139 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中國科技信息 2023 年第 16 期 科技工作 始點周圍方格的具體坐標及其到起始點的距離進行存儲 然 后將起始點作為起點 枚舉各個相鄰的格子 將下一個最優(yōu) 解作為下一步的起點 由于其需要對所有可達點進行完整的 遍歷 每個節(jié)點都需要計算其到起點的最短路徑 因此在處 理大規(guī)模圖問題時會變得耗時和效率低下 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)進行加速 2015 年 Wang等主要研究了基于改進A 算法的機器人運動規(guī) 劃問題 提出了一種基于可變步長搜索的A 算法 在原有 算法的基礎上進行了改進 與傳統(tǒng)的A 算法不同 該算法 可以在搜索過程中動態(tài)調(diào)整搜索步長 從而提高搜索效率 然而 對于未知或動態(tài)的障礙物 該算法的適應性和有效性 仍有待探究 雖然轉(zhuǎn)化可以提高計算效率 但會影響路徑平 滑度 且無法滿足實時要求 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 然后使用相對較少的隨機采樣點來找到一條 合適的路徑 其動態(tài)規(guī)劃性能優(yōu)秀 雖然在算法機理上可以 確保一定找到一條路徑 但由于采樣點是均勻生成的 所以 可能會使得某些狹窄區(qū)域采樣點數(shù)量較少 導致該區(qū)域無 法被連接 進而導致路徑搜索失敗 由于采摘機器人的操作 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 將嚴重限制PRM算法在路徑規(guī)劃中的應用 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 應用也得到了改善 2019年 Zou等提出了一種基于改進 PRM算法的機器臂路徑規(guī)劃方法 引入了一個新的 超類 概念 用于刻畫機器人末端執(zhí)行器與環(huán)境之間的關(guān)系 減少 了大量的計算資源和時間 通過建立環(huán)境的網(wǎng)格模型 并將 機器人與網(wǎng)格模型映射 構(gòu)建了基于超類的機器人運動與環(huán) 境交互關(guān)系 進而利用PRM算法進行路徑規(guī)劃 能夠更好 地適應復雜的工作環(huán)境 隨機采樣方法 RRT算法是一種隨機采樣算法 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生成節(jié)點 并 連接距離最近的節(jié)點來探索搜索空間 最終形成一棵探索樹 隨著時間的推移 探索樹不斷擴展 直到找到滿足條件的解 蘋果采摘機器人的機械臂路徑規(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 機械工程學院 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 基金項目 黑龍江省教育廳基本科研業(yè)務費 2020 KYYWF 0264 國家級大學生創(chuàng)新創(chuàng) 業(yè)訓練計劃項目 202210222126 蘋果是中國第一大經(jīng)濟水果 具有國際競爭力 隨著中 國蘋果產(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 動力成本高 這都是制約中國蘋果生產(chǎn)的不小瓶頸 而蘋果 采摘機器人的出現(xiàn)和應用 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 機械臂路徑規(guī)劃作為機器 人運動控制技術(shù)的重要組成部分 是保證機械采摘作業(yè)高效 率的關(guān)鍵技術(shù)之一 對于實現(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 針對蘋果采摘作業(yè)的復雜作業(yè)環(huán)境 國內(nèi)外眾多學者提 出了許多機械臂路徑規(guī)劃算法 其主要目標是在機械臂的有 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 從根本上決定了機械臂作業(yè)性能 本文按照機械臂在采摘作業(yè)時所面對的不同任務需求和環(huán)境 約束 將機械臂路徑規(guī)劃方法可以分為離線規(guī)劃與在線規(guī)劃 兩類 結(jié)合國內(nèi)外研究成果進行對比分析 總結(jié)得出各類路 徑規(guī)劃算法的適應性和局限性 并對機械臂式蘋果采摘機器 人的采摘路徑規(guī)劃算法發(fā)展趨勢做出了未來展望 基于離線規(guī)劃的方法 通過離線對機械臂的路徑進行規(guī)劃 需要提前知道機械 臂的起點 終點和障礙物等信息 再實時地將規(guī)劃好的路徑 上傳給機械臂執(zhí)行 在機械臂的離線路徑規(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算法的特點是具有高效的隨機性和擴展性 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 法適用于高維且復雜的機器人路徑規(guī)劃問題 并成為該領(lǐng)域 的重要研究方向之一 由于RRT算法生成路徑時是基于離 散的節(jié)點 路徑較為 抖動 這會導致機械臂在跟隨路徑 時出現(xiàn)不必要的震動和抖動 從而降低機械臂的控制精度和 穩(wěn)定性且無法根據(jù)目標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)了許多改進算法以提高 算法的適應性 2018 年 Zhang 提出了一種改進的 RRT 算法用于機械臂自主路徑規(guī)劃 該算法引入回歸機制和自適 應擴展機制 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 改進算法用于機械臂的路 徑規(guī)劃 該算法通過改變父節(jié)點選擇方式和引入代價函數(shù) 實現(xiàn)路徑的漸進最優(yōu)性 同時 算法引入了目標引力 減少 路徑搜索的隨機性 并提出自適應步長 避免陷入局部最優(yōu) 2021 年 Ye 等提出了一個 AtBi RRT 算法用于移動機器人 的路徑規(guī)劃 該算法引入了目標重力概念和自適應系數(shù)調(diào)整 方法 克服了在高維環(huán)境下的隨機性 收斂速度慢等局限性 AtBi RRT算法可以快速找到機器人的可達空間 提高移動 機器人的路徑規(guī)劃性能 在實驗中 該算法成功地用于移動機 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)劃算法性能對較 算法類型 時間復雜度 和搜索速度 精度 和準確性 可擴展性 和靈活性 計算 難度 魯棒性 和適應能力 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 以上評估結(jié)果是從整體上對四種算法進行的評估 不同應 用場景下各算法的性能表現(xiàn)可能會有所不同 基于在線規(guī)劃的方法 在線規(guī)劃是依據(jù)當前機械臂的狀態(tài)特征 如速度 加速 度等參數(shù) 根據(jù)當前的工作環(huán)境實時地規(guī)劃機械臂的運動路 徑 由于在線規(guī)劃是一種實時性質(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變化的環(huán)境 在線規(guī) 劃主要包括群智能算法 人工勢場算法 逆向動力學 貝葉 斯優(yōu)化等 群智能算法 目前應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 能夠在多目標優(yōu)化和動態(tài)環(huán)境中優(yōu)化 蟻群算法的優(yōu) 點在于它收斂速度快 實現(xiàn)比較簡單 在蘋果采摘機械臂路 徑規(guī)劃中 蟻群算法可以應用于多機械臂協(xié)作的路徑規(guī)劃 實現(xiàn)高效 準確的采摘任務 然而 當面對復雜果園時可能 會陷入局部最優(yōu) 導致采摘效率低下 當采摘的蘋果較多時 搜索空間較大 蟻群算法的計算效率會降低 同時 算法對 于大規(guī)模蘋果采摘的問題 可能需要耗費大量時間和計算資 源 2017年 王江華等針對狹窄空間中機械臂的路徑規(guī)劃 問題 改進的算法在傳統(tǒng)蟻群算法的概率分布 路徑二次優(yōu) 化 淘汰機制等方面進行了改進 增強了系統(tǒng)的魯棒性 能 夠有效提高機械臂在復雜環(huán)境下的適應能力 這種優(yōu)化算法 為機械臂的路徑規(guī)劃提供了一種可行且高效的解決方案 遺 傳算法適用于任務復雜 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 初始種群的設置較困難 需要占用較多計算資源等 問題還需進一步優(yōu)化解決 2020年 王懷江等通過建立移 動機械臂揀選路徑模型 在遺傳算法中采用了距離排序機制 動態(tài)保留策略 設計交叉和變異算子等改進方法 這些改進 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 少算法運行時的計算量 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 來推導出動態(tài)尋優(yōu)的優(yōu)化算法 具有易于實現(xiàn)和并行計算 收斂速度快 對初始種群的設置要 求較低的優(yōu)點 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) 需要對算法進行較多的調(diào)參 2021年 Cao 等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 成功率為 96 67 驗證了粒子群算法在機械臂采摘領(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 強 全局最優(yōu)性 一般 較好 較好 收斂速度 慢 較快 快 可擴展性 較強 強 較強 編程難度 高 較高 較高 計算復雜度 高 較高 一般 魯棒性 較好 好 好 普遍應用性 普遍應用 較為普遍 一般 人工勢場算法 人工勢場算法在蘋果采摘機械臂的路徑規(guī)劃中應用是在 機器人周圍建模 采用人工勢場作為環(huán)境描述 將吸引點蘋 果作為機器人需要到達的目標點 機械臂與樹枝 樹葉等障 礙物進行排斥 同時考慮動態(tài)外部環(huán)境 如風力影響等調(diào)整 路徑方向和速度 實現(xiàn)機械臂的在線路徑規(guī)劃 2020年 熊俊濤等針對采摘任務數(shù)量多 目標和障礙物位置隨機性強 等問題提出了人工勢場算法 該算法利用獎懲函數(shù)來建立目 標吸引和障礙物排斥的思想 優(yōu)化路徑長度并提高采摘機械 臂的運動控制精度 經(jīng)過仿真測試 采摘任務成功率達到了 96 7 以上 相比于其他在線規(guī)劃方法 人工勢場算法的優(yōu) 點是具有實時性好 適應性強和易于實現(xiàn)的特點 同時支持環(huán) 境信息的實時變化 能夠在動態(tài)環(huán)境下調(diào)整機器人的軌跡和速 度 提高效率和準確性 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參數(shù)設置 實現(xiàn)難度較大 其他算法 逆向動力學 逆向動力學路徑規(guī)劃是機器人路徑規(guī)劃領(lǐng)域中一種較為 常用的方法 主要是在已知機器人的終點坐標和姿態(tài)的前提 下 逆向計算機器人從終點倒退到起點采取的姿態(tài)序列和動 141 CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug 2023 中國科技信息 2023 年第 16 期 科技工作 作序列 逆向動力學可以保證路徑規(guī)劃的完成性和靈活性 已經(jīng)在蘋果采摘機器人的研究中得到廣泛應用 2018年 Kulumani等提出了一種基于逆向動力學的蘋果采摘機器人 路徑規(guī)劃方法 利用深度攝像頭獲取蘋果位置信息和機器人 姿態(tài)信息 然后進行逆向動力學路徑規(guī)劃 計算出最優(yōu)路徑 和動作序列 最后利用機器人臂進行采摘 能夠高效 靈活的 完成路徑規(guī)劃 由于是對已知終點逆向計算 避免了逐幀正向 計算造成的高計算開銷 同時也具有更加自由的規(guī)劃空間 在 處理場景復雜 模型需求高 或者需要頻繁進行路徑更新的場 景中尤為有效 其缺點也顯而易見 需要已知的機器人終點坐 標和姿態(tài) 在某些場景中難以滿足 同時 路徑規(guī)劃對于起點 的連續(xù)性要求也較高 不適用于離散的起點情況 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 的蘋果采摘機械臂路徑規(guī)劃的 核心思想是通過不斷地更新先驗分布 來尋找最優(yōu)的機械臂 路徑規(guī)劃 BO算法主要應用于黑箱模型優(yōu)化 對于目標函 數(shù)未知 復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 自適應性 可并行化等優(yōu)點 但采摘時需 要根據(jù)果實的分布 數(shù)量 大小 高度等因素進行決策 這 些信息通常是不完全的 不可觀測到的 因此BO 算法無法 在這種條件下進行機械臂路徑規(guī)劃 總結(jié)展望 本文重點介紹了蘋果采摘機械臂的兩種路徑規(guī)劃 離線 規(guī)劃和在線規(guī)劃 并詳細介紹了其包含內(nèi)容與適用條件 通 過對 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 工作前預先計算機械臂采摘蘋果的最佳路徑 并將路徑信息 存儲在內(nèi)存中 機械臂在進行采摘任務時 直接執(zhí)行預先計 算好的路徑 離線路徑規(guī)劃算法主要的優(yōu)點在于執(zhí)行速度快 不需要在任務執(zhí)行的過程中進行計算 同時 由于路徑信息 在預處理完成后存儲在內(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)劃算法的缺點在于 路徑規(guī)劃的準確性和可靠性依賴預設的模型 只定點作業(yè)的 規(guī)范化種植果園的工作環(huán)境 且在遇到果園復雜的采摘環(huán)境 由于無事先設定好的應對方案 機械臂不能靈活應對 無法 真正滿足蘋果實際生產(chǎn)的高效采摘作業(yè) 作業(yè)適應性差 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場算 法能夠在采摘中根據(jù)實時感知到的周圍環(huán)境信息動態(tài)地計算 最佳路徑 實現(xiàn)實時采摘作業(yè) 其優(yōu)點在于能夠動態(tài)地適應環(huán) 境變化 根據(jù)實際情況進行實時調(diào)整 靈活性更高 適用于復 雜的環(huán)境和場景 但是在線路徑規(guī)劃算法的缺點在于相對離線 算法 計算量更大 需要更強的計算能力 同時靈活性也意味 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 本文認為蘋果采摘機器人的機械臂路徑規(guī)劃將會朝 著以下趨勢發(fā)展 以便于更高效的完成蘋果采摘作業(yè) 動態(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在機器臂內(nèi)部 機器臂執(zhí) 行采摘任務時 基于實時感知技術(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行采摘 充分利用了 離線路徑規(guī)劃的計算效率和在線路徑規(guī)劃的實時性 發(fā)揮出 它們的優(yōu)勢 提高機器臂的采摘效率和自主感知能力 深度學習和仿生智能算法規(guī)劃 深度學習算法可以通過使用神經(jīng)網(wǎng)絡 對大量的歷史采 摘數(shù)據(jù)進行建模和分析 提高機器臂的感知和判斷能力 從 而預測機械臂的行動軌跡 減少機械臂的誤差 提高采摘的 效率和穩(wěn)定性 同時搭配仿生智能算法過模仿大自然中的生 物演化機制 例如通過仿生學 蜜蜂覓食等自然現(xiàn)象的研究 可以更好地模擬機器臂的運動快速搜索路徑規(guī)劃空間 從而 找到最優(yōu)的機械臂路徑規(guī)劃方案 與傳統(tǒng)算法相比 深度學 習和仿生智能算法具有更好的適應性和容錯性 在復雜環(huán)境 下能夠更好地應對動態(tài)和不確定的因素 實現(xiàn)更加高效的路 徑規(guī)劃和運動控制 精確完成采摘任務 多臂協(xié)同規(guī)劃 多機械協(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 而且能夠適應不同的環(huán)境 當采摘作業(yè)時 面臨樹枝 樹葉等障礙物的遮擋 多機械臂協(xié)同規(guī)劃可以借 助輔助機械臂剝開障礙物的干擾 再用采摘機械臂進行采摘 將復雜果園環(huán)境簡單化 同時 多機械臂協(xié)同作業(yè)還可以通 過路徑規(guī)劃和協(xié)調(diào)機制 提高機械臂作業(yè)的準確性和穩(wěn)定性 并支持多機械臂之間的任務分配 資源分配及協(xié)調(diào)關(guān)系 更 好地適應多樣化 復雜的環(huán)境和動態(tài)變化的采摘需求 因此 多機械臂協(xié)同作業(yè)具有多任務適用 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 未來將得到廣泛應用于 果園采摘的實際場景中 提高采摘效率和效益 實現(xiàn)智能果 園的發(fā)展 表3 采摘作業(yè)中常用的機械臂路徑規(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 設計參數(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)點利用率低以及容易陷 入死角 適用于不規(guī)則 未知 動態(tài)的作業(yè) 環(huán)境 智能算法 算法結(jié)構(gòu)簡單 適應性強 并行性好 自適應 環(huán)境變化調(diào)整動態(tài)路徑規(guī)劃 算法復雜度高 存在隨機性 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)作的定點采摘作業(yè) 人工勢場算法 簡單易實現(xiàn) 適應性與可擴展性強 實時性好 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