石志剛，梅松，邵毅帆，萬(wàn)如，宋志禹，謝銘露，李燕

(1.寧夏農(nóng)林科學(xué)院枸杞工程技術(shù)研究所，銀川市，750002；2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所，南京市，210014；3.南京理工大學(xué)機(jī)械工程學(xué)院，南京市，210094；4.泰興市知識(shí)產(chǎn)權(quán)服務(wù)中心，江蘇泰興，225400)

0 引言

據(jù)估計(jì)，2050年世界總?cè)丝趯⑦_(dá)到90億，當(dāng)前農(nóng)業(yè)活動(dòng)受限于生產(chǎn)效率而無(wú)法顯著提升。為提升生產(chǎn)效率，在過(guò)去幾十年中機(jī)械化和自動(dòng)化生產(chǎn)模式已廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)中，一批多領(lǐng)域?qū)Ｓ弥悄苻r(nóng)業(yè)機(jī)器被開(kāi)發(fā)，針對(duì)不斷提高農(nóng)業(yè)機(jī)械的生產(chǎn)效率以滿足日益增長(zhǎng)的農(nóng)業(yè)生產(chǎn)需求問(wèn)題，農(nóng)業(yè)機(jī)器人如何高效率行走問(wèn)題，成為當(dāng)前的研究熱點(diǎn)，而農(nóng)業(yè)機(jī)器人的路徑規(guī)劃技術(shù)是關(guān)鍵，這也是中國(guó)“十四五”智能農(nóng)機(jī)和智慧農(nóng)業(yè)要求下的必然發(fā)展趨勢(shì)。

路徑規(guī)劃是提升移動(dòng)機(jī)器人運(yùn)行效率并保證其運(yùn)行穩(wěn)定性的核心技術(shù)之一[1]，學(xué)者們對(duì)路徑規(guī)劃技術(shù)做了大量研究。移動(dòng)機(jī)器人的路徑規(guī)劃就是在依照工作能耗最小、行走路線最短、行走時(shí)間最短等指標(biāo)，在工作空間內(nèi)找到一條從運(yùn)行開(kāi)始到運(yùn)行結(jié)束可以避開(kāi)環(huán)境障礙物滿足工作指標(biāo)的最優(yōu)路徑，該種算法是實(shí)現(xiàn)農(nóng)業(yè)機(jī)器人遠(yuǎn)程化運(yùn)行的基礎(chǔ)。

經(jīng)過(guò)幾十年的發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)許多具有優(yōu)良運(yùn)行效率及運(yùn)行穩(wěn)定性的路徑規(guī)劃方法進(jìn)行研究，如A*算法[2]、Dijstar算法、人工勢(shì)場(chǎng)法[3]、蟻群算法[4]、粒子群算法[5]、RRT算法[6]等。A*算法、Dijstar算法、蟻群算法、遺傳算法等能在機(jī)器人處于靜態(tài)時(shí)得到較好路徑，但因移動(dòng)機(jī)器人自身算力限制及工況實(shí)時(shí)性的要求，對(duì)路徑進(jìn)行實(shí)時(shí)計(jì)算修正仍是一個(gè)問(wèn)題。

人工勢(shì)場(chǎng)法是一種啟發(fā)式搜索算法，具有算法簡(jiǎn)單，實(shí)時(shí)性好的優(yōu)點(diǎn)，因此廣泛的應(yīng)用于移動(dòng)機(jī)器人的路徑規(guī)劃之中，并能在大部分移動(dòng)機(jī)器人路徑規(guī)劃問(wèn)題中能夠取得較好的結(jié)果，但是也存在局部最小值和目標(biāo)不可達(dá)的問(wèn)題。針對(duì)這些問(wèn)題，許多學(xué)者對(duì)人工勢(shì)場(chǎng)法的運(yùn)行機(jī)制和原理進(jìn)行了深入研究，并提出了改進(jìn)方案及應(yīng)對(duì)對(duì)策。

本文分析了國(guó)內(nèi)工業(yè)機(jī)器人路徑規(guī)劃的研究現(xiàn)狀，對(duì)人工勢(shì)場(chǎng)法在農(nóng)業(yè)中的應(yīng)用進(jìn)行詳細(xì)描述，介紹人工勢(shì)場(chǎng)法的工作機(jī)制，并對(duì)人工勢(shì)場(chǎng)法存在的問(wèn)題以及解決方法進(jìn)行原理分析和方法總結(jié)，并對(duì)效果較好的算法融合進(jìn)行原理分析。最后對(duì)基于算法融合的人工勢(shì)場(chǎng)法在農(nóng)業(yè)機(jī)器人上應(yīng)用研究方向進(jìn)行展望。

1 人工勢(shì)場(chǎng)法的工作原理及缺陷分析

1.1 人工勢(shì)場(chǎng)法的工作原理

人工勢(shì)場(chǎng)法(Artificial Potential Field Method)是由Khatib[3]首先提出將障礙物及目標(biāo)抽象為虛擬勢(shì)場(chǎng)，通過(guò)建立對(duì)應(yīng)勢(shì)能場(chǎng)函數(shù)解決機(jī)械臂避障問(wèn)題的一種算法。其中，虛擬勢(shì)場(chǎng)源分為兩類：引力場(chǎng)和斥力場(chǎng)。勢(shì)能場(chǎng)函數(shù)將機(jī)器人進(jìn)入?yún)^(qū)域中的障礙物視為斥力極，目標(biāo)視為引力極。抽象定義引力極產(chǎn)生引力為參考位置(即移動(dòng)機(jī)器人位置)指向目標(biāo)位置的距離相關(guān)函數(shù)；斥力極產(chǎn)生的斥力為障礙物指向參考位置的距離相關(guān)函數(shù)。通過(guò)目標(biāo)位置引力和環(huán)境中障礙物斥力的疊加，即可得移動(dòng)機(jī)器人運(yùn)行至該點(diǎn)時(shí)的合力大小及方向，如圖1所示。

圖1 人工勢(shì)場(chǎng)法示意圖Fig.1 Schematic diagram of artificial potential field method

假設(shè)移動(dòng)機(jī)器人所在位置為X=(x,y)，X為移動(dòng)機(jī)器人位置向量，XT=(xT,yT)為目標(biāo)位置向量，Katt為引力勢(shì)場(chǎng)常量，則目標(biāo)位置與移動(dòng)機(jī)器人之間引力場(chǎng)

(1)

式中：ρ(X,XT)——移動(dòng)機(jī)器人至目標(biāo)位置相對(duì)距離。

引力勢(shì)場(chǎng)負(fù)梯度方向?yàn)橐苿?dòng)機(jī)器人所受引力方向，即

Fatt(X)=-Uatt=-Katt|X-XT|

(2)

由于移動(dòng)機(jī)器人與障礙物間距離對(duì)規(guī)劃路徑會(huì)產(chǎn)生不同程度影響，因此設(shè)置以障礙物為中心的斥力場(chǎng)影響半徑ρ0，移動(dòng)機(jī)器人與障礙物間距離ρ。當(dāng)ρ>ρ0時(shí)，移動(dòng)機(jī)器人不再受斥力場(chǎng)的影響，此時(shí)受斥力為0；當(dāng)ρ≤ρ0時(shí)，障礙物移動(dòng)機(jī)器人間距離ρ與斥力場(chǎng)Urep成線性，可得引力場(chǎng)

(3)

式中：ρ(i)(X)——機(jī)器人與障礙物i間的歐氏距離；

Krep——斥力勢(shì)場(chǎng)常量。

斥力勢(shì)場(chǎng)負(fù)梯度方向?yàn)橐苿?dòng)機(jī)器人所受斥力方向，即

(4)

通過(guò)將所受引力和所有斥力求取矢量和可得機(jī)器人所受合力

(5)

式中：n——障礙物的個(gè)數(shù)。

人工勢(shì)場(chǎng)法對(duì)每個(gè)障礙物的斥力都進(jìn)行考慮計(jì)算，能夠很好的保證移動(dòng)機(jī)器人規(guī)劃路徑不會(huì)與障礙物發(fā)生碰撞，但由于算法本身具有缺陷，存在無(wú)法到達(dá)目標(biāo)位置或是最終軌跡不夠平滑等問(wèn)題。

1.2 人工勢(shì)場(chǎng)法的缺陷分析

人工勢(shì)場(chǎng)法在移動(dòng)機(jī)器人路徑靜態(tài)規(guī)劃和動(dòng)態(tài)規(guī)劃中得到廣泛應(yīng)用，但存在陷入局部最小點(diǎn)、目標(biāo)不可達(dá)、路徑易出現(xiàn)震蕩等問(wèn)題，主要缺陷分析如下。

1)陷入局部最小點(diǎn)。人工勢(shì)場(chǎng)法通過(guò)式(2)和式(4)對(duì)勢(shì)能場(chǎng)求取負(fù)梯度，利用得到的引力和斥力根據(jù)式(5)求合力為移動(dòng)機(jī)器人路徑規(guī)劃提供驅(qū)動(dòng)力。當(dāng)F(X)=0時(shí)，移動(dòng)機(jī)器人在該點(diǎn)處陷入局部極小值[7]，處于靜止?fàn)顟B(tài)。該問(wèn)題在多障礙物復(fù)雜環(huán)境中尤為常見(jiàn)。通過(guò)啟發(fā)式算法可以在一定程度上解決局部最小值問(wèn)題，但最終得到的規(guī)劃路徑可能非最優(yōu)解且需要消耗大量時(shí)間運(yùn)算，導(dǎo)致算法效率低下。

2)目標(biāo)不可達(dá)問(wèn)題。由于環(huán)境中障礙物的位置隨不同工程問(wèn)題而改變，因此當(dāng)環(huán)境中的障礙物恰好分布在目標(biāo)位置附近時(shí)，可能會(huì)導(dǎo)致移動(dòng)機(jī)器人無(wú)法達(dá)到目標(biāo)位置。在一般的路徑規(guī)劃問(wèn)題中，障礙物不會(huì)恰好分布在目標(biāo)位置周圍，斥力不斷減小，引力逐漸增大直至抵達(dá)目標(biāo)位置。

在實(shí)際工作環(huán)境中，會(huì)出現(xiàn)如圖2的情況。當(dāng)目標(biāo)位置的附近存在相隔很近的障礙物時(shí)，引力不斷增加，斥力也隨著移動(dòng)機(jī)器人不斷靠近目標(biāo)位置而逐漸增大，根據(jù)式(5)，此時(shí)移動(dòng)機(jī)器人所受斥力可能遠(yuǎn)大于引力而無(wú)法抵達(dá)目標(biāo)位置。

圖2 目標(biāo)不可達(dá)問(wèn)題示意圖Fig.2 Schematic diagram of unreachable target problem

3)路徑震蕩問(wèn)題。移動(dòng)機(jī)器人在狹窄的走廊中運(yùn)行時(shí)，會(huì)同時(shí)受到來(lái)自兩邊的斥力。由于障礙物位置的突然變化使機(jī)器人產(chǎn)生不穩(wěn)定振動(dòng)，最終導(dǎo)致移動(dòng)機(jī)器人與障礙物發(fā)生碰撞，這種情況隨著速度的增加而格外明顯。

2 人工勢(shì)場(chǎng)法的改進(jìn)研究

許多學(xué)者對(duì)上述的缺陷進(jìn)行了深入研究，以增加人工勢(shì)場(chǎng)法的適用范圍及運(yùn)行可靠性。

2.1 局部最小點(diǎn)解決方案

針對(duì)人工勢(shì)場(chǎng)法局部極小值的問(wèn)題許多學(xué)者對(duì)算法進(jìn)行改進(jìn)，其中主要的思想是對(duì)勢(shì)能場(chǎng)函數(shù)進(jìn)行優(yōu)化，通過(guò)優(yōu)化勢(shì)能場(chǎng)函數(shù)以滿足跳出局部極小點(diǎn)。

1)障礙物連結(jié)法。在傳統(tǒng)的人工勢(shì)場(chǎng)法中，由于勢(shì)場(chǎng)函數(shù)需要對(duì)每個(gè)障礙物的斥力進(jìn)行合成，極大地增加了出現(xiàn)局部最小點(diǎn)的可能性。黃興華[8]提出采用障礙物連結(jié)算法。通過(guò)對(duì)工作范圍內(nèi)的障礙物進(jìn)行連結(jié)(圖3)，使其簡(jiǎn)化成一整個(gè)障礙物，便于運(yùn)算并能在一定程度上減少局部最小點(diǎn)情況的出現(xiàn)。通過(guò)設(shè)定移動(dòng)機(jī)器人的可視角度為α，可視范圍半徑為Rd，當(dāng)兩個(gè)障礙物滿足距離閾值Ds時(shí)，則將兩個(gè)障礙物連結(jié)，而其他可視范圍外的不可見(jiàn)障礙物則假設(shè)其對(duì)移動(dòng)機(jī)器人無(wú)斥力影響，與傳統(tǒng)人工勢(shì)場(chǎng)法中設(shè)置ρ0有相似之處。

圖3 障礙物連結(jié)法示意圖Fig.3 Schematic diagram of obstacle linkage method

2)Follow-Wall算法。雖然障礙物連結(jié)算法能夠在一定程度上減少局部最小點(diǎn)情況的出現(xiàn)，但是出現(xiàn)斥力方向和引力方向處于同一條直線上時(shí)，移動(dòng)機(jī)器人仍有可能陷入局部最小點(diǎn)而靜止無(wú)法到達(dá)目標(biāo)位置。

溫素芳等[9]在傳統(tǒng)人工勢(shì)場(chǎng)法基礎(chǔ)上，對(duì)障礙物影響范圍進(jìn)行二次分層。傳統(tǒng)人工勢(shì)場(chǎng)法中，障礙物與移動(dòng)機(jī)器人間距離設(shè)為ρ，影響范圍設(shè)為ρ0，當(dāng)距離超過(guò)影響范圍ρ0時(shí)，障礙物對(duì)移動(dòng)機(jī)器人無(wú)斥力影響(如圖4(a))，反之則考慮障礙物斥力影響。溫素芳通過(guò)增設(shè)一個(gè)接近距離ρ1，當(dāng)0<ρ<ρ1時(shí)，表示移動(dòng)機(jī)器人即將碰撞障礙物，設(shè)置引力方向垂直于斥力(如圖4(c))，再通過(guò)傳統(tǒng)人工勢(shì)場(chǎng)法求合力的方式得到運(yùn)動(dòng)方向以逃離局部最小點(diǎn)。

(a)當(dāng)ρ>ρ0時(shí)

這種算法與Follow-Wall算法有著相似的思想。Follow-Wall算法是由Yun等[10]首先提出用于解決移動(dòng)機(jī)器人陷入局部最小值問(wèn)題。Follow-Wall算法通過(guò)設(shè)定5個(gè)運(yùn)動(dòng)方向，對(duì)每個(gè)運(yùn)動(dòng)方向上障礙物的距離與障礙物安全距離進(jìn)行比較。如果存在某個(gè)方向上的距離大于安全距離，且滿足上述條件中最小方向，則沿著該方向運(yùn)行，并保持最大速度；如果所有方向距離都小于安全距離則使移動(dòng)機(jī)器人靜止，使移動(dòng)機(jī)器人轉(zhuǎn)動(dòng)一個(gè)固定的角度。這種算法通過(guò)不斷修正移動(dòng)機(jī)器人路徑，緊貼著障礙物的外沿不斷運(yùn)行，當(dāng)面遇障礙物時(shí)通過(guò)不斷改變運(yùn)動(dòng)方向來(lái)最終繞過(guò)障礙物達(dá)到目標(biāo)位置，算法流程如圖5所示。

圖5 Follow-Wall算法流程圖Fig.5 Flow chart of Follow-Wall algorithm

由于Follow-Wall算法使移動(dòng)機(jī)器人沿著障礙物不斷的運(yùn)行，為使得移動(dòng)機(jī)器人能夠進(jìn)入和退出算法，黃興華[8]通過(guò)設(shè)定局部最小值影響范圍，通過(guò)判斷單位時(shí)間之后，移動(dòng)機(jī)器人的坐標(biāo)是否在以t秒前坐標(biāo)位置為圓心，半徑為Rl的圓內(nèi)，若在即可判斷移動(dòng)機(jī)器人已陷入局部穩(wěn)定狀態(tài)即可使用跳出局部最小點(diǎn)算法以實(shí)現(xiàn)達(dá)到目標(biāo)點(diǎn)位置。通過(guò)這個(gè)方法可以極大減少算法的復(fù)雜程度，為局部最小點(diǎn)算法提供基礎(chǔ)。王麗[11]通過(guò)判斷移動(dòng)機(jī)器人與障礙物和目標(biāo)點(diǎn)之間的角度來(lái)知曉運(yùn)行方向以及障礙物存在位置，以開(kāi)始Follow-Wall算法；當(dāng)目標(biāo)點(diǎn)位置位于移動(dòng)機(jī)器人正面180°內(nèi)且正前方不存在障礙物時(shí)，則退出Follow-Wall算法。

3)虛擬目標(biāo)點(diǎn)。設(shè)置虛擬目標(biāo)點(diǎn)在遇到U型和C型障礙物時(shí)能如Follow-Wall算法一樣逃離局部最小點(diǎn)[12]，但具有更高的運(yùn)行效率。程志等[13]首先對(duì)移動(dòng)機(jī)器人附近的障礙物進(jìn)行判定，設(shè)置安全距離R0，通過(guò)對(duì)障礙物的兩個(gè)端點(diǎn)Xo1和Xon間距離是否小于2R0來(lái)確定是否屬于同一個(gè)障礙物。然后通過(guò)移動(dòng)機(jī)器人與障礙物的相對(duì)位置來(lái)判斷機(jī)器人是否處于障礙物影響范圍中，其中分為兩種情況。第一種情況如圖6(a)所示，點(diǎn)X處于Xo1和Xon連線所圍區(qū)域內(nèi)，則認(rèn)為處于障礙物影響范圍內(nèi)；第二種情況如圖6(b)所示，當(dāng)δ<φ時(shí)，則認(rèn)為處于障礙物影響范圍內(nèi)。由此做X關(guān)于Xon的對(duì)稱點(diǎn)X*，通過(guò)傳統(tǒng)人工勢(shì)場(chǎng)法的勢(shì)場(chǎng)函數(shù)與虛擬目標(biāo)點(diǎn)的不斷更新，最終就能實(shí)現(xiàn)逃離局部最小點(diǎn)到達(dá)目標(biāo)點(diǎn)位置。

(a)機(jī)器人在障礙物內(nèi)

4)其他算法。(1)牛頓型勢(shì)場(chǎng)[14]。N.Ahuja采用了一種牛頓型場(chǎng)，將障礙物簡(jiǎn)化成具有均勻密度的線段，線段上的每一個(gè)微元在整個(gè)環(huán)境中產(chǎn)生的勢(shì)場(chǎng)類似于一個(gè)點(diǎn)電荷產(chǎn)生的電場(chǎng)，如果環(huán)境中有多個(gè)線段障礙物，則用迭加法將對(duì)應(yīng)的勢(shì)場(chǎng)相加以此勢(shì)場(chǎng)為基礎(chǔ)L形機(jī)器人規(guī)劃了避障路徑。(2)調(diào)和場(chǎng)(Harmonic Potential Filed)。Kim等[15]采用了一種調(diào)和場(chǎng)方法來(lái)消除勢(shì)場(chǎng)中的局部極小點(diǎn)，但是它是以不能保證最后能避開(kāi)障礙物為代價(jià)的。(3)基于速度勢(shì)場(chǎng)。高升等[16]提出一種基于速度勢(shì)場(chǎng)的局部在線避障方法，以速度勢(shì)場(chǎng)的形式充分利用了相對(duì)速度的信息，得到了較好的局部在線避障效果。

2.2 目標(biāo)不可達(dá)問(wèn)題

目標(biāo)不可達(dá)問(wèn)題是人工勢(shì)場(chǎng)法中的重點(diǎn)問(wèn)題，已經(jīng)有許多學(xué)者提出了一些相應(yīng)的改進(jìn)辦法。郭梟鵬[17]對(duì)傳統(tǒng)人工勢(shì)場(chǎng)法中式(3)的勢(shì)能函數(shù)進(jìn)行改進(jìn)，增加調(diào)節(jié)因子ρc(X,XT)=|(x-xT)c|+|(y-yT)c|，可得新的勢(shì)能場(chǎng)函數(shù)

(6)

式中：ρ(X,XT)——移動(dòng)機(jī)器人與目標(biāo)點(diǎn)間距離；

c——斥力修正因子。

通過(guò)對(duì)勢(shì)能場(chǎng)函數(shù)的修正使得移動(dòng)機(jī)器人在接近目標(biāo)點(diǎn)位置時(shí)，斥力能夠根據(jù)與引力極間距離的不斷減小，規(guī)劃出不碰撞障礙物的路徑，直至斥力為0，達(dá)到目標(biāo)點(diǎn)。為解決斥力修正因子c取值問(wèn)題，徐小強(qiáng)等[18]對(duì)修正因子的取值進(jìn)行分別討論。分別對(duì)c>1，c=1和0

于光金[19]通過(guò)在以移動(dòng)機(jī)器人為圓點(diǎn)的一定半徑的圓上均勻選取16個(gè)點(diǎn)，通過(guò)計(jì)算每個(gè)點(diǎn)處的勢(shì)能函數(shù)，判斷其中勢(shì)能最小的點(diǎn)，使移動(dòng)機(jī)器人以較小步長(zhǎng)移動(dòng)至該點(diǎn)，重復(fù)更新移動(dòng)位置，直至到達(dá)目標(biāo)點(diǎn)位置。

2.3 基于算法融合的人工勢(shì)場(chǎng)法改進(jìn)研究

1)與RRT算法融合。快速拓展隨機(jī)數(shù)算法[17](Rapidly-exploring Random Tree algorithm,RRT)是一種適用于二維以及更高維度的搜索算法，常應(yīng)用于機(jī)械臂等復(fù)雜空間環(huán)境的路徑規(guī)劃。RRT算法的基本思想就是快速擴(kuò)張樹(shù)杈結(jié)構(gòu)形成路徑來(lái)搜索尚未到達(dá)的空間，以找到合適的可行路徑。

算法融合主要通過(guò)人工勢(shì)場(chǎng)法進(jìn)行路徑規(guī)劃，再利用RRT算法的擴(kuò)展樹(shù)結(jié)構(gòu)以實(shí)現(xiàn)逃離局部極小值區(qū)域。當(dāng)通過(guò)定量的判斷確定已陷入局部極小點(diǎn)時(shí)，將路徑規(guī)劃算法切換為RRT算法。通過(guò)判斷移動(dòng)機(jī)器人與逃離后的障礙物的距離判斷是否要切換為傳統(tǒng)人工勢(shì)場(chǎng)法，直到抵達(dá)目標(biāo)點(diǎn)。既解決了移動(dòng)機(jī)器人在運(yùn)行空間的局部極小值問(wèn)題，也解決RRT算法路徑規(guī)劃中存在的隨機(jī)性大的問(wèn)題。

2)與模擬退火算法融合。模擬退火(Simulated Annealing)[20]算法最早由Metropolis等于1953年提出。模擬退火算法是通過(guò)賦予搜索過(guò)程一種實(shí)時(shí)變換且最終趨于零的概率突跳性，從而可有效避免陷入局部極小并最終趨于全局最優(yōu)的串行結(jié)構(gòu)的優(yōu)化算法，算法的流程如圖7所示。

圖7 基于模擬退火的人工勢(shì)場(chǎng)法流程圖Fig.7 Flow chart of artificial potential field method based on simulated annealing

模擬退火與人工勢(shì)場(chǎng)法算法融合，既能解決移動(dòng)機(jī)器人局部極小值問(wèn)題，并能通過(guò)模擬退火能夠跳出極小值的優(yōu)勢(shì)解決目標(biāo)不可達(dá)問(wèn)題[21]。

3)與粒子群算法融合。粒子群算法(Particle Swarm Optimization，PSO)是一種模擬鳥(niǎo)群覓食行為的群智能算法，算法的基本思想是模擬鳥(niǎo)群在尋找食物時(shí)所表現(xiàn)出來(lái)的協(xié)作和信息共享。其具有參數(shù)少，運(yùn)算快，局部搜索能力強(qiáng)的優(yōu)點(diǎn)，但也存在全局搜索能力差，易陷入局部最小值的缺點(diǎn)。因此在與人工勢(shì)場(chǎng)法進(jìn)行算法融合時(shí)，多將其應(yīng)用于多障礙物分布于目標(biāo)附近的目標(biāo)不可達(dá)問(wèn)題和在障礙物前出現(xiàn)振蕩的問(wèn)題[22]，通過(guò)該種算法融合能夠規(guī)劃出平滑且魯棒性強(qiáng)的路徑。

3 人工勢(shì)場(chǎng)法的總結(jié)與展望

許多學(xué)者對(duì)上述的缺陷進(jìn)行研究，以增加人工勢(shì)場(chǎng)法的適用范圍及運(yùn)行可靠性。

3.1 人工勢(shì)場(chǎng)法的總結(jié)

人工勢(shì)場(chǎng)法在移動(dòng)機(jī)器人路徑規(guī)劃中得到了廣泛的應(yīng)用。許多學(xué)者提出了有效的改進(jìn)措施，并對(duì)上述內(nèi)容進(jìn)行總結(jié)，如表1所示。

表1 改進(jìn)的人工勢(shì)場(chǎng)法的優(yōu)缺點(diǎn)比較Tab.1 Comparison of advantages and disadvantages of improved artificial potential field method

3.2 人工勢(shì)場(chǎng)法的展望

人工勢(shì)場(chǎng)法在工業(yè)中主要用于AGV小車的路徑規(guī)劃問(wèn)題，現(xiàn)如今在農(nóng)業(yè)中也有著很廣泛的應(yīng)用場(chǎng)景。在中國(guó)“十四五”智能農(nóng)機(jī)和智慧農(nóng)業(yè)要求下，一批能夠利用計(jì)算機(jī)和傳感器技術(shù)的自動(dòng)駕駛算法，已經(jīng)逐漸實(shí)現(xiàn)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用，利用這種實(shí)時(shí)可視化的展示技術(shù)，能夠?qū)崿F(xiàn)農(nóng)業(yè)生產(chǎn)的遠(yuǎn)程管控。人工勢(shì)場(chǎng)法作為自動(dòng)駕駛算法中應(yīng)用較廣的技術(shù)，與同類的路徑規(guī)劃算法相比具有計(jì)算量小，實(shí)時(shí)性強(qiáng)，適應(yīng)性好等優(yōu)點(diǎn)，更加適用于具有一定規(guī)模的設(shè)施蔬菜生產(chǎn)領(lǐng)域的裝備機(jī)器人；相比于常規(guī)的手動(dòng)控制方法，人工勢(shì)場(chǎng)法具有更好的運(yùn)行穩(wěn)定性以及運(yùn)行的精確性，并且能在一定程度上降低對(duì)人工操控機(jī)器人的依賴并提高效率。

相比于其他路徑規(guī)劃算法，人工勢(shì)場(chǎng)法在農(nóng)業(yè)領(lǐng)域的研究較少，可供參考的適用于農(nóng)業(yè)場(chǎng)景的改進(jìn)方法較少。算法融合是現(xiàn)階段提高算法效率及提高算法可行性最好的辦法。但現(xiàn)存的融合算法中的融合策略和算法運(yùn)行選擇機(jī)制缺乏深入的研究，因此需要對(duì)該方向進(jìn)一步的探索。

4 結(jié)論

本文首先介紹了人工勢(shì)場(chǎng)法的工作機(jī)制，將障礙與目標(biāo)分別看成引力和斥力，利用計(jì)算合力的方式實(shí)現(xiàn)對(duì)路徑的實(shí)時(shí)規(guī)劃，但人工勢(shì)場(chǎng)法較容易出現(xiàn)局部最小點(diǎn)位置問(wèn)題而無(wú)法得出下一步移動(dòng)位置，因此根據(jù)出現(xiàn)的局部極小值和目標(biāo)不可達(dá)問(wèn)題進(jìn)行了改進(jìn)方法的原理分析和總結(jié)。

其中，針對(duì)局部極小點(diǎn)問(wèn)題可以通過(guò)障礙物連接法、Follow-Wall算法和虛擬目標(biāo)點(diǎn)的方式解決；針對(duì)目標(biāo)不可達(dá)問(wèn)題采用設(shè)置修正參數(shù)和進(jìn)行局部最優(yōu)搜索的方式解決。然后根據(jù)現(xiàn)有的算法融合方式，對(duì)人工勢(shì)場(chǎng)法與RRT算法、模擬退火算法、粒子群算法的融合進(jìn)行分析，并闡述其適用情況。人工勢(shì)場(chǎng)法作為自動(dòng)駕駛算法中應(yīng)用較廣的技術(shù)，與同類的路徑規(guī)劃算法相比具有計(jì)算量小，實(shí)時(shí)性強(qiáng)，適應(yīng)性好等優(yōu)點(diǎn)，更加適用于具有一定規(guī)模的設(shè)施蔬菜生產(chǎn)領(lǐng)域的農(nóng)業(yè)裝備機(jī)器人。

最后通過(guò)對(duì)多種改進(jìn)方法進(jìn)行比較，對(duì)農(nóng)業(yè)機(jī)器人路徑規(guī)劃所需滿足的實(shí)時(shí)性以及障礙物的多變性進(jìn)行應(yīng)用展望，可以利用現(xiàn)有的算法融合研究，結(jié)合農(nóng)業(yè)生產(chǎn)的實(shí)際情況，對(duì)不同農(nóng)業(yè)生產(chǎn)應(yīng)用場(chǎng)合的融合算法選擇機(jī)制進(jìn)行深入研究，以滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)中對(duì)機(jī)器人路徑規(guī)劃的需求。