一种基于场景的探索式学习规划方法,用于实现采摘机器人的稳健路径规划

《Computers and Electronics in Agriculture》:A scenario-wise exploring-to-learning planner generation approach for robust path planning of fruit-picking robot

【字体: 大 中 小 】 时间:2026年08月07日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

  •本文提出了一种用于水果采摘机器人的规划器,旨在规划高质量路径。•利用局部规划器的知识库,通过基于八叉树的检索方式构建全局规划器。•八叉树建模能够高效编码障碍物场景,便于进行相似性匹配。•通过虚拟力场对检索到的规划器进行微调,以提高其适应性。•该方案的成功率超过80%,且路径质量

  •本文提出了一种用于水果采摘机器人的规划器,旨在规划高质量路径。•利用局部规划器的知识库,通过基于八叉树的检索方式构建全局规划器。•八叉树建模能够高效编码障碍物场景,便于进行相似性匹配。•通过虚拟力场对检索到的规划器进行微调,以提高其适应性。•该方案的成功率超过80%,且路径质量高、规划速度快。引言在农业应用中,采摘环节是至关重要的一步。现代农业的进步极大地提升了效率与自动化水平,从而推动了机器人采摘系统的出现(Guo等人,2020年;Li等人,2023年)。这类系统首先识别目标水果及周围的障碍物,然后运用高效的路径规划算法生成从起始位置到水果的无碰撞路径,最后执行采摘动作。农业环境极为复杂且多变:密集的水果、茎叶以及支撑结构会形成狭窄通道,而机器人自身的移动又会不断改变场景状况,给路径规划带来更多挑战。在整个作业过程中,路径规划依然是实现快速、高质量且精准采摘的关键,因为优秀的规划算法能够显著提升效率和成功率。基于采样的规划器一直是工业环境中高自由度机器人路径规划的成熟解决方案。快速随机树算法(RRT)(LaValle和Kuffner,1999年)通过随机采样构建树结构,从而高效地近似生成通往目标的无碰撞路径。其后续版本RRT-Connect(La Valle等人,2023年)则同时从起点和目标点开始构建两棵树,实现双向规划,且运行速度更快。然而,这两种算法的采样效率较低,常常产生距离过远或无效的样本,这不仅会降低路径质量,而且在复杂环境中还可能无法在规定时间内找到可行路径。为了解决这些问题,研究人员引入了启发式方法,以生成质量更高甚至渐近最优的解决方案。RRT*(Linard、Torre等人,2023年)通过局部重新连接树结构来提升路径质量:在每个新样本生成时,它会选择成本最低的父节点,并优化附近的枝条。BIT*(Gammell等人,2015年;Li等人,2024b年;Linard等人,2023年;Strub和Gammell,2022年)则将启发式图搜索与批量采样相结合,按顺序安排样本,以便在保持随时可用性能的同时,将搜索重点放在当前最佳解附近。AIT*(Strub和Gammell)采用非对称双向搜索方式,逐步优化启发式估计值并减少碰撞检测次数。这些改进始终能显著提升路径的优化程度。混合方案(Ayalew等人,2023年)将基于采样的全局规划器(BRRT*)与反应式局部控制器(DWA)以及强大的定位算法(AMCL)相结合,能够在动态且未知的环境中兼顾全局最优性与实时响应能力。考虑风险轨迹评估方法(Zhou等人,2023年)通过明确建模周围物体的纵向与横向运动状态,为在动态环境中选择更安全的轨迹提供了理论依据。除了基于采样的方法之外,传统的图搜索规划器如迪杰斯特拉算法(Dijkstra,2022年)和A*算法(Hart等人,1968年)也引起了人们的兴趣。这些算法在低自由度场景中表现优异,但在高自由度应用中——尤其是在水果采摘领域——要实现精确的无碰撞规划,就需要详细的障碍物描述,而这会导致计算复杂度随着机器人自由度的增加而呈指数级上升(Malik等人,2022年)。为缓解这一问题,一些研究简化了环境模型:例如,van Henten等人在基于A*的采摘任务中将黄瓜藤简化为简单的圆柱体,虽然降低了计算成本,但牺牲了与现实世界的相似度(Van Henten等人,2003年)。利用先前的结构模型进行辅助的覆盖规划,可以大幅降低在大规模不规则环境中的实时感知需求;例如,基于BIM的完整覆盖规划能够构建精确的通行地图,减少基础设施检查时的路径冗余(Xia等人,2025年)。许多研究人员对这些规划器进行了改进,以适应农业采摘需求。Hemming等人(Hemming等人,2014年)采用了基于RRT的规划器来实现辣椒的自动采摘。Wang等人(Wang等人,2023年)将五次多项式轨迹生成技术集成到RRT算法中,用于番茄采摘,虽然成功率为88%,但计算开销较大。Cao等人(Cao等人,2019年)通过引入“目标重力”启发式方法加快了荔枝采摘任务的RRT收敛速度,而Ye等人则通过对Bi-RRT算法进行自适应系数调整并引入类似的重力概念,提升了规划效率,但每条路径的规划时间增加了4.24秒(Ye等人,2021年)。这些研究都体现了在农业机器人领域中,提升路径质量与控制计算成本之间的权衡关系。Chen等人(Chen等人,2025年)提出了一种双路径实例分割网络(TP-ISN),用于端到端的水稻行检测,该模型体积较小(约13MB),能够实现实时推理(约39.37帧/秒),目标识别角度误差平均为0.61°。Li等人(Li等人,2025年)基于双目立体视觉提出了具有遮挡感知功能的抓取方法GOAL,该方法能够判断遮挡关系、对目标进行分割与定位,并估算多目标抓取姿态;该方法已在高分辨率数据集上通过EPSON机械臂进行了验证。另一项最新研究(Wang等人,2025年)提出了Fcaf3d-lychee网络,该网络通过在全卷积无锚点3D检测技术中加入挤压激励模块以及多视角Azure Kinect DK点云拼接功能,使其在测试集上的F1分数达到了88.57%,且在实地测试中的定位误差控制在±1.5厘米以内。还有另一项研究(Chen等人,2024年)开发了用于连续果园作业的动态视觉伺服控制方法,提出了用于目标定位、实时自我定位以及协调移动与采摘行为的视觉算法,并通过全面的实地实验验证了该集成方法的有效性。近年来,深度强化学习方法(DRL)(Lin等人,2021年;Kantor等人,2021年;Li、Feng等人,2024年)在机器人操控领域展现出了巨大潜力。诸如软 Actor-Critic(SAC)(Haarnoja等人,2018年)之类的算法利用奖励信号和经验回放机制,训练出能够自主解决马尔可夫决策过程的策略网络。Lin等人将DRL算法应用于石榴采摘的路径规划中(Lin等人,2021年),而Chiang等人则率先提出了一种将DRL与RRT相结合的混合方法,以提高机械手规划效率(Chiang等人,2019年)。然而,农业环境本身的复杂性和多样性超出了单一策略网络的泛化能力,而且训练出一个强大的DRL智能体需要大量的计算资源。此外,实际应用还要求算法能够在严格的实时性约束下进行推理。在我们之前的研究(Chen等人,2023年)中,我们提出了一种分层协作规划器,该规划器将工作空间分解为离散层和连续层:离散层负责引导配置空间中的采样过程,而连续层采样的反馈则用于优化离散层的探索范围。尽管这种方法在农业场景中表现优异,但其规划速度仍落后于纯基于采样的方法。尤其是在那些存在密集障碍物且局部几何形状变化极大的复杂农业环境中,基于采样的路径规划器往往效率低下,生成的路径质量较差,常常无法在有限的时间内找到可行解决方案,或者在从头开始规划时生成过长的路径。为了解决这一难题,本文提出了一种探索式方法,该方法能够捕捉特定场景的结构特征,并学习高效的局部规划器来指导采样过程,从而在各种复杂且布满障碍物的任务场景中,持续生成无碰撞、无冗余且高质量的路径。本文介绍了一种基于场景的探索到学习型规划器生成方法(以下简称SWEL规划器)。在探索层中,机器人可在仿真环境中自主生成高质量数据,通过体素化和八叉树建模对每个局部区域进行编码。在学习层中,则运用加权EM算法以及位置-方向组件匹配技术,将这些数据转化为针对特定场景的局部规划器知识库。在运行时,规划层通过工作空间分解和基于八叉树的相似性检索来确定局部区域,然后通过虚拟力场方法对检索到的规划器进行微调,最终将它们组合成一个全局规划器,用以计算无碰撞路径。本质上,我们的规划器是分层协作路径规划算法的知识增强版。本研究的主要贡献包括:我们提出了SWEL规划器,这是一种通过整合探索、学习以及强大规划功能而专为水果采摘机器人设计的规划器。我们通过三种关键技术实现了这一框架:a)基于工作空间引导的探索算法;b)基于八叉树的局部场景建模与检索方法;c)针对新任务中局部规划器的自适应微调策略。我们通过全面的仿真实验和实际应用测试,证明了SWEL规划器及其各组成部分的有效性。章节概要本文介绍了所提出的框架,如图1所示,SWEL规划器生成方法是一种集成探索、学习以及强大规划功能的模块化框架,专为水果采摘机器人设计。虽然本研究中为每一层选择了具体的算法,但该框架并不局限于这些选择,能够轻松容纳其他方法以实现持续改进。本节的其余部分将详细介绍其三个相互作用的层次——探索层、学习层和规划层——并说明它们之间的相互作用方式。实验与结果本文的实验主要围绕三个关键主题展开:基于八叉树的局部区域表示与匹配方法的有效性。我们的八叉树驱动的相似性度量标准能否可靠地从知识库中检索出最合适的局部规划器?局部规划器的泛化能力与适应性。通过我们所提出的虚拟力场方法提炼并微调后的局部规划器,是否能够应用于新的场景?我们对位置采样、方向采样以及规划器本身进行了消融实验。结论本文提出了一种SWEL规划器生成方法,这是一种集成探索、学习以及强大规划功能的框架,专为水果采摘路径规划而设计。该流程始于基于工作空间引导的探索以及基于体素的场景建模,以此积累高质量的任务数据。在学习层中,加权EM算法和高斯分量匹配技术将这些数据转化为高效的局部规划器知识库,每个规划器都与其对应的八叉树建模后的局部区域相关联。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号