIoT中“数据孤岛”问题的同时，需设计基于AGV智慧物料传输与调度特点的定制化改进方案，面向特定的应用场景，加强5G+AIoT技术与AGV终端设备的融合，提高数据传输的实时性和准确性，最终实现5G+AIoT技术与AGV智慧物料传输与调度的高效结合。
4.2 高度集成化的AGV智慧物料传输与调度
集成化物流(intergrated logistics, IL)的概念诞生于20世纪70年代，是指在系统中将各种物流活动集成和组合，形成一个整体，以提高物流运作效率。随着互联网和信息技术的不断发展，集成化物流逐渐成为电商、快递、仓储等行业的重要支柱。随着3C行业市场规模的不断扩大，3C智能制造工厂必须配备快速高效、准确、紧凑的物流体系，高度集成化的AGV智慧物料传输与调度必将成为发展趋势。
高度集成化的AGV智慧物料传输与调度是基于物料加工特点和物流管理模式等因素，通过信息传输技术分析和整合3C智能工厂中的物流资源，优化物料传输与调度过程及模式，实现精细化的AGV物料传输与调度管理。不仅实现多台AGV高效协同工作，也实现包括产线、供应链、销售等在内的多维协同工作，使整个物流过程更加协调和高效。为了解决产线和AGV的集成化调度问题，研究人员开发了数学规划法、启发式算法等不同方法，如表2所示[88-90]。RAHMAN等[91]针对产线平衡、任务分配和AGV物料传输相互关联的问题，提出了一种两阶段算法。算法的第一阶段是接收任务，例如加工设备的加工时间、优先级关系和数量，进而利用连续分配算法将任务分配给不同的加工设备；第二阶段采用一种AGV最短行进时间的启发式方案，并充分考虑执行任务的物料运输延迟问题；然后对两阶段的解决方案进行分析决策，获得生产线和AGV的最佳组合。仿真结果表明，两阶段算法具有较高的计算效率和计算效果。
5 结论与展望
随着互联网和电子信息产业的不断发展，3C行业的市场规模持续增长。3C制造工厂的自动化、数字化、智能化程度对其产品质量、生产效率和价格成本具有重要影响。在3C智能制造工厂中，智慧物料传输与调度是其产线和车间智能化的关键环节之一。本文在简要介绍3C智能制造发展现状和3C工厂物料传输技术现状的基础上，探讨了AGV技术的发展与应用，重点分析了3C智能制造工厂中基于AGV的物料传输与调度技术及其发展趋势。
1) 3C制造行业的自动化、数字化和智能化程度仍处于早期快速发展阶段，各种新技术、新装备和新系统不断被研发和应用，3C智能制造工厂发展潜力巨大。
2) 3C制造工厂的物料传输与调度技术仍然依靠大量人工参与，运输效率、可靠性、智能化程度较低。基于AGV技术的智慧物料传输与调度能够有效提升产线、车间和工厂的物料运输效率和智能化水平。
3) 基于AGV的智慧物料传输与调度的关键技术包括AGV任务数据库构建、路径规划、多机协同调度、动态主动调度和智能管理系统开发等，目前相关模型、算法和系统已取得了一定的研究进展和示范应用，但在生产工艺融合、快速优化决策、实时动态响应和稳定可靠运行等方面有待进一步加强。
4) 5G、人工智能、物联网和系统集成等前沿技术为AGV物料传输与调度带来了新的发展机遇，日益发展成熟的工业互联网不断实现和完善AGV设备状态监测、实时故障诊断、动态决策等重要功能，加快提升AGV物料传输和调度的智能化水平，基于5G+AIoT和高度集成化的AGV智慧物料传输与调度将成为3C智能工厂物流模式的发展趋势。
2022年版中国3C制造业发展现状深度调查分析与发展趋势研究报告
[R/OL]. [2022年家电及3C产品出海白皮书
[R/OL]. [2011—2022年全球及中国智能手机出货量增长与厂商市场份额统计
[EB/OL]. [中国
3C电子行业发展现状研究与投资前景预测报告(2022—2029年)[R/OL]. [华为智能运维解决方案白皮书
[R/OL]. [2021—2022年度中国工业应用移动机器人(AGV/AMR)产业发展研究报告
[R/OL]. [蓝芯科技助力OPPLE走进智能照明时代
[EB/OL]. [迦智AGV: 柔性破局3C行业物流智能化困境
[EB/OL]. [盐城LED晶片制造项目
[EB/OL]. [AGVS系统是智能搬运系统中控制AGV的“大脑”
[EB/OL]. [关于AGV机器人的路径规划图解
[EB/OL]. [A feedback scheme to reorder a multi-agent execution schedule by persistently optimizing a switchable action dependency graph
[EB/OL].Autonomous decision-making method of transportation process for flexible job shop scheduling problem based on reinforcement learning
[C]//Hybrid multi-objective genetic algorithms for integrated dynamic scheduling and routing of jobs and automated-guided vehicle(AGV) in flexible manufacturing systems(FMS) environment
[J]. The International Journal of Advanced Manufacturing Technology, 2015, 81(9): 2123-2141.TCL 5G 智慧工厂 “AMR一键运料” 解决方案
[EB/OL]. [G+AGV/AMR应用案例
[EB/OL]. [孙孝飞, 郭捷, 魏灿名, 等. 3C智能制造工厂的AGV智慧物料传输与调度综述[J]. 中南大学学报(自然科学版), 2025, 56(2): 514-535.
SUN Xiaofei, GUO Jie, WEI Canming, et al. Review of AGV smart material transmission and dispatching in 3C smart manufacturing factories[J]. Journal of Central South University(Science and Technology), 2025, 56(2): 514-535.