基于空间聚类分析与分组路径规划优化的猕猴桃采摘机器人效率提升研究

本研究针对猕猴桃采摘机器人面临的果实空间分布异质性高、路径规划效率低及能耗大等问题，通过Ripley's K函数与核密度估计(KDE)分析果实空间分布特征，提出了一种结合全局与分组策略的双模式路径规划方法。结果表明，分组策略显著降低了路径长度（GA和ACO分别减少242.1%和15.3%）、转弯角度（如ACO从8365.29°降至4933.13°）及计算时间（最多两个数量级），为智能采摘系统在复杂果园环境中的稳定高效运行提供了理论与实践指导。

　　

在全球猕猴桃产业持续扩张的背景下，人工采摘成本高、劳动强度大以及劳动力短缺等问题日益突出，开发高效的自动化采摘系统成为产业可持续发展的关键。然而，现有的猕猴桃采摘机器人仍面临诸多挑战：在茂密的冠层中准确检测和定位果实困难，对空间异质性强的果园环境适应性有限，以及路径规划效率低下导致能耗增加和操作稳定性降低。这些瓶颈严重制约了采摘机器人的实际应用效果和推广价值。

为了突破这些限制，研究人员在《Smart Agricultural Technology》上发表了一项研究，通过深入分析猕猴桃的空间分布特性，并基于此优化路径规划策略，显著提升了机器人的采摘效率与操作稳定性。该研究不仅为果园自动化采摘提供了新的解决方案，也为其他类似作物的机器人采收提供了重要参考。

研究团队采用了多项关键技术方法，主要包括：基于改进YOLOv8的果实检测算法（整合了SKNet、SENet注意力机制和CSWin模块），结合图像拼接与坐标转换技术获取果实真实空间坐标；利用Ripley's K函数和核密度估计(KDE)进行空间点模式分析，识别果实聚类特征；设计了双模式路径规划框架（全局与分组策略），并对比了六种经典算法（Dijkstra、A*、Greedy、NN、GA、ACO）的性能。实验在四川浦江县农业创新公园的标准猕猴桃果园进行，以‘Hongyang’品种为研究对象，在六个实验区域（2 m×3 m）采集数据。

研究结果通过以下部分详细展示：

3.1. 猕猴桃空间分布特征

通过Ripley's K函数分析发现，所有实验区域的L(r)曲线均高于完全空间随机(CSR)置信区间，证实了果实的显著聚集分布模式（平均密度68.83 fruits/m2）。核密度估计(KDE)进一步将果实划分为11~15个聚类组，组间平均距离60.44 cm，组内最常见为三果实集群。相邻果实间距平均5.15 cm，呈正态分布，表明局部空间结构规则。垂直方向上，果实主要分布在1.52~1.78 m高度，平均1.64 m，变异范围26 cm。这些特征为分组路径规划提供了依据。

3.2. 路径规划对比

在全局规划模式下，启发式搜索（Dijkstra、A*）与局部贪心算法（NN、Greedy）路径长度相近（约1002.06 cm），而GA和ACO路径较长（3845.79 cm和1173.94 cm）。分组策略下，GA和ACO路径长度分别减少242.1%和15.3%，平均段长降至7.88~8.62 cm，总转弯角度显著降低（如ACO从8365.29°降至4933.13°），计算时间最多减少两个数量级。分组策略有效提升了路径连续性和执行效率，其中NN算法在实时采摘中表现最佳。

研究结论与讨论部分强调，基于果实空间分布特征的分组路径规划策略能显著改善采摘机器人的操作效率与稳定性。该方法通过减少冗余移动、降低转弯复杂度和计算负担，适应了猕猴桃果园的高密度与异质性环境。未来工作需集成三维感知、动态障碍规避和多机器人协同，以进一步提升系统的实用性与适应性。这一研究不仅为猕猴桃智能采摘提供了优化路径，也为其他果蔬机器人采收提供了可推广的理论框架和技术路径。