農(nóng)業(yè)裝備工程與機械化 康乃馨扦插機器人設計與試驗 蘇 微1 闕 煜1 賴慶輝2 楊湛威1 閆 闖1 周生武1 1 昆明理工大學現(xiàn)代農(nóng)業(yè)工程學院 昆明 650500 2 云南師范大學能源與環(huán)境科學學院 昆明 650500 摘 要 針對康乃馨自動化標準扦插作業(yè)需求 解決現(xiàn)有人工扦插模式勞動強度大的問題 該研究設計了一種抓取 扦 插一體化作業(yè)的扦插機器人系統(tǒng) 以康乃馨生根用插穗為對象 根據(jù)插穗物料特性參數(shù)和高產(chǎn)栽培農(nóng)藝要求 提出輔助 栽植式末端執(zhí)行器作業(yè)方式和抓插協(xié)同運動規(guī)劃模型 基于YOLOv5s深度學習網(wǎng)絡構(gòu)建多目標插穗檢測模型 建立扦 插機器人運動學模型 提出基于改進MD H modified denavit hartenberg 規(guī)則的逆運動學建模方法和時間最優(yōu)軌跡規(guī) 劃算法 仿真結(jié)果表明 改進后的逆解算法和軌跡規(guī)劃算法的運行時間與常規(guī)算法相比分別降低了38 3 和72 5 搭 建扦插機器人試驗臺 進行定位誤差及整機性能試驗 試驗結(jié)果表明 抓取作業(yè)時X Y方向的平均定位誤差分別為 2 33和2 38 mm 扦插作業(yè)時X Y Z方向的平均定位誤差分別為2 21 2 25和2 05 mm 機器人單株平均作業(yè)總時間 為14 787 s 其中識別抓取平均工作周期為6 803 s 占作業(yè)總時間的46 01 扦插作業(yè)的平均工作時間為5 104 s 占作 業(yè)總時間的34 52 插深合格率為88 扦插直立度為92 漏插率和根部損傷率分別為5 和2 基本滿足自動化 標準扦插作業(yè)要求 研究結(jié)果可為溫室標準化扦插設備的研發(fā)與應用提供參考 關(guān)鍵詞 機器人 扦插 康乃馨 YOLOv5s 改進粒子群算法 軌跡規(guī)劃 識別定位 doi 10 11975 j issn 1002 6819 202404074 中圖分類號 S24 TP242 3 文獻標志碼 A 文章編號 1002 6819 2024 18 0001 12 蘇微 闕煜 賴慶輝 等 康乃馨扦插機器人設計與試驗 J 農(nóng)業(yè)工程學報 2024 40 18 1 12 doi 10 11975 j issn 1002 6819 202404074 http www tcsae org SU Wei QUE Yu LAI Qinghui et al Design and test of a carnation cuttage robot J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2024 40 18 1 12 in Chinese with English abstract doi 10 11975 j issn 1002 6819 202404074 http www tcsae org 0 引 言 扦插是生產(chǎn)用種苗的主要生根繁殖方法 扦插成本 占總勞動力成本的70 1 扦插育苗是鮮花種植過程中 的關(guān)鍵環(huán)節(jié) 也是促進農(nóng)業(yè)增收的重要農(nóng)藝措施 2 針對自動化扦插設備 國內(nèi)外已有一些有意義的研 究 美國IRON OX公司 3 設計了一種基于五自由度機 械臂的水培葉菜移栽機器人 可基于視覺系統(tǒng)檢測并篩 選滿足移栽要求的種苗 美國ISO公司 4 開發(fā)了一種取 苗扦插機器人 末端執(zhí)行器通過直接夾取幼苗基質(zhì)的方 式進行取苗 同時保證插深一致性 扦插效率可達到 2500 株 h 荷蘭TTA公司 5 基于六自由度機械臂開發(fā)出 一種扦插機器人系統(tǒng) 可對種苗進行優(yōu)質(zhì)評估從而保證 扦插合格率 移栽效率可達2800 株 h 丹麥BEKIDAN 公司 6 基于四自由度機器人開發(fā)了一種全自動移栽機 工作效率可達8800 株 h 溫室中的人工扦插是勞動密集 型作業(yè) 成本高 溫室自動扦插機的商業(yè)價值和優(yōu)勢引 起了研究人員的關(guān)注 7 國內(nèi)在溫室自動化種植領(lǐng)域的 研究也頗有成果 8 陶玉龍等 9 10 研制出一種基于視覺 系統(tǒng)的三平移并聯(lián)機器人 配備其自主研發(fā)的兩指四針 鉗夾式取苗末端執(zhí)行器 楊艷麗等 11 開發(fā)了葉菜種苗移 植機器人 實現(xiàn)了葉菜種苗從穴盤移植到栽培槽的自動 化作業(yè) 工作效率約為人工移植作業(yè)的2倍以上 然而 目前的多數(shù)研究主要側(cè)重于穴盤到穴盤間基質(zhì)的移植 不適用于康乃馨生根苗的扦插應用 此外 扦插作業(yè)的 標準化也是許多研究中忽視的關(guān)鍵點 結(jié)合機器人扦插 的可用性與經(jīng)濟性評估 12 開發(fā)扦插機器人可以充分彌 補目前扦插作業(yè)中存在的人工扦插費時費力和缺乏自動 化扦插設備等問題 本文以康乃馨生根用插穗為對象 設計一種抓取 扦插一體化作業(yè)的康乃馨插穗扦插機器人 對其輔助栽 植式末端執(zhí)行器 插穗目標檢測算法 抓插協(xié)調(diào)運動規(guī) 劃以及運動學算法等核心部件過程進行設計 通過運動 學仿真驗證和性能試驗對機器人的關(guān)鍵性能進行驗證和分 析 以其為溫室標準化扦插設備的研發(fā)與應用提供參考 1 康乃馨插穗特性參數(shù)測定 特性參數(shù)既是康乃馨插穗質(zhì)量的重要評價指標 也 是末端執(zhí)行器參數(shù)設計的重要依據(jù) 本文選用康乃馨母 本枝條作為插穗樣本 圖1a 其枝條葉片為4 5對 根部莖稈徑向截面近似呈橢圓狀 圖1b 為了獲得康乃馨插穗的表觀特性參數(shù) 隨機選取50 收稿日期 2024 04 16 修訂日期 2024 06 13 基金項目 國家自然科學基金項目 52165031 作者簡介 蘇微 博士 副教授 研究方向為農(nóng)業(yè)機械化生產(chǎn)和管理 Email laisubo 通信作者 賴慶輝 博士 教授 博士生導師 研究方向為農(nóng)業(yè)機械裝 備與計算機測控 Email laiqinghui007 第 40 卷 第 18 期農(nóng) 業(yè) 工 程 學 報 Vol 40 No 18 2024 年 9 月Transactions of the Chinese Society of Agricultural Engineering Sept 2024 1 株插穗樣本 使用精度為0 01 mm的游標卡尺和電子天 平分別對其幾何尺寸和質(zhì)量進行測量 同時采用排水法 測定體積 康乃馨插穗的表觀特性參數(shù)見表1 Y X Z d D 樣本1 Sample No 1 樣本3 Sample No 3 樣本4 Sample No 4 樣本2 Sample No 2 a 三維掃描模型 a Three dimensional scanning model b 徑向截面示意圖 b Sketch of radial section 注 D為徑向截面長軸 mm d為徑向截面短軸 mm Note D is the long axis in radial section mm d is the short axis in radial section mm 圖1 康乃馨插穗樣本 Fig 1 Sample of carnation cuttings 表 1 康乃馨插穗表觀特性參數(shù) Table 1 Apparent characteristic parameters of carnation cuttings 參數(shù) Parameters平均值 Average 株高 Plant height mm 16 123 徑向截面長軸 Long axis in radial section mm 6 425 徑向截面短軸 Short axis in radial section mm 4 799 質(zhì)量 Mass g 2 456 密度 Density g cm 3 0 797 利用質(zhì)構(gòu)儀 TA Type XTPlus 進行插穗莖稈的剪 切試驗 13 測定康乃馨插穗的剪切強度 考慮到樣本位 置相對于根部存在的屈服應力差異 將試樣按根部向上 45 55和65 mm位置分為3組各10株進行試驗 以插 穗莖稈沿標定線切斷為準 結(jié)果取平均值 莖稈剪切強 度計算式為 4pmax Dd 1 式中 為剪切強度 MPa pmax為破壞載荷 N 對載荷 位移原始數(shù)據(jù)進行處理 力學特性參數(shù)測量 結(jié)果見表2 得到康乃馨插穗的平均剪切極限載荷為 60 419 N 因此機器人扦插執(zhí)行器采用夾持力30 36 N 的氣爪 對插穗莖桿的損傷較小 可以降低損傷率 表 2 康乃馨插穗力學特性參數(shù) Table 2 Mechanical property parameters of carnation cuttings 參數(shù) Parameters值Value 剪切極限載荷 Shear limit load N 60 419 剪切強度 Shear strength MPa 24 949 剪切模量 Shear modulus MPa 14 351 楊氏模量 Young s modulus MPa 38 247 泊松比 Poisson s ratio 0 333 2 扦插機器人關(guān)鍵部件設計 2 1 扦插機器人硬件系統(tǒng)設計 康乃馨插穗扦插機器人主要由上位機 電氣系統(tǒng) 機器人控制系統(tǒng)和視覺系統(tǒng)組成 其硬件架構(gòu)如圖2所 示 上位機通過以太網(wǎng)光纖與ROS robot operating system 運動控制器連接 深度相機通過USB口與上位 機連接 系統(tǒng)工作時 首先采用邊緣設備對采集的彩色 圖像進行特征識別和三維坐標定位 再利用上位機進行 逆運動學計算和運動規(guī)劃 將位姿數(shù)據(jù)和運動參數(shù)發(fā)布 到ROS運動控制器 在控制機械臂伺服電機運動的同時 進行信號反饋 電氣系統(tǒng)通過改變系統(tǒng)壓力連續(xù)調(diào)節(jié)輸 出力 14 并通過控制器的I O口控制電磁閥 上位機 USB2 0 電磁閥 空氣壓縮機 機器人控制系統(tǒng) 視覺系統(tǒng) 以太網(wǎng)光纖 Ethernet fiber 深度相機 振動傳送帶 串聯(lián)機械臂 電氣系統(tǒng) 末端執(zhí)行器 ROS運動控制器 I O 電磁激振器 Electrical system Visual system Solenoid valve Depth camera Vibrating conveyor belt Electromagnetic exciter Air compressorSeries manipulator End effector ROS motion controller Robot control system Upper computer 圖2 扦插機器人系統(tǒng)硬件架構(gòu) Fig 2 Hardware architecture of cuttage robot system 2 2 末端執(zhí)行器結(jié)構(gòu)與工作原理 扦插末端執(zhí)行器主要由滑動助推機構(gòu) 插深輔助機 構(gòu) 外伸夾頭 MHZ2 16氣爪和CDJ2B10氣缸組成 扦插作業(yè)時 末端執(zhí)行器從原點出發(fā) 通過機械臂的多 軸協(xié)調(diào)運動 從傳送帶上抓取插穗并將其栽植到目標穴 位 15 17 作業(yè)完成后返回出發(fā)點 末端執(zhí)行器結(jié)構(gòu)及工 作流程如圖3所示 為了保證夾持的穩(wěn)固性和低損性 末端執(zhí)行器的外 伸夾頭夾持插穗的葉柄位置 插穗莖稈支撐于滑動助推 機構(gòu)前端的柔性擋塊上 通過機械臂調(diào)姿后 末端執(zhí)行 2農(nóng)業(yè)工程學報 http www tcsae org 2024 年 器到達穴盤對應的扦插點位 此時夾持水平面與育苗穴 盤平面構(gòu)成傾角 插穗根部在插深輔助機構(gòu)末端斜鏟 的支撐保護作用下伸入育苗基質(zhì)內(nèi) 滑動助推機構(gòu)在氣 缸作用下沿夾持水平線以線速度v向下運動 柔性擋塊 在外伸斜面的導向作用下隨之推出 同時產(chǎn)生切向速度 v 即 v v cos 2 5 63 2 4 1 夾取 Grasping 扦插 Cuttage 抓 插協(xié)調(diào) Grasping inserting Coordination 1 滑動助推機構(gòu) 2 柔性擋塊 3 外伸夾頭 4 插深輔助機構(gòu) 5 MHZ2 16氣爪 6 CDJ2B10氣缸 1 Sliding boost mechanism 2 Flexible block 3 External chuck 4 Auxiliary mechanism of cuttage depth 5 MHZ2 16 air claw 6 CDJ2B10 air cylinder 圖3 末端執(zhí)行器結(jié)構(gòu)與工作流程 Fig 3 End effector structure and workflow 如圖4所示 在切向速度v 的作用下 插穗會翻轉(zhuǎn) 角度 并以最佳傾斜角度插入育苗基質(zhì)中 為了保證扦插作業(yè)質(zhì)量 機器人在扦插過程中需要 滿足以下條件 1 保證插深合格率 最佳扦插深度 為25 30 mm 18 2 保證扦插直立度 插穗與基質(zhì) 的最佳傾斜角為60 90 19 3 降低損傷率 夾取 和扦插過程中應盡量減小插穗的根部損傷 v X Z v v v X Z x y vr v 注 v為滑動助推機構(gòu)運動時的線速度 m s 1 v 為柔性擋塊推出時的切向 速度 m s 1 vr為柔性擋塊推出時的法向速度 m s 1 為夾持水平面與 穴盤平面夾角 為線速度v與切向速度v 所成夾角 為 插穗翻轉(zhuǎn)角度 Note v is the linear velocity of the sliding boost mechanism m s 1 v is the tangential velocity when the flexible block is pushed out m s 1 vr is the normal velocity when the flexible block is pushed out m s 1 is the angle between the holding plane and the plug tray plane is the angle between v and v is the turning angle of cuttings 圖4 扦插末端執(zhí)行器工作原理示意圖 Fig 4 Schematic diagram of working principle of cuttage end effector 2 3 康乃馨插穗目標檢測算法 康乃馨插穗最佳抓取位置的精準識別與定位是多目 標插穗檢測的主要任務 當前多數(shù)目標檢測模型在處理 高幀率視頻流時 存在推理速度慢以及對小目標的檢測 性能不佳等問題 20 22 為滿足實時檢測場景對模型快速 響應和高檢測精度的需求 本文提出基于YOLOv5s深 度學習網(wǎng)絡的插穗多目標檢測模型 為機器人提供準確 的抓取位置坐標 YOLOv5s目標檢測網(wǎng)絡結(jié)構(gòu)如圖5所 示 主要由輸入端 Input 骨干網(wǎng)絡 Backbone 頸部網(wǎng)絡 Neck 預測頭 Head 和輸出端 Prediction 組成 輸入端 Input 1 3 640 640 FOCUSConv 64 160 160 C3 64 160 160 Conv 128 80 80 C3 128 80 80 Conv 256 40 40 C3 256 40 40 Conv 512 20 20 C3 512 20 20 SPFF 512 20 20 骨干網(wǎng)絡Backbone Concat 256 80 80 頸部網(wǎng)絡Neck Upsample 256 40 40 Conv 256 20 20 Concat 512 40 40 C3 256 40 40 Conv 128 40 40 C3 512 20 20 Concat 512 20 20 Conv 256 20 20 C3 256 40 40 Concat 256 40 40 Conv 128 40 40 C3 128 80 80 Upsample 128 80 80 檢測頭Prediction Detect Output 1 3 20 20 85 Detect Output 1 3 40 40 85 Detect Output 1 3 80 80 85 圖5 YOLOv5s 網(wǎng)絡結(jié)構(gòu)示意圖 Fig 5 Network structure diagram of YOLOv5s 圖像輸入后 首先在輸入層進行預處理 等比縮放 到預定義尺寸后 進入由卷積層和殘差塊組成的骨干網(wǎng) 絡中進行圖像特征提取 殘差塊的應用可以有效解決深 層網(wǎng)絡訓練中的梯度消失問題 從而提高特征提取的準 第 18 期蘇 微等 康乃馨扦插機器人設計與試驗3 確性 YOLOv5s的頸部網(wǎng)絡結(jié)構(gòu)通過路徑聚合網(wǎng)絡 PANet 實現(xiàn)了不同尺度特征的有效融合 增強了模 型對小目標的檢測能力 圖像在通過頸部網(wǎng)絡獲取不同 尺度的特征后 進入預測頭的卷積層和全連接層中進行 目標邊界框的位置和類別預測 預測結(jié)果在輸出端中完 成后處理 獲得最終的目標檢測結(jié)果 YOLOv5s模型的 參數(shù)量 params 和浮點運算量 FLOPs 分別為7 2 M 和16 5 G 與同系列模型相比輕量化程度更高 推理速 度更快 適于作為實時目標檢測算法 23 在部署邊緣設備時 采用 眼在手外 eye to hand 的模式 即深度相機采用固定機位安裝在機械臂的正前 方 定義相機視覺深度方向為Z軸方向 沿傳送帶水平 和豎直方向分別為X軸 Y軸方向 24 26 將目標點的像 素坐標與深度值代入坐標轉(zhuǎn)換關(guān)系中計算相機三維坐標 轉(zhuǎn)換矩陣為 26 6666 6664 Xd Yd Zd 37 7777 7775 ZdK 1 26 6666 6664 u v 1 37 7777 7775 3 式中Xd Yd Zd為相機坐標系目標點三維坐標 mm K 1為相機內(nèi)參逆矩陣 u v為像素坐標系目標點像素 坐標 pixel 相機坐標系與世界坐標系的變換關(guān)系為 26 6666 6664 Xw Yw Zw 37 7777 7775 Hwd 26 6666 6664 Xd Yd Zd 37 7777 7775 4 Hwd 式中Xw Yw Zw為世界坐標系目標點三維坐標 mm 為外參變換矩陣 2 4 抓 插協(xié)調(diào)運動規(guī)劃 2 4 1 插穗有序抓取及扦插方案 采用末端執(zhí)行器抓取 扦插一體的設計方案 圖3 避免在復雜工況下由于機械臂冗余運動規(guī)劃任務導致的 作業(yè)效率大幅降低的問題 通過手眼標定建立插穗坐標 系與末端執(zhí)行器坐標系之間的映射關(guān)系 圖6 為了 實現(xiàn)康乃馨插穗的高效抓取 采取有序抓取方案 即插 穗沿傳送帶運行方向豎直放置 僅依靠葉柄位置坐標進 行定位和抓取 末端執(zhí)行器的抓取位姿P0為 P0 xk yk zk Rx Ry Rz 5 式中 xk yk zk 為目標抓取點坐標 mm Rx Ry Rz 為 歐拉姿態(tài)角 rad 其中Rx 2 Ry 0 Rz 2 z x y 基座坐標系 Base coordinate system 末端執(zhí)行器坐標系 End effector coordinate system 相機坐標系 Camera coordinate system 插穗坐標系 Cuttings coordinate system 圖6 手眼標定中的坐標系映射關(guān)系 Fig 6 Coordinate system mapping in hand eye calibration 建立扦插機器人末端相對位姿映射關(guān)系 圖7 通過歐拉角變換式 6 求解機器人末端執(zhí)行器位姿 0 6T 6 7T 0 7 T 6 0 6T 6 7T 0 7T 式中為機械臂末端連桿坐標系相對于機械臂基座坐標 系的位姿矩陣 為機器人工具坐標系相對于機械臂末 端連桿坐標系的位姿矩陣 為機器人工具坐標系相對 于機械臂基座坐標系的位姿矩陣 設定末端執(zhí)行器坐標 系相對于末端連桿坐標系的扦插位姿角保持為Rx Ry 2 Rz 0 z x y 基座坐標系 Base coordinate system 末端連桿坐標系 Terminal link coordinate system 末端執(zhí)行器坐標系 End effector coordinate system 穴盤坐標系 Plug tray coordinate system 圖7 末端相對位姿映射關(guān)系 Fig 7 Terminal relative pose mapping 2 4 2 扦插機器人運動規(guī)劃 機器人高效標準化扦插作業(yè)是抓 插協(xié)調(diào)運動規(guī)劃的 主要目標 本文通過機械臂運動規(guī)劃和末端執(zhí)行器姿態(tài) 調(diào)整 可以高效精準地實現(xiàn)插穗的抓取和扦插任務 同 時保證插深合格率與扦插直立度 采用六自由度串聯(lián)機 械臂具有以下優(yōu)點 1 自由度高 六軸冗余自由度可 以避免出現(xiàn)關(guān)節(jié)限制和奇異點 27 2 重復定位精度高 適用于需要精確定位和裝配的任務 28 3 自動化程度 高 適用于自動化生產(chǎn)線的應用場景 16 29 為了防止機器人在運動過程中發(fā)生碰撞 采用多段 運動規(guī)劃流程 圖8 進行抓 插協(xié)調(diào)作業(yè) 即在每個循 環(huán)作業(yè)中加入回零位和預備扦插位 機器人完成抓取任 務后先回到零位 再過渡到扦插任務中 末端執(zhí)行器完 成調(diào)姿后到達預備扦插位 隨后再過渡到扦插位 通過 助推機構(gòu)將插穗插入基質(zhì)中 抓取位 Grasp position 回零位 Zero position 過渡位 Transition position 預備扦插位 Prepare cuttage position 扦插位 Cuttage position 助推機構(gòu)推苗 Booster mechanism pushed seedling 圖8 扦插機器人運動規(guī)劃流程 Fig 8 Cuttage robot motion planning process 2 5 扦插機器人逆運動學建模與軌跡規(guī)劃 運動學的計算時間是影響機器人響應速度和動作執(zhí) 行效率的關(guān)鍵因素 為了提高整機作業(yè)效率 本研究提 出基于改進MD H規(guī)則的逆運動學建模方法和時間最優(yōu) 軌跡規(guī)劃算法 通過提高逆解和軌跡插值的運行速度 優(yōu)化機器人工作周期的分配和利用 4農(nóng)業(yè)工程學報 http www tcsae org 2024 年 2 5 1 基于改進MD H規(guī)則的逆運動學建模方法 為了解決機器人在復雜工況下 常規(guī)SD H standard denavit hartenberg 規(guī)則存在的表達式冗長以及關(guān)節(jié)突變 等問題 本研究基于改進的MD H規(guī)則 26 構(gòu)建機械臂串 聯(lián)運動鏈模型 圖9 并建立正運動學連桿坐標系以 映射各關(guān)節(jié)之間的關(guān)系 Z0 X0 X2 X3 X4 X5 Z4 Z6 a2 d4 X6 Z1 X1Z 2 Z3 Z5 d6 d1 注 di為沿Zi軸由Xi 1平移到Xi的連桿長度 mm ai 1為沿Xi 1軸由Zi 1 平移到Zi的關(guān)節(jié)偏移 mm i 1 2 6 Note di is the length of the connecting rod which is translated from Xi 1 to Xi along the Zi axis mm ai 1 is the joint offset which is translated from Zi 1 to Zi along the Xi 1 axis mm i 1 2 6 圖9 六自由度機械臂MD H模型 Fig 9 MD H model of 6 DOF degree of freedom robotic arm 根據(jù)Craig法則 30 六自由度串聯(lián)機械臂的末端坐標 在基礎坐標系中的正運動學模型為 0 6T 0 1 T 1 2T 2 3T 3 4T 4 5T 5 6T 0 6R 0 6P 0 1 7 0 6R 0 6P式中為機械臂末端的旋轉(zhuǎn)矩陣 為機械臂末端的位 置向量 根據(jù)表3列出的MD H參數(shù)結(jié)合式 6 計算得到 正序坐標系中六自由度串聯(lián)機械臂的齊次變換矩陣為 i 1 i T 26 6666 6666 6664 cos i sin i 0 ai 1 sin icos i 1 cos icos i 1 sin i 1 disin i 1 sin isin i 1 cos isin i 1 cos i 1 dicos i 1 0 0 0 1 37 7777 7777 7775 8 i 1 i T式中為第i個連桿的齊次變換矩陣 i 1 2 6 表 3 六自由度串聯(lián)機械臂MD H參數(shù) Table 3 MD H parameters of 6 DOF series robotic arm i i 1 ai 1 mm di mm i 1 0 0 336 5 170 170 2 90 0 0 130 100 3 0 272 0 70 180 4 90 0 280 175 175 5 90 0 0 120 120 6 90 0 99 360 360 基于改進MD H規(guī)則的逆運動學建模后 采用解析 法求六自由度機械臂簡化機構(gòu)的逆運動學封閉解 機械 臂后3個連續(xù)關(guān)節(jié)的轉(zhuǎn)軸相交于同一點 滿足Pieper準 則 故該機械臂存在封閉形式的逆運動學解析解 2 5 2 時間最優(yōu)軌跡規(guī)劃算法 鑒于常規(guī)多項式軌跡規(guī)劃算法計算量大和插值精度 低等缺點 為了提高機器人的運動響應速度和執(zhí)行效率 本文提出基于改進粒子群算法對常規(guī)3 5 3多項式分段 插值法進行優(yōu)化 31 33 的時間最優(yōu)軌跡規(guī)劃算法 在運動 軌跡起點和終點之間選取2個可達路徑點 進而將機械 臂末端的運動軌跡劃分為3段 分別使用3次 5次和 3次多項式進行插值 通過逆運動學解析解得到各插值 點對應的關(guān)節(jié)角度 軌跡插值表達式為 8 L1 t ai13t3 ai12t2 ai11t ai10 L2 t ai25t5 ai24t4 ai23t3 ai22t2 ai21t ai20 L3 t ai33t3 ai32t2 ai31t ai30 9 式中L1 t L2 t L3 t 分別為第1 2 3段軌跡對應的 多項式角位移函數(shù) aimn為第i個關(guān)節(jié)第m m 1 2 3 段插值的第n n 0 1 5 個系數(shù) t為插值時間 s 以插值時間作為尋優(yōu)量對機械臂每個關(guān)節(jié)的運動軌 跡進行優(yōu)化 構(gòu)建目標函數(shù)與各關(guān)節(jié)的速度 加速度約 束條件為 8 f t min 3 j 1 t ij max vij vmax max aij amax 10 式中j為插值點序數(shù) j 1 2 3 tij為第i個關(guān)節(jié)第j個插 值點的插值時間 s vmax為各關(guān)節(jié)的最大運動角速度 rad s amax是各關(guān)節(jié)的最大運動角加速度 rad s2 基于動態(tài)學習因子和自適應慣性權(quán)重的改進粒子群 算法 迭代式為8 vk 1ij vkij c1r1 Pij xkij c2r2 Pgj xkij xk 1ij xkij vk 1ij 11 式中k為單個粒子當前的迭代次數(shù) Pij為單個粒子當前 位置的最優(yōu)解 xij為單個粒子的當前位置 Pgj為當前粒 子群位置的最優(yōu)解 r1 r2為 0 1 之間的隨機數(shù) 為慣性權(quán)重 c1 c2分別為局部和全局學習因子 為了改進基本粒子群算法存在的適應性不足和收斂 速度慢等問題 本研究將基本粒子群算法中的固定或線 性學習因子改為非線性變化的動態(tài)函數(shù) 具體為 8 c1 2sin2 2 1 1k c2 2sin2 k 2N 12 式中N為粒子的最大迭代次數(shù) 為了避免基本粒子群算法過早收斂而陷入局部最優(yōu) 提升算法的全局搜索能力 本文引入線性遞減慣性權(quán) 重 即 max k max min N 13 式中 max為慣性權(quán)重最大值 max 0 9 min為慣性權(quán) 重最小值 min 0 4 3 運動學仿真分析 3 1 多目標扦插點遍歷仿真 關(guān)節(jié)角度的精確高效計算是扦插機器人逆運動學求 第 18 期蘇 微等 康乃馨扦插機器人設計與試驗5 解的主要目標 本文基于改進MD H規(guī)則的逆運動學解 析算法共得到8組滿足目標位姿的逆解組合 為了驗證 實際扦插過程中逆解的可行性 提出基于多目標扦插點 遍歷仿真的最優(yōu)逆解選取方法 如圖10所示 依次調(diào)用 每組逆解進行仿真 每次遍歷10個目標扦插點 并以關(guān) 節(jié)角度的邊界約束和突變率 mutation M 作為評價指 標對關(guān)節(jié)角度進行評估 當關(guān)節(jié)角度超過邊界約束即被 視為突變 可能導致碰撞發(fā)生 突變率的計算如式 14 所示 M TMTM FM 100 14 式中TM為逆解所求關(guān)節(jié)角度的突變次數(shù) FM為逆解 所求關(guān)節(jié)角度的未突變次數(shù) Z mm Y mm 500 0 500 500 5000 0 500 500 X mm a 抓取位置 a Grab position Z mm Y mm X mm b 扦插位置 b Cuttage position 500 0 500 500 5000 0 500 500 圖10 多目標扦插點遍歷仿真 Fig 10 Multi objective cuttage points traversal simulation 在目標扦插點滿足機械臂工作空間約束的基礎上 突變率最小時對應最優(yōu)逆解組合 仿真結(jié)果如表4所示 常規(guī)SD H規(guī)則的逆運動學 解析算法突變率為12 5 基于改進MD H規(guī)則的逆運 動學解析算法突變率降低為5 0 平均單次運算時間由 0 407 s降低為0 251 s 比常規(guī)算法降低了38 3 有效 減少了逆運動學的關(guān)節(jié)突變率和求解時間 表 4 逆解算法性能對比 Table 4 Performance comparison of inverse kinematics analytic algorithms 算法 Algorithm 突變率 Mutation rate 平均單次運算時間 Average single operation time s 常規(guī) SD H General SD H 12 5 0 407 改進 MD H Improved MD H 5 0 0 251 3 2 改進粒子群算法仿真 基于動態(tài)學習因子和自適應慣性權(quán)重對基本粒子群 算法進行優(yōu)化 并與基本粒子群算法進行比較以驗證其 有效性 模型算法部署在MATLAB環(huán)境中 主要迭代 參數(shù)設置如下 時間間隔區(qū)間為 0 000 001 1 種群規(guī)模 為50 最大迭代次數(shù)為200次 尋優(yōu)粒子維數(shù)為3 基 本粒子群參數(shù)設置如下 學習因子c1 c2 0 55 慣性權(quán) 重 0 55 改進粒子群參數(shù)設置如下 學習因子 cmin 1 5 cmax 2 0 使c1 c2在 1 5 2 0 范圍內(nèi)變化 慣性權(quán)重 max 0 95 min 0 4 慣性權(quán)重阻尼比為0 99 迭代收斂結(jié)果如圖11所示 可以看出 改進粒子群算法 的迭代速度和收斂精度均高于基本粒子群算法 非線性 動態(tài)學習因子和線性遞減慣性權(quán)重可以有效提高算法的 全局搜索能力 驗證了改進算法的有效性 0 50 100 150 200 迭代次數(shù)Number of iterations 3 0 3 5 4 0 4 5 5 0 適應度值 Fitness value 改進后After improvement 改進前Before improvement 圖11 收斂效果對比 Fig 11 Comparison of convergence effects 3 3 時間最優(yōu)軌跡規(guī)劃仿真 實時反饋控制和安全操作是可視化軌跡規(guī)劃仿真的 主要任務 本研究利用MoveIt Gazebo開展時間最優(yōu)軌 跡規(guī)劃聯(lián)合仿真 在Ubuntu18 04 ROS melodic環(huán)境中 通過軟件開發(fā)工具包 software development kit SDK 提供的通用接口搭建通訊架構(gòu) 利用MoveIt進行運動規(guī) 劃組設置 選用OpenRAVE運動規(guī)劃軟件提供的IKFast 解析運動學插件求解逆運動學方程 并在運動規(guī)劃庫 open motion planning library OMPL 中使用最優(yōu)時間 軌跡規(guī)劃算法 生成配置文件并導入MoveIt rviz可視化 模擬器 上位機向伺服控制器發(fā)布信息以驅(qū)動關(guān)節(jié)伺服 電機同步運動 同時向Moveit節(jié)點反饋電機的狀態(tài)數(shù)據(jù) 形成閉環(huán)控制 從而實現(xiàn)扦插機器人的可視化實時仿真 控制 圖12 a 抓取位姿 a Grab posture b 扦插位姿 b Cuttage position 圖12 扦插機器人可視化實時仿真控制 Fig 12 Visual real time simulation control of cuttage robot 扦插機器人的軟件架構(gòu)如圖13所示 軌跡規(guī)劃仿真 過程中 通過Joint states節(jié)點反饋關(guān)節(jié)運動參數(shù) 將基 于改進粒子群算法優(yōu)化的分段插值法與常規(guī)3 5 3多項 式分段插值法的關(guān)節(jié)角度 角速度和角加速度曲線進行 對比 如圖14所示 仿真結(jié)果表明 采用時間最優(yōu)軌跡 規(guī)劃算法得到的各關(guān)節(jié)角度軌跡平滑且連續(xù) 角速度和 角加速度未發(fā)生突變 保證了實時控制下的穩(wěn)定性要求 相較于常規(guī)多項式分段插值法 優(yōu)化后算法的單次運行 6農(nóng)業(yè)工程學報 http www tcsae org 2024 年 時間由12 s降低為3 3 s 減少了近72 5 各關(guān)節(jié)的角 速度和角加速度曲線的峰值提高 增強了機器人的運動 響應速度和執(zhí)行效率 驗證了時間最優(yōu)軌跡規(guī)劃算法的 有效性和高效性 MoveIt Gazebo 關(guān)節(jié)1 關(guān)節(jié)2 關(guān)節(jié)3 關(guān)節(jié)4 關(guān)節(jié)5 關(guān)節(jié)6 路徑規(guī)劃組關(guān)節(jié)循跡插件 軌跡規(guī)劃 OpenRAVE IKFast OMPL QuinticPolynomial 逆運動學 C 接口 Move group interface Python接口 Move commander rviz插件接口 GUI MoveGroup Action Pick Action Place Action 關(guān)節(jié)伺服控制器 Joints states controller 軌跡點 Trajectory points TCP IP ROS controllers PC ROS Master Ubuntu18 04 關(guān)節(jié)真實位置 Joints states ROS參數(shù)服務器 URDF SRDF Config Easy handeye Camera calibrationLeTMC 520 深度相機 相機內(nèi)參 相機外參 機械臂 URDF配置文件 MD H參數(shù)USB sam 深度圖像 點云 圖13 扦插機器人系統(tǒng)軟件架構(gòu) Fig 13 Software architecture of cuttage robot system 1 5 關(guān)節(jié) Joints 優(yōu)化前 Before optimization 優(yōu)化后 After optimization 角度 Angle rad 時間 Time s 12 34 56 1 0 0 5 0 0 5 1 0 0 2 4 6 8 10 12 2 5 關(guān)節(jié) Joints 角度 Angle rad 時間 Time s 12 34 561 5 2 0 1 0 0 5 0 0 5 1 0 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 關(guān)節(jié) Joints 角速度 Angular velocity rad s 1 時間 Time s 12 34 562 3 1 0 1 2 3 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 10 關(guān)節(jié) Joints 角加速度 Angular acceleration rad s 2 時間 Time s a 角度曲線 a Angle curve b 角速度曲線 b Angular velocity curve c 角加速度曲線 c Angular acceleration curve 12 34 56 5 0 5 10 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 0 8 關(guān)節(jié) Joints 角速度 Angular velocity rad s 1 時間 Time s 12 34 56 0 6 0 4 0 2 0 0 4 0 2 0 6 0 8 0 2 4 6 8 10 12 1 0 關(guān)節(jié) Joints 角加速度 Angular acceleration rad s 2 時間 Time s 12 34 56 0 5 0 0 5 1 0 0 2 4 6 8 10 12 圖14 優(yōu)化前后關(guān)節(jié)角度 角速度與角加速度對比 Fig 14 Comparison of optimized anterior and posterior joint angle angular velocity and angular acceleration 4 扦插試驗 4 1 試驗設備與材料 根據(jù)理論計算及仿真分析結(jié)果搭建扦插機器人試驗 臺 圖15 主要