《Smart Agricultural Technology》:Path planning for agricultural harvesting manipulators under environmental uncertainty: Optimization objectives, engineering trade-offs, and learning-based adaptation
农业收获机械臂是智能农业收获系统的关键组成部分,在不规则作物分布、枝叶遮挡、光照变化、可变形障碍物以及不确定的目标或障碍物边界条件下,必须生成无碰撞且低损伤的运动。在此类环境中,路径规划不仅受几何可行性影响,还受可视性、感知可靠性、接触安全性和执行稳定性的制约。本综述从优化目标与方法发展的角度,调查了农业收获机械臂的路径规划研究。与针对特定作物的收获机器人综述或宽泛的农业机器人路径规划综述不同,本文聚焦于跨收获场景的机械臂级运动生成。首先总结了经典优化方法,包括以时间、路径长度、能耗、平滑性或安全性为目标的单目标形式,以及处理竞争准则间权衡的多目标方法。这些方法为农业机械臂路径规划提供了主要分析基础,但其性能通常依赖于人工设计的目标、权重设置以及相对明确的环境表示,在变化的田间条件下适应性有限。随后,综述讨论了基于学习方法日益增长的应用,特别关注深度强化学习(DRL)和主动学习(AL)。这些方法主要被视为对经典规划的扩展,尤其用于提高适应性、样本效率以及在不确定性下的部署能力,而非直接替代基于模型的方法。最后,讨论了开放挑战,包括接触感知操作、不确定性感知规划、任务级鲁棒性、感知-规划-控制耦合以及智能农业收获系统的可重复评估。本综述旨在阐明优化目标、环境不确定性和基于学习的适应如何支持更鲁棒且可部署的农业收获机械臂路径规划。
**1. 引言**
收获是园艺生产中劳动密集且时间敏感的操作之一。随着季节性劳动力持续短缺和果蔬收获成本上升,农业自动化已成为现代果园和温室的技术趋势和实际需求。配备高自由度机械臂的农业收获机器人被视为减少劳动力依赖并提高操作一致性的有前景方案。然而,仅靠果实检测和末端执行器设计不足以实现自主收获,机器人还需在杂乱的生物环境中反复生成可执行、无碰撞且低损伤的接近、采摘和收回运动。因此,路径规划成为自主收获系统发展的核心问题。
与工业生产线不同,农业环境高度非结构化且动态:果实分布不规则,枝叶造成密集且部分遮挡的工作空间,光照、风和冠层形态在不同场景下变化显著。这些因素意味着机械臂不能沿简单几何最短路径运动,而需在不确定性下搜索平衡可达性、可视性、碰撞规避和机械安全的可行运动。在许多情况下,甚至无法完全避免与可变形枝叶的局部接触,且一旦果实被抓取并脱离,机械臂的负载条件会改变。因此,农业机械臂路径规划应被理解为涉及几何、运动学、动力学、安全性和实时适应的耦合决策问题,而非静态工作空间中的传统避障问题。
在农业收获场景中,环境复杂性尤为突出。枝叶遮挡可能模糊目标果实并扭曲障碍物边界,光照变化可能降低视觉定位和状态估计的稳定性。因此,遮挡和光照不仅是感知问题,还通过影响目标可观测性、碰撞评估和运动执行可靠性直接传播到规划层。在此条件下,路径规划必须同时处理部分可观测性和感知不稳定性下的运动效率与鲁棒执行。这种环境诱导的不确定性已成为实际收获部署的关键瓶颈。表1分类了本综述考虑的主要环境不确定性类型,并总结了其规划后果和代表性响应。
现有研究从不同优化视角处理农业机械臂路径规划:有些优先考虑快速执行以提高收获吞吐量,有些最小化路径长度或运动努力以提高效率和续航,另一些强调平滑性、柔顺性和安全性以减少对脆弱产物的冲击并保持机器人稳定性。然而,这些目标在田间操作中很少独立。更短或更快的路径可能引发更高加速度、加加速度或碰撞风险;过度保守的安全轨迹可能降低收获效率;节能策略可能牺牲循环时间。这种目标间的内在耦合已逐渐推动该领域从单目标公式转向多目标优化框架。
然而,大多数经典优化方法仍依赖显式设计的目标函数、人工选择的权重和简化的环境模型。这些方法提供了有价值的物理可解释性和工程透明度,但在动态且不确定的收获场景中适应性有限。在枝叶遮挡、光照变化以及不稳定目标或障碍物边界条件下,这种局限性更为突出,因为精确的先验建模难以以可迁移和实时的方式维持。因此,当前挑战不再仅仅是优化预定义路径成本,而是在不完整、不确定且动态变化的环境信息下实现鲁棒规划。
这一挑战催生了基于学习规划方法的明确动机。近年来,数据驱动方法,特别是深度强化学习(DRL)和主动学习(AL),因提供从交互中学习任务策略、提高对不确定性的适应能力以及减少对人工指定目标结构的依赖而受到关注。DRL为在耦合约束和部分可观测性下学习闭环规划和决策策略提供了框架,而AL通过优先处理信息丰富且不确定的样本,提高了数据效率并支持从仿真到实际部署的更安全迁移。重要的是,这些方法的意义不在于完全替代经典规划,而在于补充它。经典优化对于嵌入可解释的物理约束和安全要求仍然重要,而基于学习方法则提供了通向更大灵活性、在线适应和不确定性感知决策的路径。
据此,本综述围绕塑造农业机械臂路径规划发展的主要优化目标和方法转变展开。首先分析机械臂配置、运动学可解性以及动力学/接触要求施加的物理基础和规划约束。随后回顾经典优化方法,包括面向时间、距离、能量、平滑性/安全性的单目标方法,以及设计用于平衡冲突准则的多目标公式。在此基础上,进一步讨论向基于学习方法的转变,特别关注DRL和AL如何解决不确定农业环境中显式建模的局限性,尤其是在遮挡、光照变化和感知不稳定性条件下。
已有一些综述从作物特定或系统层面总结了智能机器人收获系统,涵盖了视觉系统、目标识别与定位、末端执行器设计、机械臂、收获平台和运动路径。其他更广泛的综述讨论了选择性收获机器人作为集成系统,或跨一般应用场景分类了农业机器人路径规划算法。相比之下,本综述特别聚焦于农业收获的机械臂级路径规划,强调优化目标、工程权衡、环境不确定性和基于学习的适应。表2总结了本综述相对于这些现有研究的定位。
本综述的主要贡献有三方面。第一,与作物特定的智能收获系统综述、选择性收获机器人综述或农业机器人路径规划算法综述不同,本文将农业收获机械臂路径规划视为独立研究问题,阐明杂乱作物环境中可达性、碰撞规避、低损伤执行、柔顺交互和实时适应所施加的具体规划要求。第二,本综述采用目标导向框架组织文献,将时间、路径长度、能耗、平滑性、安全性和多目标权衡作为塑造收获机械臂路径规划的主要因素,有助于解释为何实际机器人收获需要工程权衡而非单一指标的孤立优化。第三,本综述强调环境不确定性(包括枝叶遮挡、光照变化、可变形障碍物以及不稳定目标或障碍物边界)如何重塑路径规划要求并推动基于学习的适应,从而厘清经典优化、DRL和AL在支持智能农业收获系统鲁棒且可部署路径规划中的互补角色。图1总结了本综述的整体逻辑。
本综述采用结构化叙事综述程序,而非注册系统综述或统计荟萃分析。文献收集自主要科学数据库和出版商平台,包括Web of Science、Scopus、ScienceDirect、IEEE Xplore、SpringerLink、MDPI和Google Scholar。搜索词结合了应用领域、规划任务和方法家族,如农业收获机器人、水果采摘机器人、收获机械臂、路径规划、轨迹规划、运动规划、优化、快速探索随机树(RRT)、多目标优化、能耗、环境不确定性、DRL和AL。搜索主要关注2010年至2026年发表的研究,同时保留了早期基础机器人学和优化研究,只要它们提供了广泛使用的算法、模型或术语。经过标题-摘要筛选和全文相关性检查,共保留151篇出版物用于叙事综合和分类。图2展示了研究选择与综合流程。
术语使用一致:本综述中,路径规划是生成无碰撞机械臂路线(在配置空间或任务空间)的总称;轨迹规划表示路径的时间参数化细化,包含速度、加速度、加加速度、力矩或能量约束;运动规划用于指代更广泛的机器人学文献,涵盖路径生成、轨迹定时和可行机器人运动。除非引用来源要求更具体的表达,否则本文使用“路径规划”描述农业收获中的机械臂级规划。
为避免过度声称可比性,本综述区分三个证据级别:现场验证的农业收获研究、实验室或仿真收获研究,以及可迁移的通用机器人学研究。仅当通用机器人学研究提供可重用的规划机制(如基于采样的搜索、鲁棒优化、信念空间推理或基于学习的策略适应)时才予纳入。这一边界很重要,因为一种在工业基准上表现良好的方法不一定能直接部署在具有遮挡、脆弱生物目标和不确定接触的作物冠层中。文献搜索、纳入逻辑和研究分类协议总结于表3。
**2. 物理基础与规划约束**
路径规划算法的有效性根本上受制于机械臂的物理配置和运动学特性。在非结构化农业环境中,机械臂不仅作为执行机制,更作为路径规划问题定义的几何实体。本节从配置特性、运动学建模和动力学约束三个角度分析这些物理基础对路径规划策略施加的内在约束和要求。
**2.1 机械臂配置与可达性分析**
机械臂配置的选择直接决定工作空间几何形状和避障能力,从而划定了路径规划算法的搜索空间。当代收获机械臂可根据自由度(DOF)、拓扑结构(串联、SCARA/笛卡尔、伸缩、连续体)、冗余度和刚度/柔顺性进行分类。这些结构属性关键决定:(1)在密集枝叶环境中的可达工作空间;(2)配置空间的维度和条件数;(3)生成无碰撞轨迹的可行性和计算成本;(4)执行轮廓(速度、加速度、加加速度和功率消耗)。表4比较了农业收获中常用机械臂配置及其对路径规划的意义。
综合来看,表4表明串联六自由度机械臂仍是农业收获中占主导地位的实用架构,因其提供完整的末端执行器位姿控制、成熟运动学建模以及相对易用的商业硬件和控制接口。然而,其缺乏冗余限制了规划器在密集遮挡冠层中同时调整肘部姿态、保持相机可视性和维持障碍物间隙的能力。冗余机械臂在避免树枝和选择替代接近配置方面提供了更大灵活性,但伴随更高维搜索、更复杂冗余解析和更大计算需求。SCARA、笛卡尔、伸缩和折叠结构在结构化作物布局中降低了规划复杂性,但其受限的接近方向和定向能力限制了其对不规则果实分布的适应性。连续体和刚柔混合机械臂提供了有前景的柔顺性和冠层穿透能力,但其规划模型、状态估计和实验验证仍不够成熟。因此,整体架构趋势并非简单向更多自由度过渡,而是运动学灵活性、规划可处理性、结构柔顺性和可部署性之间的权衡。未来系统可能需要更紧密的机械臂形态与规划算法协同设计,而非将机器人结构视为独立于规划问题的固定平台。
**2.2 运动学建模与实时逆运动学挑战**
在农业收获中,运动学建模和逆运动学(IK)不仅确定目标果实是否几何可达,所选关节配置还影响障碍物间隙、相机可视性、距关节极限的距离、奇异性避免以及后续抓取和收回运动的可行性。这些考虑在杂乱作物冠层中尤为重要,因为多个IK解可能到达同一果实位姿,但碰撞风险和执行可靠性差异显著。因此,IK求解器不应仅返回可行关节配置,而应支持选择在整个收获运动中保持安全和可观测的配置。
在线收获规划器可能随着果实位姿、障碍物估计和接近方向从视觉反馈更新而重复调用IK。IK的效率、连续性和数值稳定性因此直接影响重规划速度和轨迹一致性。闭式解对于标准非冗余机械臂在需要快速可重复计算时具有优势,而数值或基于优化的方法对于冗余、受约束或非标准收获机械臂通常更灵活。表5比较了主要运动学建模和IK方法,并提供了讨论其在农业收获约束下适用性的基础。
这些方法的适用性很大程度上取决于收获环境和机械臂架构。对于在相对结构化温室布局中运行的常规六自由度串联机械臂,若机械臂几何允许解析解,闭式IK可支持快速可达性检查和高频重规划。然而,当叶片、树枝、邻近果实或棚架结构限制可用接近方向时,仅到达果实是不够的。因此,应基于关节极限、障碍物间隙、可操作性、相机可视性和摘脱后收回运动的可行性对多个解析解进行筛选。D-H建模对于此类商业串联机械臂仍广泛实用,因其标准化和与现有机器人控制管道的兼容性,而POE和螺旋理论公式可提供更清晰的雅可比、奇异性及协调平移-旋转运动的几何处理。
数值或基于优化的IK尤其适用于冗余七自由度机械臂、伸缩结构以及刚柔混合或连续体系统,因为这些系统通常缺乏或无法获得闭式解。冗余可用于重新定位肘部、保持眼在手相机视野、增加与刚性树枝的间隙以及避免关节极限,同时保持期望末端执行器位姿。然而,迭代IK可能引入不连续的关节解、对初始配置的敏感性以及当目标位姿或障碍物估计在执行中变化时增加的计算成本。从先前关节状态冷启动、纳入次要目标以及将IK与碰撞检查结合评估,可改善解连续性和实际可靠性。在冠层运动、目标漂移或柔顺接触下,运动学可行性也必须在线重新评估,而非一次性计算。因此,农业的主要要求并非仅是更快的IK,而是在遮挡、冗余、环境变化和不确定交互下可靠的配置选择。
**2.3 动力学约束与柔顺操作要求**
与优先考虑刚性定位的工业场景不同,农业收获以显著环境交互和产物脆弱性为特征。因此,动力学约束是路径规划中不可忽视的关键维度。一方面,收获机械臂通常具有长臂展并在可变负载下操作(空载接近、负载收回)。快速减速或紧急停止引起的残余振动可导致末端执行器定位误差并可能损坏邻近果实。因此,先进规划算法不能仅依赖几何路径,而必须在轨迹生成阶段显式纳入运动学约束(速度、加速度和加加速度)以生成平滑运动轮廓。另一方面,在复杂非结构化环境中,完全避免所有枝叶往往不切实际且低效。现代规划范式正逐渐从“绝对避障”转向“带接触规划”,该策略区分刚性障碍物(如树干)和柔性障碍物(如叶片),需要能够准确估计环境交互力的动力学模型,使机械臂能以力控制模式柔顺推开遮挡枝叶而不损伤机器人结构。这种传统几何算法难以解决的混合力-位姿规划需求,是推动该领域走向DRL等智能规划范式的核心驱动力之一。图3展示了机械臂配置、运动学可解性、动力学/接触约束与田间环境因素之间的耦合关系。
**3. 经典基于优化与不确定性感知的路径规划**
在阐明农业收获环境的特殊性和路径规划的基础问题后,本节深入探讨以单目标优化为中心的方法。尽管实际操作需要平衡多个性能指标,但深入探究单目标作为理解内在规律和构建复杂多目标框架的基石。其中,效率导向规划是研究最密集的方向。
**3.1 单目标公式与求解方法**
单目标优化旨在探索机械臂在特定物理维度(如时间、空间、能耗)上的性能边界。这种“分而治之”策略有助于更深入理解单个物理变量如何独立影响收获性能。图4分组了本综述考虑的主要单目标规划策略类型。为将经典优化与环境不确定性联系起来,本节将经典方法解释为可通过不确定性表示、风险约束或反馈重规划扩展的确定性优化核心。在收获机械臂路径规划中,不确定性感知规划可理解为在噪声观测、不确定目标和障碍物状态、可变形接触条件以及执行偏差下的规划。规划器必须考虑期望规划成本、碰撞或损伤风险、感知置信度、安全裕度以及执行中重规划的可能性。
这一视角有助于阐明不同不确定性感知机制如何运作。概率路线图和RRT变体主要通过更新可行空间采样或随地图变化修复无碰撞路径来处理不确定性。信念空间规划将目标和障碍物状态视为概率分布而非确定性估计。鲁棒优化在边界位姿、间隙、有效载荷或驱动误差下保护可行性。MPC式在线重规划利用新观测的感知和控制反馈反复修正运动。风险感知接触规划进一步区分与可变形枝叶的可容忍接触和与果实、果梗、刚性树枝或支撑结构的有害接触。
**3.1.1 时间与路径长度导向规划**
在收获窗口短、果实分布密集的农业场景中,操作吞吐量是决定机器人收获商业可行性的主要指标。效率提升主要依赖于两个维度的优化:时间维度,通过充分利用执行器运动学极限压缩执行周期;空间维度,在障碍物密集环境中识别最短几何路径,后者是时间缩短的必要几何前提。为在物理极限内压缩操作时间,研究人员通常将规划问题建模为轨迹参数的全局优化,利用进化算法在解空间中搜索最优时间-速度轮廓。例如,Hou等人采用多目标NSGA-II算法联合优化NURBS拟合路径及其时间参数,在PUMA560基准测试中将运行时间压缩至5.899秒。类似地,Zhang等人使用五次多项式构造轨迹,通过严格遵循关节运动学约束并应用改进MOPSO算法,实现了74.35%的行程时间减少。针对局部最优问题,Gao等人提出结合变邻域搜索(VNS)的教与学优化(TLBO)算法,并与五次B样条函数集成以生成时间最优轨迹。此外,对于未知航点的复杂条件,Yu等人通过三次均匀B样条插值推导运动轮廓,并利用遗传算法(GA)协同优化航点位置和运动时间。
然而,单独追求速度极限常导致加减速阶段严重机械加加速度,降低末端执行器精度并损害机械寿命。因此,引入高阶平滑约束成为必要进步。Wu等人通过引入带虚拟点的五次非均匀B样条实现关节C4连续性,其提出的约束多目标优化算法生成了平衡时间和加速度的Pareto解。在此基础上,Zhou等人利用七次B样条构造具有可控起止参数的高阶轨迹,通过序列二次规划(SQP)求解最优时间节点,实现了满足非线性运动学约束的连续加加速度轨迹规划。
尽管轨迹参数优化提升了运动速度,但若底层几何路径本身迂回或冗余,操作效率仍受根本限制。在密集果园环境中,寻找最短无碰撞路径并非简单直线连接,而是涉及在高维配置空间中通过障碍物间隙发现“捷径”。RRT算法生成的路径通常曲折且非最优,因此研究人员聚焦于改进采样策略和后处理技术以逼近最短路径。Li等人引入“目标偏向”启发式策略,以一定概率在目标点附近采样,减少了无效广泛搜索,在模拟收获场景中路径长度缩短16%,迭代时间减少86.5%。针对果树修剪,Chen等人提出改进双向RRT-Connect算法,采用双向剪枝策略去除冗余节点并辅以三次非均匀B样条插值,实验结果显示规划时间和路径长度分别减少约55%和60%。Liu等人提出时间最优RRT(TO-RRT),结合回归叠加算法增强在斥力势场中未知空间的探索,不仅实现了规划速度的显著提升(99.73%),还使路径长度减少17.88%,碰撞检测频率大幅下降(99.08%)。
除采样改进外,另一类方法结合进化算法或深度学习在复杂环境中寻找近似最短解。Cao等人提出混合策略,使用遗传算法后处理RRT生成的初始路径,平滑后路径长度缩短至0.82米(优化率20%),同时保持与障碍物的极限安全距离0.023米。针对高维空间中搜索的盲目性,Zhang等人提出结合RRT与基于3D-CNN的位置概率图(PPM)的方法,通过深度学习生成的启发式成本图引导树扩展,规划时间减少超过70%,路径长度减少24%。在多目标连续收获任务中,Zhang等人提出最优序列蚁群算法(OSACO),通过智能参数调整显著增强全局搜索能力,生成比传统ACO更短的遍历路径。
总之,效率导向规划可归结为“时间最优轨迹生成”与“空间近似最短路径搜索”的协同问题。前者在约束下压缩周期,后者在障碍物环境中减少路径冗余。然而,由于速度极限常伴随冲击和精度下降风险,高阶连续性/平滑性约束与时空优化的集成是高吞吐量收获的核心研究趋势。
**3.1.2 续航与功率约束下的能量导向规划**
在电动收获机械臂的田间操作中,能耗不仅决定单次充电的操作时长,还直接与电机温升、峰值电流限制和末端执行器稳定性等工程约束相关。因此,能量最优路径规划通常将“最小化总能耗/抑制峰值功率”设为核心目标,或将其作为时间最优规划的补充约束,从而增强系统在长时间重复收获任务中的可持续操作能力。
能量导向规划的首要挑战不在于“使用哪种算法”,而在于“优化目标针对哪种具体能耗类型”。文献中常见定义可分为三类:(1)电源侧能量:基于机器人从电网或电池实际汲取的能量,包括驱动器、控制柜和冷却系统的辅助功耗,该指标工程意义最强但对测试条件和系统状态高度敏感;(2)执行器侧电能/损耗:聚焦于电机电枢/绕组损耗,直接反映热负荷和驱动器选型压力,适合作为“降峰值、控温升”指标,但不等于整机总功耗;(3)机械功:关注关节力矩和角速度(或末端执行器力/力矩和速度)对应的机械功,便于在规划层通过动力学模型快速计算,但若忽略电气损耗和辅助功率,可能低估实际功耗。
为便于综述和横向比较,本文提出统一分解准则:“总功率 = 机械功率项 + 电气损耗项 + 辅助功率项”,如式(1)所示。在后续代表性工作综述中,将明确阐明各方法所属类别。此外,为避免因能量定义不一致导致结论不可比,将基于“准则类型 + 再生制动纳入 + 辅助功率纳入”对各工作进行标注。
机械功的几何表达对应第一项,在关节空间严格表示为关节力矩与角速度的内积,如式(2)所示。当力矩和角速度符号相反时,机械臂处于制动状态。由于系统通常缺乏能量回收环节或回收效率低,负功分量难以反馈到电源侧,因此目标函数常采用绝对值或仅积分正功分量。
电气损耗的力矩平方映射对应第二项,精确计算依赖电机模型。基于经典直流电机等效电路,忽略准静态规划中的电感动态,可得单关节电输入功率表达式,其中第二项显式揭示电气损耗(主要为焦耳热)与力矩平方成正比的关键物理规律。这一物理本质深刻解释了为何众多能量最优规划算法以限制力矩平方和作为核心目标:实质上是抑制高电流以减少热损耗,而非仅降低机械负载。
在这些物理原理指导下,研究人员发展了多种能量最优策略,主要围绕两条主线:轨迹生成优化和配置/路径选择。一类方法聚焦于轨迹和时序的连续优化。针对机械臂能耗对运动时间的高度敏感性,Zhou等人提出基于改进麻雀搜索算法(ISSA)的能量最优轨迹规划方法,通过精英反向学习、非支配排序和高斯-柯西变异策略搜索最优时间序列,生成连续平滑的节能轨迹。Yokose进一步考虑非线性关节摩擦对机械功的影响,采用遗传算法与梯度法混合策略实现非线性摩擦条件下的能量最小化。Luo等人使用拉格朗日插值参数化关节轨迹函数,在保证关节角位置、速度、加速度和力矩平滑性的同时,将平滑性和能量最小化纳入联合性能指标,通过直接迭代求解能量最优轨迹。这些工作共同表明,通过优化轨迹时间参数和关节运动轮廓,可在不改变任务几何路径的情况下抑制高力矩和高电流段,从而降低能耗和热损耗风险。
另一类方法强调候选配置/路径空间中的能量评估和选择。除单轨迹优化外,利用机械臂运动学冗余和任务序列调度也可显著降低基线机械功。Mohammed等人开发了基于MATLAB的机器人能量优化模块,使用D-H表示建立运动学模型,并通过逆运动学生成多个可行关节配置,随后利用逆动力学计算关节力和力矩以估计不同配置下的能耗,最终选择最低能耗配置作为优选方案。针对复杂果园障碍物环境,Luo等人同样基于D-H方法构建运动学和配置空间,以最小化关节旋转角加权和结合能量最优原则规划收获序列,并通过人工势场法和采样搜索生成无碰撞航点,在复杂果园环境中成功率90%。此类方法的优势在于能同时平衡“可达性/避障”和“能量评估”,但其性能常依赖于候选集质量和能量模型精度:若配置集覆盖不足或动力学参数偏差较大,能量评估可能无法反映真实系统消耗。实践中,实验室生成纯能量最优轨迹往往呈现慢速平滑特征,可能不完全适用于田间操作。在确保操作效率、精度和成功率的基本前提下,智能平衡并降低系统能耗,仍是推动节能农业机器人从理论走向实际应用的关键。由于能量目标定义不一致,图5引入统一分解准则并阐明其如何映射到农业机械臂规划中的成本函数设计。
该表揭示,能量导向规划的主流方法仍是优化规划层代理(如机械功、关节旋转、力矩相关损耗或轨迹级时间-能量成本),而非直接最小化实测电池或整机能耗。这种偏好可理解,因为基于模型的代理可在优化器内重复评估,无需硬件特定电气测量。然而,这也意味着大部分报告进展是关于内部成本函数的减少,而非完整收获系统续航或功率效率的实证改进。农业验证也比算法发展不成熟:尽管一些研究直接考虑收获机械臂,许多能量模型和优化机制是从通用或工业机器人平台迁移而来。第二个趋势是用于定义能耗的系统边界报告有限。感知、计算、控制柜、冷却和末端执行器操作相关的辅助负载通常被省略或未报告,而再生制动和负机械功很少被显式处理。因此,报告百分比应解释为在不同建模假设下的方法特定改进,而非总系统能量效率的直接可比度量。缩小这一差距需要未来研究尽可能报告优化能量项、动力学模型参数、再生能量处理、辅助功率纳入、运动持续时间、负载条件和实测电源侧能量。这样的报告将允许能量导向规划从模型级优化向可重复评估的田间收获系统操作续航和热/电约束进步。
**3.1.3 面向损伤缓解的安全性与平滑性规划**
在果园等非结构化农业环境中,安全性和平滑性是机械臂轨迹规划必须同时满足的两个基本要求。前者通过避免机械臂与树枝、果实、棚架或操作员之间的碰撞,确保人员、作物和设备安全;后者通过抑制高加速度和加加速度,最小化结构冲击和振动,从而降低末端执行器对果实的扰动,并增强闭环跟踪稳定性和机械寿命。
大多数研究将碰撞避免视为硬约束而非优化目标。规划器通常利用传感信息或环境地图确保轨迹严格保持在自由空间内,通过碰撞检测筛选和修正候选轨迹。在果园场景中,枝叶遮挡和枝条摆动引入显著动态性和不确定性,要求安全约束不仅具备“离线可行性”还应具备“在线适应性”。针对非结构化环境中障碍物分布的不确定性,Tang等人提出自适应环境知情RRT(AEI-RRT)算法,通过动态调整采样椭圆域的启发式策略,在保证安全性的同时显著减少无效搜索成本。对于动态或位置不确定的障碍物(如风吹枝条),纯几何规划常失效,需要实时感知反馈。Zhang等人采用摆线轨迹算法构建两阶段避障策略,通过特定几何参数设计使生成轨迹固有能力规避番茄茎叶。Bao等人提出更主动策略,利用RGB-D相机构建环境虚拟3D骨架模型,并在改进RRT算法中引入目标偏置向量,这种“感知-规划”耦合方法显著提升了机械臂在矮化高密度果树中的穿透成功率和鲁棒性。
平滑性规划通常通过显式惩罚加加速度或加速度来实现。典型方法包括最小加加速度轨迹、带加加速度约束的时间最优轨迹以及初始路径的后处理平滑。使用五次多项式的最小加加速度轨迹是实现平滑运动的标准方法,其优势在于数学简单性并直接保证位置、速度和加速度连续性,显著减轻执行过程中的冲击和振动。Lu等人提出最小加加速度轨迹规划方法,通过离散分段五次多项式插值由笛卡尔航点转换的关节角度序列,使用SQP求解,仿真结果验证了其可行性和有效性。为进一步解决执行过程中的扰动,Lu和Lin将研究范围从“轨迹规划层”扩展到“控制层”,设计了一种带加加速度约束的时间最优控制方案,通过将高阶运动约束直接嵌入反馈控制器,从根源消除控制信号中的高频抖动。
在特定收获应用中,平滑性与果实完整率直接相关。收获机器人应用中,基于采样的规划器(如RRT)生成的初始轨迹常存在锯齿状(离散化伪影)和抖动,需要在保持无碰撞的前提下进行平滑和重参数化。Wang等人提出基于多项式插值的后处理平滑算法,在保持无碰撞的同时缩短轨迹长度和执行时间,在7自由度番茄收获机器人上的实验证明了轨迹平滑性和操作效率的同时改善。针对“加加速度受限”场景(旨在减少果实损伤和掉落),Lee等人提出满足三阶约束的时间最优轨迹规划(TOTP)方法,确保机器人遵循规定路径并遵守高阶约束。实际评估表明,与无加加速度限制的轨迹相比,约束轨迹在峰值功率、力矩效率和跟踪能力方面表现出更优综合性能。
总之,安全性通常通过基于感知的3D环境建图、碰撞检测和在线重规划机制来保证,而平滑性主要通过最小化加加速度/加速度的轨迹优化或初始路径的滤波和插值后处理来实现。然而,在农业收获场景中,两者常存在耦合:轨迹平滑可能降低安全裕度(如平滑后轨迹偏离原始路径导致间隙减小),而过度保守的避障策略可能引入过长路径和频繁绕行,从而降低操作效率。因此,未来研究需在保证无碰撞和可跟踪性的基础上,探索平滑性约束、实时性与效率之间的可解释权衡机制,以支持复杂田间环境中稳定、快速、低损伤的收获操作。
**3.2 多目标路径规划公式**
在实际操作中,单目标优化常面临固有权衡困境:最大化一个指标必然损害另一个。例如,过分强调最小化执行时间可能导致机械臂过度加速,引发严重振动或损坏脆弱果实;反之,将平滑性推向极端可能导致动作迟缓,无法满足商业收获的吞吐量要求。因此,农业收获机器人路径规划通常需要多目标优化(MOO)建模,以在速度、能效和平滑性等冲突目标之间取得平衡。表8比较了多目标路径规划的主要建模范式,并强调了它们在农业收获场景中的适用性。表9进一步总结了这些多目标建模范式在农业机器人路径规划中的代表性应用。
在表9的代表性研究中,执行时间、能耗、路径长度、加加速度和障碍物间隙是最常见的目标组合。这种分布表明该领域已从优化孤立几何效率转向平衡轨迹级效率、平滑性和安全性。然而,大多数目标集仍描述可从机器人运动学、动力学或几何地图中容易获得的量。收获特定结果——如果实瘀伤、果梗损伤、枝叶扰动、可视性维持、感知置信度和抓取后收回可靠性——很少被作为显式目标纳入。此外,大部分证据仍基于仿真、