GNN-Bézier-RP：一种集成图神经网络与贝塞尔曲线避障的并联机械手红花采摘联合路径规划方法

《Computers and Electronics in Agriculture》：GNN-Bézier-RP: A joint path-planning method integrating graph neural networks and Bézier-curve obstacle avoidance for safflower picking with a parallel manipulator

　　

• 全局-局部策略将采摘顺序与局部避障耦合在一起。
• 改进的GNN编码器对目标与障碍物之间的空间关系进行建模。
• 贝塞尔曲线修正将密集场景中的路径增长成本限制在0.078以下。
• 优化后的轨迹将平均执行时间减少了最多21.25%。
• 实验室验证的轨迹执行成功率达到87.50%–91.67%。

引言

红花（Carthamus tinctorius L.）是原产于中亚的一种经济作物。在中国，超过80%的种植面积位于新疆。红花花蕾是重要的中药材和天然色素的主要来源，其药用、保健产品以及农副产品等领域的应用随市场需求不断扩大（H. Zhang et al., 2025, Xing et al., 2024, L. Zhou et al., 2022）。收获集中在7月至8月。单株一般结有5–12个花序，呈锥形空间分布，且花序成熟不同步。成熟后1–3天内，花蕾迅速干燥变脆，使得人工采摘费时费力且体力消耗大（Xing et al., 2023, Yang et al., 2026）。为提高采摘效率并保持产品质量，机械化与智能化收获已成为重要的技术手段，因为它可以根据成熟度进行选择性采摘，并支持高效、精准、经济的收获作业。此类技术还可能支持红花产业化生产的扩展，提高农民的经济收益（Guo et al., 2024, H. Zhang et al., 2024）。

农业采摘机器人研究为解决该问题提供了重要基础。近年来，采摘机器人已从主要关注视觉识别和机械执行的系统，发展为集感知、决策、路径规划和运动控制于一体的综合系统（H. Zhou et al., 2022, Wang et al., 2023, Droukas et al., 2023）。Rajendran等人（2024）从视觉感知、机器人结构、运动规划和控制等方面对选择性收获机器人进行了综述，并指出遮挡、枝叶干扰以及自然环境中的路径可执行性是影响采摘成功率的关键因素。Tan等人（2025）进一步总结了深度学习在果蔬采摘机器人中的应用，并强调目标检测、路径规划、运动控制和末端执行器协调是智能收获的核心组成部分。这些研究表明，采摘机器人的集成度和智能化水平不断提高；然而，对于结构复杂、目标分布密集且采摘精细度要求高的作物，任务决策与轨迹生成仍需更紧密的协同（Li et al., 2023b）。

在局部避障路径规划方面，针对果蔬采摘机械臂已开发出多种方法。Chen等人（2023）提出了一种基于工作空间分解的水果采摘机器人路径规划方法，通过离散化工作空间和构型空间搜索，提高了复杂温室环境中的避障能力。Ma等人（2024）开发了一种改进的BIT*多目标运动规划方法，用于存在枝干障碍物的环境中的快速安全采摘。Fang等人（2025）提出了一种针对火龙果采摘机械臂的改进RRT*算法，以提升复杂枝干环境中的搜索效率和路径质量。Huang等人（2025）对冬枣采摘的Informed-RRT*方法进行了优化，提高了杂散环境中的机械臂避障能力。这些方法主要解决的是机械臂如何从当前位姿移动到目标果实并避开障碍物的问题。然而，它们通常仅关注单次采摘动作或局部搜索，多目标访问顺序、整体路径成本和连续运动的协调仍不充分。

在轨迹平滑与执行优化方面，多项研究强调了采摘运动的连续性和柔性。Sun等人（2024）提出了一种基于模仿人类技能的柔性轨迹规划方法用于葡萄采摘机器人，提高了采摘过程中的操作可靠性。B. Zhang等人（2024）研究了芒果采摘机器人的运动规划，利用引导点和空间约束提高了进入目标采摘空间的效率。这些研究表明，采摘轨迹不仅需要满足无碰撞约束，还需要满足轨迹平滑过渡、速度变化和运动稳定性的要求。然而，现有农业采摘研究中的局部轨迹往往采用直线插值、采样路径或离散航点连接来构建。这些方法可能在目标切换、避障抬升或段间拼接时引入突变。对于并联机械臂而言，这些不连续性可能导致关节角速度或角加速度出现峰值，从而降低运动连续性（Ye et al., 2021, Wang et al., 2022, Cao et al., 2019）。

在多目标采摘顺序优化方面，传统启发式算法可以在一定问题规模下获得可行解。然而，随着目标数量的增加、障碍物分布变复杂或需要实时决策时，其搜索效率和泛化能力可能受到限制。强化学习和神经组合优化最近为路径规划提供了替代方案。Li等人（2023a）将多智能体强化学习应用于多臂水果采摘的任务规划，并将采摘任务建模为马尔可夫博弈，以降低多个机械臂协同调度的复杂性。Chung等人（2025）综述了强化学习在组合优化领域的最新进展，并指出神经网络可以学习直接生成近似最优解的策略。与此同时，图神经网络及相关图结构学习方法越来越多地应用于组合优化和机器人路径规划。Sun和Yang（2023）提出了DIFUSCO，一种基于图的扩散求解器，用于旅行商问题（TSP）及相关组合优化问题，展示了图生成模型在离散路径优化方面的潜力。Diao等人（2024）提出了一种基于GNN的机器人路径规划方法，该方法学习环境图中的邻域权重以减少碰撞检测并提高规划效率。这些研究表明，强化学习适合路径规划中的序贯决策，而GNN则为表示节点间的空间拓扑和潜在约束提供了有效手段。然而，大多数基于学习的路径规划研究关注标准TSP或一般机器人规划场景，其中任务约束相对抽象，与农业采摘的执行要求存在差异（Bengio et al., 2021）。因此，红花采摘需要更具场景自适应性的图结构表示，以提高全局采摘顺序规划。

综上所述，现有研究在农业采摘机器人、局部避障路径规划、轨迹平滑和基于强化学习的优化方面已取得进展。然而，对于基于机械臂的红花采摘，仍存在三个局限。第一，全局采摘顺序规划与局部避障轨迹生成通常被分别处理，缺乏反映红花花序空间分布的协调性全局-局部规划机制。第二，许多路径规划方法主要使用欧几里得距离或路径长度作为优化成本，难以充分考虑未成熟红花花序、障碍物点及禁入区域对采摘轨迹的影响。第三，虽然局部避障方法可以生成无碰撞路径，但轨迹连续性和机械臂执行平滑性并未得到充分重视，这可能限制并联机械臂的稳定轨迹执行。

为解决上述局限，本研究开发了一种面向Delta并联机械臂红花采摘的全局-局部集成路径规划方法。该方法根据红花花序的空间分布，将基于GNN的全局采摘顺序规划与基于贝塞尔曲线的局部避障修正耦合在一起。因此，该方法同时考虑了成熟红花花序的全局访问顺序，以及受未成熟红花花序、枝条、叶片、障碍物点和禁入区域影响的局部轨迹段。本研究的主要贡献总结如下。

（1）为改进全局访问顺序与局部避障之间的协调，构建了一种具有避障成本权重的路径决策机制。该机制通过评估轨迹成本，决定当前避障轨迹是否应被接受，或是否应触发局部重排，从而将全局规划结果与局部障碍约束联系起来。

（2）为改进三维目标-障碍物空间关系的表示，超越传统序列模型的能力，引入了一种具有改进GNN编码器的混合框架。GNN提取采摘目标点、障碍物点和潜在风险之间的关系，随后由LSTM解码器生成采摘访问序列。

（3）为解决相邻采摘目标点之间的局部碰撞风险和运动不连续性，设计了一种三次贝塞尔曲线障碍感知控制点优化方法，用于修正默认轨迹，从而提高局部避障可行性和运动连续性。

章节摘要

红花特性

红花具有独特的生长特性，其花序成熟不同步。如图1b所示，未成熟红花花序在路径规划中可充当障碍物点，增加了局部避障的难度。红花花序主要分布在植株上部，而枝条和叶片集中在下部。因此，规划轨迹必须避免枝叶的干扰，同时允许机械臂完成

实验参数设置

为评估所提出的面向红花采摘的全局-局部集成路径规划方法，在不同点规模设置下进行了仿真实验和实验室验证。仿真实验用于比较不同规划策略的全局采摘顺序规划性能、局部避障成本和轨迹可行性，而实验室验证则检验了规划的顺序和优化后的轨迹能否由Delta并联机械臂执行。

结论

本研究研究了在目标分布不规则和局部障碍物干扰条件下，Delta并联机械臂用于红花采摘时的路径规划问题。开发了一种全局-局部集成路径规划方法，用于协调全局采摘顺序规划、局部避障修正和机械臂平滑执行。基于仿真和实验室结果，可以得出以下结论。

（1）构建了面向

可复现性声明

为支持可复现性，本稿件报告了主要实验设置、坐标归一化流程、点规模配置、模型训练参数、避障参数设置和评估指标。复现实验所需的详细数据集、实现信息和额外材料可由通讯作者合理请求后提供。

CRediT作者贡献声明

李梦豪：撰写—审阅与编辑、撰写—初稿、可视化、方法论、调查、数据整理、概念化。王晓蓉：撰写—审阅与编辑、监督、经费获取。刘子禾：调查、数据整理。段梦雨：调查。马明阳：可视化。纪宁：可视化、调查。

利益冲突声明

作者声明以下财务利益/个人关系，可能被视为潜在利益冲突：王晓蓉报告获得了中国新疆维吾尔自治区自然科学基金（基金号2023D01C190）的资助。王晓蓉报告获得了中国国家自然科学基金（基金号32660462）的资助。如有其他作者，他们声明没有已知的竞争性财务利益冲突。

李梦豪|王晓蓉|刘子禾|段梦雨|马明阳|纪宁