自主高尔夫球收集机器人的设计与路径规划

《Mechatronics》：Design and path planning of an autonomous golf ball collecting robot

　　摘要：在高尔夫教学与训练过程中，捡拾散落的高尔夫球不仅耗时费力，降低了整体运动体验，还增加了训练场的维护成本。目前市面上的高尔夫球捡拾设备大多依赖人工操作，虽能在一定程度上减轻劳动强度，但尚未实现完全自动化。为解决这一问题，本文设计了一种自主式高尔夫球收集机器人，该机器人由移动平台、球收集装置和球运输系统组成。它配备了RTK-GPS/惯性导航定位系统，可实现高精度的户外定位，其路径跟踪性能也已通过实验验证。此外，本研究还提出了一种全局路径规划算法——MBCE-RRT*（最大化球收集效率的RRT*算法），以提高机器人的球收集效率。该算法以路径效率作为成本函数，采用双向直接连接策略加速路径生成，并运用杜宾斯曲线平滑处理来满足运动学约束。在模拟的高尔夫球分布环境中进行了仿真测试，结果表明，与RRT*算法相比，MBCE-RTT*算法的路径效率平均提升了37.84%，而与Bi-RRT*算法相比则提升了127.05%。最后，原型实验验证了该机器人的定位精度、轨迹跟踪能力以及自主捡球性能。与全覆盖策略相比，其理论上的球收集效率提升了175%，实际收集效率提升了125%。

引言：随着经济的快速发展以及高尔夫运动的普及，高尔夫市场持续增长。在典型的高尔夫练习场中，每天会有数以万计的高尔夫球堆积起来，这些球需要及时被收集、清理并送回发球区。目前，高尔夫练习场中的球收集工作主要依靠人工，使用手推车或装有球收集装置的小型车辆来完成。因此，设计开发一种自主式高尔夫球收集机器人来替代人工捡球，具有巨大的市场潜力和应用价值。

研究人员在高尔夫球收集机器人的结构设计方面取得了显著进展。有一种设计采用两轮移动机器人牵引球收集器的结构，将移动平台和收集装置分开设计，以提高系统的灵活性[1]。另一种设计采用前轮驱动后轮转向的结构，推出了一种名为“黑洞”的高尔夫球收集机器人，以实现更稳定的操控性[2]。还有一些研究提出了三轮机器人设计，采用后轮驱动加前轮万向轮的结构，以提高机动性[3]。还有一种设计采用关节式结构，驱动部分由两个动力轮组成，而收集部分则由三个通过铰链连接的球收集器构成，从而提高球收集的覆盖范围和效率[4]。此外，市场上还有一种名为“Ball Picker”的自动球收集机器人，它可以被编程按照预定路线行驶，并利用GPS系统沿最短路径返回基站。不过，它仍缺乏目标识别和自主规划能力，导致整体效率相对较低。

另一方面，全局路径规划是实现机器人自主导航的核心技术[5,6]。常用的全局路径规划算法主要可分为三类。基于图搜索的路径规划算法：迪杰斯特拉算法可以搜索从单一起点出发的最短路径，但它缺乏目标引导功能，搜索效率较低[7]。A*算法引入了启发式函数，减少了节点数量，提高了搜索效率[8]。IDA*算法采用迭代加深和启发式剪枝策略，大大降低了内存占用[9]。增量Phi*算法在自由空间假设下优化了搜索树结构，提高了搜索效率[10]。混合A*算法结合了RS曲线约束，使路径更加平滑[11]。基于采样的路径规划算法：PRM算法通过随机采样构建环境拓扑结构，解决了高维空间中搜索效率低的问题[12]。OP-PRM算法通过障碍物势场采样增加采样点进入狭窄通道的概率，提高了在复杂环境中的适应性[13]。RRT算法采用树状扩展机制，查询效率很高，但路径往往不是最优的，且对复杂障碍环境的适应能力较差[14]。RRT*算法通过节点重连和路径优化，实现了渐近最优的路径规划[15]。RRT-connect算法采用双向扩展方式，显著提高了搜索效率[16]。Informed RRT算法通过椭圆收缩优化路径平滑度，减少了路径的锯齿现象[17]。此外，Kinodynamic-RRT*算法结合了机器人的结构约束，确保规划出的路径符合现实世界的动态要求[18]。受生物启发的智能路径规划算法：遗传算法通过模拟生物的遗传选择、交叉和突变机制来实现全局优化搜索[19,20]。蚁群优化算法模仿蚂蚁觅食行为，具有分布式计算和启发式搜索的特点，但容易陷入局部最优解[21,22]。粒子群优化算法模拟鸟群觅食行为，通过迭代搜索更容易找到最优解[23,24]。为优化这些算法，动态遗传算法通过自适应调整交叉和突变概率来提升算法性能[25]。在ACO算法中引入的回溯策略有效解决了智能停车系统中的路径不连续问题[26]。改进后的ACO算法通过结合全局和局部更新来增强最优蚂蚁的信息素强度，从而在最短时间内找到最优路径并收集所有高尔夫球[27]。改进后的PSO算法结合了高阶贝塞尔曲线方法，解决了局部最优和过早收敛问题，同时提高了路径平滑度[28]。此外，还提出了一种基于多目标变异猫群优化算法和人工势场方法的协同优化方法，该方法已成功应用于智能巡逻车辆的路径规划中[29]。离散布谷鸟搜索算法被用于解决多目标路径规划问题，有效减少了AGV运输过程中的能量损耗[30]。

现有的高尔夫球收集机器人大多采用移动平台与收集装置相结合的结构设计。大多数机器人使用双轮驱动系统来驱动球收集装置，部分型号还配备了全向轮以提高转向能力。然而，这些设计在实际应用中存在一些局限性。双轮驱动虽然能完成基本的驱动任务，但操控性较差，难以适应复杂的地形，且运动精度低，会影响定位和路径跟踪。全向轮虽然提高了控制灵活性，但缺乏精确的方向控制能力，导致运行不稳定，球收集效率也会下降。此外，为了增加球存储容量，现有机器人通常采用大型设计，但过大的体积会影响机动性，增加制造成本，还可能对草坪造成损坏，进而影响高尔夫球场的维护。因此，提升机器人的机动性、运动精度、稳定性以及控制成本，是优化机器人设计的关键问题。

本文提出了一种基于阿克曼转向机构和独立悬挂系统的自主式高尔夫球收集机器人。该转向机构依据阿克曼转向原理设计，可实现高效转弯；独立悬挂系统则提升了机器人在复杂地形如草地上的适应能力，保证了球收集装置的稳定运行。此外，球收集装置被集成在机器人主体上，内部球运输系统也经过优化，可在不增加机器人尺寸的情况下提高存储容量。

关于机器人的全局路径规划问题，现有的各种算法各有优缺点。其中，RRT*算法因其渐近最优性、概率完备性、对运动学约束的兼容性，以及能够在扩展过程中灵活调整成本函数等优点，而被广泛优化和应用。本文在RRT*算法的基础上改进了成本函数和扩展策略，并采用了路径平滑处理来提升路径质量。此外，考虑到机器人的运动学约束，本文还提出了一种优化的路径规划算法——MBCE-RRT*，旨在最大化机器人在高尔夫球场环境中的作业效率。

章节节选：

高尔夫球收集机器人的结构设计：高尔夫球收集机器人需要在户外环境中稳定运行，其主要应用场景为高尔夫球练习场。这类场所通常覆盖着草坪，地面存在一定程度的起伏和不平。因此，机器人必须具备一定的爬坡和越障能力，才能在复杂地形条件下保持稳定运行。为满足这一需求，常见的全地形移动方式包括履带式[31]、轨道式[32]和轮式[33]。

基于MBCE-RRT*算法的路径规划：RRT*算法由Karaman等人于2011年首次提出，是机器人路径规划领域中最重要的算法之一[15]。该算法是一种基于随机点采样的方法，通过在RRT算法基础上增加节点重连步骤、优化数据，并解决RRT算法中路径非最优生成的问题，从而对其进行了改进。本文进一步对该算法进行了优化，提出了一种用于球收集的优化路径规划算法。

实验与结果：图16展示了该机器人的实验原型。其整体尺寸为1205毫米（长度）×1002毫米（宽度）×782毫米（高度），总重量约为50公斤。满载时，它可以容纳500多个高尔夫球。机器人的主底盘框架由铝型材制成，关键结构部件如底板、电机驱动轴、法兰以及悬挂系统组件（如前悬架控制臂、转向节、后悬架等）也都经过精心设计。

结论：本文设计了一种可在高尔夫练习场中自主运行并收集高尔夫球的自主式高尔夫球收集机器人。同时，本文还提出了一种名为MBCE-RRT*的路径规划算法，旨在最大化球收集效率，从而提升机器人的工作效率。具体结论如下：1）综合考虑路径成本、路径平滑度以及扩展策略等因素，本文为高尔夫球收集问题提出了一种基于MBCE-RTT*算法的路径规划解决方案。

资金支持：本研究得到了中国国家自然科学基金[项目编号52575267]、重庆市科技创新与应用发展专项资金重点项目[项目编号CSTB2025TIAD-KPX0001]以及中国重庆市自然科学基金[项目编号CSTB2025NSCQ-JM009]的支持。

作者贡献说明：白龙负责原文撰写、方法设计及概念构思；张权玉负责方法研究及实验分析；陈小红负责形式分析及数据整理；孙远西负责文章审阅与编辑工作，并承担总体监督职责。白龙分别于2005年、2008年和2012年在中国西安的西北工业大学获得机械工程学士、硕士和博士学位。他目前是中国重庆大学机械传动国家重点实验室及机械工程学院的教授。他的研究兴趣包括仿生机器人技术以及康复与外科手术机器人技术。

白龙|张权玉|陈小红|孙远西
中国重庆大学机械传动国家重点实验室，重庆，400044