基于視覺導航和RBF的移動采摘機器人路徑規劃研究

崔　維，丁　玲

(1.河北科技師范學院 信息技術系，河北 秦皇島　066004；2.燕山大學 信息科學與工程學院，河北 秦皇島　066004)

?

基于視覺導航和RBF的移動采摘機器人路徑規劃研究

崔維1，丁玲2

(1.河北科技師范學院 信息技術系，河北 秦皇島066004；2.燕山大學 信息科學與工程學院，河北 秦皇島066004)

摘要：為了提高采摘機器人自主導航和路徑規劃能力，提出了基于計算機視覺路徑規劃和RBF神經網絡自適應逼近算法的導航方法。使用圖像分割、平滑處理和邊緣檢測技術，根據圖像像素灰度值確定了導航線的位置，利用逐行掃描的方法得到了導航離散點。路徑規劃和跟蹤使用RBF神經網絡逼近算法，通過逼近誤差和權值控制路徑跟蹤的精度，系統響應的執行端使用液壓伺服系統，提高了機器人自主導航的精度。以黃瓜采摘作為研究對象，在日光溫室對機器人采摘作業進行了測試，通過測試得到了RBF神經網絡的路徑跟蹤誤差曲線。測試結果表明：機器人可以很好地逼近跟蹤規劃路徑，其計算精度較高，跟蹤效果較好。

關鍵詞：采摘機器人；視覺導航；路徑規劃；液壓伺服；自適應；RBF

0引言

采摘機器人是具有高度非線性和不確定性的復雜系統。近年來，隨著自動化控制技術水平的提高和各種算法的提出，智能機器人成為研究的熱門，如果將其應用在農業精密自動化作業過程中，可以大幅度提高勞動效率，帶來巨大的經濟效益。機器人軌跡控制的主要目標是通過給定機器人各關節力矩信號，使機器人按照指定的軌跡活動。同一般的機械系統相似，機器人結構和機械參數確定之后，其動態特性可以使用數學方程進行描述，其控制過程可以使用經典的控制理論和數學模型；但實際作業過程中，機器人模型具有非常多的不確定性，很難得到精確的計算模型。采用自適應RBF神經網絡，可實現對機器人動力學方程中未知部分的精確逼近，可以根據視覺目標跟蹤規劃路徑，實現較為精確的自主導航，無需建立復雜的數學模型，卻能實現復雜的采摘機器人動作和路徑控制。

1視覺導航和液壓伺服控制系統設計

采摘機器人和人的功能有相似之處，如行走移動功能、感知功能和作業能力，并且可以利用計算機編程使機器人自動工作。利用編程可以使機器人進行一些動作，使其滿足不同作物的作業要求，并可以實現視覺自動導航功能。根據拍攝的采摘環境圖像，規劃最佳動作路徑。路徑規劃仿真方法的總體設計框架如圖1所示。機器人時間導航系統設計框架如圖2所示。

圖1　采摘機器人路徑規劃仿真方法

圖2 機器人時間導航系統設計框架圖

采摘機器人路徑規劃的一般方法是利用仿真模擬系統讀入地圖，并將地圖保存成bmp的格式，圖像的每個像素代表一個柵格，圖像文件可以在畫板程序中進行編輯，生成規劃路徑是非常方便的。

當機器人在田間進行采摘作業時，環境地圖的生成采用實時圖像處理的方式確定目標，規劃行進路徑，圖像的采集使用圖像傳感器，圖像處理采用圖像分割、平滑去噪和邊緣檢測的方法，最終可以較為準確地判斷采摘果實、樹木區域和行走路線，達到路徑最優的目標。機器人的液壓伺服系統主要包括液壓泵、液壓執行元件、電液伺服閥、蓄能器和溢流閥等，液壓系統主要靠液壓泵來帶動。機器人四足液壓系統如圖3所示。

圖3　采摘機器人機械液壓控制原理圖

電液伺服閥是液壓系統中最重要的元件， 能將微弱的電信號轉化為液壓能,用以控制通過液壓缸的流量，從而控制機器人的運動。采摘機器人利用目標跟蹤方法，將控制信號發送給液壓伺服系統，實現機器人的自主行走。

2基于神經網絡RBF逼近的路徑規劃模型

對于采摘機器人的控制，核心是機器人移動路徑和動作關節的控制，其動作過程可以采用RBF神經網絡算法進行逼近。首先選二關節機器人系統動力模型為研究對象，如圖4所示。

圖4　采摘機器人控制動力學模型

在采摘機器人進行動作過程中，假設運動輸入轉矩向量為τ，則機器人運動的動力學模型為

(1)

(2)

(3)

(4)

(5)

(6)

e(t)=qd(t)-q(t)

(7)

定義誤差函數為

(8)

其中，∧=∧T>0，則有

(9)

(10)

其中，f表示采摘機器人控制的非線性函數，其表達式為

(11)

(12)

其中，cj表示節點的中心矢量，其表達式為

(13)

假設神經網絡存在權值W，則RBF逼近函數f(x)輸出的理想表達式為

f(x)=Wh(x)+ε(x)

(14)

其中,h=[h1,h2,…,hn]表示的W的權向量，ε(x)表示逼近誤差，逼近函數的輸入值取為

(15)

假設神經網絡的實際輸出為

(16)

取

(17)

則采摘機器人路徑跟蹤的自適應律表示為

(18)

(19)

其中,F表示對稱正定矩陣，F=FT>0，于是可得

-(Kv+Vm)r+ζ1

(20)

v=-(εN+bd)sgn(r)

(21)

符號函數sgn的表達式為

(22)

通過神經網絡函數的逼近，可以將實際跟蹤和采摘機器人動作規劃路徑的重合達到更高的精度，從而提高采摘效率和控制的精確度。

3視覺導航和路徑規劃能力測試

為了驗證機器人的視覺導航能力和路徑規劃能力，利用液壓伺服控制系統和RBF神經網絡算法設計了采摘機器人的樣機。機器人的結構和作業過程如圖5所示。

在采摘過程中，利用視覺導航相機拍攝了日光溫室下的黃瓜壟間圖像。視覺導航相機安裝與機器人的前端，與地面相距0.9m，俯角為45°，圖像的分辨率為640×480像素，如圖6所示。

圖5 采摘機器人采摘黃瓜

圖6　黃瓜壟間拍攝圖像

機器人路徑規劃首先需要對圖像進行二值化處理，假設黃瓜和葉子的灰度數值為0，地面的灰度為255，通過計算得到圖像的中心M，逐行掃描在左邊找到灰度為零的第一個點x1，逐行掃描在右邊找到灰度為零的第一個點x2，離散當行點的位置為(x1+x2)/2，將離散導航點進行連接，便可以得到導航的路徑規劃，如圖7所示的虛線位置。

圖7　路徑規劃視覺導航引導線

為了提高路徑跟蹤的精度，使用RBF神經網絡對規劃路徑進行跟蹤，首先對RBF神經網絡算法的逼近效果進行測試，通過測試得到了如圖8所示的測試結果。

圖8　RBF神經網絡逼近效果測試

通過對RBF對原函數的逼近測試，得到了如圖9所示的逼近效果曲線。由圖9可以看出：在開始階段，RBF逼近的誤差較大，但是隨著時間的增大，RBF可以很好的擬合原函數，即便原函數非常復雜，通過參數調整，RBF可以得到很好的逼近效果。

圖9　路徑規劃對比結果

為了對比神經網絡RBF算法和普通算法的優勢，利用仿真軟件對含有障礙物的目標點進行路徑規劃，通過仿真模擬測試得到了不同算法下的路徑規劃結果如圖9所示。由計算結果可以看出：利用神經網絡RBF算法規劃得到的路徑，由出發點到目標點的距離要比普通算法的短，路徑更優。

圖10表示機器人視覺導航路徑跟蹤的結果曲線。由圖10可以看出：在初始階段，機器人跟蹤的誤差較大；但通過RBF神經網絡算法的參數調整，機器人可以很好地逼近跟蹤規劃路徑，其計算精度較高，跟蹤效果較好。

4結論

本文采用圖像處理技術、機器視覺和RBF神經網絡算法，提出了一種基于自適應逼近的采摘機器人路徑規劃和視覺導航方法。該方法主要依據機器視覺采集圖像，并利用圖像處理技術得到了導航位置線和導航離散點，在路徑追蹤時使用逼近算法對離散點進行跟蹤，提高了機器自主導航效率和精度。

圖10　導航路徑跟蹤結果曲線

參考文獻：

[1]孫星,吳儉敏,顏華,等.田間作業機具綜合性能遙控系統[J].農機化研究,2013,35(7):97-100.

[2]郭孔輝,楊一洋,許男,等.輪胎試驗臺六分力解算、標定與優化分析[J].農業機械學報,2014,45(5):8-15.

[3]浦艷敏.關于數控系統加減速控制的研究[J].科學技術與工程,2009,9(22):6782-6785.

[4]張航偉,陳嬋娟.開放式數控系統中數控代碼的解釋與編譯[J].機械設計與制造,2011(2): 147-148.

[5]張涇周,楊偉靜,張安詳.模糊自適應PID控制的研究及其應用仿真[J].計算機仿真，2009,26(9):132-135.

[6]楊超,張冬泉,趙慶志.基于S曲線的步進電機加減速的控制[J].機電工程,2011,28(7):813-817.

[7]趙博,朱忠祥,宋正河,等.農用車輛視覺導航路徑識別方法[J].江蘇大學學報,2007,28(6):482-486.

[8]王友權,周俊,姬長英,等.基于自主導航和全方位轉向的農業機器人設計[J].農業工程學報,2008,24(7): 110-113.

[9]趙穎,陳兵旗.基于機器視覺的耕作機器人行走目標直線檢測[J].農業機械學報,2006,37(4):83-86.

[10]李建中,高宏.無線傳感器網絡的研究進展[J].計算機研究與發展,2008,45(1):63-72.

[11]石鵬,徐鳳燕,王宗欣.基于傳播損耗模型的最大似然估計室內定位算法[J].信號處理，2005, 21(5):502-504.

[12]李洪欣,楊建中.基于兩參數的表冷器建模方法研究[J].建筑熱能通風空調,2009,28(6):15-17.

[13]孟慶山.水源熱泵機組變流量水系統節能優化探討[J].制冷與空調,2010,10(1):84-89.

[14]謝志勇,張鐵中,趙金英.基于 Hough 變換的成熟草莓識別技術[J].農業機械學報,2007,38(3): 106-109.

[15]王東,趙宇,王秀紅.一種改進的DFT迭代的MIMO-OFDM系統信道估計算法[J].應用科技，2009(3):19-22.

[16]徐文穎,張靜,董建萍.導頻信道估計中的插值算法[J].上海師范大學學報,2007,12(6):41-46.

[17]陳暉,陳曉光.基于直接判決導頻跟蹤的OFDM系統快時變信道估計[J].通信學報，2006, 27 (9):1-5.

[18]李文見,姬江濤. 輪履復合式農業機器人越避障控制研究[J]. 河南科技大學學報: 自然科學版, 2007(8): 57-59.

[19]王仲民,戈新良, 唐智強.多傳感器信息融合技術研究現狀和發展趨勢[J].河北工業大學學報, 2003, 32(2): 30-35.

[20]國剛,王毅.應用BP神經網絡進行手寫體字母數字識別[J].人工智能及識別技術,2008,4(6): 1459-1460.

[21]施少敏,馬彥恒,陳建泗.基于BP神經網絡的數字識別方法[J].兵工自動化, 2006, 25(10): 40-41.

[22]許穎泉.用神經網絡進行數字圖像識別研究[J].應用科技, 2008(12): 59-60.

[23]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.

[24]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.

[25]劉繼展,李萍萍,李智國.番茄采摘機器人末端執行器的硬件設計[J].農業機械學報, 2008,39(3): 109-112.

Research on Path Planning for Mobile Picking Robot Based on Visual Navigation and RBF

Cui Wei1, Ding Ling2

(1.Information Technology Department, Hebei Normal University of Science and Technology, Qinhuangdao 066004,China; 2.College of Information Science and Engineering,Yanshan University, Qinhuangdao 066004, China)

Abstract：In order to improve the ability of autonomous navigation and path planning of picking robot, a navigation method is proposed based on computer vision path planning and RBF neural network adaptive approximation algorithm. The use of image segmentation, smoothing and edge detection technology,the navigation line positions are determined according to the image pixel gray value using progressive scan method of navigation discrete points. The path planning and tracking using RBF neural network approximation algorithm, the accuracy of the system response is controlled by the accuracy of the error and weight control.Taking cucumber as the research object, it tested the robot picking operation in greenhouse, and obtained the path tracking error curve of RBF neural network. The test results show that the robot can get a good approximation of the path.

Key words：picking robot; visual navigation; path planning; hydraulic servo; adaptive; RBF

中圖分類號：S225；TP391.41

文獻標識碼：A

文章編號：1003-188X(2016)11-0234-05

作者簡介：崔維(1978-)，女，黑龍江齊齊哈爾人，講師，碩士。通訊作者：丁玲(1971-)，女，遼寧海城人，高級實驗師，博士，(E-mail)cwdl2015@sina.com。

基金項目：河北省自然科學基金項目(E2013203271)

收稿日期：2015-09-10