一种改进的RRT*路径规划算法，结合了高斯分布采样和深度策略，用于采摘水果机器人的机械臂

《Computers and Electronics in Agriculture》：An improved RRT* path planning algorithm combining Gaussian distributed sampling and depth strategy for robotic arm of fruit-picking robot

机器人采摘路径规划中，改进的GD-RRT*算法通过动态调整深度值和实时更新高斯混合概率模型，结合目标偏向采样与高斯采样策略，有效降低路径规划成本67.04%，缩短规划时间95.75%，在复杂果园环境中实现100%避障成功率。

　　在现代农业的发展进程中，机器人技术的应用正在逐步改变传统的农业生产方式。其中，利用机械臂进行果实采摘成为提升生产效率的重要手段。然而，由于果树的形态复杂、果实位置不确定，以及采摘环境多变，机械臂在实际应用中面临着诸多挑战。这些挑战主要包括机械臂在移动过程中容易与树枝、叶片发生碰撞，从而导致果实受损或机械臂自身损坏，同时采摘过程中的振动也可能改变果实的位置，造成采摘失败。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——GD-RRT*，该算法旨在提高机械臂在果园环境中进行障碍物避让路径规划的效率与质量。

机械臂路径规划是机器人控制领域的重要研究方向，其目标是在满足运动学和动力学约束的前提下，找到一条从起点到目标点的最优路径。传统的路径规划方法通常需要对工作空间进行离散化处理，如基于图搜索的算法（如Dijkstra算法、A*算法）虽然在结构化环境中表现良好，但在处理高维、非结构化的果园环境时却存在诸多局限。例如，随着地图的扩展和分辨率的提高，计算时间与内存需求迅速上升，且难以有效推广到更高维度的空间。此外，一些基于元启发式算法的方法（如遗传算法、蚁群算法、粒子群优化算法等）虽然具备较强的全局搜索能力，但往往计算成本较高，参数敏感，且缺乏理论保障，难以在实际果园中稳定运行。

基于上述问题，近年来研究者们普遍倾向于采用基于采样的路径规划方法，尤其是RRT（快速扩展随机树）系列算法。RRT算法通过随机采样和逐步构建探索树的方式，有效应对了高维空间的路径规划难题。它无需预先建模完整环境，能够自然适应复杂障碍物场景和动态变化的工作环境，同时保持了概率完备性。然而，RRT算法在寻找初始路径时效率较低，且难以保证最优路径的生成。因此，针对RRT算法的改进成为研究热点，如RRT*、RRT-Connect、Informed RRT*、P-RRT*、Theta*-RRT*、RRT*N、ATS-RRT*、AEB-RRT*、Stack-RRT*、NRRT*等。这些改进算法在一定程度上提升了路径规划的效率和质量，但依然存在一些不足，例如对初始路径的依赖性强、计算复杂度较高、对环境感知的敏感性较弱，或者需要大量训练数据和特定场景下的超参数调优，限制了其在实际果园采摘任务中的应用。

本文提出的GD-RRT*算法，是在RRT*算法的基础上进行优化，特别关注初始路径的生成效率与质量。RRT*算法通过不断重新选择父节点和揭示新路径，实现了渐进最优性，即随着迭代次数的增加，路径成本会逐渐趋近于最优值。然而，RRT*算法在初始路径生成阶段的效率较低，尤其是在复杂障碍物环境中，需要较多的采样次数才能获得一条可行的路径。为了解决这一问题，GD-RRT*算法引入了一种基于碰撞检测成功率的深度调整策略，并结合了高斯混合概率分布模型，实现了对采样策略的动态优化。具体而言，该算法根据碰撞检测的成功率，实时更新高斯混合分布模型的参数，并交替使用高斯采样策略和目标偏置采样策略，以平衡探索与开发，提高路径规划的整体效率。

在实验设计方面，本文首先在二维空间中对GD-RRT*算法进行了仿真测试，将其与RRT*、I-RRT*等算法进行对比，以评估其在初始路径生成方面的性能。实验结果显示，GD-RRT*算法在平均路径成本方面优于RRT*算法，且在路径规划时间上显著缩短。进一步地，在三维空间中，GD-RRT*算法被用于模拟机械臂在复杂果园环境中的路径规划，以验证其在高维空间中的适应性。实验结果表明，GD-RRT*算法不仅能够快速生成高质量的初始路径，还能够在后续的优化过程中有效降低路径成本，提高路径的平滑度与可行性。

除了仿真测试，本文还进行了实际采摘实验，以验证GD-RRT*算法在真实果园环境中的有效性。实验平台由移动平台、机械臂、深度相机等组成，其中深度相机RealSense D435i被固定在移动平台的上方和后方，用于实时采集机械臂的工作空间信息。移动平台具备四轮驱动和全地形适应能力，能够通过遥控器或串口通信进行控制。在实际操作中，机械臂需要在复杂的果树环境中精准移动，以避开障碍物并准确抓取果实。通过将GD-RRT*算法应用于实际采摘系统，实验结果表明该算法在障碍物避让路径规划方面表现出色，实现了100%的成功率，充分证明了其在实际果园环境中的实用性与可靠性。

此外，本文还探讨了其他路径规划方法的优缺点。例如，人工势场法（APF）虽然能够通过吸引势场和排斥势场的结合引导机械臂运动，但在面对局部极小值和密集障碍物环境时容易出现停滞或震荡现象，导致无法到达目标点。而基于图搜索的算法虽然在某些情况下能够保证路径的最优性，但其计算效率较低，难以适应动态变化的采摘环境。相比之下，基于采样的RRT系列算法在高维空间中的表现更为优越，尤其是在处理复杂障碍物和非结构化环境时，能够有效减少计算时间并提高路径的可行性。然而，现有的RRT改进算法在某些方面仍存在局限，如对初始路径的依赖性较强、计算复杂度较高、对环境感知的敏感性较弱等，这些都成为进一步优化路径规划算法的突破口。

GD-RRT*算法的核心创新点在于其动态调整深度值的机制。传统的RRT*算法在路径优化过程中通常采用固定的深度参数，而GD-RRT*则通过实时监测碰撞检测的成功率，动态调整深度值，从而优化采样策略。具体而言，当碰撞检测的成功率较高时，算法倾向于采用目标偏置采样策略，以更快地接近目标点；而当碰撞检测的成功率较低时，则更多地依赖高斯采样策略，以探索更广泛的路径空间。这种动态调整策略能够有效平衡探索与开发，提高路径规划的效率与质量。同时，GD-RRT*算法还引入了高斯混合概率分布模型，该模型能够根据实时环境信息更新参数，从而更准确地反映障碍物分布情况，进一步提升路径规划的鲁棒性。

实验结果表明，GD-RRT*算法在多个方面均优于现有方法。首先，在路径成本方面，GD-RRT*算法的平均路径成本显著低于RRT*算法，表明其在寻找最优路径时更加高效。其次，在路径规划时间上，GD-RRT*算法相比RRT*算法减少了67.04%，在结合Informed RRT*算法的情况下，路径优化时间进一步缩短了95.75%，这表明GD-RRT*算法在计算效率上具有明显优势。此外，在实际采摘实验中，GD-RRT*算法实现了100%的障碍物避让成功率，充分验证了其在真实果园环境中的有效性。这些结果不仅证明了GD-RRT*算法的优越性，也为未来机械臂在农业领域的应用提供了新的思路。

从实际应用的角度来看，GD-RRT*算法的提出对于提升果实采摘机器人的智能化水平具有重要意义。在果园环境中，果树的形态各异，果实的位置不断变化，这对机械臂的路径规划提出了更高的要求。GD-RRT*算法通过动态调整深度值和优化采样策略，能够在复杂环境中快速生成高质量的初始路径，并在此基础上不断优化路径成本，从而提高采摘任务的成功率。此外，该算法的高斯混合概率分布模型能够实时更新参数，使其更加适应环境的变化，进一步增强了算法的鲁棒性。

为了进一步验证GD-RRT*算法的性能，本文还进行了详细的实验分析。在二维仿真环境中，GD-RRT*算法与RRT*、I-RRT*等算法进行了对比，结果显示GD-RRT*在路径规划速度和质量上均优于其他方法。在三维仿真中，GD-RRT*算法被用于模拟机械臂在不同果树形态下的路径规划，实验结果表明其在复杂环境中的适应性更强，能够有效避开障碍物并生成平滑、高效的路径。而在实际采摘实验中，GD-RRT*算法被应用于苹果采摘任务，分别在室内和室外环境中进行了测试。实验结果表明，该算法在实际环境中同样表现出色，能够稳定地完成障碍物避让任务，为果实采摘提供了可靠的路径规划支持。

从算法设计的角度来看，GD-RRT*算法的优化策略具有一定的通用性，能够适用于多种类型的机械臂和不同的采摘任务。通过引入高斯混合概率分布模型和动态深度调整机制，GD-RRT*算法不仅能够提高路径规划的效率，还能增强算法的适应性，使其能够应对更加复杂的采摘环境。此外，该算法在初始路径生成阶段的表现尤为突出，能够在较少的采样次数下生成一条可行的路径，从而减少计算时间，提高整体性能。

在实际应用中，GD-RRT*算法的鲁棒性也得到了验证。无论是仿真环境还是真实果园，该算法都能够有效应对各种障碍物情况，确保机械臂在采摘过程中不会与树枝、叶片发生碰撞。这不仅提高了采摘的成功率，还降低了机械臂的损耗，延长了设备的使用寿命。同时，该算法的高斯混合概率分布模型能够根据实时环境信息进行调整，使其在面对不同的果树形态和采摘任务时具有更强的适应能力。

为了进一步提升GD-RRT*算法的性能，本文还探讨了其与其他路径规划算法的结合方式。例如，将GD-RRT*算法与Informed RRT*算法相结合，可以在初始路径生成后快速缩小采样区域，提高路径优化的效率。此外，GD-RRT*算法还可以与目标偏置采样策略相结合，以提高路径规划的准确性。这些改进策略不仅能够增强GD-RRT*算法的性能，还能为其在不同采摘任务中的应用提供更多的可能性。

总的来说，GD-RRT*算法在提高机械臂路径规划效率和质量方面表现出色，其动态调整深度值的机制和高斯混合概率分布模型的引入，使其在复杂果园环境中具备更强的适应能力。通过实验验证，GD-RRT*算法不仅能够有效避开障碍物，还能在实际采摘任务中实现高成功率，为农业机器人技术的发展提供了有力支持。未来，随着农业自动化水平的不断提升，GD-RRT*算法有望在更广泛的采摘任务中得到应用，为实现智能化、高效化的农业采摘提供新的解决方案。