翟 睿

(安徽理工大学 数学与大数据学院，安徽 淮南，232001)

随着科技的发展，农作物的采摘方式开始从传统的人工采摘向智能化无人化发展，采摘机器人是农业发展的垫脚石，对智能化农业的发展具有促进作用[1-4]。采摘机器人是一种集机器人和自动化技术为一体的新型多功能农机装备，这一设备在解决劳动力短缺、改善农业生产条件、提高劳动质量和效率等方面具有优势，已广泛应用于现代农业生产[5-6]。在复杂多变的工作环境，特别是在多丘陵等特殊地理环境下，如何在实际应用中快速选择最优路径，实现安全避障，这涉及采摘机器人的路径规划。国内外科学家经过多年的研究，提出了许多高效的算法，如改进的蚁群算法等，以解决机器人选择路径问题[7]。但是传统改进蚁群算法收敛速度慢，易陷入局部最优，易早熟收敛[8]。本文利用人工智能算法对拣选机器人的最优路径规划和修正状态转移规则，与此同时，原始信息素更新规则发生了变化，强制性算法达到局部最优，即增加路径，选取多样性来避免算法过早收敛或停顿。

1 建立环境模型

为更好地利用采摘机器人进行采摘工作，需要对其进行最优路径规划，因此，必须先建立必要的环境模型[9]。当前的环境建模方法多种多样，其中包括：自由空间法、拓扑法、栅格法等，栅格法相比于前2种方法，复杂程度相对比较低，但是其建模的精度却要高于前2种方法，对障碍环境的适应能力更高，便于后续规划路径数据的存储。因此，本文选用栅格法进行环境建模。在建立模型前，需要假设采摘机器人的工作环境，具体假设如下：1)对采摘的环境进行设定，将其设定为二维静态矩形有界空间，并且已知空间大小数据；2)在工作环境中仅有静态障碍物；3)为了简化任务的复杂性，可以将采摘机器人的尺寸作为中心点显示；4)采摘机器人在整个作业过程中的速度不变，并且可以在恒速和停顿驱动2种工作模式之间切换；5)采摘机器人在当前位置可以在8个方向移动：上、下、左、右、左上、左下、右上、右下，但实际移动方向应以存在的判断为准邻接障碍。

采用栅格法建立的采摘机器人工作环境模型，其是在复杂多变、多坡、有障碍物的环境中进行编码，左下角为坐标系原点，原点为原点，横向右为x轴正方向，垂直向上为y轴正方向，统一栅格的大小取决于机器人步长和工作区域[10]。采摘机器人工作环境模型如图1所示。由图1可以看出，白格子被抽象成1个可供采摘水果和蔬菜的区域，机器人可以在该区域内自由移动，而黑色网格可以用1个或多个网格来表示，如果位置上的障碍没有对应的网格，如果是1个格子，则需要按格子处理，表示该区域不能通过，S点和E点分别表示机器人开始和结束位置。

图1 采摘机器人工作环境模型

2 最优路径规划

2.1 人工智能算法

卷积神经网络(Convolutional Neural Networks，CNN)是常用的人工智能算法，具有表征学习能力，且学习效果十分稳定[11]。

2.2 采摘机器人最优路径规划

模拟采摘机器人运动行为，设定机器人驱动方向向量为J，结合实地环境状态，机器人计算出自身在采摘范围内的相对位置：

(1)

式中：Ja表示采摘机器人工作起始位置，m；x(t)表示采摘机器人x轴的方向导向系数；y(t)表示采摘机器人y轴的方向导向系数；S表示采摘机器人驱动轮的半径，m；R表示采摘机器人的坐标，m；M表示采摘机器人运行的自由度，m；Je表示采摘机器人驱动轮的运动方向向量，m。

采摘机器人在工作过程中会进行基本的运动行为操作，比如直行、拐弯、倒退、平移、转圈，为了提高采摘机器人运行的平滑性，本文利用合力平衡定理，在采摘机器人工作过程中，对采摘机器人采摘运动行为进行制约。采摘机器人转圈运动路线规划公式为：

(2)

2.3 采摘机器人智能避障

采摘机器人确定好自身存在的位置，根据控制中心发送的采摘任务，规划采摘机器人需要采摘的具体路径。规划过程中利用斥力函数确定采摘的有效范围，通过人工势场的方法，将采摘范围内存在的障碍物进行标记。障碍物标记的原理是存在障碍物位置的人工势场结合实时环境的场强，会向外发散出一个斥力，斥力影响采摘目标对巡检机器人路线的吸引力，采摘机器人则通过引力的大小，判断工作周围障碍物的具体位置。斥力函数如下所示：

(3)

式中：Ht表示斥力函数；W为采摘机器人与障碍物的相对距离，m；z1为系数。

采摘机器人识别到了采摘的有效范围和障碍物后，可以初次完成采摘机器人避障路线的规划，此次路线规划将存在障碍物的可采摘路线舍去，但是如果全部路线都存在障碍物，需要启动采摘机器人的避障功能。采用动态窗口(Dynamic Window Approach, DWA)，驱使采摘机器人在运行过程中避开障碍物，稳定地完成采摘工作。避障运动行为生成公式为：

(4)

式中：y(b)表示采摘机器人避障路线，m；Ek表示采摘机器人的转向速度，m/s；Er表示采摘机器人运动的加速度，m/s2；El表示采摘机器人运动的线速度，m/s；Δt表示采摘机器人采摘周期内采摘频率；μq表示采摘机器人与障碍物的最短距离，m；σq从轨迹终点到局部目标的距离，m；αq表示采摘机器人运行轨迹的最大障碍代价，m。

根据研究目标，设定路径规划约束为采摘范围最大和采摘路径最短，可以提高采摘机器人避障路线规划的效率。

3 实验分析

通过以上的分析与设计，完成了基于人工智能算法的采摘机器人最优路径规划研究，为了检验此方法的有效性，本文将与基于GPS导航技术的机器人避障路径规划方法(方法1)和基于无载波通信技术的机器人路径规划方法(方法2)共同完成对比实验。为了提高测试结果的可信度和可分析性，本文测试的采摘机器人选用型号为RT-009系列的采摘机器人，此系列采摘机器人的驱动器、电机以及其他配件的功能是最佳的，不会导致实验因为采摘机器人故障而终止。

实验测试采摘机器人行走的路线包括直行、拐弯、采摘、倒退、平移5项基本动作，为了保证实验测试的难度，本文将避障物分别设置为20个基本障碍物和10个复杂障碍物，随机混合在采摘机器人采摘测试的路径范围内。实验前，将3个采摘机器人分别录入3个采摘机器人避障路径规划方法，选择同一时间，向采摘机器人发送采摘任务，开始试验，当所有采摘机器到达采摘任务出口时，停止实验测试，整理实验场地和实验数据，如表1所示。

表1 不同方法越障时间对比

从表1可知，对比基于GPS导航技术的机器人避障路径规划方法和基于无载波通信技术的机器人路径规划方法，本文所提方法明显在耗时方面具有较大优势。且随着越障动作的进行，其跨越动作的流畅性有所提升，导致后期耗时有所降低，这主要是因为所提方法对越障动作的控制是以时域规划为基础，能够提前对障碍进行分析，提高越障效率。

4 结语

综上所述，本文通过对基于人工智能算法的采摘机器人最优路径进行规划研究，提高了采摘机器人避障路径的方向辨认感知能力，并控制机器人在进行采摘行为时，误差最小化，通过实验，验证了设计方法的有效性和优越性。在后续的研究中还将针对在不同环境下的采摘机器人路径进行规划设计，从而实现采摘机器人在未知环境中对动态障碍物的避让以及最优路径规划。