采摘機器人智能系統應用研究—基于人工神經網絡和籃球運動員訓練策略

黃 娟

(中原工學院 信息商務學院，鄭州 451191)

0 引言

籃球運動情境中的決策研究一直是運動認知領域的焦點問題，對于那些開放性的、同場對抗類的集體競技項目來說，運動決策的水平直接影響著運動員運動能力和技戰術水平的發揮。這就要求運動員有對目標的捕捉并實時處理的能力，除了緊密鎖定籃球目標外，還需要通過自身決策規劃好前進路線，才能完成高效率和高質量的進球。對于采摘機器人而言，如果要想提高其作業效率，必須考慮實時目標的追蹤和捕捉，并及時規劃作業路徑，才能保證高質量的自動化采摘作業，因此可以將籃球運動員訓練策略的決策系統引入到采摘機器人的控制平臺上，使其發揮出更加優越的性能。

1 智能路徑自主規劃與籃球訓練策略

籃球運動屬于劇烈對抗的一種運動，要求運動員反映速度快，具有高效的決策能力和隊員的協同能力，因此對于運動員的訓練應著重培養其反應能力和高效的自主規劃能力。路徑規劃是實現運動員能否突破防守和提高命中率的關鍵，運動員在訓練時需要對其進行短時間刺激，如投籃這一項，需要出手前對籃球路線有規劃，籃球是呈現拋物線形狀出手，出手時需調整合理的角度，如圖1所示。

圖1 正確的路徑規劃結果

圖1表示在正確的籃球路徑出手角度和狀態調整后籃球命中籃框的結果，如果路線規劃不好，則會出現較大的偏差，因此路徑規劃對于命中率的訓練較為重要。

圖2表示在錯誤的路徑規劃時，籃球沒有命中的情形。當籃球沒有命中時，運動員需要根據籃球預設路徑對籃球進行追蹤，以搶籃板或者配合隊員搶籃板，整個智能路徑自主規劃和籃球訓練策略的流程如圖3所示。

在籃球比賽場上，運動員在激烈的比賽中，比賽的進行實際上成為了對比賽現實情境的認知過程。在此過程中，運動員對比賽情景表現為意識和行動的相互作用。如圖3所示：運動員先觀察實時情境，然后對情境進行信息搜集，并通過刺激不斷地訓練情境反應，進一步進行思維加工；加工過程包括分析綜合、分類比較和大腦的抽象概括，最后形成決策。這種決策主要是對路徑的規劃，最后形成自主的規劃能力。

圖2 錯誤的路徑規劃結果

圖3 基于自主路徑規劃的籃球訓練策略的流程

2 籃球運動員人工神經網絡訓練算法

籃球運動員的訓練任務主要是攻擊、防守和團隊的配合等項目，而進攻是籃球運動員得分的主要方式之一，是指籃球運動員繞開防守人員將籃球投入目標籃球框而得分。在實際比賽過程中，防守隊員是靈活的，因此在平時訓練策略中需要使用動態的障礙物。人工神經是對生物神經元細胞極其簡單的抽象而建立的模型，這個模型可以通過電路或者通過控制程序來實現，如圖4所示。

圖4 人工神經元模型

該模型可以模擬神經元細胞的工作原理，將輸入的數據進行加工處理，得到合理的決策數據，假設障礙物的形狀為凸多邊形，其數學表達式為

(1)

其中，障礙物的邊數用m表示。其中，訓練數據的輸入部分為p1,p1,…,pR；ω1,ω2,…,ωR表示連接權值；θ表示偏置信值，同神經元中的興奮閾值類似，障礙物的(x,y)點都在不等式約束的范圍之內。在籃球比賽時，防守隊員是靈活運動的，也就是障礙物是移動的，因此需要調整一部分參數，才能夠得到運動后的障礙物。

根據兩點可以確定一條直線的原理，假設直線上有確定的兩點p1(x1,y1)和p2(x2,y2)，則權值和置信值可以分別表示為

(2)

對方防守隊員可以看作一個動態得到凸多邊形障礙物，如果障礙物的所有頂點的坐標是明確的，則可以確定神經網絡模型中的各種參數；然后，根據其移動的速度和時間，便可以計算出移動后障礙物的每個新位置坐標，再次重新確認神經網絡模型的各種參數。如果障礙物做平移動作，各個參數都可以進一步簡化，各個邊的ωx、ωy不變，可得θM的更新公式為

ΔθM=-ωxpx-ωypy

(3)

其中，px、py分別是平移向量p在x軸、y軸上的投影分量。假設橢圓的兩個端點分別是A1(x1,y1)和A2(x2,y2)，其2a長軸可以表示為

(4)

長軸與x軸正方向的夾角θ0為

(5)

橢圓的中心C(x0,y0)為

(6)

假設短軸的一個端點為B1(x3,y3)，則短軸的長度2b為

(7)

有了a、b、θ0這些參數，就可以對神經網絡參數進行更新，其神經網絡的第一層的偏置值按下面的公式更新，即

(8)

(9)

如果活動的障礙物為其他形狀，還可以根據需要進一步拓展模型。

3 采摘機器人功能測試

利用人工神經網絡可以對采集到的信息迅速進行處理，利用籃球運動員決策策略模型可以對目標迅速定位，并規劃出相應的路徑，將籃球運動員訓練的神經網絡模型移植到采摘機器人上，可以有效的提高采摘機器人的智能化水平。其智能化流程如圖5所示、同籃球運動員的訓練類似，采摘機器人在智能化訓練過程，也需要對采摘情景的信息進行搜集并訓練對情景的反應能力，然后利用籃球運動員的神經網絡訓練策略，形成思維，并對路徑的規劃能力進行比較分類，最終形成決策能力。

圖5 基于籃球訓練策略的采摘機器人智能化流程

為了驗證方案的可行性，本次以青椒的采摘為例(見圖6)，通過編程的方式，在采摘機器人控制系統中神經網絡訓練策略模型，通過對實驗誤差和響應時間的統計，驗證算法的可行性和優越性。

圖6 待采摘青椒示意圖

如圖7所示：對青椒采摘進行了試驗研究，為了驗證基于神經網絡籃球運動員訓練策略控制系統的可靠性和優越性，對不同算法控制下采摘機械手的采摘響應時間和采摘誤差進行了分析統計，得到了如圖8所示的結果。

圖7 采摘機器人實驗場景

圖8中，分別采用了神經網絡、遺傳算法、蟻群算法和蜂群算法4種算法對采摘誤差和響應時間進行了統計。由統計結果表明，神經網絡算法的誤差要明顯的比其他算法小。

如表1所示：采用神經網絡訓練算法不僅誤差較小，而且在響應時間上，相比其他算法更加快速。這是由于神經網絡算法對路徑規劃的能力較強，而且可以通過合理的權值優化得到更加快速的響應速度，因此將其使用在采摘機器人系統中具有較好的優越性。

圖8 誤差數據統計

算法響應時間/s響應誤差/%神經網絡0.654.8遺傳算法1.0812.5蟻群算法1.2211.2蜂群算法1.3513.6

4 結論

為了提高籃球訓練策略的效率，提高運動員對籃球場情境的反應能力，在籃球訓練策略上引入了人工神經網絡方法，通過不斷的智能化訓練，以提高反應決策的效率和水平。將這種方案引入到了采摘機器人的智能化決策系統中，通過智能化訓練使機器人具有更快的果實目標捕捉，對能力和更快的響應速度，從而提高采摘效率。最后，采用不同算法對采摘機器人的作業能力和效率進行驗證，結果表明：采用人工神經網絡算法可以有效提高機器人的響應速度，以及采摘機器人的作業水平和作業效率。

參考文獻：

[1] 王文慶,張濤,龔娜.基于多傳感器融合的自主移動機器人測距系統[J].計算機測量與控制,2013,21(2): 343-345.

[2] 韋偉,周凌翱,劉青.一種便攜式的紅外測距系統[J].電子設計工程,2011,19(21):40-42.

[3] 劉金帥,賴惠成,賈振紅.基于YCbCr顏色空間和Fisher判別分析的棉花圖像分割研究[J].作物學報, 2011,37(7):1274-1279.

[4] 朱群峰,黃磊.溫室移動機器人軌跡控制系統的設計[J].農機化研究,2009，31(4):73-75.

[5] 張衛東.我國溫室發展的現狀及發展建議[J].科技信息,2013(10):439.

[6] 李明,李旭,孫松林,等.基于全方位視覺傳感器的農業機械定位系統[J].農業工程學報,2010,26(2):170- 174.

[7] 傅錫敏,薛新宇.基于我國施藥技術與裝備現狀的發展思路[J].中國農機化,2008(6):72-76.

[8] 傅澤田,祁力鈞,王俊紅.精確施藥拉術研究進展與對策[J].農業機械學報,2007,38(1):189-192.

[9] 郭輝,韓長杰.精確施藥技術的研究與應用現狀[J].農業技術與裝備,2009(10):42-46.

[10] 呂太國.靜電噴霧系統特性研究[J].農機化研究, 2009，31(5):54-70.

[11] 燕明德,賈衛東,張斌,等.國內外靜電噴霧施藥技術及機具研究[J].農業機械,2008(8):53-54.

[12] 劉金龍,丁為民,鄧巍.果園對靶噴霧紅外探測系統的設計與試驗[J].江蘇農業科學,2012,40(12):370-372.

[13] 高春城.我國農業發展的資源環境問題與展望[J].當代生態農業,2013(4):151-154.

[14] 萬寶瑞.當前我國農業發展的趨勢與建議[J].農業經濟問題,2014,4(1):110-114.

[15] 趙其國.當前我國農業發展中存在的深層次問題及對策[J].生態環境學報,2013,22(6):911-915.

[16] 趙其國,黃國勤,王禮獻.中國生態安全、農業安全及“三農”建設研究[J].農林經濟管理學報,2014,13(3): 237-243.

[17] 徐國保,尹怡欣,周美娟.智能移動機器人技術現狀及展望[J].機器人技術與應用,2007(5):29-34.

[18] 薛晗,李迅,馬宏緒.基于無線傳感器網絡的移動機器人智能導航算法[J].傳感技術學報,2008，21(5):834- 840.

[19] 李彩虹,李貽斌,范晨.移動機器人動態避障算法[J].山東大學學報：工學版,2007.37(5):60-64.

[20] 楊晶東,洪炳熔,樸松昊.基于模糊行為融合的移動機器人避障算法[J].華中科技大學報：自然科學版，2008,36(增刊):224-227.

[21] 孫吉貴,劉杰,趙連宇.聚類算法研究[J].軟件學報,2008,19(1):48-61.

[22] 曾東海,米紅,劉力豐.一種基于網格密度與空間劃分樹的聚類算法[J].系統工程理論與實踐,2008,28(7): 125-133.

[23] 李光強,鄧敏,劉啟亮,等.一種適應局部密度變化的空間聚類方法[J].測繪學報,2009,38(3):255-263.

[24] 劉銘,王曉龍,劉遠超.一種大規模高維數據快速聚類算法[J].自動化學報,2009,35(7):859-866.

[25] 傅隆生,張發年,槐島芳德.獼猴桃采摘機器人末端執行器設計與試驗[J].農業機械學報, 2015,46(3):1-8.

[26] 高浩,王虎,陳軍.獼猴桃采摘機器人的研究與設計[J].農機化研究, 2013,35(2):73-76.

[27] 紀超,馮青春,袁挺，等.溫室黃瓜采摘機器人系統研制及性能分析[J].機器人,2011, 33(6):726-730.

[28] 劉繼展,李萍萍,倪齊，等.番茄采摘機器人真空吸盤裝置設計與試驗[J].農業機械學報,2010,41(10):170- 173,184.

[29] 陸化珠,蔡健榮,孫力，等.基于超聲測距的柑橘收獲機器人應急避障系統[J].農機化研究,2011,33(12): 151-153.