農(nóng)業(yè)機器人路徑規(guī)劃與實時定位系統(tǒng)—基于數(shù)據(jù)挖掘技術(shù)

李巧君，梁俊娟

(河南工業(yè)職業(yè)技術(shù)學院，河南 南陽 473000)

0 引言

隨著農(nóng)業(yè)機械智能化和信息化的飛速發(fā)展，農(nóng)業(yè)機器人正在成為主角。它的出現(xiàn)不僅推動農(nóng)業(yè)實現(xiàn)了標準化生產(chǎn)，還進一步提高了種植效率，減少了人工成本，促進了傳統(tǒng)農(nóng)業(yè)快速轉(zhuǎn)型。農(nóng)業(yè)機器人研究過程中，變速箱和發(fā)動機的驅(qū)動控制、機械制造等基礎產(chǎn)業(yè)技術(shù)容易解決，但智能控制算法依舊是研究難點和熱點。本文根據(jù)農(nóng)業(yè)機器人作業(yè)特點，采用數(shù)據(jù)挖掘智能算法，結(jié)合可視圖建模方法，設計了一種農(nóng)業(yè)機器人路徑規(guī)劃與實時定位系統(tǒng)。

1 數(shù)據(jù)挖掘概述

數(shù)據(jù)挖掘(Data Mining)是指從大量不完全、隱含的、隨機的大型數(shù)據(jù)庫中提取隱含在其中的、人們未發(fā)現(xiàn)的但又有用的信息，其目的是幫助人們提高特定時間的決策、監(jiān)測和風險預警等。數(shù)據(jù)挖掘主要包括統(tǒng)計學和機器學習兩種方法：統(tǒng)計學一般以模型為驅(qū)動，通常是建立一個用以構(gòu)造數(shù)據(jù)的模型；而機器學習一般是以算法為驅(qū)動，讓計算機通過特定算法從復雜數(shù)據(jù)中提取有用信息。

從形式上來講，數(shù)據(jù)挖掘技術(shù)一般是采用迭代式開發(fā)方法，過程如圖1所示。

其中，各個模塊解釋如下：

1)解讀需求。大多數(shù)數(shù)據(jù)挖掘技術(shù)都是應用在特定場合的，開發(fā)人員不應該只研究數(shù)據(jù)挖掘的算法模型，還應多與項目相關(guān)的工程師交流合作，恰當解讀項目的需求。

圖1 數(shù)據(jù)挖掘開發(fā)流程Fig.1 The development process of data mining

2)搜集數(shù)據(jù)。確定項目需求就是從各個業(yè)務數(shù)據(jù)庫中搜集數(shù)據(jù)。一般做法是采用抽樣的手法提取數(shù)據(jù)信息，這種情形下主要是側(cè)重于根據(jù)取樣分布確定抽樣方法，確保評估模型中用于訓練和檢驗數(shù)據(jù)來源于同一個取樣分布。

3)數(shù)據(jù)預處理。數(shù)據(jù)預處理包括對數(shù)據(jù)的清洗、集成、變換和規(guī)約等任務。其中，前面兩個任務主要是針對數(shù)據(jù)做出一系列的缺失值、異常值、歸一化、時間序列加權(quán)的處理；而后面兩個任務則是對數(shù)據(jù)進行維度、值以及案例的歸約處理。

4)評估模型。評估模型就是在眾多可行的模型中選出一個最優(yōu)的模型。

5)解釋模型。數(shù)據(jù)挖掘?qū)嶋H上是用來幫助人們對事情做出最終決策的，在實際工程中人們不會根據(jù)“黑箱子模型”做出決策。因此，需要對具有實際用途的“黑箱子模型”做出合理的解釋。

2 建立農(nóng)業(yè)機器人作業(yè)環(huán)境模型

建立農(nóng)業(yè)機器人作業(yè)環(huán)境模型，主要是采用合適的環(huán)境表示方法表示作業(yè)區(qū)域內(nèi)的機器人和障礙物，從而建立路徑規(guī)劃和路徑搜索算法，實現(xiàn)路徑最優(yōu)化。假設R為二維平面中的農(nóng)業(yè)機器人，其作業(yè)區(qū)域為工作空間，那么在工作空間可能存在若干個障礙物O={O1,O2,…,On}，每個障礙物可以看成一個不規(guī)則的多邊形。另外，為了方便表示機器人的行走路線，在作業(yè)環(huán)境模型中將機器人看作成一個點。

本文采用包含最短路徑的可視圖建模方法構(gòu)建環(huán)境模型，其主要步驟包括簡化障礙物、局部視圖最小化和全局視圖等。

1)簡化障礙物。簡化障礙物實際上是一共包括5個步驟。

Step1：假設PS(農(nóng)業(yè)機器人起點)和PG(農(nóng)業(yè)機器人終點)已知，作直線PSPG，確定PSPG穿過的障礙物；

Step2：在直線PS、PG兩側(cè)，分別找遠離直線PSPG的障礙物頂點Phigh和Plow；

Step3：以PS、PG、Phigh和Plow這4點作一個四邊形區(qū)域。若直線PS、PG的某側(cè)有多個滿足Phigh和Plow的頂點，則將這些點和起點和終點連接起來，如圖2中的虛線。

圖2 簡化可視圖區(qū)域Fig.2 The simplifying viewed area

Step4：判斷是否有除PSPG穿過之外的障礙物與PSPGPhighPlow四邊形相交，若其位于PSPGPhighPlow四邊形內(nèi)部，也稱其相交；若有，則保留。

Step5：保留PSPG穿過的障礙物和與PSPGPhighPlow四邊形的障礙物，除掉其他的障礙物。

2)局部視圖最小化。局部視圖最小化是由兩個完全可視的障礙物的公切線組成的，根據(jù)要求可以生成的多個局部最小可視圖。局部視圖最小化示意圖如圖3所示。

3)全局視圖。對局部視圖最小化障礙物中沒有連線的，都進行連線并加入到可視圖中，然后將起點PS和終點PG也加入到作業(yè)區(qū)域中，就形成了完整的全局視圖，如圖4所示。

圖3 局部視圖最小化示意圖Fig.3 Local view minimization schematic diagram

圖4 全局視圖示意圖Fig.4 The sketch diagram of global view

3 基于數(shù)據(jù)挖掘的農(nóng)業(yè)機器人路徑規(guī)劃和實時定位系統(tǒng)

3.1 農(nóng)業(yè)機器人路徑規(guī)劃

農(nóng)業(yè)機器人作業(yè)環(huán)境比較復雜，設定好機器人的起點和終點后，便是獲取作業(yè)區(qū)域的環(huán)境信息，然后由系統(tǒng)算法進行最優(yōu)路徑規(guī)劃。假設農(nóng)業(yè)機器人起點PS和終點PG，則路徑規(guī)劃應該從以下幾個方面進行考慮。

1)時間最短。

f1=min(maxt) (1≤t≤n)

(1)

其中，f1為從起點PS和終點PG的最短時間；t為時間節(jié)點。

2)路程最短。

(2)

其中，f2為PS和PG之間的最短路程；(xi，yi)為路徑坐標點。

3)路徑轉(zhuǎn)彎次數(shù)最少。

(3)

其中，f3為路徑轉(zhuǎn)彎次數(shù)。

根據(jù)以上3個方面，可以構(gòu)建農(nóng)業(yè)機器人軌跡規(guī)劃計算函數(shù)為

F=a1f1+a2f2+a3f3

(4)

其中，a1、a2和a3為最優(yōu)路徑計算系數(shù)。

本文結(jié)合農(nóng)業(yè)機器人軌跡數(shù)據(jù)得到最優(yōu)路徑和層次搜索策略，采用經(jīng)驗等級路網(wǎng)結(jié)合分層路徑搜索對農(nóng)業(yè)機器人的路徑進行有效規(guī)劃。路徑規(guī)劃與實時定位技術(shù)路線如圖5所示。

圖5 路徑規(guī)劃與實時定位技術(shù)路線圖Fig.5 The technical roadmap of path planning and real-time positioning

路徑規(guī)劃與實時定位的具體實現(xiàn)流程為：

Step1：根據(jù)需求對采集到的農(nóng)業(yè)機器人數(shù)據(jù)進行預處理，除去經(jīng)緯度越界、經(jīng)緯度和時間沒有發(fā)生變化的不合格數(shù)據(jù)。

Step2：經(jīng)過對數(shù)據(jù)的預處理后，匹配環(huán)境模型，將GPS數(shù)據(jù)加載到環(huán)境模型的路網(wǎng)數(shù)據(jù)中，使得系統(tǒng)可以在環(huán)境模型中提取農(nóng)業(yè)機器人的經(jīng)驗軌跡集。

Step3：計算指定時間內(nèi)農(nóng)業(yè)機器人在各個經(jīng)驗軌跡上耗費的時間和出現(xiàn)頻率，并對經(jīng)驗軌跡進行貝葉斯分類，組建經(jīng)驗道路等級路網(wǎng)。

Step4：在已經(jīng)組建經(jīng)驗道路等級路網(wǎng)的基礎上，實現(xiàn)農(nóng)業(yè)機器人層次路徑規(guī)劃算法。

3.2 農(nóng)業(yè)機器人實時定位系統(tǒng)

農(nóng)業(yè)機器人實時定位算法比較復雜，本文采用挖掘技術(shù)中的Rao-Blackwellized(PF)粒子濾波器算法進行定位運算。PF算法具體實現(xiàn)方式如下：

根據(jù)農(nóng)業(yè)機器人GPS信息、運動模型、環(huán)境模型及農(nóng)業(yè)機器人初始位姿，利用一批離散的采樣點(粒子)表示農(nóng)業(yè)機器人實時定位狀態(tài)的密度函數(shù)。當PF算法在高維狀態(tài)空間采樣時，應該加大采樣樣本確保算法可靠性，也大大提高了算法的計算量。PF算法的基本思想為

p(st,λt|zt,ut-1,nt)=p(st|zt,ut-1,nt)×

(5)

其中，t為采樣時間；st為農(nóng)業(yè)機器人運動模型集；ut-1為農(nóng)業(yè)機器人控制輸入集；zt為農(nóng)業(yè)機器人位姿集；λt為t時刻的環(huán)境特征；nt為關(guān)聯(lián)數(shù)據(jù)參數(shù)。

當在高維狀態(tài)空間采樣數(shù)量m趨于無窮大時，st趨于真實的密度函數(shù)，那么p值即為真是定位點集。

農(nóng)業(yè)機器人實時定位系統(tǒng)主要是根據(jù)攝像頭傳感器和GPS定位系統(tǒng)，結(jié)合農(nóng)業(yè)機器人初始位姿信息及Rao-Blackwellized(PF)粒子濾波器算法進行高效計算，得到高精度的定位參數(shù)。農(nóng)業(yè)機器人實時定位系統(tǒng)結(jié)構(gòu)如圖6所示。

圖6 農(nóng)業(yè)機器人實時定位系統(tǒng)結(jié)構(gòu)圖Fig.6 The structure diagram of real time positioning system for agricultural robot

3.3 PF算法編碼及流程

路徑規(guī)劃與定位系統(tǒng)采用粒子濾波器算法進行定位和路徑規(guī)劃，軟件流程為：①搭建環(huán)境→②設定起點和終點→③)計算粒子群適應度Pbest和gbest→④)檢測粒子聚合度→⑤變異操作，計算每個粒子群適應度→⑥比較判斷新粒子適應度是否優(yōu)于pbest，并確定Pbest新位置→⑦比較判斷新粒子適應度是否優(yōu)于gbest，并確定gbest新位置；→⑧輸出最優(yōu)路徑。其中，pbest(0)、pbest(1)、…、pbest(N-1)表示各粒子的個體最優(yōu)；gbest表示全體的最優(yōu)解。該軟件流程如圖7所示。

4 實驗結(jié)果與分析

為了驗證農(nóng)業(yè)機器人路徑規(guī)劃與實時定位系統(tǒng)的可行性和可靠性，利用MatLab仿真軟件對其進行了仿真實驗，測試內(nèi)容為系統(tǒng)是否能夠使農(nóng)業(yè)機器人在路徑最優(yōu)情況下到達終點。環(huán)境模型圖和仿真結(jié)果如圖8和圖9所示。

由圖9可以看出：該系統(tǒng)采用最短路徑的可視圖建模方法和PF算法，使得農(nóng)業(yè)機器人成功避開了所有的障礙物，精準地從起點到達了終點。從其移動路徑和拐點來看，該系統(tǒng)優(yōu)化效果明顯，具有很強的避障、路徑規(guī)劃和定位能力，符合設計要求，驗證了系統(tǒng)的可行性和可靠性。

圖7 蟻群算法軟件流程Fig.7 The software flow of ant colony algorithm

圖8 設定的環(huán)境模型Fig.8 Set the environment model

圖9 仿真結(jié)果圖Fig.9 Simulation result diagram

5 結(jié)論

針對農(nóng)業(yè)機械人作業(yè)環(huán)境復雜、障礙物多、路徑規(guī)劃和定位困難等問題，提出了基于數(shù)據(jù)挖掘技術(shù)的農(nóng)業(yè)機器人路徑規(guī)劃和實時定位系統(tǒng)。系統(tǒng)采用可視圖建模方法和PF算法，為機器人路徑規(guī)劃和實時定位提供一種可行性強、可靠性高、算法最優(yōu)的解決方案。實驗結(jié)果表明：農(nóng)業(yè)機器人成功避開所有的障礙物，順利地從起點到達了終點。從其移動路徑和拐點來看，該系統(tǒng)優(yōu)化效果明顯，具有很強的避障、路徑規(guī)劃和定位能力。