采摘機械臂路徑規(guī)劃算法研究現狀綜述*

楊旭海，周文皓，李育峰，戚小琛，張茜

(石河子大學機械電氣工程學院,新疆石河子,832003)

0 引言

隨著我國農業(yè)技術不斷發(fā)展,傳統農業(yè)、林果業(yè)采摘作業(yè)逐漸面臨人工成本上漲,勞動力短缺等問題,以往的人工采收模式已經很難滿足現代農業(yè)的需求,同時,隨著機器人技術的快速發(fā)展與普及,高性能機械臂被設計用來替代人工從事沉重、單調的勞作,在農業(yè)采摘領域有著巨大的應用前景。

作為采摘機械臂控制算法的核心,路徑規(guī)劃的目標是在最短時間和距離代價下,在有限的作業(yè)范圍內找到一條從起點到終點的安全無碰撞路徑,其根本目的是利用最小工作空間和最優(yōu)耗能達到最高的工作效率,其設計的先進程度直接關系到采摘機械臂的作業(yè)效率、耐用性和采收精度。

首先對比了目前在農產品采摘領域應用較為廣泛的機械臂路徑規(guī)劃算法,然后詳細分析了各類算法的技術特點以及國內外學者提出的改進方案,最后引出現有算法存在問題,局限性以及各類算法的適用場景,并對采摘機械臂路徑規(guī)劃技術未來發(fā)展趨勢進行深入探討。

1 路徑規(guī)劃算法研究現狀與分類

根據采摘機械臂路徑規(guī)劃算法的規(guī)劃方式可以將其分為局部路徑規(guī)劃和全局路徑規(guī)劃(表1),其中局部路徑規(guī)劃主要針對機械臂當前作業(yè)的局部空間信息,這類算法具有良好的避障能力和動態(tài)規(guī)劃性能,但對于機械臂硬件要求較高,同時,局部路徑規(guī)劃對環(huán)境誤差和噪聲有較高的魯棒性,能對規(guī)劃結果進行實時反饋與重規(guī)劃,但是因為缺乏全局環(huán)境信息,規(guī)劃結果可能不是最優(yōu)的,而全局路徑規(guī)劃是在已知的環(huán)境中,給機械臂規(guī)劃一條路徑,路徑規(guī)劃的精度取決于周圍環(huán)境獲取的精確性,全局路徑規(guī)劃可以找到最優(yōu)解,但是需要預先知道環(huán)境的準確信息,但是面對動態(tài)路徑,無法做出相應的校正。

表1 局部路徑規(guī)劃與全局路徑規(guī)劃對比Tab. 1 Comparison between local path planning and global path planning

基于局部路徑與全局路徑規(guī)劃的概念,采摘機械臂路徑規(guī)劃算法又可以分為基于群優(yōu)化理論的遺傳算法、粒子群算法、蟻群算法等;基于最優(yōu)化理論的人工勢場算法;基于圖搜索法的A*算法和Dijkstra算法以及基于采樣法的快速擴展隨機數算法(RRT)。

2 機械臂路徑規(guī)劃算法

2.1 群優(yōu)化算法

群優(yōu)化算法的原理是在空間內設置多個個體,將這些個體組成一個群體進行搜索,得到最優(yōu)解,遺傳算法中的種群設定、蟻群算法中的螞蟻種群、粒子群算法的粒子群都體現了群優(yōu)化算法的思想。其對比情況見表2。

表2 群優(yōu)化算法對比Tab. 2 Comparison of group optimization algorithms

2.1.1 遺傳算法

20世紀70年代,美國學者John holland基于達爾文生物進化論提出了一種生物進化過程搜索最優(yōu)解的方法——遺傳算法,該算法將問題的求解過程轉換成類似生物的進化、變異過程,在求解復雜的組合優(yōu)化問題時,可以融合其他優(yōu)化算法,得到更加優(yōu)質的優(yōu)化結果。

West等[1]基于遺傳算法開發(fā)了一種針對機械臂單一關節(jié)參數測量進而推廣到其他關節(jié)參數的機制,具有動態(tài)參數估計能力,對機械臂建模過程進行了優(yōu)化,Tang等[2]利用Matlab遺傳算法優(yōu)化工具箱對機械臂進行優(yōu)化,在考慮機械臂結構強度和軸承安裝空間的同時為機械臂路徑規(guī)劃過程提供了有效幫助。王懷江等[3]提出了一種基于改進遺傳算法的機械臂路徑優(yōu)化方法,與傳統算法相比,改進算法的收斂速度提高了46.15%,路徑縮短了45.99%,系統運行時間減少了25.80%,有效提高了系統效率,這些應用遺傳算法的優(yōu)化方案,對采摘領域機械臂路徑規(guī)劃優(yōu)化具有一定的參考價值。

為了提高果蔬采摘機器人的避障和路徑規(guī)劃能力,實現機器人智能化、輕量化的設計,熊瓊等利用遺傳算法對路徑規(guī)劃進行優(yōu)化,實現復雜環(huán)境中的路徑搜索功能,障礙物識別率高達99%以上,路徑規(guī)劃的準確率也在95%以上。李濤等[4]針對矮化密植果園采摘機器人多臂協同問題,將任務規(guī)劃問題歸納為異步重疊訪問域的多旅行商問題,基于遺傳算法尋找求解方法,用3種水果作為采摘對象,相較于順序規(guī)劃法和隨機遍歷法,該方法的作業(yè)遍歷時長分別縮短10.69%和27.18%、20.45%和23.33%以及12.94%和21.69%。

為了提升遺傳算法在采摘機械臂路徑規(guī)劃過程中求解優(yōu)化的性能,宋瑩瑩等將一種改進的遺傳算法應用在油茶果采摘機械臂中,改進后的算法能夠明顯優(yōu)化機械臂的工作空間,整體指標提升了63.49%,為后續(xù)路徑規(guī)劃算法改進提供了數據參考。

2.1.2 粒子群算法

粒子群(PSO)算法作為群優(yōu)化算法的熱門研究點之一,最早由Kenned和Eberhart于1995年提出,與其他群優(yōu)化算法類似,也采用“群體”和“進化”的概念。

在此領域,國內學者基于粒子群算法對機械臂路徑規(guī)劃提出了諸多優(yōu)化方案,因其規(guī)劃精度高,在采摘領域有較為廣闊的應用前景。

穩(wěn)定、高效、無損的采摘要求一直制約著自動化采摘技術的發(fā)展,為解決這些難題,國內外學者進行了諸多研究,Cao等[5]提出了一種改進的多目標粒子群優(yōu)化算法,其規(guī)劃的路徑能夠有效完成水果采摘,平均采摘時間為25.5 s,成功率為96.67%,驗證了PSO算法在機械臂采摘領域的有效性。國內學者袁蒙恩等[6]針對復雜靜態(tài)背景下具有多約束條件的機械臂路徑規(guī)劃問題,提出了基于單目視覺的多種群粒子群算法,根據目標物體位置演化出機械臂最優(yōu)路徑。同時,為進一步提高機械臂路徑控制精度,羅予東等[7]基于粒子群算法,采用小波神經網絡算法進行優(yōu)化,并采用群體智能對路徑進行跟蹤,對機械臂實現精準控制,有效提高了機械臂的路徑跟蹤性能。朱文琦提出了一種基于粒子群的控制系統優(yōu)化算法,以提高采摘機械臂的控制效率,研究團隊以青椒為作業(yè)對象,通過比對采用與不采用粒子群算法時機械臂末端路徑規(guī)劃距離和采摘精度,證明了采用粒子群算法可以有效提高果實采摘的定位精度,縮短移動距離,對提高采摘效率作用顯著。龐國友等[8]為了提高油茶果采摘機械臂的綜合性能,將粒子群算法與退火算法相融合,并利用改進后的算法進行油茶果采摘機械臂參數優(yōu)化,為后續(xù)采摘機械臂及其算法優(yōu)化提供了數據支持。

2.1.3 蟻群算法

蟻群算法作為一種概率型算法。由意大利學者Marco Dorigo于1992年提出,靈感源于蟻群在覓食過程中的路徑搜索行為,是最為成功的群體智能算法之一。原艷芳等[9]使用蟻群算法進行名優(yōu)茶采摘機械臂的路徑規(guī)劃,通過改變自適應調節(jié)信息素濃度值和迭代終止條件,可改善基本蟻群算法搜索時間較長、易陷入局部最優(yōu)等問題,有效提高機械臂采摘過程中全局搜索能力和計算效率。Baghli等[10]利用蟻群算法作為優(yōu)化工具,利用其魯棒搜索性,在機械臂運動過程中,規(guī)劃出最優(yōu)路徑。黃玲等基于改進的蟻群算法規(guī)劃了果蔬采摘機器人三維路徑,大大地提高了路徑質量,說明改進蟻群算法穩(wěn)定性強,可靠性高。

采摘機械臂常常需要作業(yè)于障礙物密集的果園中,王江華等[11]針對狹窄空間中機械臂的路徑規(guī)劃問題,提出了一種改進型蟻群優(yōu)化算法,通過對傳統蟻群算法概率分布、路徑二次優(yōu)化、淘汰機制等方面進行改進,增強了系統的魯棒性,能夠明顯提高機械臂在復雜環(huán)境下的適應能力。

為提高蟻群算法采摘時的路徑規(guī)劃效率,提高采摘速度,苑嚴偉等[12]對蟻群算法進行了相應的改進,改進后的算法迭代次數僅為基本算法的25.3%,而路徑長度是基本算法的94.3%,為后續(xù)蟻群算法在采摘領域的改進提供了理論依據。陳鑫等[13]以柑橘為采摘對象,引入了隨時間改變的自適應信息素濃度更新機制,提出了蟻群算法的一種改進方案,有效縮短了采摘路徑長度。

當機械臂路徑是離散狀態(tài)時,更適合采用遺傳算法,但是該算法在求解路徑過程中存在著漢明懸崖問題,粒子群算法適算法結構簡單,計算方便,求解速度快,但是存在局部最優(yōu)問題。蟻群算法適合解決圖上搜索路徑問題,運算量龐大,對設備硬件要求高。

2.2 人工勢場算法

人工勢場算法是由Khatib提出的一種虛擬力場法。核心思想是將機械臂在作業(yè)環(huán)境中的運動,抽象成在人工引力場中運動,該種算法規(guī)劃路徑的優(yōu)勢在于路徑平滑、安全,具有良好的魯棒性,但該方法也存在局部最優(yōu)問題。

針對采摘機械臂在野外作業(yè)環(huán)境中,面臨采摘任務數量多,目標與障礙物位置隨機性強等問題,熊俊濤等[14]引入人工勢場算法,利用目標吸引、障礙排斥的思想建立獎懲函數,優(yōu)化路徑長度,提高了采摘效率,通過仿真測試,采摘任務成功率達96.7%以上。

針對采摘機器人在果園作業(yè)時,果樹較大冠層障礙物易影響機械臂路徑規(guī)劃等問題,胡廣銳等[15]改進了人工勢場算法,優(yōu)化后的路徑將障礙物識別最短距離由0.156 m提高至0.863 m,該優(yōu)化方法具備實時優(yōu)化路徑的功能,這種規(guī)劃方法同樣為采摘機械臂的路徑優(yōu)化提供了思路。姬偉等[16]針對非結構化環(huán)境下采摘機械臂的實時避障問題,提出了一種基于改進人工勢場算法的避障策略,該方法在保留傳統人工勢場算法易于實現、結構簡單的基礎上,針對其存在的局部極小點、陷進區(qū)等問題,結合果樹生長環(huán)境中障礙物的特點,通過引入虛擬目標點使搜索過程跳出局部最優(yōu)的極小點,從而有效提高了機械臂路徑規(guī)劃的質量。Park等[17]為了解決未知環(huán)境下機械臂路徑實時規(guī)劃問題,提出了一種基于雅可比矩陣與修正勢場相結合的算法。這種算法可以更加便捷的進行機械臂路徑規(guī)劃。曹博等[18]針對傳統人工勢場算法應用于機械臂避障時無法約束各關節(jié)位姿、易陷入局部極小值等問題,提出一種改進算法,采用線段球體包絡盒模型進行碰撞檢測,在關節(jié)空間內求解虛擬目標角度并采用高斯函數建立虛擬引力勢場處理局部極小問題,改進算法可以引導機械臂逃離局部極小值點并完成避障,同時提高避障結束時各關節(jié)的定位精度,該方法可以有效應用于采摘機械臂路徑規(guī)劃算法的改進中。Wang等[19]提出了一種改進的人工勢場避障方法,在避障過程中考慮了機械臂的姿態(tài),無論初始姿態(tài)和目標姿勢之間的差異如何,機械臂都能以合理速度到達目標位姿,Zhou等[20]針對障礙物環(huán)境中的碰撞問題,將改進的人工勢場算法應用于機械臂碰撞檢測與路徑規(guī)劃中,并通過仿真驗證了該方法可以有效提高采摘效率,這兩種對人工勢場改進的策略可以為采摘過程中機械臂如何規(guī)避枝干、葉片到達最優(yōu)作業(yè)點提供改進思路。

圖1 人工勢場算算法示意圖

2.3 圖搜索算法

2.3.1 Dijkstra算法

Dijkstra算法解決兩個點之間最短路徑的問題十分有效,Sunita等[21]對Dijkstra算法進行動態(tài)化處理,有助于提高算法的有效性,在規(guī)劃時間和內存占用方面進行了優(yōu)化。Tan等[22]提出了一種基于Dijkstra算法的改進算法,該算法在全局最優(yōu)路徑規(guī)劃具有優(yōu)異的性能。Rafael等[23]提出了Dijkstra最短路徑搜索算法的一種改進算法,與啟發(fā)式算法相比,采用該方法可以在相似甚至更短的時間內獲得最優(yōu)路徑。Ji等[24]針對蘋果收獲機械臂實時避障路徑規(guī)劃問題,在動態(tài)非結構環(huán)境下,利用改進的Dijkstra算法用于蘋果采摘機械臂初始路徑規(guī)劃,再用改進的蟻群算法用于優(yōu)化初始路徑,并通過實驗證明該方法簡單易行,具有較好的實用價值,機械臂可以在較短的時間內避開樹枝成功采摘蘋果。

Dijkstra算法的改進趨勢是加入啟發(fā)式算法的循跡策略以減少最短路徑搜索的運行時間。Dijkstra算法雖然經典的最短路徑搜索算法之一,但是該算法并不適用于大型圖中的最短路徑搜索。

2.3.2 A*算法

A*算法是求解靜態(tài)環(huán)境中最短路徑最為有效的方法之一,傳統的A*算法在機械臂的路徑規(guī)劃過程中可能存在無限循環(huán)和搜索數據量龐大等問題。針對這些問題Wang等[25]提出了一種改進的A*算法,即在搜索過程中應用可變步段搜索,基于對碰撞檢測的分析,可以實現自由空間,使機械臂能夠避免與障礙物的碰撞。與傳統的A*相比,改進后的算法搜索點較少,執(zhí)行效率更高。

(a) 第一次循跡

(b) 第二次循跡

(c) 第三次循跡

根據機械臂和障礙物的幾何特征,賈慶軒等[26]利用A*算法實現了機械臂的無碰撞路徑規(guī)劃。張許有等[27]基于位置代價設計了針對機械臂避障路徑規(guī)劃的A*算法的,該算法運算量小且計算效率高。Chen等[28]提出一種基于差分進化和改進的A*的智能尋徑方法算法。該方法通過對異常條件的精確濾波實現快速路徑搜索,以達到較高的收斂性率。Xu等[29]提出了一種基于A*算法的路徑規(guī)劃方法,對機械臂的運動性能進行了定量分析和優(yōu)化,上述幾種算法優(yōu)化方案為基于A*算法的采摘機械臂路徑規(guī)劃提供了改進思路。

2.4 概率地圖算法(PRM)

概率地圖是一種可以進行快速路徑規(guī)劃的自由空間表示方法。在得到概率地圖后,路徑規(guī)劃的問題隨即轉變?yōu)樵诟怕实貓D中尋找一條從起點到達終點的合適路徑問題。

機械臂在采摘果蔬的過程中常常需要在狹小的作業(yè)空間內規(guī)劃最優(yōu)路徑,在面對復雜環(huán)境,尤其是構型空間存在狹長的通道時,傳統運動規(guī)劃算法性能大大下降,規(guī)劃時間長而且失敗率高,孫明鏡等[30]針對這些難題提出了一種面向狹窄空間的機械臂快速穩(wěn)定路徑規(guī)劃算法,采用示教路徑為啟發(fā)項,結合非均勻采樣和均勻采樣,離線生成PRM隨機路圖,通過在線圖搜索查找最終可執(zhí)行路徑。蔡健榮等[31]針對動態(tài)非結構化環(huán)境下的柑橘采摘機器人實時路徑規(guī)劃問題,利用雙目立體視覺技術獲取柑橘及障礙物的三維信息,對采摘作業(yè)區(qū)域進行虛擬重建,并在此基礎上采用單次查詢、雙向采樣與延遲碰撞檢測相結合的SBL-PRM算法對柑橘采摘機械臂進行避障路徑規(guī)劃,該方法適用于動態(tài)非結構化環(huán)境下的采摘機械臂實時避障。鄒宇星等[32]針對采摘機械臂在不確定的環(huán)境中進行采摘作業(yè)的要求,提出了一種基于改進概率地圖PRM算法的機械臂避障路徑規(guī)劃方法。相比傳統PRM算法,改進算法速度提高22.2%,能夠有效地實現機械臂無碰撞路徑規(guī)劃。

2.5 快速擴展隨機數算法(RRT)

快速擴展隨機樹(Rapidly-exploring Random Tree,RRT),是基于數據結構的單一查詢式算法,主要用于路徑規(guī)劃、虛擬現實等方向的研究?？焖贁U展隨機樹采用一種特殊的增量方式進行構造,因此,該算法在采摘機械臂路徑規(guī)劃領域應用前景廣闊。

Cao等[33]為了實現采摘機械臂在動態(tài)和非結構化環(huán)境中的避障問題,提出了改進的快速探索隨機樹(RRT)算法,此設計采用目標重力的思想,加速了路徑搜索的速度,試驗表明,該算法規(guī)劃的無碰撞路徑可以成功地將機械臂驅動到作業(yè)位置,而不發(fā)生任何碰撞,路徑實現時間0.47 s,成功率100%,其路徑的長度優(yōu)化后縮短20%,Ye等[34]針對RRT算法在高維環(huán)境下存在的隨機性、轉換速度慢等缺點,引入了目標重力概念和自適應系數調整方法無碰撞拾取姿態(tài),改進后的算法平均路徑搜索時間為4.24 s,實驗室環(huán)境下路徑確定成功率為100%,所提出的無碰撞運動規(guī)劃方法可以有效使采摘機械臂避開工作空間中的障礙物,高效完成采摘任務。Schuetz等[35]以甜椒作為采摘對象,引入了一種基于RRT算法的全局離線優(yōu)化方案,該方案能夠在極短時間內尋找到最優(yōu)路徑。劉頓等[36]針對目前采摘機械臂采摘多次行程規(guī)劃效率低、耗時長、路徑非最優(yōu)的問題,提出一種基于Informed-RRT*改進的柑橘采摘機械臂運動規(guī)劃算法,在算法中引入了啟發(fā)性的節(jié)點采樣策略,提高了最優(yōu)路徑的收斂速度,改進算法路徑搜索時間縮短了88%,節(jié)點數縮短42%,平均迭代次數下降64%,路徑規(guī)劃成功率約為96%,算法平均規(guī)劃時間0.81 s,規(guī)劃成功率提高11%,路徑成本優(yōu)化16%。

針對多自由度果蔬采摘機械臂運動路徑規(guī)劃速度慢、效率低、路徑成本高的問題,張勤等[37]提出了一種柯西目標引力雙向RRT*算法,相比于傳統RRT*-connect算法,改進算法的路徑成本縮短5.5%,運行時間降低71.8%,采樣節(jié)點數下降64.2%,單次搜索時間0.33 s,相比于原始算法,路徑成本降低12.6%,運行時間減少了69.2%,擴展節(jié)點數減少76.3%。

為提升機械臂在非結構性環(huán)境中進行避障采摘作業(yè)的要求,陽涵疆等[38]采用RRT算法提出了一種基于關節(jié)構形空間的混聯采摘機械臂避障路徑規(guī)劃算法,所提出的算法搜索的避障路徑能夠驅動采摘機械臂避開工作空間內的障礙物,到達作業(yè)目標點,使串聯機械臂擁有全局避障路徑規(guī)劃的能力,體現了實時避障的設計思路。

在采摘過程中機械臂有時需要深入樹冠內部進行采摘,而在樹冠內眾多枝干往往構成一個個封閉的多邊形通道,比起單個枝條的障礙物,封閉多邊形障礙物更加難以避開,需要更長的時間進行規(guī)劃。針對此問題,馬冀桐等[39]通過對構型空間的離線構建,分析了封閉多邊形障礙物在構型空間的拓撲結構性質,根據這一性質,對雙向快速擴展隨機樹算法(RRT-connect)進行改進,提出了一種基于構型空間先驗知識引導點的RRT-connect算法與傳統RRT-connect算法相比規(guī)劃時間分別縮短了51%、86%,該算法對封閉障礙物和未封閉障礙物均有較好的避障效果,平均路徑規(guī)劃時間為1.263 s,成功率為91%,可以為柑橘采摘機器人在不同環(huán)境的運動規(guī)劃問題提供參考。

3 路徑規(guī)劃算法比較分析

不同的路徑規(guī)劃算法針對不同的采摘環(huán)境其收斂速度和多樣性能方面的表現各有利弊,單一算法或者固定的路徑規(guī)劃模式已經很難適應現代農業(yè)自動化采摘面臨的問題。本文主要就多種采摘機械臂路徑規(guī)劃算法,重點分析各類規(guī)劃算法的優(yōu)缺點,局限性以及適用場景(表3),最后對采摘機械臂路徑規(guī)劃技術未來改進提出建議。

表3 路徑規(guī)劃算法對比Tab. 3 Comparison of path planning algorithms

1) 群優(yōu)化算法。該類算法適應性強、易于重構,具有較強的魯棒性并且隱含負反饋機制,在采摘機械臂路徑規(guī)劃過程中,群優(yōu)化算法需要依賴較為完善動態(tài)環(huán)境評估機制,運算量大,這就對機械臂控制系統乃至整個采摘機器人的環(huán)境感知性能提出了較高的要求,間接性提高了采摘機器人的普及成本,在機械臂的實時控制,特別是動態(tài)路徑規(guī)劃中優(yōu)勢不明顯。因此,針對果實采摘過程中的動態(tài)路徑規(guī)劃是未來研究的方向。

2) 人工勢場算法。人工勢場算法在數學描述上簡潔、美觀,人工勢場算法結構簡單,能夠有效提高路徑規(guī)劃的實時性,然而傳統人工勢場算法在規(guī)劃路徑時,存在障礙物邊界勢場不完善的問題,無法約束采摘機械臂的整體位姿,容易引起局部最小值,使算法最終收斂性出現問題,較為有效的解決方案是建立統一的勢能函數,人工勢場算法要求在路徑上的障礙物都必須是規(guī)則的,因為無規(guī)則障礙物會導致的運算量龐大,但這樣對作業(yè)環(huán)境就有嚴格的要求,降低了適用性,因此,這也是目前國內外學者對人工勢場算法改進的熱門方向。

3) 圖搜索算法。圖搜索類算法主要利用已知的環(huán)境地圖和地圖中障礙物的信息,構建出起始點到終點的路徑,包括深度優(yōu)先和廣度優(yōu)先兩個方向,該類算法搜索能力強,其中Dijkstra算法采用廣度優(yōu)先搜索,是解決有向圖和無向圖的單源最短路徑的有效方法,研究的主要方向在于如何提升搜索效率,減少不必要的搜索,同時提高搜索的準確性。A*算法則利用啟發(fā)該類算法能夠有效提高路徑的搜索效率,但需要對全局路徑進行在線建模,難以滿足動態(tài)采摘環(huán)境下機械臂作業(yè)的避障要求。Dijkstra算法能得出最短路徑的最優(yōu)解,但遍歷節(jié)點較多,所以效率相對低。由于Dijkstra是層層向外擴展的,因此搜索區(qū)域很大,時間較慢,但準確度較高,可以保證得到的路徑一定是最短的,因此,Dijkstra算法更適用于對采摘機器所在區(qū)域進行完整搜索,再結合其他算法進行局部路徑規(guī)劃,但是Dijkstra算法不能有負權,因此只能單向尋源,相比Dijkstra算法,A*算法搜索效率較高,且能得到最優(yōu)解,相應的A*算法的缺點在于其拓展節(jié)點的隨機性,沒有關于全局的位置信息。因此它搜索的節(jié)點數量會較多,這種方法犧牲了一定的空間代價達到了速度與完備兼得的優(yōu)勢。

4) 概率地圖法(PRM)。概率地圖法的思路是建立柵格地圖生成離散空間,能用相對少的隨機采樣點來找到一個解,動態(tài)規(guī)劃性能優(yōu)秀,對多數采摘作業(yè)而言,其采樣點足以覆蓋大部分可行的空間,在算法機理上可以確保一定找到一條路徑,但是,由于采樣點是均勻產生的,因此可能造成某些狹窄區(qū)域采樣點數較少,狹窄區(qū)域無法聯通,導致路徑搜索失敗,長時間路徑搜索會造成路徑規(guī)劃的不穩(wěn)定,由于采摘作業(yè)多在枝干、葉片等多種障礙物的狹窄空間內循跡,這樣就極大限制了PRM算法在采摘機械臂路徑規(guī)劃算法的應用,因此,PRM算法更多的是應用于搭載機械臂的負載平臺在農場或果園中的路徑規(guī)劃,但隨著高性能計算機、處理器等硬件設備的升級,通過增加采樣點密度,狹窄區(qū)域中節(jié)點數量會相應增加,可以一定程度上提高循跡的成功概率。

5) 快速擴展隨機數算法(RRT)。RRT算法及其改進算法,因其概率完備,只要路徑存在,有足夠長的規(guī)劃時間,就能確定得到一條路徑的解,此類算法不僅適用于二維搜索,也適用于高維度動態(tài)規(guī)劃,且不會存在局部最小值的問題,具有高效的隨機擴展性,可快速生成可行路徑,為高維且復雜的機器人路徑規(guī)劃問題提供了一種新的解決方案,因為RRT算法的種種優(yōu)勢,在采摘機械臂路徑規(guī)劃領域應用前景廣泛。

4 采摘機械臂路徑規(guī)劃研究展望

雖然采摘機械臂路徑規(guī)劃算法在采收作業(yè)過程中已經取得了顯著的科研成果,并廣泛應用于農業(yè)、林果業(yè)中,但隨著相關產業(yè)應用場景愈發(fā)復雜,自動化程度的不斷提高,對機械臂的應用需求也更加智能化,本文對具有代表性和實用性的采摘機械臂路徑規(guī)劃算法進行了綜述,并對今后采摘機械臂路徑規(guī)劃技術研究與改進提出3點展望。

1) 多算法融合。隨著采摘機械臂路徑規(guī)劃算法應用范圍日益廣泛,作業(yè)環(huán)境日益復雜,任何單一算法都無法滿足所有工作環(huán)境。各類路徑規(guī)劃算法各自具有優(yōu)點與特性,但都有其局限性。為滿足復雜工況下的避障要求,利用不同算法的優(yōu)勢互補解決不同情況下的機械臂路徑規(guī)劃問題將成為未來研究的熱點。

2) 提高路徑重規(guī)劃與動態(tài)規(guī)劃性能。目前采摘機械臂路徑規(guī)劃算法研究領域的大多數算法只能在理想化的實驗室環(huán)境中進行,在實際采摘過程中,路徑規(guī)劃的狀態(tài)不再是靜態(tài)環(huán)境,因此,提高算法的環(huán)境適應性也是目前研究的重點問題。針對機械臂愈發(fā)復雜的工作環(huán)境,可采用經典算法和智能算法的混合方式,靜態(tài)環(huán)境使用傳統算法規(guī)劃,動態(tài)環(huán)境和極小值問題則使用智能算法局部規(guī)劃的方式來實現整體路徑規(guī)劃,提高系統穩(wěn)定性。現階段機器人技術要真正地得到廣泛應用到復雜的農林采摘作業(yè)中就必須提高路徑規(guī)劃技術的環(huán)境普適性,其核心問題是解決路徑的重規(guī)劃問題,加強動態(tài)搜索率。

3) 局部路徑與全局路徑融合。全局路徑規(guī)劃算法是在預知的地圖環(huán)境中搜尋最優(yōu)路徑,因此多數只能應用于預知地圖的靜態(tài)環(huán)境中,無法避開環(huán)境中的動態(tài)障礙物。而在機械臂實際應用中,除了特定的靜態(tài)場景,大多數室外環(huán)境都是動態(tài)變化的,尤其是作物采收領域。在動態(tài)場景中機械臂需要對同一環(huán)境內的特征進行反復觀測采樣,不斷地更新地圖表示,以避免地圖誤差的不斷積累,并且會讓機器人內存資源高度消耗,勢必會影響路徑規(guī)劃的質量,這就使得為了適應多樣化的地圖環(huán)境,機器人必須考慮新的地圖表示方法,基于學習、采樣或者“記憶”的新型地圖表示方法為動態(tài)環(huán)境中的全局路徑規(guī)劃算法的發(fā)展提供了有力支撐。隨著路徑規(guī)劃技術的不斷深入,采摘機械臂的應用環(huán)境逐漸從靜態(tài)的封閉環(huán)境變化到半靜態(tài)的室外場景再變化到高度動態(tài)的公共場所,單純以柵格圖、拓撲圖、幾何特征圖等基于局部或者全局地圖都無法滿足機械臂對環(huán)境特征的更新,因此將局部路徑與全局路徑相融合將是未來機械臂路徑規(guī)劃的熱門方向之一。

3) 雙/多機械臂協同規(guī)劃。多機械臂智能采摘路徑規(guī)劃技術有著高靈活性、易部署、高協調性,具有環(huán)境自適應。多機械臂規(guī)劃各自最優(yōu)路徑的同時又要考慮到其他采摘機械臂的位置,這對算法的實時性、準確性以及數據的交互都是不小的挑戰(zhàn),多機械臂協同作業(yè)具有多任務適用,最優(yōu)匹配、自由協同、更好的系統冗余度及魯棒性等特點,未來將廣泛應用于采摘作業(yè)的實際場景中。

5 結語

路徑規(guī)劃作為采摘機械臂控制算法的核心,從根本上決定了機械臂作業(yè)性能。雖然目前許多的路徑規(guī)劃算法取得了豐碩的研究成果,因為采摘機械臂作業(yè)工況復雜,目前,尚不存在適用于所有作業(yè)環(huán)境的通用路徑規(guī)劃方案,因此,機械臂的通用性低,只能根據不同作物的采收要求和作業(yè)環(huán)境進行算法設計與結構適配,間接性提高了采摘機械臂的普及成本。

隨著智慧農業(yè)的興起、機器人技術的普及、控制技術與算法的革新,未來采摘機械臂應用的前景廣闊,相應的路徑規(guī)劃算法也將有著良好的發(fā)展前景。