采摘機器人的路徑規劃系統動態性優化研究

李玉霞,王 輝

(1.江蘇海事職業技術學院,南京 211170; 2.河北農業大學,河北 保定 071000)

0 引言

伴隨著智慧農業步伐的加快,我國智能化、無人化的農業裝備不斷出現,用于果蔬采摘的機器人裝置成為研究的熱點。從采摘臂的準確抓取、行走平臺的不斷優化、控制系統的程序升級等,都有很多的研究成果。其中,路徑的識別與規劃是替代人展開各項采摘作業的關鍵控制要點。經查閱文獻可知,目前采摘機器人的路徑識別與調控方式多采用全局搜索,能夠實現一定程度上的采摘環境信息獲取,但針對拐角及小范圍的路徑識別還需要進一步優化。為了更好地滿足機器人在行進過程與采摘作業過程中規劃軌跡的識別準確連貫度要求,筆者擬在當前采摘機器人實際路徑控制應用成熟的基礎上深入地從動態性角度展開探討。

1 采摘機器人概述

采摘機器人作為可替代人工進行大量重復性采摘作業的自動化農業設備,主要通過環境感知、路徑控制與動作執行完成采摘作業,已越來越多地被應用于多種場合。動態化的控制理論是一種較為先進的優化理念,它提倡在一種動態的、與現場環境符合度較高的條件下實施智能控制與優化調控;與此同時,采摘機器人的路徑系統一方面是滿足采摘機器人控制準確度的重要環節,另一方面其控制要求與動態性理論的應用機理較為相似。采摘機器人路徑規劃系統如圖1所示。

圖1 采摘機器人的路徑規劃系統組成簡圖Fig.1 Diagram of the composition of path planning system of the picking robot

由圖1可知:在采摘環境的障礙物不固定與采摘路徑不規則的前提下,其路徑識別由一系列的智能化部件有序連接而形成。工作時,首先,通過視覺采集模塊獲取相關采摘環境信息并傳遞至計算機控制環節,通過位姿導入與路徑算法的處理后,進行采摘與行進的動作策略選擇分配;然后,將決策信息分配至采摘裝置或動作機構,整體形成較好的閉環控制。由此可看出,路徑算法與控制節點成為路徑規劃系統精準調控的重要節點。下面對此融入動態路徑控制理論展開優化分析。

2 路徑系統優化

2.1 動態模型建立

為保證采摘機器人作業路徑能夠實現連續,在一定的路徑偏離誤差范圍內得到最優解,針對機器人內部的路徑調控優化,充分考慮環境性的因素影響,以采摘機器人的運動學原理為基點,采用動態適應性方式建立函數模型,即

(1)

式中f(p)-采摘機器人路徑系統動態調控函數;

f1(p)-采摘機器人路徑識別的長度函數;

f2(p)-采摘機器人路徑連續性函數;

λ1、λ2-相應的函數占比權值;

R-模型建立所需的常數值;

L-采摘機器人的路徑節點數;

xi、yi-模型建立坐標系下的路徑節點橫縱坐標值;

θk-k時刻采摘機器人的實時位置與規劃路徑之間的角度;

θk-1-(k-1)時刻采摘機器人的實時位置與規劃路徑之間的角度。

以高度匹配動態適應性函數為著手點,針對路徑系統的規劃與搜索進行布局,得到該采摘機器人的路徑規劃系統核心控制算法流程優化簡圖(見圖2);在機器人進行軌跡預判后,植入局部路徑搜索,增加路徑算法的調控精度與速度;將局部難搜索點專項計算,再與全局路徑搜索一并輸入該采摘機器人的整體路徑處理中心,從而經選擇適應、迭代優化后,執行裝置按最佳路徑作業。

圖2 路徑規劃系統核心控制算法流程優化簡圖Fig.2 Flow optimization diagram of core control algorithm of the path planning system

2.2 規劃系統軟件控制

以充分實現整機路徑規劃執行系統與后臺控制的閉環目標,引入云平臺網絡定位坐標系,規劃出基于動態控制優化的采摘機器人云平臺融入簡圖,如圖3所示。此云平臺中以中轉路徑系統的目標程序與跟隨程序為處理任務,通過感知與反饋雙向交換實現采摘裝置實時狀態與云平臺信息的共享,同步將路徑規劃的核心算法予以改進,更進一步確保路徑調控的動態性、實時性。

圖3 基于動態控制優化的采摘機器人云平臺融入簡圖Fig.3 Schematic diagram of cloud platform integration of the picking robot based on the dynamic control optimization

針對采摘機器人的實時位姿顯示與預先設定好的采摘路徑之間的內在關系,考慮采摘環境干擾度,導入用于信息噪聲處理的動態路徑提取程序,并在云平臺的內部對初始的路徑輪廓采用點輪廓與小范圍的狀態搜索,以模塊分布式的處理理念進行路徑的動態性跟蹤。

2.3 規劃系統硬件

系統的控制器選擇能夠在控制步數較少的條件下完成迭代精度要求的MPC控制器,其參數設置如表1所示。由表1可知:當跟蹤速度為4m/s時,能夠以動態調控方式實現誤差控制在0.02%的定位與跟蹤精度要求。同時,配置Kinect 傳感器進行采摘圖像信息的獲取、傳遞,可滿足全范圍的路徑跟蹤。

表1 采摘機器人路徑規劃系統動態性控制器參數設置列表Table 1 Parameter setting list of the dynamic controller of path planning system on the picking robot

在云平臺融入之后,以GNSS信號為交流介質,優化硬件布局,得到基于動態控制優化的系統硬件執行方式簡圖(見圖4);通過下位機將采摘的驅動裝置與整機轉向裝置分別接入路徑系統的偏差檢測模塊,經過動態控制優化裝置后將指令發送至采摘機構動作。其中,云顯示裝置在采摘機構與核心控制器之間,起到了關鍵的中間閉環調控作用,從而確保路徑系統的動態性監控跟蹤。

圖4 基于動態控制優化的系統硬件執行方式簡圖Fig.4 Schematic diagram of system hardware execution mode based on the dynamic control optimization

3 優化作業試驗

3.1 試驗條件

選取以履帶方式行進的機器人作為試驗對象,采摘對象為蘋果,依據采摘作業試驗的路徑規劃系統動態性優化處理流程(見圖5),通過環境預設、路徑提取、關鍵信息動態處理后,由路徑控制模型進行迭代計算與指令輸出,展開路徑系統優化下采摘作業試驗。設置如下關鍵條件:

圖5 采摘作業試驗的路徑規劃系統動態性優化處理流程Fig.5 Dynamic optimization processing flow of the path planning system in the picking operation test

1) 將采摘環境中的枝葉、果樹、行進路上障礙區統一設置障礙標識(柵格處理),以便路徑系統識別;

2) 確保機器人整機裝置結構連接良好、行進與采摘執行順暢;

3) 確保用于試驗數據輸出的各項顯示裝置運作正常等。

3.2 過程分析

分別設置規劃系統的內部路徑算法收斂精度為0.03、0,05、0.08、0.10、0.12,障礙物為10處,記錄計算數據,對比后得出收斂精度為0.05時路徑優化8次的動態性能指標計算數據對比列表,如表2所示。由表2可知:重復選取算法的參數設置,雖然迭代次數不同,但是波動維持在30次左右即可達到迭代效果,最優解次數平均維持在388次,在可以接受的計算處理范圍內;動態調控次數在9次以上,表明能夠精準識別障礙物并及時動作,可實施內部的動態調控,進而驗證了規劃系統內部動態算法的設計正確性。

表2 采摘機器人作業試驗的路徑系統動態性能指標數據對比Table 2 Comparison of dynamic performance index data of the path system in picking robot operation test

選取采摘機器人的路徑搜索率、偏離率、路徑平滑性、系統穩定性、避障成功率及綜合采摘效率作為主要對比參數,得到基于路徑系統動態性優化的采摘機器人作業效果對比,如表3所示。由表3可看出:路徑系統經動態性優化處理后,路徑搜索率由優化前的87.96%提高為98.89%,搜索率明顯提升;路徑偏離率由10.24%降低至5.15%,路徑平滑性由優化前的80.82%提高為90.53%;系統的穩定性由84.75%提高為93.30%,表明了路徑系統優化的可行性與優越性;整機的避障成功率由86.40%提高為92.25%,采摘效率同步由83.50%提高為92.50%,改善效果明顯。

表3 基于路徑系統動態性優化的采摘機器人作業效果對比Table 3 Comparison of operation effects of the picking robot based on dynamic optimization of the path system %

4 結論

1)在當前采摘機器人路徑系統結構組成的基礎上,引入云平臺與路徑識別與調控算法,建立動態控制模型后,實現了采摘機器人路徑規劃系統的動態性優化。

2)將優化后的路徑系統植入采摘機器人整機,展開路徑跟蹤作業反饋試驗。結果表明:基于動態性優化,實現了路徑規劃系統的搜索率與路徑平滑性顯著提高,路徑的偏離率相應降低,提高了采摘機器人的采摘效率與路徑調控能力。

3)動態性調控設計理念可很好地應用到采摘機器人的路徑系統中,在機器人路徑系統的識別調控性能方面有較大的改進,對于復雜采摘環境可以進行深入嘗試,能夠為研究者的設計創新提供參考。