SmartEars：一种基于频谱图音频分类和人工智能辅助标注的实用框架，用于家禽呼吸系统监测

《Computers and Electronics in Agriculture》：SmartEars: A practical framework for poultry respiratory monitoring via spectrogram-based audio classification and AI-assisted labeling

利用改进的GD-RRT*算法实现水果采摘机器人高效避障路径规划，通过混合高斯概率模型与目标偏置采样策略动态调整节点深度，实验表明其路径成本较传统RRT*降低67.04%，规划时间减少95.75%，碰撞检测成功率100%。

　　随着农业自动化技术的不断发展，利用机械臂替代人工采摘水果成为现代农业的重要趋势。然而，果树形态的不规则性和果园中果实生长位置的高度不确定性，给机械臂的目标定位带来了巨大挑战。直接采摘可能会导致机械臂与树枝、叶片发生碰撞，造成果树和机械臂的不可逆损伤，同时采摘过程中产生的振动也会影响目标果实的位置，导致采摘失败。为了解决这些问题，本文提出了一种改进的RRT*路径规划算法，称为GD-RRT*，该算法能够为采摘机器人中的机械臂提供更优的初始路径和最优路径规划结果。通过结合碰撞检测的成功频率，该算法采用了一种具有实时更新参数的高斯混合概率分布模型，并交替使用高斯采样策略和目标偏置采样策略，以动态调整深度值。实验结果表明，GD-RRT*算法的平均路径成本低于RRT*算法，其规划时间减少了67.04%。当与Informed RRT*算法结合使用时，其在不同地图上的最优路径获取时间也减少了95.75%。在实际采摘平台中应用GD-RRT*算法，实验显示其在障碍物避让方面的成功率达到100%，这证明了该算法在真实果园环境中的有效性。

在现代农业操作中，机械臂用于自动化作业以取代人工采摘任务，可以显著提高生产效率。然而，大多数采摘操作都发生在非结构化的野外环境中，这使得路径规划更加复杂和具有挑战性。果树形态的不规则性以及果实生长位置的不确定性，增加了路径规划的难度。如果机械臂直接前往目标位置，可能会与果树的枝叶发生碰撞，从而导致抓取失败。因此，解决机械臂的障碍物避让路径规划问题一直是重要的研究方向。

在给定初始点、目标点和障碍物信息的情况下，机械臂的路径规划方法旨在找到一条连接初始点与目标点并避开障碍物的路径。主流研究主要从两个方面优化路径规划算法：一是减少规划时间，二是提高路径质量。常见的方法包括元启发式算法、人工势场方法、基于图搜索的算法、基于采样的方法以及混合路径规划算法。元启发式算法通过仿生或物理启发的智能搜索策略，在解空间中动态平衡全局探索与局部开发，从而高效地接近复杂优化问题的最优解。这类算法包括遗传算法（GA）、蚁群算法、粒子群优化（PSO）、狼群算法（WPA）和灰狼优化（GWO）等。这些算法具有较强的通用性、适应复杂问题的能力、出色的全局搜索能力和不依赖问题结构的优点，但同时也存在计算成本高、参数敏感、无法保证全局最优性、理论支持不足、高维性能较差以及结果不稳定等缺点。

人工势场（APF）方法通过生成吸引目标的力和排斥障碍物的力，引导机器人运动，使其在两者共同作用下进行导航。然而，这种方法容易陷入局部极小值，导致机械臂在平衡点上停滞，同时在密集环境中可能会出现振荡现象，如果障碍物附近的排斥力占据主导地位，还可能导致无法到达目标。基于图搜索的算法要求将工作空间离散化为网格或节点，代表性方法包括Dijkstra算法、A*算法等。这类方法可能保证概率完备性和路径最优性，但随着地图扩展和分辨率提高，计算时间和操作内存需求迅速增加。此外，将基于图搜索的方法扩展到更高维度也存在较大困难，因此更适合二维空间的路径规划。

对于机械臂路径规划问题，基于采样的方法因其在高维空间中的高效性和对复杂环境的适应性而被广泛采用。代表性方法包括概率路线图（PRM）算法和快速探索随机树（RRT）算法。PRM算法在高维空间的路径规划中具有良好的应用性，但其效果依赖于采样点的数量和算法质量。RRT算法将路径规划过程视为树的生长，以起始点为树的根节点，通过迭代采样随机数据完成树的扩展。RRT算法在机械臂路径规划中具有独特优势，其基于随机采样的特性可以有效克服高维配置空间的计算复杂性，使其特别适用于六自由度或七自由度机械臂的实时运动规划。该算法逐步构建探索树，无需预先建模完整的环境，自然适应复杂障碍物场景和动态变化的工作环境。与其他方法相比，RRT在保持概率完备性的同时，具有更好的计算效率。

鉴于RRT系列算法的诸多优势，如计算成本低、适应高维问题等，本文也选择了RRT系列算法来完成机械臂的障碍物避让路径规划，并对初始路径算法效率低和Q-RRT*算法通用性差的问题进行了改进。本文提出的GD-RRT*算法能够快速获取高质量的初始路径，这是因为大多数RRT改进技术主要依赖于初始路径。GD-RRT*算法提出了一个动态调整深度值的策略，该策略基于碰撞检测的成功频率，并采用了一种具有实时更新参数的高斯混合概率分布模型，同时根据碰撞检测的成功频率交替使用高斯采样策略和目标偏置采样策略。实验结果表明，该算法的收敛速度更快，且具有概率完备性。作为一种改进的初始路径算法，该算法可以与其它RRT算法结合使用，以获得更优的结果。

本文的其余部分组织如下：第二部分首先介绍了采摘机械臂的硬件平台和实验环境，并提出了GD-RRT*算法并证明其概率完备性。第三部分提供了仿真实验结果和数据分析。第四部分展示了在室内和室外环境下进行的苹果采摘实验结果。第五部分总结了本文内容，并讨论了未来可能的研究方向。

采摘机械臂的硬件平台是本文提出路径规划算法的测试基础。如图1所示，本文构建了一个采摘平台，其中深度相机RealSense D435i固定在移动平台上，位于机械臂的上方和后方，其视野覆盖机械臂的工作范围。移动平台是一种四轮驱动的全地形车辆，可以通过遥控器或串口通信进行控制。在实际操作中，该平台能够适应果园环境的复杂性，并具备一定的灵活性和稳定性。通过深度相机，系统可以实时获取周围环境的信息，为路径规划提供必要的数据支持。此外，硬件平台还包括机械臂本体、执行机构、控制系统等部分，这些部分协同工作，确保机械臂能够精准地执行采摘任务。

在仿真实验部分，我们进行了模拟实验以测试所提出的GD-RRT*算法的性能。首先，在二维空间中进行实验，以比较GD-RRT*算法与其他路径规划算法的初始路径。为了确定最佳路径并评估算法是否能够提升探索过程，我们将GD-RRT*与I-RRT*算法结合使用。随后，在三维空间中，使用GD-RRT*算法模拟路径规划，以验证其在复杂环境下的适应性。通过这些实验，我们能够评估GD-RRT*算法在不同场景下的表现，并进一步优化其性能。

在实际采摘实验部分，我们构建了一个完整的采摘机器人系统，该系统主要包括采摘机器人的硬件平台和可视化软件。通过该系统，我们在室内和室外环境下进行了苹果采摘实验，以验证GD-RRT*算法在真实场景中的有效性。实验过程中，我们对机械臂的运动轨迹进行了详细记录，并分析了其在障碍物避让方面的表现。结果显示，GD-RRT*算法在实际采摘任务中具有较高的成功率，能够有效避开障碍物，同时保持较高的路径质量。此外，实验还表明，该算法在动态环境中具有较强的适应能力，能够根据环境变化实时调整路径规划策略。

在结论与未来工作部分，我们总结了本文的研究成果，并讨论了未来可能的研究方向。GD-RRT*算法的提出为采摘机器人中的机械臂路径规划提供了一种新的解决方案，其在提高规划效率和路径质量方面表现出色。通过结合碰撞检测的成功频率和高斯混合概率分布模型，该算法能够动态调整深度值，从而优化路径规划过程。未来的研究可以进一步探索GD-RRT*算法在其他农业自动化任务中的应用，例如在蔬菜采摘或采摘后处理中的使用。此外，可以结合更多的传感器信息，如激光雷达、红外传感器等，以提高路径规划的准确性和鲁棒性。同时，也可以研究如何将GD-RRT*算法与其他路径规划方法进行更有效的结合，以提升其在复杂环境下的适应能力。最后，随着人工智能和机器学习技术的发展，可以探索如何将深度学习方法与GD-RRT*算法相结合，以实现更智能的路径规划。

通过这些研究，我们希望为现代农业自动化提供更加高效、可靠的解决方案，推动采摘机器人在实际应用中的发展。GD-RRT*算法的提出不仅解决了机械臂在采摘过程中的路径规划问题，还为后续研究提供了新的思路和方法。未来的研究可以进一步优化算法的参数设置，提高其在不同环境下的适应能力，同时探索如何将其应用于更广泛的农业任务中。此外，还可以研究如何将GD-RRT*算法与现有的路径规划算法进行更深入的比较，以确定其在不同应用场景下的优势和局限性。通过不断改进和优化，我们相信GD-RRT*算法将在农业自动化领域发挥越来越重要的作用。