张 勤 乐晓亮 李 彬 蒋先平 熊 征 徐 灿

(1.华南理工大学机械与汽车工程学院， 广州 510641； 2.华南理工大学自动化科学与工程学院， 广州 510641；3.广东省现代农业装备研究所， 广州 510641； 4.广东弘科农业机械研究开发有限公司， 广州 510530)

0 引言

机器人运动规划是果蔬智能采摘的关键技术，也是实现高效、适时、无损采摘的重要保证。果实的收获周期长，保鲜时间短，外皮脆弱，生长位置随机，造成智能采摘空间运动规划的难度很大。针对高维空间多自由度机械臂的采摘运动规划问题，国内外学者进行了大量研究[1-8]。为解决高维规划问题，提出基于采样的运动规划算法[9]，其中基于快速搜索随机树(Rapid-exploration random tree，RRT)的采样算法，由于具有不需要对障碍物建模以及对高维空间探索的优良特性，应用最为广泛，但RRT算法在整个构型空间中，存在搜索效率低、速度慢、消耗内存大，生成的路径曲折、不平滑等不足。针对这些问题，研究人员在RRT算法的基础上进行了改进。

在降低采样的盲目性[10-14]、提高算法的整体搜索速度[15-18]、优化RRT算法得到的路径[19-22]等基于RRT的改进算法中，虽然提高了搜索速度和效率，但未考虑路径成本。为解决此问题,文献[23]提出RRT*算法，引入路径代价的概念，通过重选父节点和重布线过程迭代找到最优路径。但是当环境比较复杂，需要的节点较多时，算法的内存消耗与计算时间会以指数倍增，不适用于实时性强的环境。因此有研究提出了智能采样的RRT*-smart算法[24]、直接采样的Informed-RRT*方法[25]、快速学习随机树算法[26]、完全卷积神经网络算法[27]、自学习的非均匀节点采样分布算法[28]等，以提高路径规划速度。……