基于粗糙集與遺傳算法的采摘機器人路徑規劃

蔡　炯，汪小志

(1. 攀枝花學院，四川 攀枝花　617000；2.南昌工學院，南昌　330108；3.武漢理工大學，武漢　430070)

?

基于粗糙集與遺傳算法的采摘機器人路徑規劃

蔡炯1，汪小志2,3

(1. 攀枝花學院，四川 攀枝花617000；2.南昌工學院，南昌330108；3.武漢理工大學，武漢430070)

摘要：為了提高采集機器人路徑規劃速度和自主導航的智能化水平，提出了一種基于粗糙集和遺傳算法的路徑規劃方法，從而有效地提高了路徑規劃的速度和精度。采摘機器人根據實際果實采摘環境，利用圖像分割技術，對果實目標進行識別，在二維柵格地圖環境下，制定出決策表，并使用粗糙集對決策表進行約簡，得到最小決策表，將其作為遺傳算法初試種群，進行遺傳交叉和復制操作，優化路徑規劃算法。為了驗證采摘機器人算法性能的可靠性，對采摘機器人的性能進行了測試，包括果實圖像的識別和機器人路徑規劃能力。通過測試發現：采摘機器人可有效地分割提取出成熟果實，并可完成多目標任務。對粗糙集和遺傳算法的性能進行了測試，結果發現：使用粗糙集可以大大降低所需訓練種群的數目，減少平均迭代次數；增加障礙物的復雜程度后，使用粗糙集遺傳算法可以明顯地提高路徑規劃的速度，從而提高了機器人采摘作業的效率。

關鍵詞：采摘機器人；路徑規劃；遺傳算法；自主導航；粗糙集；決策表

0引言

采摘機器人代表著農業高新科技發展的前沿，是農業科學研究的重點。機器人視覺系統是智能化自主移動式機器人設計的關鍵環節，是機器人完成自主路徑規劃的基礎，對其研究具有重要的意義。目前，機器人路經規劃的方法有很多。其中，基于遺傳算法的路徑規劃方法，其搜索性能較好，但是規劃所需時間長，很難滿足機器人在復雜環境下的作業要求，特別是在動態環境下的實時性；雖然該方法也曾有過改進，但是效果都不太理想。針對這一問題，本研究在機器遺傳算法路徑規劃的基礎上引入了粗糙集，從而可提高移動機器人的全局路徑規劃能力，以實現機器人路徑規劃的動態性和實時性。

1采摘機器人路徑規劃算法總體設計

采摘機器人的路徑規劃需要根據果實目標圖像，先制定出路徑決策表；但路徑決策表的數據量非常龐大，需要通過一定的算法對表的條件屬性和決策屬性進行簡化，通過消除冗余數據，大幅度地簡化決策表。路徑規劃算法的總體設計框架如圖1所示。

圖1中，首先利用果實識別圖像產生決策表，然后對決策表進行初步簡化，簡化訓練集和屬性；使用粗糙集對決策表進行簡化，然后將簡化后的決策表作為樣本數據，作為遺傳算法的訓練集。遺傳算法和粗糙集算法之間的信息交換來調整每個訓練集的決策規則，進一步對算法進行優化，直到訓練集樣本全部正確劃分。

圖1　路徑規劃算法總體設計框架

2路徑規劃粗糙集和遺傳算法優化

機器人路徑規劃基于現實環境目標圖像的處理和追蹤。在采摘機器人作業環境中，機器人和采摘果實目標方位都是未知的，為了讓機器人能夠清晰地辨認果實采摘目標，使機器人的視野更加開闊，采用彩色攝像頭裝置。該攝像裝置具有快速對焦功能，且俯仰性能較好，可對大范圍內的果實目標進行采集，實時性較好。攝像頭安裝在采摘機器人執行末端，如圖2所示。

圖2　采摘機器人視覺系統示意圖

果實目標圖像從攝像頭采集后不能直接被系統直接使用，需要對圖像進行數字化處理；數字轉換利用采集卡完成，可以采集果實圖像信息，輸出系統可以識別的數字數據，保存在計算機中，成為可編輯處理的圖像信息數據，如圖3所示。

圖3　采集卡工作原理圖

利用采集卡可以完成圖像的實時采集，通過控制總線實現采集卡和PC機的實時信息傳輸。采集卡的圖像輸出為RGB顏色模型，在對圖像進行處理前需要進行顏色模型轉換，將其轉換為HVS顏色空間模型，則有

(1)

(2)

r=v(1-s)

(3)

(4)

采摘機器人的路徑優化主要包括躲避障礙物和搜索最佳路徑。為實現此目標，利用圖像分割處理技術，結合粗糙集和遺傳算法種群訓練，對路徑算法展開研究。為此，建立機器人路徑規劃的初始決策表，其柵格化模型表如圖4所示。

圖4　采摘機器人移動路徑柵格化表

當移動機器人處于Pi點時，下一步移動會有8個方向，將這個8個方向進行量化可得

C={X1,X2,X3,X4,X5,X6,X7,X8}

(5)

根據方向量化，可以建立初始決策表。假設1表示柵格障礙物，2表示自由柵格，Y表示決策屬性，則初始決策表如表1所示。

表1　初始決策表

續表1

利用粗糙集算法，可以對相同的決策類進行去除處理，從而去掉決策的冗余數據。通過粗糙集算法優化，得到了最小決策表如表2所示。

表2　粗糙集算法優化決策表

由表2可以看出：通過粗糙集訓練后，初始決策種群的規模明顯減小，保證了在保留可行解的基礎上，提高了遺傳算法的計算效率。在進行路徑優化過程中，如果僅僅應用路徑的長度作為標準，達不到最優化效果，因此引入適應度函數，則有

(6)

其中，n為柵格的數目；D為相鄰序號之間的直線距離和。在進行遺傳算法操作時，需要引入修正因子。圖5表示機器人路徑規劃的總體框架結構圖。根據實際果實采摘環境，利用圖像分割技術，機器人對果實目標進行識別，制定出決策表，并利用粗糙集算法對決策表進行簡化，然后利用遺傳算法選擇最優路徑。

3采摘機器人性能測試

為了驗證本次研究設計的果實自動識別和自主規劃路徑機器人的可靠性，對機器人的性能進行了測試，包括圖像處理性能和路徑識別性能。同時，結合粗糙集和遺傳算法對機器人進行編程控制，其測試場景如圖6所示。

圖5　機器人路徑規劃算法總體框架

圖6　果實采摘測試場景照片

首先，對其圖像分割處理性能進行了測試，選擇了背景較復雜的果實圖像作為圖像分割對象，通過測試得到了如圖7所示的測試結果。

圖7　枝葉遮擋后橘子果實圖像處理結果

為了驗證機器人視覺系統的可靠性，選取了有枝葉遮擋的果實圖像作為圖像分割對象，采用圖像處理技術成果的分割出了果實圖像，如圖8所示。

圖8　果實重疊橘子果實圖像處理結果

由圖8可以看出：對于重疊果實類的圖像，機器人也能成功地分割出果實目標，從而驗證了其圖像處理算法的可靠性。

為進一步研究機器人的性能，對其多目標搜索進行了測試，測試結果如圖9所示。從圖9可以看出多目標跟蹤的時間分配情況。其中，各個搜索過程在試驗中可以完成相互切換功能，從而驗證了基于粗糙集理論的決策算法的有效性。

圖9　多目標搜索測試結果

圖10為機器人智能采摘路徑的規劃結果。機器人由右側起點開始運動，移動到左側果實目標區域，執行采摘動作。

圖10　機器人采摘路徑規劃圖

由圖10可以看出：在遺傳算法的優化作用下，機器人能夠以最短的路徑順利到達理想的采摘位置，算法性能較好。

為了對粗糙集算法的可靠性進行直觀地顯示，使用C++編程的方法對粗糙集算法進行性能實驗，結果如表3所示。通過測試發現：使用粗糙集可以大大降低所需訓練種群的數目，降低平均迭代次數，不需要CPU時鐘單元，大大提高了機器人的計算性能。

表3　采摘機器人粗糙集算法性能測試結果

為了驗證采摘機器人算法性能的可靠性，在增加障礙物的復雜程度、其他參數均相同的情況下，對粗糙集遺傳算法和普通遺傳算法的性能進行了測試，結果如表4所示。由表4可以看出：使用粗糙集遺傳算法有效地提高了路徑規劃的速度，從而大大提高了機器人的采摘作業效率。

表4　采摘機器人遺傳算法性能測試結果

4結論

1)為了提高采摘機器人路徑規劃的速度和精度，使用粗糙集對遺傳算法的路徑規劃方法進行了改進，并在二維柵格地圖環境下，對決策表進行了優化設計，將其作為遺傳算法的初始化種群，從而大大提高了路徑規劃的效率。

2)對采摘機器人的性能進行了測試，包括果實圖像提取與識別和路徑規劃能力。通過測試發現：機器人視覺系統可有效完成果實圖像的提取識別及路徑的搜索和規劃。同時，使用粗糙集后的遺傳路徑規劃耗時更短，平均迭代次數更少，從而提高了機器人采摘作業效率，為高效果蔬采摘機器人研究提供了較有價值的參考。

參考文獻：

[1]陳磊,陳帝伊,馬孝義.果蔬采摘機器人的研究[J].農機化研究,2011,33(1):224-231.

[2]梁喜鳳,楊犇,王永維.番茄收獲機械手軌跡跟蹤模糊控制仿真與試驗[J].農業工程學報,2013, 29(17):16-22.

[3]張建鋒,何東健,張志勇.采摘機器人自適應魯棒跟蹤控制算法設計[J].農機化研究,2009,31(12):10-14.

[4]吳忠強,張曉霞,舒杰.柔性機器人基于自適應模糊動態面的實用穩定控制[J].中國機械工程, 2012,23(19):2297-2301.

[5]過希文,王群京,李國麗.基于動態面的機械臂軌跡跟蹤神經網絡自適應算法[J].系統仿真學報, 2011,23(11):2327-2332.

[6]李曉剛,劉晉浩.基于反演設計的碼垛機器人神經網絡自適應控制[J].包裝工程,2012,33(1): 80-85.

[7]金雷澤,杜振軍,賈凱.基于勢場法的移動機器人路徑規劃仿真研究[J].計算機工程與應用,2007,43(24):226-229.

[8]由暢宇,韓建達.一種移動機器人在三維動態環境下的路徑規劃方法[J].計算機應用與軟件, 2009,26(8):223-224,234.

[9]伊連云,姚俊紅,付瑩瑩,等.基于自主視覺足球機器人路徑規劃的研究[J].機械工程與自動化,2006(2):67-69,72.

[10]黃彥文,曹其新.Robocop比賽環境下足球機器人路徑規劃研究[J].智能系統學報,2007(4):52-57.

[11]余群明,曹益,嚴欽山,等.基于改進型遺傳算法的足球機器人路徑規劃[J].計算機仿真,2008,25(2)：178-180,236.

[12]王丙強,宋弘.兩級BP網絡在機器人傳感器融合中的應用[J].微計算機信息,2009,25(23):192-194.

[13]李繼勇,趙德彪,張靜.基于BP神經網絡的供應鏈風險預警研究[J].河北工程大學學報:自然科學版,2011,28(3):83-87.

[14]周芳,朱齊丹,趙國良.基于改進快速搜索隨機樹法的機械手路徑優化[J].機械工程學報,2011 (11):30-35.

[15]Goh Shy ChyanS.G.Ponnambalam.Obstaclea voidance control of redundantr obotsusing variants of particles warm optimization[J].Robotics and Computer Integrated Manufacturing,2011，25(8):282-285.

[16]梁喜鳳,王永維,苗香雯.番茄收獲機械手避障運動規劃[J].農業機械學報,2008,39,(11):89-93.

[17]宋勇,李貽斌,栗春,等.基于神經網絡的移動機器人路徑規劃方法[J].系統工程與電子技術,2008(2):316-319.

[18]張美玉,黃翰,郝志峰,等.基于蟻群算法的機器人路徑規劃[J].計算機工程與應用,2005(25):34-37.

[19]孔令軍,張興華,陳建國.基本蟻群算法及其改進[J].北華大學學報:自然科學版,2004(6):572-574.

[20]羅德林,吳順祥.基于勢場蟻群算法的機器人路徑規劃[J].系統工程與電子技術,2010(6):1277-1280.

[21]許斯軍,曹奇英.基于可視圖的移動機器人路徑規劃[J].計算機應用與軟件,2011(3):220-222.

Path Planning of Picking Robot Based on Rough Set and Genetic Algorithm

Cai Jiong1, Wang Xiaozhi2,3

(1.Panzhihua University, Panzhihua 617000, China; 2.Nanchang Institute of Science & Technology, Nanchang 330108, China; 3.Wuhan University of Technology, Wuhan 430070, China)

Abstract：In order to improve the speed of acquisition robot path planning, improve the intelligent level of the robot autonomous navigation,it proposed a path planning method based on rough set and genetic algorithm, thus it can effectively improve the speed and precision of path planning.Based on the actual fruit picking environment, by using the technology of image segmentation robot on fruit target identification, in a 2D grid map of the environment, it can make a decision table,and the use of rough set attribute reduction of decision table is,to get the minimal decision table.As the initial population of genetic algorithm,it introduced genetic crossover and copy operation, optimal path planning algorithm. In order to verify the picking robot algorithm performance reliability, the picking robot performance were tested, which test items include fruit image recognition and robot path planning ability.It was found by testing that picking robot can effectively segment extracted fruit ripening, and it can complete the objectives and tasks. The performance of rough set and genetic algorithm was tested by using the rough set,which can greatly reduce the required number of training population. To reduce the average number of iterations, increase the complexity of the obstacle.It can significantly improve the path planning speed, thereby improve the efficiency of picking robot by using rough set genetic algorithm.

Key words：picking robot; path planning; genetic algorithm; autonomous navigation; rough set; decision table

中圖分類號：S225.91；TP242

文獻標識碼：A

文章編號：1003-188X(2016)08-0189-05

作者簡介：蔡炯(1970-)，男，四川南充人，講師，碩士。通訊作者：汪小志(1981-),女，武漢人，副教授，博士研究生，(E-mail)wangxiaozhi@ncu.edu.cn。

基金項目：湖北省自然科學基金項目(2014CFB322)

收稿日期：2015-07-30