《Agriculture》：Three-Dimensional Open-Path Sequencing for Robotic Tea-Shoot Plucking via Hierarchical Ant Colony Optimization and Endpoint Coordination
编辑推荐：
高效的三维（3D）开放路径排序对于机器人选择性采摘十分重要，因为可采收茶芽在冠层空间中呈不规则分布。研究人员将茶芽采摘建模为预备采摘点上的开放路径排序问题，并提出一种具备端点感知遍历方向协调的分层蚁群优化框架。预备点被分解为局部作业区域，区域内路线利用蚁群优化
高效的三维（3D）开放路径排序对于机器人选择性采摘十分重要，因为可采收茶芽在冠层空间中呈不规则分布。研究人员将茶芽采摘建模为预备采摘点上的开放路径排序问题，并提出一种具备端点感知遍历方向协调的分层蚁群优化框架。预备点被分解为局部作业区域，区域内路线利用蚁群优化与3-opt精化进行优化；随后通过质心级蚁群优化确定簇访问顺序，并利用动态规划依据端点间连接代价选择每条局部路线的遍历方向。在包含非结构化Global-random对照的十一个仿真场景中，所提方法在十个场景下取得最短平均路线长度；Large-scale场景下平均路线长度为13.973±0.184 m，较全局蚁群优化与贪心插入分别降低10.5%与2.9%。在五组真实茶园点云数据集上，相较贪心插入平均路线长度降低0.57%–3.15%，其中四组提升具统计显著性。初步CoppeliaSim评估进一步表明，优化后的访问序列可通过平滑局部转移轨迹进行几何连接。总体而言，该框架提升了聚类三维茶芽分布下的序列级路线质量与计算效率，其田间级作业效益仍有待闭环机器人验证确立。
研究背景方面，选择性采茶机器人有望提升高品质茶叶采收的效率与一致性并降低人工依赖。计算机视觉与机器学习已赋能茶芽识别、采摘点定位及视觉引导机器人采摘，但复杂冠层下可靠采摘需协调感知、定位与执行。可采嫩芽在三维冠层空间不规则分布且常密集局聚，低效访问顺序会引入冗余末端执行器行程、增加作业时间与能耗。现有研究多采平面化或闭环旅行商问题（TSP）建模，未充分体现预备点垂直分布与非返回执行逻辑；单一全局元启发式在目标增多时不显式利用局部聚集性。因此研究人员开展本研究，旨在提出一种利用局部结构同时保持全局开放路径连续性的三维开放路径排序策略。
该研究发表于《Agriculture》。研究人员提出端点感知分层蚁群优化（Ant Colony Optimization, ACO）框架用于机器人采茶芽三维开放路径排序。预备采摘点作路由节点，实际采摘点作带固定垂直偏移的执行位姿。框架先将预备点经K-means分解为局部作业区，簇内经最近邻初始化、簇内ACO与3-opt精化得紧凑局部路线；质心级ACO定簇序，动态规划（Dynamic Programming, DP）按端点间欧氏连接代价选各局部路线正/反向遍历；ACO模块引入信息素界约束与精英增强。结论显示该方法在十一仿真场景十项取最短均长，Large-scale（400目标）均长13.973±0.184 m，较长全局ACO降10.5%、较贪心插入降2.9%；五组真实点云较贪心插入降0.57%–3.15%（四组显著）；CoppeliaSim初步评估证序列可经B样条平滑局部转移几何连接。意义在于提升聚类三维分布的序列级路线质量与计算效率，田间闭环效益待验。
主要关键技术方法方面，研究人员于2024年3月30日至4月2日自安徽宣城敬亭山茶园麻姑山子田块（30.52°N, 119.56°E）采ZED 2立体相机RGB-D数据定位三维预备采摘点；算法层采用K-means空间分解（候选K经固定种子校准选路长最小者）、簇内最近邻+ACO+3-opt、质心图二层ACO、DP端点方向协调、信息素界与精英更新；仿真于MATLAB R2023b建11场景（含Global-random对照，点集种子42）；对比全局ACO、遗传算法（GA）、模拟退火（SA）、最近邻（NN）、贪心插入、顺序与随机遍历；真实数据离线定K后20次重复；初步执行性评估于CoppeliaSim Edu 4.0.0用钳制三次B样条连抬升“∩”形转移（标称间隙0.05 m）。
研究结果部分，聚类策略比较中K-means较高斯混合模型（GMM）与DBSCAN产出更稳分解，因后两者致簇不平衡或碎裂增端点协调难度，故留K-means。消融研究（M0–M5）于Default与Large-scale显示仅聚类（M1）劣于全局基础ACO，加簇内ACO（M2）与3-opt（M3）部分回损，M4入质心ACO+DP方向协调方明显优于M0，M5添改进ACO机制增益较小；证端点感知簇间协调而非聚类本身为主增益源，大规模因跨簇过渡多受益更显。K敏感性分析示两场景最佳均长现于略小于标称K处，K增算时单调降但过小K胀局部子问题、过大K曝过多端点反增路长，证K属路由分解参非生物簇数。仿真分布比较中十场景均长最短，Global-random下较长全局ACO仅降0.80%证弱结构下分层优势减；规模增大与Compact紧簇下优势扩；Uniform/Strip/Uneven示框架不赖球簇、耐尺寸不均。与既往研究比，Lin等指针网络为2D、Zhang等改全局ACO为3D果品、Li等GA集成系统，均未显式处理独立局部路拼接端点兼容，本研究以质心序+DP方向补此隙。定性分析示所提路少跨区切换；真实点云验证五集较贪心插入降0.57%–3.15%四集显著且算时低于全局ACO，但几何路长减非直接工时能耗减。CoppeliaSim初步执行评估用B样条连序仅几何运动学可连性检查，非碰撞物理验证。
讨论部分研究人员指出：框架效依赖目标空间结构与局部路可连性，弱结构（Global-random）优势降至0.80%，K过细增连接数可能反长路；增益来自分解+局部精化+端点协调三者非单聚类；ACO参与K校准仍经验固定未做系统多参敏感到更大动态集；欧氏距仅几何代理，真执行受关节空间、逆解、避障、动力学等影响，CoppeliaSim仅初步几何运动学检查未闭环集成。结论部分翻译如下：本研究将机器人采茶芽采摘建模为预备采摘点上的三维开放路径排序问题，并开发融合簇内精化、质心级簇排序与DP遍历方向协调的端点感知分层路由框架。所提方法在十一仿真场景十项取最短均长，非结构化Global-random下较长全局ACO优0.80%，400目标Large-scale下降10.5%；分层路由较全局基础ACO大幅降算时；五真实点云较最优对比法降0.57%–3.15%四集显著。这些发现证序列级路线质量与规划效率提升而非田间采收性能提升；观测收益赖空间结构、参数与执行约束，当前CoppeliaSim评估仍初步；未来应融碰撞感知机械臂运动规划、自适应在线排序、动态与能效目标、双臂协调及闭环田间验证以判序列级增益可否转为可测采收收益。
