王正万

(贵州电子信息职业技术学院，贵州 凯里 556000)

0 引言

现在的种植形式快速更新换代，农业机械化运用也越来越多，已实现大规模机械化生产。在农业收割方面，采摘机器人已适用于温室大棚和大规模种植的收割，对于采摘机器人的研究多注重在定位上[1-14]。采摘机器人应具备准确定位、躲避障碍物和无障碍路线规划的功能[15-16]。

机器人在不确定的环境中作业，由于作业环境复杂，且难以预测，在障碍物的识别和定位时经常存在错判的情况。为消除这种不良状态，采用超声测距技术来进行障碍物的定位避开，并结合现在机器人采用的视觉传感器技术，保证在光线不佳的情况下采摘成功，并避开障碍物规划出最短路径进行采摘。传统采摘机器人避障路径规划基于感知-建模-规划-动作，对环境的适应性差，采用改进的遗传算法和模糊控制的采摘机器人，可以通过多变量进行判断定位。

本研究是在采摘机器人避障系统上采用模糊控制系统，采用改进的遗传算法和模糊逻辑算法相结合来实现避开障碍物，规划出避障路线，并通过仿真试验检测该系统的时效性和准确性。

1 控制系统研究分析

1.1 控制系统原理

基于模糊控制系统的采摘机器人避障系统采用单片机作为控制中心，型号选用STC89C52RC。该型号单片机耗能低、性能好，8K字节系统编程Flash存储器，可以支持串口通信且具有更强大的兼容性。单片机控制功能编程设计如图1所示。

图1 单片机控制功能编程设计Fig.1 Programming design of single chip microcomputer control function

采用模糊控制的采摘机器人避障系统的工作原理是在模糊控制器中确定输入和输出变量，根据采摘设备的超声波控制设备监测到作业环境情况，将监测的数据输入单片机中，根据模糊控制器中的变量分析，输出数据并规划出采摘机器人的行驶路径来躲避作业环境中障碍物，准确到达正确位置完成采摘任务。采摘机器人避障系统工作程序如图2所示。

1.2 模糊控制器设计

为保证采摘机器人可以自主规划避障路线需要考虑多方面功能的影响，如超声波控制、路径检测、障碍物检测、路径规划，以及输出、障碍物躲避及显示器等，其中最重要的为模糊控制器的设计。

图2 避障系统工作程序Fig.2 Obstruction system working procedures

模糊控制的基本设计条件是确定输入变量和输出变量。根据采摘机器人控制要求，以单片机为控制中心来实现模糊控制算法是比较适用的，模糊控制器工作的主要程序为模糊化、模糊判断和解模糊化等，如图3所示。

图3 模糊控制器工作程序Fig.3 Fuzzy controller working procedures

图3中：e表示精确量的偏差，ec为偏差变化率；u为精确量的控制输出；E和EC为模糊化的偏差及偏差变化率。模糊控制是不定性的，无法用数学模型表示出来，需要采用模糊的特有语言，设置条件语言模型，来设置控制条件的各项参数，再通过多次仿真试验的调试来修正。运行过程中，在控制条件中检索相应的模糊控制参数，根据实际情况并经过运算修正后取得实际控制输出量，将最后得到的控制量施加到被控对象上。

2 基于模糊控制的避障设计

为了实现并提高机器人避障能力和路径规划的效率，机器人的驱动行走方式采用履带式，动力机构以电机驱动，辅以减速器；电机与履带之间以啮合方式连接。为了试验分析简洁明了，以椭圆形来表示的采摘机器人移动形式。在采摘机器人运行行走的过程中，根据设计行走坐标与实际行走坐标的比较分析，来确定采摘机器人的定位和避障路径。其设计运动坐标和实际运动坐标如图4所示。

图4 运动设计坐标与实际坐标Fig.4 Motion design coordinates and actual coordinates

在机器人作业运行中，实际运行坐标与X轴是有一定的夹角的，假设这个角β；(x，y) 为某点在小坐标上的坐标值，在大坐标系中的坐标值为(x0，y0) 。根据三角关系变换可得

β=θ+arctg (x/y)

(1)

即某点在绝对坐标系中的坐标值为

(2)

(3)

完成小坐标和大坐标的变换后。设采摘机器人左轮和右轮的角速度分别为ω左、ω右，则根据转轮的半径r和左右转轮的间距d可以算出其速度为

V左=r/2d(ω左-ω右)

(4)

V右=r/2d(ω右-ω左)

(5)

故只要将两轮的速度分别进行控制就可以调整采摘机器人的运行方向，实现其方向的控制，两轮的速度控制采用两者的比值kp来控制，便于分析调整。

kp=ω左/ω右

(6)

通过调整kp值的大小，来实现采摘机器人方向控制，如kp=1时采摘机器人直行；kp>1时，即V左>V右，即控制机器人向右转，数值越大右转弧度越大；当kp<1时，即V右>V左，控制机器人向左转，数值越小左转弧度越大。

对于模糊控制避障系统实现重点是建立正确的函数模型，为了让采摘机器人规划出来的路径尽可能短，节约时间和能源，采用改进的遗传算法并以修正项对遗传算法进行修正，建立正确且适用的模型。

目前，采摘机器人路径规划有多种方法，最主要有两种方法：一是螺旋收缩式的规划方法(见图5)；二是“之”字型路径规划方法(见图6)。

图5 “回”字型路径Fig.5 Back font path

图6 “之”字型路径Fig.6 The font path

螺旋收缩式是采摘机器人从外围开始运行绕圈覆盖整个区域的，“之”字型路径规划方法是来回错距行走。现行的种植模式都是按行来种植的，采用“之”字型路径规划方法是最合适的方法，因此“之”字型路径规划已成为采摘机器人运用最广泛的方法。采摘机器人将作业区划分为小单元进行作业，可以完全覆盖到，不会造成漏摘，且“之”字型路径规划方法中，设备的运行工作面不大，对场地的要求不高。

3 性能测试及结果

3.1 测试基本条件

以番茄采摘为试验目标，测试基于模糊控制系统的采摘机器人在采摘番茄避障能力，并在试验中设置多个障碍物。

采摘机器人番茄采摘运行过程中，在作业环境中设置了障碍物，采用改进的遗传算法和模糊控制算法对其避障功能进行了测试，得到了如图7 所示的测试结果。由仿真测试结果可看出：两种方法都可以避开障碍物达到目的地，模糊控制算法规划的路径比遗传算法规划的路径要短；以改进的遗传算法规划路径的时间更少，故以改进的遗传算法和模糊控制算法结合使用可以在较少的时间内规划出最优路径。

图7 采摘机器人避障仿真测试结果Fig.7 Picking robot simulation test results

将改进的遗传算法和模糊控制算法结合运用，采用“之”字型路径规划方法。通过仿真试验测试，采摘机器人规划出来的路径短且用时少，即得到最优路径。

基于模糊控制系统的采摘机器人避障系统稳定性分析，进行多次避障操作，试验结果如表1所示。

表1 避障仿真测试结果Table 1 Obstacle simulation test results

测试结果显示：基于模糊控制系统的采摘机器人避障系统的避障能力可以达到96%以上，说明以模糊控制的采摘机器人的避障精度较高，可以满足采摘需求。

4 结论

1)基于模糊控制方法，对采摘机器人的避障系统进行了研究，建立了模糊参数模型，提高了采摘机器人避障系统的避障能力和路径规划效率，缩短了运行路径所用时间，提高了采摘机器人的工作效率。

2)基于模糊控制系统的采摘机器人避障系统，可以成功地避开障碍物，以“之”字型路径规划方法，可精确地避障并进行准确采摘作业。经试验，避障能力可以达到96%以上，有较高的精度及稳定的工作性能。