任务导向路径规划用于校园垃圾分类移动机械手使用改进的BiRRT方法

《Algorithms》：Task-Oriented Path Planning for Campus Waste-Sorting Mobile Manipulators Using an Improved BiRRT Method

　　

校园垃圾分类移动机械手在杂乱环境中运行。本文提出了一种任务导向框架，将移动底盘导航与机械手运动解耦。其贡献在于安全验证地集成了目标偏置采样、自适应步长调整、人工势场（APF）引导的方向校正、碰撞恢复方向选择以及碰撞检测的双向树连接，在改进BiRRT（Improved-BiRRT）中。在获得可行路径后，应用基于可见性的剪枝和分段三次Hermite插值多项式（PCHIP）平滑，随后进行分段碰撞验证，并回退到已验证的剪枝路径。MATLAB R2024b仿真覆盖了简单校园、复杂校园和狭窄通道环境。在相同设置和后处理条件下，评估了RRT、GoalBias-RRT、BiRRT和Improved-BiRRT。在狭窄通道环境中，Improved-BiRRT实现了平均原始可行路径长度、平均最终碰撞验证路径长度和迭代次数。Holm校正的Wilcoxon秩和检验显示，在复杂校园和狭窄通道环境中，最终路径长度和迭代次数显著低于基线方法（）。五目标验证产生了累积碰撞验证路径长度和累积MATLAB在线规划时间。结果表明，对于具有预定义目标顺序的静态二维校园垃圾分类任务，该方法具有可行性。

**研究背景与问题**
随着人工智能与机器人技术的发展，移动机械手（mobile manipulator）在制造、物流、公共服务等领域得到广泛应用。其结合移动平台与机械臂，可在比固定基座机械手更大的工作空间内执行导航、目标搜索、抓取与任务执行。校园垃圾分类场景中，废弃物可能位于障碍物附近或狭窄通道内，需要系统识别类别、导航至目标、运输物体并到达对应投放点。可靠的移动底盘路径规划与可执行的局部操作运动是自动化垃圾分类的关键。

现有基于快速探索随机树（RRT）的路径规划研究多聚焦于单起点到单终点的点对点规划，对目标接近、分类投放、移动底盘导航与局部操作的顺序协调关注不足。目标偏置采样、自适应步长调整通常作为独立机制引入，人工势场（APF）引导主要用于局部扩展方向校正，各机制间缺乏协调，可能导致在受限环境中扩展效率低、不必要的绕行及搜索性能不稳定。此外，部分研究未明确解释树扩展、碰撞验证路径后处理与局部机械手操作之间的关系。

**研究目的与意义**
为解决上述局限，本研究提出一种基于增强型BiRRT（Improved-BiRRT）的任务导向框架，将移动底盘路径规划与预定义的局部机械手运动解耦，用于校园垃圾分类。方法贡献在于协调双向树扩展中的互补机制，对树间连接与后处理路径进行碰撞验证，并将规划器嵌入预定义的多阶段任务工作流中。研究在静态二维环境中验证了方法的可行性，为后续动态环境与闭环验证奠定基础。论文发表在《Algorithms》。

**主要技术方法**
研究人员采用以下关键技术方法：（1）改进BiRRT（Improved-BiRRT）框架，保留双向树搜索结构，集成固定目标偏置采样、基于障碍物间隙与失败次数的自适应步长调整、APF引导的方向校正、碰撞恢复方向选择以及碰撞检测的树间连接；（2）后处理阶段，对可行路径执行基于可见性的剪枝与分段三次Hermite插值多项式（PCHIP）平滑，并进行分段碰撞验证，若平滑路径不安全则回退至已验证剪枝路径；（3）在MATLAB R2024b中构建简单校园、复杂校园、狭窄通道三种仿真环境，样本队列来源为模拟生成的静态度量地图，所有规划器均使用相同环境设置、终止条件、剪枝、平滑、分段碰撞验证及回退程序。

**研究结果**

**3.1 仿真环境与参数设置**
仿真平台在MATLAB R2024b中开发，校园环境建模为20m×20m工作空间，移动底盘初始位置为(1,1)，底盘半径0.25m，安全间隙0.05m，碰撞检测半径0.30m。设置五个废弃物目标（塑料瓶、果皮、废电池、纸巾、剩饭盒），分别属于可回收、厨余、有害、其他四类，对应垃圾桶位置固定。构建了简单校园、复杂校园、狭窄通道三种比较环境，分别评估基本搜索能力、障碍密集规划性能与狭窄通道搜索稳定性。评估四种规划器：RRT、GoalBias-RRT、BiRRT、Improved-BiRRT，每种独立运行20次，使用确定性种子。

**3.2 算法性能比较**
在三种环境中，所有规划器成功率均为100%。Improved-BiRRT在三种环境中均获得最短平均原始可行路径长度、最终碰撞验证路径长度和在线树扩展迭代次数。在简单校园环境中，其原始与最终路径长度分别为21.40m和21.35m，迭代次数为361；在复杂校园环境中分别为30.76m和30.64m，迭代次数为613；在狭窄通道环境中分别为30.53m、30.47m和630次迭代。Holm校正的Wilcoxon秩和检验表明，在复杂校园和狭窄通道环境中，Improved-BiRRT的最终路径长度与迭代次数均显著低于RRT、GoalBias-RRT和BiRRT（所有Holm校正p值<0.05）。这证实了协调目标偏置采样、自适应步长与APF引导方向校正对提升规划效率与稳定性的有效性。

**3.3 消融实验**
在复杂校园与狭窄通道环境中进行累积消融实验，以BiRRT为基线，逐步引入目标偏置采样、自适应步长、APF引导扩展与碰撞恢复方向、以及剪枝与碰撞验证PCHIP后处理。结果显示，目标偏置采样与自适应步长单独并未一致降低在线搜索代价；APF-BiRRT在复杂校园中将平均迭代次数从Adaptive-BiRRT的1069降至676（约减少37%），在狭窄通道中从1070降至678（约减少37%）；Improved-BiRRT进一步缩短最终路径长度，复杂校园中从30.95m降至30.47m（约减少1.5%），狭窄通道中从30.67m降至30.32m（约减少1.1%），而在线迭代次数与生成节点数与APF-BiRRT相同。这表明APF引导扩展是提升在线搜索效率的主要模块，而剪枝与PCHIP后处理改善最终路径质量。

**3.4 目标偏置概率敏感性分析**
在复杂校园与狭窄通道环境中测试不同目标偏置概率p_gb（0.05, 0.10, 0.15, 0.20, 0.25, 0.30）。所有p_gb值下成功率均为100%，最终路径长度变化较小（复杂校园中从30.48m到30.75m），在线迭代次数在狭窄通道环境中对p_gb更敏感。p_gb在0.10–0.20范围内被视为实用操作区间，最终实现中采用：简单与复杂校园p_gb=0.10，狭窄通道p_gb=0.15，校园垃圾分类任务p_gb=0.20。

**3.5 路径规划结果分析**
在三种环境中选取代表性路径可视化。Improved-BiRRT在简单校园中方向变化更少，在复杂校园中绕行更少，在狭窄通道中横向偏差更小，重复试验结果（表3）支持其更优的搜索阶段路径质量、最终路径紧凑性、在线搜索效率与稳定性。

**3.6 任务级验证**
在五目标校园垃圾分类任务中，移动底盘需执行10个规划段（每目标接近段与运输段）。所有段均成功规划，累积碰撞验证路径长度423.10m，累积MATLAB在线规划时间152.90s，总迭代次数2159。各段规划指标因行程距离与障碍约束而异。局部机械手采用简化3自由度模型，生成预定义抓取与放置运动，与移动底盘路径顺序执行。Simulink回放验证了“识别-规划-移动-抓取-投放”顺序工作流的可行性。

**讨论与结论**
讨论部分指出，Improved-BiRRT在简单校园、复杂校园、狭窄通道环境中均获得更短原始可行路径与最终碰撞验证路径、更少在线迭代次数及更低运行间变异性，主要得益于目标偏置采样、自适应步长、APF引导方向校正与碰撞恢复方向的协调使用。由于所有规划器应用相同的后处理，原始路径结果直接反映了不同树搜索机制的内在路径质量优势。任务级仿真验证了解耦框架在预定义多目标校园垃圾分类任务中的顺序执行可行性。研究局限在静态二维环境、预定义局部机械手运动及RRT族基准规划器，未考虑动态障碍、在线感知、定位不确定性等。未来将扩展基准并研究在线重规划与动态避障，集成真实视觉检测模型与物理移动机械手平台进行闭环验证。

结论部分翻译：本研究提出了一种任务导向的改进BiRRT方法，用于校园垃圾分类移动机械手执行的多阶段抓取与分类投放任务。集成了目标偏置采样、基于障碍物间隙与失败次数的自适应步长选择、APF引导的方向校正以及碰撞恢复方向，以提升在线搜索效率与避障能力。在生成可行路径后，基于可见性的剪枝与碰撞验证的PCHIP平滑改善了最终路径的紧凑性与轨迹连续性。MATLAB与Simulink实验表明，该方法在简单校园、复杂校园和狭窄通道环境中均能生成可行无碰撞路径。与RRT、GoalBias-RRT和BiRRT相比，在更受限环境中实现了更短的原始可行路径与最终碰撞验证路径、更少的在线树扩展迭代次数以及更低的运行间变异性。原始路径结果证实路径质量优势已存在于搜索阶段输出，而非仅由后处理产生。消融实验阐明了各模块的增量效果，目标偏置敏感性分析显示了在测试设置下的稳定路径质量。在任务级仿真中，采用预定义废弃物识别输出作为语义与空间输入，在固定收集顺序与类别-垃圾桶映射下，分别生成移动底盘路径与局部机械手运动并顺序执行。五目标任务产生了累积碰撞验证移动底盘路径长度423.10m、累积MATLAB在线规划时间152.90s、总迭代次数2159。结果验证了所提解耦框架在预定义多目标校园垃圾分类任务中的可行性。