为了解决 AGV 环境建模的问题，既要考虑到一般环境建模的算法问题，又要考虑 AGV 工作环境的自身特点，结合其特点给出合适的处理方法，以优化环境建模的结果。
分区路径规划算法根据栅格地图中货架的分布情况，将栅格地图分为不均等 的若干分区，并根据每个分区的货架密度来设置标识。依据分区标识，选择不同 的路径规划算法来获得该分区的短路径或者优路径。
接下来，介绍使用基于 Canopy 的 K-means 聚类算法来进行地图的分区预处理。
很多路径搜索方法鲜少考虑到场地分布情况，使得在不同环境，路径规划方法没有区分，所搜索出的路径，过于冗长曲折。使用基于 Canopy 的 K-means 聚 类算法应用于环境地图预处理，并采用分区阈值对聚类过程进行改进。
实验表明该方法达到了预期效果，并为 AGV 的安全作业提供了高效、稳妥的短避障路径选择做了地图准备。
K-means 聚类算法 K-means 聚类算法是一种典型的基于距离的排他分割算法，基本原理是： 给定K (即要构建的划分的数目)，首先创建一个初始划分，随机地选择K 个对 象，每个对象初始地代表了一个簇中心。
分别计算每个对象到簇中心的距离，将 它们分别划分到离自己距离小的簇；当簇中对象发生变化时，重新计算簇的平均值，簇中心移动，然后对对象进行重新划分。这个过程不断重复，直到簇中对象没有变化。
图中，设置 K = 3，则随机选取三个对象作为初始簇中心，接着计算每个对象距离这三个对象的距离，通过距离的比较，将每个对象划分到距离自己近的 簇中；然后重新计算每个簇中，因为对象距离簇中心的距离发生了变化，重新到 得到三个新的簇中心，再进行了一次划分，得到了终的聚类结果。
K-means 聚类大的优点是执行效率高和可伸缩性较强。但缺点也明显，包括：
(1) K值需要事先给定，有时候不知道分成几类合适。
(2) 初始中心点的选 择会影响聚类效果。这也是为什么每次进行聚类后，得到结果不同的原因。
(3) 因 为通过距离判断点的相似度进行聚类，因此 K-means 算法有一定的使用局限。当 潜在簇的形状为大小相近的近似圆形，且每个簇之间聚类较明显，K-means 聚类 结果比较理想。
Canopy 聚类算法是由Andrew McCallum、Kamal Nigam和Lyle H.Ungar提出，它能有效降低K-means算法中计算点之间距离的复杂度。
(1) 原始数据集合V ={ v i| i =1,2,...,n} ，v i 表示某一分区的一个货架向量，i 表示该分区的货架向量标号。按照一定的规则进行排序，初始距离阈值为 T1 ， T2 ， 且 T1> T2 。
(2) 在V中随机挑选一个数据向量 C j( j=1,2,..., n ) ，计算C j 与V中其他样本数据向量 v i 之间的距离d 。
若数据向量 v i满足到 C j 的距离小于 T1 ，则将其划分 到C j ， ；
若候选中心数据向量v i 满足到C m( m = 1,2,..., n) 的距离小于 T2 ，，
则将其划分到 C m。其中， C j 为 Canopy 中心点， Cm 为非 Canopy 候选中心点集 合。
(3) 重复步骤 2，直到候选中心向量名单为空，算法结束。 实现过程如图所示
从图中可以看出，通过Canopy聚类进行粗聚类后，可以得到count( Cj ) 个 聚类中心，将其作为K-means算法的输入值K，一定程度上增强了选择K值的可依据性。
再在各个粗聚类里使用K-means聚类方法进行细聚类，不同子类对象之 间不进行相似性计算比较，大大减少后续需要计算相似性的对象的个数。
