智能除草機器人路徑規劃技術研究

摘 要：為了提升智能除草機器人的作業效率，本文進行了路徑規劃技術研究。對智能除草機器人進行本體和控制軟件的框架設計，并重點針對路徑規劃問題提出基于可變觀察窗的局部規劃方法，在局部規劃的過程中利用深度學習完成綜合信息融合，進一步提升路徑規劃結果的可信度。試驗結果顯示，本文所提方法可以成功躲避移動障礙，在除草機器人不停車的情況下持續行進和除草。與CNN方法進行比較可知，本文所提方法具有更高的路徑規劃效率。

關鍵詞：智能除草；機器人；路徑規劃；動態障礙

中圖分類號：S 23" " " " 文獻標志碼：A

機器人是自主化解決特定任務的重要智能設備，是人類科學技術發展到較高水平的重要產物。目前，機器人已經在很多領域中具有廣泛應用，例如工業生產線、危險環境搜救和生活家居[1]。其中，智能除草機器人是非常具有實用價值的一種應用。人們對農業生產日益重視，對農田中雜草的清除需求不斷增加。為了有效清除農田雜草，需要不斷進行除草作業，不僅需要大量的人工支出，而且除草員的技術經驗、身體狀況也會影響工作效率。尤其是在夏季高溫條件下，持續的除草作業也會給除草員的身體造成相當強度的傷害。與機器人的其他種類工作相比，除草工作具有重復性和規律性，也不需要配置過于復雜的操作工具，理論上是容易實現的[2]。路徑規劃是除草機器人的核心任務。路徑規劃不僅可以給除草機器人提供更安全的路徑，成功躲避障礙和碰撞，而且可以更好地覆蓋作業區域，提升作業效率[3]。尤其是在非規則區域，路徑規劃對完成除草任務具有更重要意義。本文以此為核心研究內容，進行相應的研究工作。

1 智能除草機器人的框架設計

機器人是包括感知單元、運動單元、控制單元和操作單元的復雜系統，雖然除草機器人的功能并不復雜，但是也要具備一般機器人的結構。因此，本文給出智能除草機器人的框架設計，設計過程包括結構設計和軟件設計。其中，經過結構設計，可以得到機器人本體，它是各種功能得以實現的硬件載體，軟件設計是以程序為主且能夠實現除草等各項功能的關鍵。

為了保證智能除草機器人能夠在農田上行進，一般要配置一個攜帶運動機構的底盤，運動方式包括履帶式行進和輪式行進等。為了避免履帶式行進機構對農田的碾壓和破壞，本文采用輪式設計。除草機器人能夠自我感知周圍環境，以便移動、除草，因此傳感系統也是非常重要的單元。對具有自主移動功能的除草機器人來說，可以利用攝像機、光譜儀、超聲傳感器和激光雷達傳感器等完成目標識別和障礙測距。本文采用攝像機配置圖像處理的方法完成傳感系統設計。執行機構是完成除草作業的關鍵單元，包括刀片、旋轉鋤頭、激光鋤頭和高壓鋤頭，本文選擇機械式旋轉鋤頭。

除草機器人的軟件核心是控制單元，這是各種功能得以實現、彼此協調的中樞。控制軟件包括數據采集、數據處理和通信等傳感軟件，將傳感器信息接入，以使機器人具有對周圍環境的感知能力。在機器人的移動方面，路徑規劃軟件具有非常重要的作用，為除草機器人躲避障礙、尋找路徑和自主行走奠定了基礎。本文以路徑規劃技術為核心內容進行后續的研究工作。綜上所述，智能除草機器人的框架設計如圖1所示。

2 智能除草機器人路徑規劃方法設計

2.1 可變觀察窗規劃

在一塊農田的除草任務中，通暢全局地圖是已知的。因此，農田的全局信息成為智能除草機器人的先驗知識。但是，考慮作業環境并不是一直穩定的，在局部點位上可能會出現新增的障礙信息，例如停落的飛鳥、人為擺放的物品等。因此，智能除草機器人還要具有局部路徑規劃的能力。綜上所述，智能除草機器人的路徑規劃是典型的全局-局部路徑規劃方法。

考慮智能除草機器人攜帶的傳感器為攝像機，其觀察視野有限，因此將其對局部地圖的感知能力定義為一個觀察窗。隨著智能除草機器人位置不斷移動，這個觀察窗也在不斷變化，形成了一個可變的觀察窗。因此，本文構建的局部規劃就是一個可變觀察窗的規劃方法。

在可變觀察窗口內，存在多條可以行進或移動的路徑，智能除草機器人需要進行判斷和篩選。在均可通行的情況下，到達時間最短成為更優路徑。如何能夠獲得最短的到達時間，取決于智能除草機器人的車體線速度，即智能除草機器人車輪的角速度。據此，形成的可變觀察窗規劃方法的優化函數如公式（1）所示。

式中：v代表智能除草機器人的車體線速度；ω代表智能除草機器人車輪的角速度；L（v，ω）代表包括機器人車體線速度和車輪角速度的路徑規劃優化函數；h（v，ω）代表包括機器人車體線速度和車輪角速度的方向函數；d（v，ω）代表包括機器人車體線速度和車輪角速度的距離函數；（v，ω）代表包括機器人車體線速度和車輪角速度的最大速度函數；α代表包括機器人車體線速度和車輪角速度的方向函數權重；β代表包括機器人車體線速度和車輪角速度的距離函數權重；γ代表包括機器人車體線速度和車輪角速度的最大速度函數權重；??（?）代表歸一化處理函數。

式中：vmin代表智能除草機器人的車體線速度的最小值；vmax代表智能除草機器人的車體線速度的最大值；ωmin代表智能除草機器人車輪的角速度的最小值；ωmax代表智能除草機器人車輪的角速度的最大值。

2.2 綜合信息的深度融合處理

智能除草機器人的路徑規劃是一個非常復雜的問題，除了車體線速度、車輪角速度、當前位置和目標位置外，還要考慮固定障礙、移動障礙的相關信息，尤其是機器人已經走過的路徑信息，也可以作為進一步規劃的依據。從時間維度和空間維度來看，距離除草機器人越近的信息，參考價值越大。臨近信息場的分布如圖2所示。

從圖2可以看出，虛線所表示的機器人視野窗口包括可以行駛的區域、不能行駛的區域、固定障礙、移動障礙、機器人本體和可以行進的路徑等。隨著可變窗口位置不斷調整，窗口內的各種信息也會不斷變化。這些信息要不斷更新，為進一步的路徑規劃提供參考依據。

為了同時融合如此多種類的信息，并形成篩選判斷和優化決策，運用深度學習是最好的選擇。本文在深度學習網絡中選擇普適性最佳的CNN網絡，分別設置7個卷積層和4個連接層，對持續輸入的數據不斷進行優化處理。輸入端將車體線速度、車輪角速度、目標位置、當前位置、障礙信息和路徑行進歷史信息送入CNN網絡學習。深度網絡中共包括400個神經元，經過不斷的迭代優化，得到有關路徑的最佳判斷依據和優化結果。

3 智能除草機器人路徑規劃方法試驗

上文對智能除草機器人進行了本體和控制軟件的框架設計，并重點針對路徑規劃問題提出了基于可變觀察窗的局部規劃方法，在局部規劃的過程中還利用深度學習完成綜合信息融合，進一步提升了路徑規劃結果的可信度。下文將進行除草機器人路徑規劃試驗，驗證所提方法是否有效。

在試驗過程中，設定局部窗口可以采集的地圖信息為10×15的柵格區域，同時存在固定障礙和移動障礙。移動障礙位置具有可變性，對路徑規劃具有更大的影響。除草機器人在路徑規劃過程中遇到的場景如圖3所示。

在這個場景中，深色填充柵格為固定障礙所在區域，除草機器人無法行走。白色柵格為可行駛區域，除草機器人從C點穿行左、右固定障礙區域到達B點，其目標位置是F點。從B點到F點的可行路徑有3條，如圖3中的虛線所示。但是，在這一區域內存在一個移動障礙O，正好從除草機器人的前方經過。此時，使用本文提出的路徑規劃方法得到的最終路徑如圖4所示。

從圖4可以看出，在可變觀察窗局部路徑規劃方法下，除草機器人在3條可行路徑中，選擇了最左側的路徑。原因是傳感系統觀察到移動障礙O的移動方向，會相繼阻擋中間的路徑和右側的路徑，而除草機器人如果選擇這2條路徑，就不得不停止移動，從而降低除草效率。

比較本文所提路徑規劃方法和CNN方法完成路徑規劃的效果，除草機器人除草效率提升程度如圖5所示。

從圖5可以看出，本文方法在局部可變窗的加持下具有更高的路徑規劃效率，間接提升了除草效率。與CNN方法的規劃結果相比，本文方法普遍提升了約10% 。

4 結論

隨著自動化和人工智能技術飛速發展，機器人在各個領域得到了廣泛應用。在城市綠地的管理和維護方面，機器人同樣發揮了更高效的作用。在綠地除草方面，具有特殊功能的除草機器人可以代替人類更好地執行除草作業任務。在完成除草作業的過程中，如何進行有效的路徑規劃是非常關鍵的一環。對整個草坪的全局已知地圖信息來說，在局部區域存在未知信息會對路徑規劃產生更重要的影響。本文針對這樣的問題，建立了一種新的路徑規劃方法，可以更好地服務于除草機器人的作業任務。

參考文獻

[1]梁世勛，丁寧寧，劉健.大型自主水下機器人全局靜態與局部動態融合路徑規劃方法[J].艦船科學技術，2021，43（11）：83-89，94.

[2]馬耀鋒，李紅麗.割草機器人自動控制系統—基于智能視覺和人工算法[J].農機化研究，2020，42（8）：222-226.

[3]郭典新，高龍琴，李志昂，等.割草機器人全覆蓋式路徑規劃平臺設計與實現[J].現代制造工程，2023，35（11）：401-407.

作者簡介：林星燁（1988—），男，廣西玉林市人，本科，工程師、實驗師，研究方向為智能設備與工業機器人方向。

電子郵箱：114527391@qq.com。