苹果采摘机器人的机械臂路径规划发展现状.pdf

139 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中国科技信息 2023 年第 16 期 科技工作 始点周围方格的具体坐标及其到起始点的距离进行存储 然 后将起始点作为起点 枚举各个相邻的格子 将下一个最优 解作为下一步的起点 由于其需要对所有可达点进行完整的 遍历 每个节点都需要计算其到起点的最短路径 因此在处 理大规模图问题时会变得耗时和效率低下 此外 Dijkstra 算法还受限于地图的分辨率 路径规划速度也难以适应包 含大量障碍物和不规则形状的环境的需求 而A 算法是 Dijkstra算法的优化 能够通过启发式函数进行加速 2015 年 Wang等主要研究了基于改进A 算法的机器人运动规 划问题 提出了一种基于可变步长搜索的A 算法 在原有 算法的基础上进行了改进 与传统的A 算法不同 该算法 可以在搜索过程中动态调整搜索步长 从而提高搜索效率 然而 对于未知或动态的障碍物 该算法的适应性和有效性 仍有待探究 虽然转化可以提高计算效率 但会影响路径平 滑度 且无法满足实时要求 因此需要继续研究高纬度的规 划算法 以提高采摘机器人在三维空间中的采摘效率 概率采样算法 PRM算法是一种概率采样算法 通过建立栅格地图来 生成离散空间 然后使用相对较少的随机采样点来找到一条 合适的路径 其动态规划性能优秀 虽然在算法机理上可以 确保一定找到一条路径 但由于采样点是均匀生成的 所以 可能会使得某些狭窄区域采样点数量较少 导致该区域无 法被连接 进而导致路径搜索失败 由于采摘机器人的操作 环境通常涉及一些枝干 叶子等多种障碍物的狭窄空间 这 将严重限制PRM算法在路径规划中的应用 但随着新型算 法的不断发掘 PRM算法逐渐在自然障碍较多的环境中的 应用也得到了改善 2019年 Zou等提出了一种基于改进 PRM算法的机器臂路径规划方法 引入了一个新的 超类 概念 用于刻画机器人末端执行器与环境之间的关系 减少 了大量的计算资源和时间 通过建立环境的网格模型 并将 机器人与网格模型映射 构建了基于超类的机器人运动与环 境交互关系 进而利用PRM算法进行路径规划 能够更好 地适应复杂的工作环境 随机采样方法 RRT算法是一种随机采样算法 可用于在高维空间中 规划路径 该算法的基本思想是通过不断随机生成节点 并 连接距离最近的节点来探索搜索空间 最终形成一棵探索树 随着时间的推移 探索树不断扩展 直到找到满足条件的解 苹果采摘机器人的机械臂路径规划发展现状 颜清华 杜玉珠 李亚芹 蒲岩岩 颜清华 杜玉珠 李亚芹 蒲岩岩 佳木斯大学 机械工程学院 颜清华 2003 本科在读 从事智能农业装备方面研究 通信作者 蒲岩岩 1992 硕士 讲师 从事智能农 业装备方面研究 基金项目 黑龙江省教育厅基本科研业务费 2020 KYYWF 0264 国家级大学生创新创 业训练计划项目 202210222126 苹果是中国第一大经济水果 具有国际竞争力 随着中 国苹果产业的不断发展 苹果采摘难题也随之而来 苹果的 采摘工作约占据苹果生产工作总量的40 每亩土地的采 摘成本超过 200 元人民币 现有采摘工人数量不足 而且劳 动力成本高 这都是制约中国苹果生产的不小瓶颈 而苹果 采摘机器人的出现和应用 可以有效解决这些问题 提高采 摘效率和质量 并减少人工成本 机械臂路径规划作为机器 人运动控制技术的重要组成部分 是保证机械采摘作业高效 率的关键技术之一 对于实现苹果采摘作业的高效性 安全 性和优化性具有重要意义 针对苹果采摘作业的复杂作业环境 国内外众多学者提 出了许多机械臂路径规划算法 其主要目标是在机械臂的有 限作业范围内找到一条最优路径 以最小化时间和距离成本 并确保安全性和无碰撞性 从根本上决定了机械臂作业性能 本文按照机械臂在采摘作业时所面对的不同任务需求和环境 约束 将机械臂路径规划方法可以分为离线规划与在线规划 两类 结合国内外研究成果进行对比分析 总结得出各类路 径规划算法的适应性和局限性 并对机械臂式苹果采摘机器 人的采摘路径规划算法发展趋势做出了未来展望 基于离线规划的方法 通过离线对机械臂的路径进行规划 需要提前知道机械 臂的起点 终点和障碍物等信息 再实时地将规划好的路径 上传给机械臂执行 在机械臂的离线路径规划中 常用的算 法有 Dijkstra 算法 A 算法 PRM 算法和 RRT 算法等 其中 RRT 算法是采摘机械臂路径规划常用的算法 图搜索方法 Dijkstra算法是最早的路径规划算法之一 通过将起 中国科技信息 2023 年第 16 期 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 140 科技工作 RRT算法的特点是具有高效的随机性和扩展性 能够快速 生成可行路径 并且避免了局部最小值的问题 因此 该算 法适用于高维且复杂的机器人路径规划问题 并成为该领域 的重要研究方向之一 由于RRT算法生成路径时是基于离 散的节点 路径较为 抖动 这会导致机械臂在跟随路径 时出现不必要的震动和抖动 从而降低机械臂的控制精度和 稳定性且无法根据目标路径生成平滑和连续的控制指令 为 了解决这些问题 近年来研究者研发了许多改进算法以提高 算法的适应性 2018 年 Zhang 提出了一种改进的 RRT 算法用于机械臂自主路径规划 该算法引入回归机制和自适 应扩展机制 可减少搜索空间 提高搜索效率和路径可靠性 2020年 马慧丽等提出了RRT 改进算法用于机械臂的路 径规划 该算法通过改变父节点选择方式和引入代价函数 实现路径的渐进最优性 同时 算法引入了目标引力 减少 路径搜索的随机性 并提出自适应步长 避免陷入局部最优 2021 年 Ye 等提出了一个 AtBi RRT 算法用于移动机器人 的路径规划 该算法引入了目标重力概念和自适应系数调整 方法 克服了在高维环境下的随机性 收敛速度慢等局限性 AtBi RRT算法可以快速找到机器人的可达空间 提高移动 机器人的路径规划性能 在实验中 该算法成功地用于移动机 器人的路径规划 表现出了较高的路径规划效率和鲁棒性 表1 离线路径规划算法性能对较 算法类型 时间复杂度 和搜索速度 精度 和准确性 可扩展性 和灵活性 计算 难度 鲁棒性 和适应能力 Dijkstra 算法 低 中 低 中 中 A 算法 高 高 高 低 中 PRM 算法 中 中 高 高 高 RRT 算法 高 高 高 中 中 注 以上评估结果是从整体上对四种算法进行的评估 不同应 用场景下各算法的性能表现可能会有所不同 基于在线规划的方法 在线规划是依据当前机械臂的状态特征 如速度 加速 度等参数 根据当前的工作环境实时地规划机械臂的运动路 径 由于在线规划是一种实时性质 因此规划效果比离线规 划的要差一些 但是它可以更快地适应变化的环境 在线规 划主要包括群智能算法 人工势场算法 逆向动力学 贝叶 斯优化等 群智能算法 目前应用比较广的是群智能算法 主要包括蚁群算法 遗传算法 粒子群算法等 蚁群算法有着自组织 分布式的 特点 能够在多目标优化和动态环境中优化 蚁群算法的优 点在于它收敛速度快 实现比较简单 在苹果采摘机械臂路 径规划中 蚁群算法可以应用于多机械臂协作的路径规划 实现高效 准确的采摘任务 然而 当面对复杂果园时可能 会陷入局部最优 导致采摘效率低下 当采摘的苹果较多时 搜索空间较大 蚁群算法的计算效率会降低 同时 算法对 于大规模苹果采摘的问题 可能需要耗费大量时间和计算资 源 2017年 王江华等针对狭窄空间中机械臂的路径规划 问题 改进的算法在传统蚁群算法的概率分布 路径二次优 化 淘汰机制等方面进行了改进 增强了系统的鲁棒性 能 够有效提高机械臂在复杂环境下的适应能力 这种优化算法 为机械臂的路径规划提供了一种可行且高效的解决方案 遗 传算法适用于任务复杂 要求全局最优的情景 其搜索能力 和鲁棒性可以解决较为复杂的路径规划问题 但其存在的早 熟现象 初始种群的设置较困难 需要占用较多计算资源等 问题还需进一步优化解决 2020年 王怀江等通过建立移 动机械臂拣选路径模型 在遗传算法中采用了距离排序机制 动态保留策略 设计交叉和变异算子等改进方法 这些改进 措施不仅有利于提高算法的搜索能力和优化性能 还可以减 少算法运行时的计算量 使得算法更加高效可靠 粒子群算法 通过模拟粒子间的迭代过程 来推导出动态寻优的优化算法 具有易于实现和并行计算 收敛速度快 对初始种群的设置要 求较低的优点 而粒子群算法存在易受小范围位置影响 容易 陷入局部最优 需要对算法进行较多的调参 2021年 Cao 等提出了一种改进的多目标粒子群优化算法 其规划的路径 能够有效完成水果采摘 平均采摘时间为25 5 成功率为 96 67 验证了粒子群算法在机械臂采摘领域的有效性 表2 群智能算法性能比较 蚁群算法 遗传算法 粒子群算法 局部搜索能力 弱 强 强 全局最优性 一般 较好 较好 收敛速度 慢 较快 快 可扩展性 较强 强 较强 编程难度 高 较高 较高 计算复杂度 高 较高 一般 鲁棒性 较好 好 好 普遍应用性 普遍应用 较为普遍 一般 人工势场算法 人工势场算法在苹果采摘机械臂的路径规划中应用是在 机器人周围建模 采用人工势场作为环境描述 将吸引点苹 果作为机器人需要到达的目标点 机械臂与树枝 树叶等障 碍物进行排斥 同时考虑动态外部环境 如风力影响等调整 路径方向和速度 实现机械臂的在线路径规划 2020年 熊俊涛等针对采摘任务数量多 目标和障碍物位置随机性强 等问题提出了人工势场算法 该算法利用奖惩函数来建立目 标吸引和障碍物排斥的思想 优化路径长度并提高采摘机械 臂的运动控制精度 经过仿真测试 采摘任务成功率达到了 96 7 以上 相比于其他在线规划方法 人工势场算法的优 点是具有实时性好 适应性强和易于实现的特点 同时支持环 境信息的实时变化 能够在动态环境下调整机器人的轨迹和速 度 提高效率和准确性 但由于缺乏终止局部最优解的能力 易受噪声干扰和需要人工干预参数设置 实现难度较大 其他算法 逆向动力学 逆向动力学路径规划是机器人路径规划领域中一种较为 常用的方法 主要是在已知机器人的终点坐标和姿态的前提 下 逆向计算机器人从终点倒退到起点采取的姿态序列和动 141 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中国科技信息 2023 年第 16 期 科技工作 作序列 逆向动力学可以保证路径规划的完成性和灵活性 已经在苹果采摘机器人的研究中得到广泛应用 2018年 Kulumani等提出了一种基于逆向动力学的苹果采摘机器人 路径规划方法 利用深度摄像头获取苹果位置信息和机器人 姿态信息 然后进行逆向动力学路径规划 计算出最优路径 和动作序列 最后利用机器人臂进行采摘 能够高效 灵活的 完成路径规划 由于是对已知终点逆向计算 避免了逐帧正向 计算造成的高计算开销 同时也具有更加自由的规划空间 在 处理场景复杂 模型需求高 或者需要频繁进行路径更新的场 景中尤为有效 其缺点也显而易见 需要已知的机器人终点坐 标和姿态 在某些场景中难以满足 同时 路径规划对于起点 的连续性要求也较高 不适用于离散的起点情况 与基于启发 式算法的路径规划方法相比 其优化能力与可扩展性较差 贝叶斯优化 基于贝叶斯优化 BO 的苹果采摘机械臂路径规划的 核心思想是通过不断地更新先验分布 来寻找最优的机械臂 路径规划 BO算法主要应用于黑箱模型优化 对于目标函 数未知 复杂或噪声大等情况能够提供有效的优化策略 虽 然其具有高效性 自适应性 可并行化等优点 但采摘时需 要根据果实的分布 数量 大小 高度等因素进行决策 这 些信息通常是不完全的 不可观测到的 因此BO 算法无法 在这种条件下进行机械臂路径规划 总结展望 本文重点介绍了苹果采摘机械臂的两种路径规划 离线 规划和在线规划 并详细介绍了其包含内容与适用条件 通 过对 Dijkstra 算法 A 算法 PRM 算法和 RRT 算法等离 线路径规划的分析 综述了离线路径规划算法的工作原理 工作前预先计算机械臂采摘苹果的最佳路径 并将路径信息 存储在内存中 机械臂在进行采摘任务时 直接执行预先计 算好的路径 离线路径规划算法主要的优点在于执行速度快 不需要在任务执行的过程中进行计算 同时 由于路径信息 在预处理完成后存储在内存中 能够实现高效的调度和资源 管理 从而提高效率 但是 离线路径规划算法的缺点在于 路径规划的准确性和可靠性依赖预设的模型 只定点作业的 规范化种植果园的工作环境 且在遇到果园复杂的采摘环境 由于无事先设定好的应对方案 机械臂不能灵活应对 无法 真正满足苹果实际生产的高效采摘作业 作业适应性差 与 之相反 在线路径规划算法尤其是群智能算法与人工势场算 法能够在采摘中根据实时感知到的周围环境信息动态地计算 最佳路径 实现实时采摘作业 其优点在于能够动态地适应环 境变化 根据实际情况进行实时调整 灵活性更高 适用于复 杂的环境和场景 但是在线路径规划算法的缺点在于相对离线 算法 计算量更大 需要更强的计算能力 同时灵活性也意味 着它更容易受到噪声和冲突的影响 需要更高的调试和优化工 作 适用于较为复杂但采摘要求不高的作业生产 结合两类方 法优缺点 本文认为苹果采摘机器人的机械臂路径规划将会朝 着以下趋势发展 以便于更高效的完成苹果采摘作业 动态路径规划 以离线路径规划与在线路径规划的结合方式 首先利用 离线路径规划将最佳采摘路径存储在机器臂内部 机器臂执 行采摘任务时 基于实时感知技术不断更新外部环境 采用 在线路径规划算法重新计算出最优路径 并不断优化路径规 划和更新 最后选择效率更高的路径进行采摘 充分利用了 离线路径规划的计算效率和在线路径规划的实时性 发挥出 它们的优势 提高机器臂的采摘效率和自主感知能力 深度学习和仿生智能算法规划 深度学习算法可以通过使用神经网络 对大量的历史采 摘数据进行建模和分析 提高机器臂的感知和判断能力 从 而预测机械臂的行动轨迹 减少机械臂的误差 提高采摘的 效率和稳定性 同时搭配仿生智能算法过模仿大自然中的生 物演化机制 例如通过仿生学 蜜蜂觅食等自然现象的研究 可以更好地模拟机器臂的运动快速搜索路径规划空间 从而 找到最优的机械臂路径规划方案 与传统算法相比 深度学 习和仿生智能算法具有更好的适应性和容错性 在复杂环境 下能够更好地应对动态和不确定的因素 实现更加高效的路 径规划和运动控制 精确完成采摘任务 多臂协同规划 多机械协同路径规划技术具有灵活性高 易于部署以及 协调性高等优点 而且能够适应不同的环境 当采摘作业时 面临树枝 树叶等障碍物的遮挡 多机械臂协同规划可以借 助辅助机械臂剥开障碍物的干扰 再用采摘机械臂进行采摘 将复杂果园环境简单化 同时 多机械臂协同作业还可以通 过路径规划和协调机制 提高机械臂作业的准确性和稳定性 并支持多机械臂之间的任务分配 资源分配及协调关系 更 好地适应多样化 复杂的环境和动态变化的采摘需求 因此 多机械臂协同作业具有多任务适用 最优匹配 自由协同 更好的系统冗余度及鲁棒性等特点 未来将得到广泛应用于 果园采摘的实际场景中 提高采摘效率和效益 实现智能果 园的发展 表3 采摘作业中常用的机械臂路径规划算法 算法类型 可行性 局限性 适用作业环境 RRT 算法 设计参数少 搜索速度快 可行性高 易于其 他算法融合 存在局限性 算法节点利用率低以及容易陷 入死角 适用于不规则 未知 动态的作业 环境 智能算法 算法结构简单 适应性强 并行性好 自适应 环境变化调整动态路径规划 算法复杂度高 存在随机性 无法保证全局 最优解以及存在烦琐的调参 适用于多臂协作的定点采摘作业 人工势场算法 简单易实现 适应性与可扩展性强 实时性好 以及易于其他算法融合 容易收敛到局部最优解 路径规划的光滑性 差 易受干扰以及参数调整困难 适用于规范化种植 枝叶遮挡较少 的作业环境