蘋果采摘機(jī)器人的機(jī)械臂路徑規(guī)劃發(fā)展現(xiàn)狀.pdf

139 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中國(guó)科技信息 2023 年第 16 期 科技工作 始點(diǎn)周圍方格的具體坐標(biāo)及其到起始點(diǎn)的距離進(jìn)行存儲(chǔ) 然 后將起始點(diǎn)作為起點(diǎn) 枚舉各個(gè)相鄰的格子 將下一個(gè)最優(yōu) 解作為下一步的起點(diǎn) 由于其需要對(duì)所有可達(dá)點(diǎn)進(jìn)行完整的 遍歷 每個(gè)節(jié)點(diǎn)都需要計(jì)算其到起點(diǎn)的最短路徑 因此在處 理大規(guī)模圖問題時(shí)會(huì)變得耗時(shí)和效率低下 此外 Dijkstra 算法還受限于地圖的分辨率 路徑規(guī)劃速度也難以適應(yīng)包 含大量障礙物和不規(guī)則形狀的環(huán)境的需求 而A 算法是 Dijkstra算法的優(yōu)化 能夠通過啟發(fā)式函數(shù)進(jìn)行加速 2015 年 Wang等主要研究了基于改進(jìn)A 算法的機(jī)器人運(yùn)動(dòng)規(guī) 劃問題 提出了一種基于可變步長(zhǎng)搜索的A 算法 在原有 算法的基礎(chǔ)上進(jìn)行了改進(jìn) 與傳統(tǒng)的A 算法不同 該算法 可以在搜索過程中動(dòng)態(tài)調(diào)整搜索步長(zhǎng) 從而提高搜索效率 然而 對(duì)于未知或動(dòng)態(tài)的障礙物 該算法的適應(yīng)性和有效性 仍有待探究 雖然轉(zhuǎn)化可以提高計(jì)算效率 但會(huì)影響路徑平 滑度 且無法滿足實(shí)時(shí)要求 因此需要繼續(xù)研究高緯度的規(guī) 劃算法 以提高采摘機(jī)器人在三維空間中的采摘效率 概率采樣算法 PRM算法是一種概率采樣算法 通過建立柵格地圖來 生成離散空間 然后使用相對(duì)較少的隨機(jī)采樣點(diǎn)來找到一條 合適的路徑 其動(dòng)態(tài)規(guī)劃性能優(yōu)秀 雖然在算法機(jī)理上可以 確保一定找到一條路徑 但由于采樣點(diǎn)是均勻生成的 所以 可能會(huì)使得某些狹窄區(qū)域采樣點(diǎn)數(shù)量較少 導(dǎo)致該區(qū)域無 法被連接 進(jìn)而導(dǎo)致路徑搜索失敗 由于采摘機(jī)器人的操作 環(huán)境通常涉及一些枝干 葉子等多種障礙物的狹窄空間 這 將嚴(yán)重限制PRM算法在路徑規(guī)劃中的應(yīng)用 但隨著新型算 法的不斷發(fā)掘 PRM算法逐漸在自然障礙較多的環(huán)境中的 應(yīng)用也得到了改善 2019年 Zou等提出了一種基于改進(jìn) PRM算法的機(jī)器臂路徑規(guī)劃方法 引入了一個(gè)新的 超類 概念 用于刻畫機(jī)器人末端執(zhí)行器與環(huán)境之間的關(guān)系 減少 了大量的計(jì)算資源和時(shí)間 通過建立環(huán)境的網(wǎng)格模型 并將 機(jī)器人與網(wǎng)格模型映射 構(gòu)建了基于超類的機(jī)器人運(yùn)動(dòng)與環(huán) 境交互關(guān)系 進(jìn)而利用PRM算法進(jìn)行路徑規(guī)劃 能夠更好 地適應(yīng)復(fù)雜的工作環(huán)境 隨機(jī)采樣方法 RRT算法是一種隨機(jī)采樣算法 可用于在高維空間中 規(guī)劃路徑 該算法的基本思想是通過不斷隨機(jī)生成節(jié)點(diǎn) 并 連接距離最近的節(jié)點(diǎn)來探索搜索空間 最終形成一棵探索樹 隨著時(shí)間的推移 探索樹不斷擴(kuò)展 直到找到滿足條件的解 蘋果采摘機(jī)器人的機(jī)械臂路徑規(guī)劃發(fā)展現(xiàn)狀 顏清華 杜玉珠 李亞芹 蒲巖巖 顏清華 杜玉珠 李亞芹 蒲巖巖 佳木斯大學(xué) 機(jī)械工程學(xué)院 顏清華 2003 本科在讀 從事智能農(nóng)業(yè)裝備方面研究 通信作者 蒲巖巖 1992 碩士 講師 從事智能農(nóng) 業(yè)裝備方面研究 基金項(xiàng)目 黑龍江省教育廳基本科研業(yè)務(wù)費(fèi) 2020 KYYWF 0264 國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng) 業(yè)訓(xùn)練計(jì)劃項(xiàng)目 202210222126 蘋果是中國(guó)第一大經(jīng)濟(jì)水果 具有國(guó)際競(jìng)爭(zhēng)力 隨著中 國(guó)蘋果產(chǎn)業(yè)的不斷發(fā)展 蘋果采摘難題也隨之而來 蘋果的 采摘工作約占據(jù)蘋果生產(chǎn)工作總量的40 每畝土地的采 摘成本超過 200 元人民幣 現(xiàn)有采摘工人數(shù)量不足 而且勞 動(dòng)力成本高 這都是制約中國(guó)蘋果生產(chǎn)的不小瓶頸 而蘋果 采摘機(jī)器人的出現(xiàn)和應(yīng)用 可以有效解決這些問題 提高采 摘效率和質(zhì)量 并減少人工成本 機(jī)械臂路徑規(guī)劃作為機(jī)器 人運(yùn)動(dòng)控制技術(shù)的重要組成部分 是保證機(jī)械采摘作業(yè)高效 率的關(guān)鍵技術(shù)之一 對(duì)于實(shí)現(xiàn)蘋果采摘作業(yè)的高效性 安全 性和優(yōu)化性具有重要意義 針對(duì)蘋果采摘作業(yè)的復(fù)雜作業(yè)環(huán)境 國(guó)內(nèi)外眾多學(xué)者提 出了許多機(jī)械臂路徑規(guī)劃算法 其主要目標(biāo)是在機(jī)械臂的有 限作業(yè)范圍內(nèi)找到一條最優(yōu)路徑 以最小化時(shí)間和距離成本 并確保安全性和無碰撞性 從根本上決定了機(jī)械臂作業(yè)性能 本文按照機(jī)械臂在采摘作業(yè)時(shí)所面對(duì)的不同任務(wù)需求和環(huán)境 約束 將機(jī)械臂路徑規(guī)劃方法可以分為離線規(guī)劃與在線規(guī)劃 兩類 結(jié)合國(guó)內(nèi)外研究成果進(jìn)行對(duì)比分析 總結(jié)得出各類路 徑規(guī)劃算法的適應(yīng)性和局限性 并對(duì)機(jī)械臂式蘋果采摘機(jī)器 人的采摘路徑規(guī)劃算法發(fā)展趨勢(shì)做出了未來展望 基于離線規(guī)劃的方法 通過離線對(duì)機(jī)械臂的路徑進(jìn)行規(guī)劃 需要提前知道機(jī)械 臂的起點(diǎn) 終點(diǎn)和障礙物等信息 再實(shí)時(shí)地將規(guī)劃好的路徑 上傳給機(jī)械臂執(zhí)行 在機(jī)械臂的離線路徑規(guī)劃中 常用的算 法有 Dijkstra 算法 A 算法 PRM 算法和 RRT 算法等 其中 RRT 算法是采摘機(jī)械臂路徑規(guī)劃常用的算法 圖搜索方法 Dijkstra算法是最早的路徑規(guī)劃算法之一 通過將起 中國(guó)科技信息 2023 年第 16 期 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 140 科技工作 RRT算法的特點(diǎn)是具有高效的隨機(jī)性和擴(kuò)展性 能夠快速 生成可行路徑 并且避免了局部最小值的問題 因此 該算 法適用于高維且復(fù)雜的機(jī)器人路徑規(guī)劃問題 并成為該領(lǐng)域 的重要研究方向之一 由于RRT算法生成路徑時(shí)是基于離 散的節(jié)點(diǎn) 路徑較為 抖動(dòng) 這會(huì)導(dǎo)致機(jī)械臂在跟隨路徑 時(shí)出現(xiàn)不必要的震動(dòng)和抖動(dòng) 從而降低機(jī)械臂的控制精度和 穩(wěn)定性且無法根據(jù)目標(biāo)路徑生成平滑和連續(xù)的控制指令 為 了解決這些問題 近年來研究者研發(fā)了許多改進(jìn)算法以提高 算法的適應(yīng)性 2018 年 Zhang 提出了一種改進(jìn)的 RRT 算法用于機(jī)械臂自主路徑規(guī)劃 該算法引入回歸機(jī)制和自適 應(yīng)擴(kuò)展機(jī)制 可減少搜索空間 提高搜索效率和路徑可靠性 2020年 馬慧麗等提出了RRT 改進(jìn)算法用于機(jī)械臂的路 徑規(guī)劃 該算法通過改變父節(jié)點(diǎn)選擇方式和引入代價(jià)函數(shù) 實(shí)現(xiàn)路徑的漸進(jìn)最優(yōu)性 同時(shí) 算法引入了目標(biāo)引力 減少 路徑搜索的隨機(jī)性 并提出自適應(yīng)步長(zhǎng) 避免陷入局部最優(yōu) 2021 年 Ye 等提出了一個(gè) AtBi RRT 算法用于移動(dòng)機(jī)器人 的路徑規(guī)劃 該算法引入了目標(biāo)重力概念和自適應(yīng)系數(shù)調(diào)整 方法 克服了在高維環(huán)境下的隨機(jī)性 收斂速度慢等局限性 AtBi RRT算法可以快速找到機(jī)器人的可達(dá)空間 提高移動(dòng) 機(jī)器人的路徑規(guī)劃性能 在實(shí)驗(yàn)中 該算法成功地用于移動(dòng)機(jī) 器人的路徑規(guī)劃 表現(xiàn)出了較高的路徑規(guī)劃效率和魯棒性 表1 離線路徑規(guī)劃算法性能對(duì)較 算法類型 時(shí)間復(fù)雜度 和搜索速度 精度 和準(zhǔn)確性 可擴(kuò)展性 和靈活性 計(jì)算 難度 魯棒性 和適應(yīng)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 以上評(píng)估結(jié)果是從整體上對(duì)四種算法進(jìn)行的評(píng)估 不同應(yīng) 用場(chǎng)景下各算法的性能表現(xiàn)可能會(huì)有所不同 基于在線規(guī)劃的方法 在線規(guī)劃是依據(jù)當(dāng)前機(jī)械臂的狀態(tài)特征 如速度 加速 度等參數(shù) 根據(jù)當(dāng)前的工作環(huán)境實(shí)時(shí)地規(guī)劃?rùn)C(jī)械臂的運(yùn)動(dòng)路 徑 由于在線規(guī)劃是一種實(shí)時(shí)性質(zhì) 因此規(guī)劃效果比離線規(guī) 劃的要差一些 但是它可以更快地適應(yīng)變化的環(huán)境 在線規(guī) 劃主要包括群智能算法 人工勢(shì)場(chǎng)算法 逆向動(dòng)力學(xué) 貝葉 斯優(yōu)化等 群智能算法 目前應(yīng)用比較廣的是群智能算法 主要包括蟻群算法 遺傳算法 粒子群算法等 蟻群算法有著自組織 分布式的 特點(diǎn) 能夠在多目標(biāo)優(yōu)化和動(dòng)態(tài)環(huán)境中優(yōu)化 蟻群算法的優(yōu) 點(diǎn)在于它收斂速度快 實(shí)現(xiàn)比較簡(jiǎn)單 在蘋果采摘機(jī)械臂路 徑規(guī)劃中 蟻群算法可以應(yīng)用于多機(jī)械臂協(xié)作的路徑規(guī)劃 實(shí)現(xiàn)高效 準(zhǔn)確的采摘任務(wù) 然而 當(dāng)面對(duì)復(fù)雜果園時(shí)可能 會(huì)陷入局部最優(yōu) 導(dǎo)致采摘效率低下 當(dāng)采摘的蘋果較多時(shí) 搜索空間較大 蟻群算法的計(jì)算效率會(huì)降低 同時(shí) 算法對(duì) 于大規(guī)模蘋果采摘的問題 可能需要耗費(fèi)大量時(shí)間和計(jì)算資 源 2017年 王江華等針對(duì)狹窄空間中機(jī)械臂的路徑規(guī)劃 問題 改進(jìn)的算法在傳統(tǒng)蟻群算法的概率分布 路徑二次優(yōu) 化 淘汰機(jī)制等方面進(jìn)行了改進(jìn) 增強(qiáng)了系統(tǒng)的魯棒性 能 夠有效提高機(jī)械臂在復(fù)雜環(huán)境下的適應(yīng)能力 這種優(yōu)化算法 為機(jī)械臂的路徑規(guī)劃提供了一種可行且高效的解決方案 遺 傳算法適用于任務(wù)復(fù)雜 要求全局最優(yōu)的情景 其搜索能力 和魯棒性可以解決較為復(fù)雜的路徑規(guī)劃問題 但其存在的早 熟現(xiàn)象 初始種群的設(shè)置較困難 需要占用較多計(jì)算資源等 問題還需進(jìn)一步優(yōu)化解決 2020年 王懷江等通過建立移 動(dòng)機(jī)械臂揀選路徑模型 在遺傳算法中采用了距離排序機(jī)制 動(dòng)態(tài)保留策略 設(shè)計(jì)交叉和變異算子等改進(jìn)方法 這些改進(jìn) 措施不僅有利于提高算法的搜索能力和優(yōu)化性能 還可以減 少算法運(yùn)行時(shí)的計(jì)算量 使得算法更加高效可靠 粒子群算法 通過模擬粒子間的迭代過程 來推導(dǎo)出動(dòng)態(tài)尋優(yōu)的優(yōu)化算法 具有易于實(shí)現(xiàn)和并行計(jì)算 收斂速度快 對(duì)初始種群的設(shè)置要 求較低的優(yōu)點(diǎn) 而粒子群算法存在易受小范圍位置影響 容易 陷入局部最優(yōu) 需要對(duì)算法進(jìn)行較多的調(diào)參 2021年 Cao 等提出了一種改進(jìn)的多目標(biāo)粒子群優(yōu)化算法 其規(guī)劃的路徑 能夠有效完成水果采摘 平均采摘時(shí)間為25 5 成功率為 96 67 驗(yàn)證了粒子群算法在機(jī)械臂采摘領(lǐng)域的有效性 表2 群智能算法性能比較 蟻群算法 遺傳算法 粒子群算法 局部搜索能力 弱 強(qiáng) 強(qiáng) 全局最優(yōu)性 一般 較好 較好 收斂速度 慢 較快 快 可擴(kuò)展性 較強(qiáng) 強(qiáng) 較強(qiáng) 編程難度 高 較高 較高 計(jì)算復(fù)雜度 高 較高 一般 魯棒性 較好 好 好 普遍應(yīng)用性 普遍應(yīng)用 較為普遍 一般 人工勢(shì)場(chǎng)算法 人工勢(shì)場(chǎng)算法在蘋果采摘機(jī)械臂的路徑規(guī)劃中應(yīng)用是在 機(jī)器人周圍建模 采用人工勢(shì)場(chǎng)作為環(huán)境描述 將吸引點(diǎn)蘋 果作為機(jī)器人需要到達(dá)的目標(biāo)點(diǎn) 機(jī)械臂與樹枝 樹葉等障 礙物進(jìn)行排斥 同時(shí)考慮動(dòng)態(tài)外部環(huán)境 如風(fēng)力影響等調(diào)整 路徑方向和速度 實(shí)現(xiàn)機(jī)械臂的在線路徑規(guī)劃 2020年 熊俊濤等針對(duì)采摘任務(wù)數(shù)量多 目標(biāo)和障礙物位置隨機(jī)性強(qiáng) 等問題提出了人工勢(shì)場(chǎng)算法 該算法利用獎(jiǎng)懲函數(shù)來建立目 標(biāo)吸引和障礙物排斥的思想 優(yōu)化路徑長(zhǎng)度并提高采摘機(jī)械 臂的運(yùn)動(dòng)控制精度 經(jīng)過仿真測(cè)試 采摘任務(wù)成功率達(dá)到了 96 7 以上 相比于其他在線規(guī)劃方法 人工勢(shì)場(chǎng)算法的優(yōu) 點(diǎn)是具有實(shí)時(shí)性好 適應(yīng)性強(qiáng)和易于實(shí)現(xiàn)的特點(diǎn) 同時(shí)支持環(huán) 境信息的實(shí)時(shí)變化 能夠在動(dòng)態(tài)環(huán)境下調(diào)整機(jī)器人的軌跡和速 度 提高效率和準(zhǔn)確性 但由于缺乏終止局部最優(yōu)解的能力 易受噪聲干擾和需要人工干預(yù)參數(shù)設(shè)置 實(shí)現(xiàn)難度較大 其他算法 逆向動(dòng)力學(xué) 逆向動(dòng)力學(xué)路徑規(guī)劃是機(jī)器人路徑規(guī)劃領(lǐng)域中一種較為 常用的方法 主要是在已知機(jī)器人的終點(diǎn)坐標(biāo)和姿態(tài)的前提 下 逆向計(jì)算機(jī)器人從終點(diǎn)倒退到起點(diǎn)采取的姿態(tài)序列和動(dòng) 141 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中國(guó)科技信息 2023 年第 16 期 科技工作 作序列 逆向動(dòng)力學(xué)可以保證路徑規(guī)劃的完成性和靈活性 已經(jīng)在蘋果采摘機(jī)器人的研究中得到廣泛應(yīng)用 2018年 Kulumani等提出了一種基于逆向動(dòng)力學(xué)的蘋果采摘機(jī)器人 路徑規(guī)劃方法 利用深度攝像頭獲取蘋果位置信息和機(jī)器人 姿態(tài)信息 然后進(jìn)行逆向動(dòng)力學(xué)路徑規(guī)劃 計(jì)算出最優(yōu)路徑 和動(dòng)作序列 最后利用機(jī)器人臂進(jìn)行采摘 能夠高效 靈活的 完成路徑規(guī)劃 由于是對(duì)已知終點(diǎn)逆向計(jì)算 避免了逐幀正向 計(jì)算造成的高計(jì)算開銷 同時(shí)也具有更加自由的規(guī)劃空間 在 處理場(chǎng)景復(fù)雜 模型需求高 或者需要頻繁進(jìn)行路徑更新的場(chǎng) 景中尤為有效 其缺點(diǎn)也顯而易見 需要已知的機(jī)器人終點(diǎn)坐 標(biāo)和姿態(tài) 在某些場(chǎng)景中難以滿足 同時(shí) 路徑規(guī)劃對(duì)于起點(diǎn) 的連續(xù)性要求也較高 不適用于離散的起點(diǎn)情況 與基于啟發(fā) 式算法的路徑規(guī)劃方法相比 其優(yōu)化能力與可擴(kuò)展性較差 貝葉斯優(yōu)化 基于貝葉斯優(yōu)化 BO 的蘋果采摘機(jī)械臂路徑規(guī)劃的 核心思想是通過不斷地更新先驗(yàn)分布 來尋找最優(yōu)的機(jī)械臂 路徑規(guī)劃 BO算法主要應(yīng)用于黑箱模型優(yōu)化 對(duì)于目標(biāo)函 數(shù)未知 復(fù)雜或噪聲大等情況能夠提供有效的優(yōu)化策略 雖 然其具有高效性 自適應(yīng)性 可并行化等優(yōu)點(diǎn) 但采摘時(shí)需 要根據(jù)果實(shí)的分布 數(shù)量 大小 高度等因素進(jìn)行決策 這 些信息通常是不完全的 不可觀測(cè)到的 因此BO 算法無法 在這種條件下進(jìn)行機(jī)械臂路徑規(guī)劃 總結(jié)展望 本文重點(diǎn)介紹了蘋果采摘機(jī)械臂的兩種路徑規(guī)劃 離線 規(guī)劃和在線規(guī)劃 并詳細(xì)介紹了其包含內(nèi)容與適用條件 通 過對(duì) Dijkstra 算法 A 算法 PRM 算法和 RRT 算法等離 線路徑規(guī)劃的分析 綜述了離線路徑規(guī)劃算法的工作原理 工作前預(yù)先計(jì)算機(jī)械臂采摘蘋果的最佳路徑 并將路徑信息 存儲(chǔ)在內(nèi)存中 機(jī)械臂在進(jìn)行采摘任務(wù)時(shí) 直接執(zhí)行預(yù)先計(jì) 算好的路徑 離線路徑規(guī)劃算法主要的優(yōu)點(diǎn)在于執(zhí)行速度快 不需要在任務(wù)執(zhí)行的過程中進(jìn)行計(jì)算 同時(shí) 由于路徑信息 在預(yù)處理完成后存儲(chǔ)在內(nèi)存中 能夠?qū)崿F(xiàn)高效的調(diào)度和資源 管理 從而提高效率 但是 離線路徑規(guī)劃算法的缺點(diǎn)在于 路徑規(guī)劃的準(zhǔn)確性和可靠性依賴預(yù)設(shè)的模型 只定點(diǎn)作業(yè)的 規(guī)范化種植果園的工作環(huán)境 且在遇到果園復(fù)雜的采摘環(huán)境 由于無事先設(shè)定好的應(yīng)對(duì)方案 機(jī)械臂不能靈活應(yīng)對(duì) 無法 真正滿足蘋果實(shí)際生產(chǎn)的高效采摘作業(yè) 作業(yè)適應(yīng)性差 與 之相反 在線路徑規(guī)劃算法尤其是群智能算法與人工勢(shì)場(chǎng)算 法能夠在采摘中根據(jù)實(shí)時(shí)感知到的周圍環(huán)境信息動(dòng)態(tài)地計(jì)算 最佳路徑 實(shí)現(xiàn)實(shí)時(shí)采摘作業(yè) 其優(yōu)點(diǎn)在于能夠動(dòng)態(tài)地適應(yīng)環(huán) 境變化 根據(jù)實(shí)際情況進(jìn)行實(shí)時(shí)調(diào)整 靈活性更高 適用于復(fù) 雜的環(huán)境和場(chǎng)景 但是在線路徑規(guī)劃算法的缺點(diǎn)在于相對(duì)離線 算法 計(jì)算量更大 需要更強(qiáng)的計(jì)算能力 同時(shí)靈活性也意味 著它更容易受到噪聲和沖突的影響 需要更高的調(diào)試和優(yōu)化工 作 適用于較為復(fù)雜但采摘要求不高的作業(yè)生產(chǎn) 結(jié)合兩類方 法優(yōu)缺點(diǎn) 本文認(rèn)為蘋果采摘機(jī)器人的機(jī)械臂路徑規(guī)劃將會(huì)朝 著以下趨勢(shì)發(fā)展 以便于更高效的完成蘋果采摘作業(yè) 動(dòng)態(tài)路徑規(guī)劃 以離線路徑規(guī)劃與在線路徑規(guī)劃的結(jié)合方式 首先利用 離線路徑規(guī)劃將最佳采摘路徑存儲(chǔ)在機(jī)器臂內(nèi)部 機(jī)器臂執(zhí) 行采摘任務(wù)時(shí) 基于實(shí)時(shí)感知技術(shù)不斷更新外部環(huán)境 采用 在線路徑規(guī)劃算法重新計(jì)算出最優(yōu)路徑 并不斷優(yōu)化路徑規(guī) 劃和更新 最后選擇效率更高的路徑進(jìn)行采摘 充分利用了 離線路徑規(guī)劃的計(jì)算效率和在線路徑規(guī)劃的實(shí)時(shí)性 發(fā)揮出 它們的優(yōu)勢(shì) 提高機(jī)器臂的采摘效率和自主感知能力 深度學(xué)習(xí)和仿生智能算法規(guī)劃 深度學(xué)習(xí)算法可以通過使用神經(jīng)網(wǎng)絡(luò) 對(duì)大量的歷史采 摘數(shù)據(jù)進(jìn)行建模和分析 提高機(jī)器臂的感知和判斷能力 從 而預(yù)測(cè)機(jī)械臂的行動(dòng)軌跡 減少機(jī)械臂的誤差 提高采摘的 效率和穩(wěn)定性 同時(shí)搭配仿生智能算法過模仿大自然中的生 物演化機(jī)制 例如通過仿生學(xué) 蜜蜂覓食等自然現(xiàn)象的研究 可以更好地模擬機(jī)器臂的運(yùn)動(dòng)快速搜索路徑規(guī)劃空間 從而 找到最優(yōu)的機(jī)械臂路徑規(guī)劃方案 與傳統(tǒng)算法相比 深度學(xué) 習(xí)和仿生智能算法具有更好的適應(yīng)性和容錯(cuò)性 在復(fù)雜環(huán)境 下能夠更好地應(yīng)對(duì)動(dòng)態(tài)和不確定的因素 實(shí)現(xiàn)更加高效的路 徑規(guī)劃和運(yùn)動(dòng)控制 精確完成采摘任務(wù) 多臂協(xié)同規(guī)劃 多機(jī)械協(xié)同路徑規(guī)劃技術(shù)具有靈活性高 易于部署以及 協(xié)調(diào)性高等優(yōu)點(diǎn) 而且能夠適應(yīng)不同的環(huán)境 當(dāng)采摘作業(yè)時(shí) 面臨樹枝 樹葉等障礙物的遮擋 多機(jī)械臂協(xié)同規(guī)劃可以借 助輔助機(jī)械臂剝開障礙物的干擾 再用采摘機(jī)械臂進(jìn)行采摘 將復(fù)雜果園環(huán)境簡(jiǎn)單化 同時(shí) 多機(jī)械臂協(xié)同作業(yè)還可以通 過路徑規(guī)劃和協(xié)調(diào)機(jī)制 提高機(jī)械臂作業(yè)的準(zhǔn)確性和穩(wěn)定性 并支持多機(jī)械臂之間的任務(wù)分配 資源分配及協(xié)調(diào)關(guān)系 更 好地適應(yīng)多樣化 復(fù)雜的環(huán)境和動(dòng)態(tài)變化的采摘需求 因此 多機(jī)械臂協(xié)同作業(yè)具有多任務(wù)適用 最優(yōu)匹配 自由協(xié)同 更好的系統(tǒng)冗余度及魯棒性等特點(diǎn) 未來將得到廣泛應(yīng)用于 果園采摘的實(shí)際場(chǎng)景中 提高采摘效率和效益 實(shí)現(xiàn)智能果 園的發(fā)展 表3 采摘作業(yè)中常用的機(jī)械臂路徑規(guī)劃算法 算法類型 可行性 局限性 適用作業(yè)環(huán)境 RRT 算法 設(shè)計(jì)參數(shù)少 搜索速度快 可行性高 易于其 他算法融合 存在局限性 算法節(jié)點(diǎn)利用率低以及容易陷 入死角 適用于不規(guī)則 未知 動(dòng)態(tài)的作業(yè) 環(huán)境 智能算法 算法結(jié)構(gòu)簡(jiǎn)單 適應(yīng)性強(qiáng) 并行性好 自適應(yīng) 環(huán)境變化調(diào)整動(dòng)態(tài)路徑規(guī)劃 算法復(fù)雜度高 存在隨機(jī)性 無法保證全局 最優(yōu)解以及存在煩瑣的調(diào)參 適用于多臂協(xié)作的定點(diǎn)采摘作業(yè) 人工勢(shì)場(chǎng)算法 簡(jiǎn)單易實(shí)現(xiàn) 適應(yīng)性與可擴(kuò)展性強(qiáng) 實(shí)時(shí)性好 以及易于其他算法融合 容易收斂到局部最優(yōu)解 路徑規(guī)劃的光滑性 差 易受干擾以及參數(shù)調(diào)整困難 適用于規(guī)范化種植 枝葉遮擋較少 的作業(yè)環(huán)境