《Computers and Electronics in Agriculture》:Autonomous obstacle avoidance and path planning for mobile robots in orchard environments combining with map construction and positioning methods
编辑推荐:
机器人的自主导航主要依赖于环境建图、定位、路径规划以及障碍物规避。然而,当机器人在大规模且复杂的果园环境中长时间运行时,往往会出现建图漂移(mapping drift)和累积定位误差等问题,这对感知与路径规划构成了重大挑战。本研究设计了一种专门针对农业果园场景
机器人的自主导航主要依赖于环境建图、定位、路径规划以及障碍物规避。然而,当机器人在大规模且复杂的果园环境中长时间运行时,往往会出现建图漂移(mapping drift)和累积定位误差等问题,这对感知与路径规划构成了重大挑战。本研究设计了一种专门针对农业果园场景的多传感器融合硬件平台。基于该平台,研究人员提出了一种改进的FAST-LIO2框架,该框架融入了回环检测(loop closure detection)和因子图优化(factor graph optimization),以降低点云配准误差并获得更为精确的先验地图。在改进FAST-LIO2的基础上,研究人员引入了一种基于正态分布变换(Normal Distributions Transform, NDT)点云配准算法的重定位模块,以确保更精确的姿态估计。随后,三维点云地图通过统计离群值剔除(Statistical Outlier Removal, SOR)滤波和直通滤波(pass-through filtering)等方法进行处理,并被投影为二维网格地图。路径规划则采用RRT*算法和定时弹性带(Timed Elastic Band, TEB)算法,利用二维地图和实时重定位数据完成。该自主导航系统在不同果园环境中进行了评估。后端优化与重定位的集成显著提升了系统性能,在大规模非平坦地形中点云配准误差降低高达93%,均方根误差(Root Mean Square Error, RMSE)低至0.77 m。此外,全局规划器RRT*和局部规划器TEB展现出生成更安全、更平滑轨迹的能力。研究结果验证了所提方法的安全性和鲁棒性,凸显了其在果园场景自主导航中的应用前景。
## 研究背景与问题
现代农业果园管理中,农业机器人已被广泛应用于精准果实采摘、病虫害检测和作物监测等作业任务。在这些应用场景中,稳定且鲁棒的自主导航技术对于提升作业效率和降低劳动成本至关重要。然而,在果园环境中实现可靠的自主导航面临诸多挑战,包括非结构化和崎岖的地形、多样的植被结构、动态障碍物,以及茂密树冠下有限的视觉感知条件。一般而言,自主导航由环境感知、导航数据处理和运动控制三个核心模块组成,其中地图构建、定位、障碍物规避与路径规划的研究对于增强果园机器人自主导航系统的可靠性和适用性具有重要意义。
精确的环境建图和精准定位是实现有效自主导航不可或缺的前提条件。在果园中,密集的枝叶会削弱GPS信号并导致信号多径效应,使得基于GPS的定位方法常常失效。这促使近期研究聚焦于不依赖GPS的方法,如利用视觉、激光雷达(Light Detection and Ranging, LiDAR)和惯性测量单元(Inertial Measurement Unit, IMU)等传感器实现更稳定的农业机器人导航。在这些感知模态中,基于视觉的方法近年来得到广泛研究,但存在对光照变化敏感、单目相机无法获取精确度量深度图等固有限制。立体视觉系统虽能通过立体视差计算深度以克服单目局限,但同样受光照条件制约。与之不同,LiDAR能够提供不受光照变化影响的可靠测距数据,即使在恶劣天气条件下仍能保持稳定性能,且当GPS信号因严重遮挡而失效时,LiDAR成为主要的感知模态。
路径规划作为机器人导航的关键使能技术,提供了楚瑞轩提供基础避障能力。传统路径规划算法如A*、动态窗口法(Dynamic Window Approach, DWA)和Dijkstra算法虽在农业中广泛应用,但在动态和非平坦地形中适应性有限。基于采样的方法如快速探索随机树(Rapidly-exploring Random Tree, RRT)及其优化算法在果园导航中得到普及。近年来,结合全局与局部路径规划的方法在果园场景中日益受到重视,以更好应对障碍物规避和轨迹平滑性问题。
复杂的果园环境对基于LiDAR的SLAM和导航鲁棒性提出了诸多挑战:非结构化地面、树木密度动态变化引起的强光波动、随机障碍物等因素共同影响感知的可靠性,使得实现稳定定位和安全路径规划极为困难。
## 研究内容与主要贡献
为应对上述挑战,本研究设计了一套面向鲁棒果园导航的系统框架。核心算法贡献体现在:基于GTSAM(Georgia Tech Smoothing and Mapping)的后端优化融入回环检测、以及自定义NDT重定位模块在SLAM框架中的开发应用,大幅降低了果园环境中的漂移和配准误差。虽然整体导航框架直接采用了广泛使用的RRT*与TEB分层规划架构,但其在果园场景中的应用需要针对环境特性进行大量调参,该集成本身也是贡献之一,形成了一个能够在多样果园地形中可靠运行的导航系统,而单一组件独自难以达到同等性能。
具体贡献包括四个方面:第一,开发了一款专门针对果园环境优化的多传感器融合移动机器人平台;第二,提出了一种融入GTSAM后端优化的增强型Fast-LIO2算法,以抑制大规模果园中的长期漂移并构建高精度三维点云地图;第三,实现了基于NDT算法的重定位模块与基于改进Fast-LIO2的激光里程计模块相结合的位姿融合定位算法,以降低累积误差;第四,将二维占据网格地图上的RRT*全局路径规划与TEB局部规划器集成,用于复杂果园环境中的障碍物规避和轨迹优化。
## 关键技术方法
实验选址于南京农业大学白马教学科研基地(江苏省南京市,31°36′58.24″ N, 119°10′56.95″ E),选取了四种典型果园场景进行测试。硬件方面,研究人员搭建了多传感器融合移动平台,集成LiDAR、IMU等传感器。在建图与定位方面,研究人员以FAST-LIO2为基础框架,融入基于GTSAM的后端优化和回环检测机制,开发了基于NDT点云配准算法的重定位模块,并与激光里程计进行位姿融合。在地图处理方面,三维点云地图经SOR滤波和直通滤波处理后,投影生成二维占据网格地图。在路径规划方面,采用RRT*算法进行全局路径规划,TEB算法进行局部轨迹优化和障碍物规避,构成分层规划架构。
## 研究结果
**增强型FAST-LIO2框架**:通过引入基于关键帧的回环检测和GTSAM因子图后端优化,研究人员有效抑制了大规模果园场景中的长期漂移问题,构建了三维点云先验地图,提升了地图精度和一致性。
**NDT重定位模块**:在构建的先验地图基础上,嵌入基于NDT点云匹配算法的重定位模块,与激光里程计模块相结合,实现了位姿融合定位,显著降低了累积定位误差。
**系统性能评估**:后端优化与重定位的集成显著提升了系统整体性能。在大规模非平坦地形中,点云配准误差降低高达93%,均方根误差(RMSE)低至0.77 m,验证了所提方法在定位精度上的显著提升。
**路径规划性能**:全局规划器RRT*与局部规划器TEB相结合,在二维网格地图上基于实时重定位数据进行路径规划,展现出生成更安全、更平滑轨迹的能力,验证了系统的安全性和鲁棒性。
**多样果园场景验证**:系统在四种典型果园环境中进行了全面评估,结果表明所提出的自主导航方法能够适应不同的果园场景,具有良好的泛化能力和应用前景。
## 讨论与结论总结
本研究开发了一套适用于多种果园环境的自主导航系统,通过引入基于关键帧和闭环检测的后端优化构建了精确的全局地图。基于构建的先验地图,嵌入基于NDT点云匹配算法的重定位模块以降低累积误差。实验结果证明,该方法为果园机器人提供了鲁棒且精确的实时定位信息,后端优化与重定位的协同作用显著提升了系统在复杂果园环境中的性能表现。RRT*全局规划器与TEB局部规划器的结合实现了安全、平滑的轨迹生成。研究结果验证了所提出方法的安全性和鲁棒性,彰显了其在果园自主导航中的广阔应用前景。该系统的成功实施为农业机器人自主导航技术的发展提供了重要参考,特别是在GPS拒止、光照多变、地形复杂的果园环境中,多传感器融合与优化算法的结合展现出显著优势。