《Smart Agricultural Technology》：Efficient Coverage Path Planning Method for Grape-Picking Robots Integrating Fruit Distribution and Robotic Arm Operational Parameters
编辑推荐：
果园采摘机器人的覆盖路径规划（Coverage Path Planning, CPP）直接影响采摘效率、作业成本及机器人续航能力。为了在实现完全覆盖的同时最大化覆盖率并最小化冗余移动及作业时间，本研究提出了一种融合果实分布与机械臂操作参数的葡萄采摘覆盖路径规划
果园采摘机器人的覆盖路径规划（Coverage Path Planning, CPP）直接影响采摘效率、作业成本及机器人续航能力。为了在实现完全覆盖的同时最大化覆盖率并最小化冗余移动及作业时间，本研究提出了一种融合果实分布与机械臂操作参数的葡萄采摘覆盖路径规划新方法。利用结构光相机获取的葡萄分布数据，研究人员开发了一种工作区域划分算法，通过将果实分布定义为感兴趣区域（Region of Interest, ROI），在确保全覆盖的前提下减少了工作区域数量。在每个工作区域内，确定了底盘应停止的最佳导航点，其定义为使机械臂到达采摘目标的总运动时间最小的位置。为了优化导航点的访问序列，开发了一种结合多种群探索与遗忘机制的改进蚁群优化（Ant Colony Optimization, ACO）算法。基于三种葡萄棚架结构（T型、倒L型和Y型）的真实果园数据实验验证表明，该方法具有有效性。结果显示，相较于Boustrophedon方法，所提方法的总路径长度最多减少了13.4%；相较于采用标准ACO的基于ROI的方法，减少了10.4%。
论文解读：基于果实分布与机械臂参数融合的葡萄采摘机器人高效覆盖路径规划
研究背景与意义
葡萄作为高经济价值作物，其采收环节占整个栽培工作量的近40%。当前葡萄采收主要依赖人工，效率低下且成本高昂。随着机器人技术的发展，自主移动机器人在农业领域的应用日益广泛，展现出提升生产力的巨大潜力。覆盖路径规划（CPP）作为机器人运动规划的重要分支，旨在确定一条高效、无碰撞的遍历路径以确保作业区域被完全覆盖。然而，经典的CPP方法主要针对结构化静态环境下的全局全区域覆盖，往往忽视了农业场景中果实分布的稀疏性和非均匀性，导致机器人产生大量冗余移动。此外，现有的基于区域兴趣（ROI）的CPP策略常面临次优的区域划分和缺乏精确的导航点选择策略等问题，限制了精细化作业的效率。为此，研究人员针对果园采摘机器人的作业特点，开展了融合果实空间分布与机械臂操作参数的高效CPP方法研究，旨在通过优化路径以减少无效移动，提升采摘效率。该研究成果发表于《Smart Agricultural Technology》。
关键技术方法概述
研究人员首先利用配备结构光相机的机器人系统获取果园三维点云数据，构建果实空间分布模型。基于此，开发了一种基于ROI的工作区域划分算法，将果实密集区划分为若干可作业区域。针对每个划分出的工作区域，研究人员建立了机械臂时间成本模型，通过逆运动学求解关节角度，并利用五次多项式轨迹规划计算运动时间，从而选取使机械臂总运动时间最小的最佳导航点。最后，为解决传统蚁群优化（ACO）算法易早熟收敛的问题，引入多种群并行搜索和信息素遗忘机制，对导航点的全局遍历序列进行优化。实验数据采集自广东省农业科学院设施农业研究所的“阳光玫瑰”葡萄种植基地，涵盖T型、Y型和倒L型三种棚架结构。
研究结果
3.1 改进蚁群优化算法的性能
在算法层面，研究人员首先对改进ACO的多群拓扑配置进行了优化。实验结果表明，5×20的配置（5个种群，每群20只蚂蚁）在复杂数据集（如eil76和kroA100）上表现出最优的整体适应性和平衡性，实现了最低的平均最佳分数（分别为549.36和21695.50）和高度稳定的性能（标准差最小）。
通过消融研究进一步量化了多群体交互和遗忘机制的贡献。基础ACO算法在kroA100数据集上频繁陷入局部最优（22740.89）。引入遗忘机制有效防止了信息素在次优轨迹上的过度积累，而结合多群体与遗忘机制的改进ACO不仅取得了最佳的平均路径成本（22176.95），还表现出最低的波动性，证实了其卓越的鲁棒性。
在与遗传算法（GA）、粒子群优化（PSO）和模拟退火（SA）的比较分析中，改进ACO在精度和稳定性上均显著优于基线算法。尽管SA计算时间最短，但极易陷入局部最优；PSO在离散空间中几乎失效；而改进ACO凭借集体智能感知全局拓扑特征，在三个数据集上均保持了最高的路由精度。
3.2 葡萄园环境中的应用验证
在田间应用中，研究人员验证了基于ROI的工作空间划分优化效果。针对三种不同的葡萄棚架（T型、倒L型和Y型），传统划分方法分别将区域划分为7、3和6个部分，而提出的算法将其减少至4、2和3个部分。这一结果证实了该算法能更有效地利用果实分布减少冗余区域。
现场路径规划性能对比显示，在40m×40m、包含1108个果实的果园中，传统的Boustrophedon方法（之字形轨迹）由于缺乏区域划分机制导致路径冗余，总长度为546.7m。基于ROI划分结合标准ACO的方法路径长度为528.4m。相比之下，本文提出的完整CPP方法（结合ROI划分与改进ACO）生成的最优总路径长度为473.4m。相较于传统方法和SA算法，总长度分别显著减少了13.4%和16.0%，证明了该方法在非结构化果园环境中能有效消除冗余覆盖并显著提升作业效率。
3.3 讨论
研究人员指出，该CPP框架的核心在于围绕机械臂采摘的物理执行特性进行设计。通过减少无效导航点和最小化点间行驶距离，成功将1108个目标果实的空间分布压缩为仅239个工作区域，大幅降低了底盘的无效启停次数。虽然该框架生成的是全局离线规划路径，但通过“离线全局规划+在线局部执行”的策略，结合全向底盘的运动能力，降低了对复杂全局感知或实时环境建模的依赖，从而显著减少了农业机器人的硬件和计算成本。尽管该方法在葡萄藤架中得到验证，但其基于ROI的底层框架暗示了其在其他结构化果园系统（如温室番茄和黄瓜）中的潜在适用性。然而，研究也存在局限性，例如静态时空模型难以精确捕捉底盘动态特性（如加减速缓冲时间）对绝对时间指标的影响，且实际环境中障碍物遮挡和抓取失败等因素仍需进一步纳入算法考量。
结论
本研究针对果园采摘机器人，提出了一种深度融合果实空间分布与机械臂操作参数的采收过程规划方法。利用结构光相机，开发了基于ROI的工作区域划分算法，并利用机械臂时间成本模型提取最佳导航点，结合改进ACO算法进行全局遍历序列优化。在三种真实葡萄藤架结构上的测试表明，该方法有效消除了冗余导航点，总路径长度较传统Boustrophedon方法和标准ACO方法分别减少了13.4%和10.4%。该算法通过“离线全局最优规划+局部灵活执行”模式，降低了对高算力硬件和全局感知的依赖，有效控制了设备成本，并为其他设施农业场景的集成应用提供了潜力。未来工作将进一步耦合更丰富的地理空间信息与底盘动力学模型，以生成理论上更短、物理上更高效的动态作业路径。
