基于冠层自适应TAD-IRRT(Target-biased sampling, Artificial potential field guided, Dynamic step-size Informed-RRT)算法的6自由度苹果采摘机器人在密植果园中三维路径规划方法
《Actuators》:Canopy-Adaptive TAD-IRRT* Algorithm for 3D Path Planning of 6-DOF Apple-Harvesting Robots in Dense Orchards
编辑推荐:
本研究提出一种冠层自适应TAD-IRRT(Target-biased sampling, Artificial potential field guided, Dynamic step-size Informed-RRT,目标偏向采样、人工势场引导、基于障碍距
本研究提出一种冠层自适应TAD-IRRT(Target-biased sampling, Artificial potential field guided, Dynamic step-size Informed-RRT,目标偏向采样、人工势场引导、基于障碍距离的动态调整步长的Informed-RRT)算法,以解决六自由度(6-DOF)苹果采摘机械臂在密集果树冠层环境中的无碰撞三维路径规划问题。为提高计算速度及搜索方向性,该方法将目标偏向采样(Target-biased sampling)与距离调节型改进人工势场(Artificial Potential Field, APF)融入Informed-RRT框架,并引入基于障碍物距离的动态调整步长(Dynamic step-size)机制以优化空间探索效率。生成的初始路径经贪心剪枝(Greedy path pruning)与三次B样条(Cubic B-spline)平滑处理,以确保满足机械臂的运动学可执行性。在复杂ROS环境下的仿真结果表明,TAD-IRRT算法规划成功率达100%,平均计算时间及关节空间路径长度较标准Informed-RRT分别降低约60.1%和15.6%。通过傅里叶曲线拟合(Fourier curve fitting)进行的运动学分析确认各关节角速度与角加速度连续无高频抖振。密植障碍物场景下的物理样机实验显示,所提方法较标准Informed-RRT*使路径执行成功率提升36.7%,平均执行时间缩短41%。该研究方法有效兼顾了高质量路径生成与低计算开销,为显著降低机械磨损提供了可靠安全的解决方案。
论文解读:基于冠层自适应TAD-IRRT算法的6-DOF苹果采摘机器人密植果园三维路径规划研究*
该研究发表于MDPI期刊《Actuators》。在苹果机械化采收领域,六自由度(6-DOF, Six-Degree-Of-Freedom)机械臂是执行采摘与避障的核心机构,其运动效率取决于高质量的三维空间路径规划算法。传统路径规划方法中,人工势场法(APF, Artificial Potential Field)易陷入局部极小点;图搜索法(如A、D)在高维空间中计算量呈指数增长;标准快速扩展随机树(RRT, Rapidly-exploring Random Tree)及其渐近最优变种RRT与Informed-RRT虽适用于高维空间,但在果园非结构化环境中存在搜索盲目性强、遇密集枝干易产生大量无效碰撞检测、固定步长难以兼顾开阔行距与狭窄冠层通道等问题。为此,研究人员开展了针对密植果园环境特化的Informed-RRT多策略改进研究,提出冠层自适应TAD-IRRT(Target-biased, APF-guided, Dynamic step-size Informed-RRT*)算法,并通过MATLAB/ROS仿真及物理样机实验验证其有效性。研究结论表明,该算法在保持概率完备性的同时显著提升了规划成功率与实时性,且经后处理生成的轨迹满足6-DOF机械臂运动学连续性要求,对农业机器人降低机械磨损、提升作业可靠性具有重要意义。
研究人员采用的主要关键技术方法包括:建立6-DOF苹果采摘机械臂的Denavit-Hartenberg(D-H)参数运动学模型;采用胶囊体(Capsule/Spherocylinder)简化机械臂连杆、圆柱体分段近似弯曲树枝、球体模拟果实的几何包围盒碰撞检测策略;在标准Informed-RRT*基础上融合以概率p进行的目标偏向采样(Target-biased sampling)策略、引入距离调节因子ξ(d)=1-exp(-α·d2)改进的APF排斥势场(解决目标点附近GNRON问题即Goal Non-Reachability with Obstacle Near)引导采样方向、基于最近节点至障碍距离dobs的指数映射动态扩展步长(Step size)机制并设定上下界防止停滞;初始路径经视距(LOS, Line-Of-Sight)贪心剪枝去除冗余节点后,采用三次B样条(Cubic B-spline)曲线进行平滑处理生成满足C1/C2连续性的可执行轨迹;最后通过ROS/MoveIt平台仿真及实物样机在稀疏/中等/密集三类障碍物场景下进行验证,并运用傅里叶曲线拟合分析关节空间角位移、角速度及角加速度连续性。
3. Results(结果)
3.1. Simulation Results of the TAD-IRRTAlgorithm(TAD-IRRT算法仿真结果)**
研究人员在MATLAB构建的2D(500×500 cm)及3D(500×500×500 cm)随机障碍环境中,将RRT、RRT、标准Informed-RRT与TAD-IRRT各独立运行30次(最大迭代1500次)。结果表明:TAD-IRRT在2D和3D环境中平均路径长度分别为7.08 m和8.51 m,较Informed-RRT缩短约5.1%和8.0%;平均规划时间分别为0.46 s和0.28 s,低于Informed-RRT。3D环境下因可利用Z轴绕过平面局部极小点,时间甚至短于2D,证明算法对高维空间适应性良好。
3.2. Simulation Obstacle Avoidance Path-Planning Experiment(仿真避障路径规划实验)
研究人员在ROS(Robot Operating System)及MoveIt框架下构建模拟真实果园主干与交错枝层的复杂场景,设定单程规划超时限制5 s,各算法测试30次。结果显示:TAD-IRRT规划成功率为100%(Informed-RRT仅70%,RRT为90%),平均规划时间1.34 s(较Informed-RRT缩短约60.1%),关节空间平均路径长度5.58 rad(较Informed-RRT减少15.6%,较RRT减少43.4%)。可视化轨迹显示TAD-IRRT路径最短且转折最少,证明目标偏向与APF引导有效减少了无效节点扩展。
3.3. Continuity Analysis of Joint Space Trajectories(关节空间轨迹连续性分析)
研究人员对仿真所得避障轨迹进行ROS joint_states话题数据采集,采用傅里叶曲线拟合建立各关节角度-时间函数(R2均值达0.9849,RMSE极低),并对拟合函数求一阶、二阶导数得到角速度与角加速度曲线。分析表明六关节角位移、角速度及角加速度在整个运动周期内光滑连续,无突变或高频颤振(Chattering),末端笛卡尔空间绝对定位误差小于1 cm,验证了三次B样条后处理及拟合方法可保证轨迹严格满足6-DOF机械臂运动学约束。
3.4. Physical Obstacle Avoidance Verification Experiment(物理避障验证实验)
研究人员使用苹果采摘机器人实体原型,设置稀疏、中等、密集三种障碍物遮挡场景,对比标准Informed-RRT与TAD-IRRT各执行30次。在最具挑战性的密植障碍场景(Task 3)中,标准Informed-RRT因路径曲折触发碰触急停导致成功率仅53.3%、平均执行时间18.32 s;而TAD-IRRT成功率达90.0%,平均执行时间降至10.79 s(缩短约41%),路径执行成功率提升36.7%。实机连续避障动作序列显示机械臂能平顺穿越枝间窄缝抵达目标果实质心。
讨论与结论(翻译浓缩)
讨论部分指出,该研究通过将改进APF深度嵌入Informed-RRT框架,结合目标偏向与障碍物距离感知动态步长解决了传统算法在密植冠层中易陷局部死锁及无效扩展问题;贪心剪枝与三次B样条处理消除了采样算法导致的高频抖振使其符合机械臂动力学约束。局限性在于当前碰撞检测采用刚性几何包围盒可能误判不规则边界,且假设移动底盘静止未做整体全身运动规划,未来拟结合实时三维视觉柔性碰撞检测及移动-操作耦合规划。结论为:研究人员提出冠层自适应TAD-IRRT算法,基于Informed-RRT融合目标偏向采样、改进APF引导及障碍物距离动态步长,并经贪心剪枝与三次B样条平滑。复杂ROS场景仿真显示规划成功率100%,平均计算时间与关节空间路径长度较标准Informed-RRT分别降低约60.1%和15.6%;傅里叶拟合证实关节角速度与角加速度连续无高频颤振;密植障碍物物理样机实验显示路径执行成功率提升36.7%,平均执行时间缩短41%。该研究有效解决了高维空间高质量路径生成与低计算开销间的矛盾,为减少机械磨损提供了可靠安全方案。