AGV小车（Automated Guided Vehicle）算法研究是一个热门且富有挑战性的课题，以下为你梳理相关要点：
路径规划算法
传统算法改进：针对传统蚁群算法在AGV小车路径规划中易陷入局部最优解、寻优能力弱的问题，有学者提出改进蚁群算法，通过优化启发因子、信息素更新方式等，提高算法的收敛速度和全局搜索能力，使其在路径规划中耗时少，且能够针对多AGV小车规划出更优路径。
融合算法创新：将人工势场法与蚁群算法融合，利用人工势场法计算量小、反应速度快、路径无碰撞等优点，结合蚁群算法的启发式信息及信息素更新优化，生成每台AGV小车的初始路径，再通过冲突解决策略避开冲突，在优化路径长度、求解速度方面均优于传统蚁群算法和蚁群优化算法。
双向搜索优化：提出基于改进启发式函数优化搜索领域的同步双向A*算法，采用动态加权法减少遍历节点过程中产生的冗余，提高搜索效率，解决AGV小车运输效率较低的问题。
调度算法
分布式AGV小车调度：涉及多台AGV小车的协同，是一个复杂的优化问题，需要综合考虑任务属性、AGV小车资源、环境约束和系统性能等因素，设计出高效、可靠的调度算法和策略，以实现AGV小车系统的整体优化运行。
考虑运输能力的调度：研究表明，AGV小车数量的不同会影响系统运输能力，进而影响单元加工时间等，在设计调度算法时需充分考虑这一因素，根据实际运输需求合理分配AGV小车任务，提高系统整体效率。
定位与避障算法
超宽带定位算法：利用超宽带技术实现对AGV小车的高精度定位，通过对室内环境信息进行描述，采用目标预测位置到障碍物区域的张角作为辅助信息对多模型跟踪算法中模型集进行更新，最后进行状态估计，具有定位准确概率高、错误估计概率低的优点。
智能避障算法：在分析AGV小车应用环境的基础上，对AGV小车全局路径规划和局部避障算法进行深入研究，提出改进蚁群算法和优化动态窗口法的智能避障路径规划算法，提高AGV小车在动态环境下的路径搜索能力和避障能力。
