基于语义风险感知的运动规划：用于苹果幼果疏果的机械手操作

《Computers and Electronics in Agriculture》：Semantic risk-aware motion planning for apple young-fruit thinning manipulators

　　### 提示/说明

- 本文包含自动驾驶、机器人技术、果园管理等相关领域的专业术语，部分概念可能需要结合具体背景理解。

- 文中引用的研究文献、公式和代码示例可能需要专业背景知识进行解读。

- 由于技术前沿性和研究领域的特殊性，部分内容可能不是绝对通用，具体应用时需根据实际需求进行调整。

### 文本结构

- 本文分为引言、主要内容和结论三部分，每部分通过小标题进行分隔。

- 主要内容部分包含多个子章节，分别介绍算法原理、实验设计、结果分析等方面的内容，并通过句式和段落结构清晰地呈现各项内容。

- 文末的“Section snippets”部分提供了对整体流程和关键部分的简要总结。

### 引言

- 苹果果实疏果是一项重要的果园管理措施，旨在调节树冠负荷、提高果实大小和均匀性，并减轻树木的两年结果现象。正确去除多余的果实有助于养分更有效地分配给剩余的果实，从而提高市场产量并促进持续果实生产（Hussain et al., 2025）。传统的手工疏果方法选择性高，但劳动强度大且受操作时间窗口限制，难以满足大规模果园的效率和一致性要求（Saraf et al., 2026）。化学和机械疏果方法可以减少对人工的依赖，但其效果受品种、物候阶段、树冠结构、环境条件和树势等因素影响，可能导致疏果不足、过度疏果或对非目标器官造成损害（Gonzalez et al., 2020, Rajendran et al., 2024）。因此，使用机器人进行苹果果实的选择性疏果对于提高果园管理的精确度和智能农业机械的操作能力至关重要（Lin et al., 2026）。

- 近年来，农业领域机器人已经从单一的感知或执行功能发展为集感知、定位、运动规划、操控和控制于一体的自主系统。然而，可靠的自主操作仍面临感知精度、运动规划、操作控制以及适应复杂田地条件等挑战（Mhamed et al., 2024）。在果园环境中，这些系统需要在遮挡物、光照不均、树冠形状不规则和动态干扰等因素下正常工作。轻量级的农业视觉模型在挑战性环境下显著提升了感知能力（Luo et al., 2026）。关于果园移动性和路径效率的研究也取得了进展，例如Soitinaho等人（2024）提出了多机器人协作覆盖规划，以减少冗余覆盖和碰撞风险。这些发展强调了在实际果园机器人应用中紧密结合感知、规划和控制的重要性。

- 目前关于苹果果实疏果和采摘机器人的研究主要集中在果实识别、果梗定位、疏果决策、末端执行器设计及系统集成方面（Hussain et al., 2023；Wang et al., 2025；Pawikhum et al., 2025；Bhattarai et al., 2024）。虽然已有相关技术，但较少关注如何在不损坏保留果实、果梗、叶子和树枝的情况下，安全高效地接近目标果实（Mu et al., 2025），特别是在空间有限的果园环境中。

- 成熟果实采摘机器人的研究则涉及果实定位、避障、末端执行器姿态选择、轨迹生成及感知-控制协调等方面（Gao et al., 2023；Zhou et al., 2024；Chen et al., 2024）。这些研究强调了在复杂果园环境中保持可靠感知-行动耦合的重要性。

- 在农业机器人的运动规划方面，已经探索了基于图搜索的方法、人工势场、基于采样的规划器、轨迹优化和基于学习的方法（Gammell et al., 2014；Janson et al., 2015；Karaman et al., 2011；Karaman and Frazzoli, 2011；Strub and Gammell, 2020a, 2020b）。基于学习的运动规划方法，如基于循环深度强化学习的番石榴采摘机器人路径规划（Lin et al., 2021），已在模拟和实际果园中展现出应用潜力。

- 最近的研究不断改进基于采样的规划器，例如Ma et al.（2024）提出的多目标规划算法，以及Liu et al.（2024）结合RGB-D感知和Bi-RRT的六自由度果园机器人路径规划方法。这些进展为农业机械的自主操作提供了新的思路。

### 主要内容

- 本文提出了一种基于语义风险感知的RRT*（SRA-RRT*）算法，用于苹果果实疏果机器人的安全高效运动规划。该算法构建了包含障碍物语义和接触风险的双层风险场，通过环境复杂性估计和风险引导的采样提高了样本的可靠性。双向自适应树体扩展和局部动态重连提升了路径搜索效率。最后，通过去除冗余节点和Catmull-Rom样条平滑处理，生成适合末端执行器执行的连续平滑轨迹。

- 本研究的主要贡献包括：
- 专门为苹果果实疏果机器人设计的运动规划算法SRA-RRT*，将障碍物语义属性和接触风险纳入路径规划过程。
- 结合风险引导的混合采样策略和双向自适应树体扩展，提高了生成低风险样本的概率和初始可行路径搜索的效率。
- 通过多尺度模拟、全尺寸1:1果园实验和实验室测试验证了该算法的规划性能和实际应用能力。

### 结论与未来工作

- 本研究提出了用于苹果果实疏果机器人的语义风险感知RRT*（SRA-RRT*）框架，通过集成语义风险建模、混合采样和路径后处理，在密集树冠环境中平衡了规划效率、路径质量和交互风险。多尺度模拟、实验验证和实验室测试证明了其有效性。

### 作者贡献声明

- 各作者声明没有可能影响本研究工作的已知财务利益或个人关系。

### 致谢

- 作者感谢山东省重点研发计划（农村振兴技术创新提升计划，项目编号2024TZXD043）的财政支持。