农业机器人运动轨迹控制仿真分析—基于遗传算法优化和RBF网络逼近

李　璞，冯　博

(石家庄铁路职业技术学院，石家庄　050041)



农业机器人运动轨迹控制仿真分析—基于遗传算法优化和RBF网络逼近

李璞，冯博

(石家庄铁路职业技术学院，石家庄050041)

摘要：随着国力的不断增长，我国科技产业发展突飞猛进，机械自动化、计算机控制系统和测试计量行业的不断发展，使得移动机器人的研究也达到了一个前所未有的高度，机器人已经被广泛地应用到农业生产、工业生产、国家安全、生活服务和高等研究设计等领域的各个方面。移动机器人作为机器人的一部分，集中了智能传感技术、机械制造、电子无线通信技术、智能仪器和自动化控制工程等多学科的研究成果，是当前科技研究与设计最前沿的领域之一。为此，基于遗传算法优化RBF网络逼近算法，根据机器人运动轨迹的特性，研究了机器人运动轨迹控制技术，通过实时传感器在线感知系统，为智能机器人实时规划出无碰撞、路线短的运动轨迹。实验结果表明：所研究的机器人运动轨迹优化技术，具有较好的控制作用，其在行进过程中能及时、有效避地开前方障碍，可靠性强，稳定性好，应用前景非常广阔。

关键词：农业机器人；轨迹优化；遗传算法；RBF网络逼近

0引言

近年来，随着各国对机器人研究的重视，机器人的发展有了很大的突破，工业机器人的发展已经获得了很大的成功，而用于农业的移动机器人最近也有了很大的进展。在机器人的研究设计中，运动轨迹规划是一个比较重要的环节，是对机器人行进中作业路径优化控制的基础。所谓运动轨迹规划，就是该机器人利用红外、超声波或者视觉传感器对工作环境的地理信息进行收集处理，自主地找到一条运动路线最短、躲避障碍次数最小、运行代价最低的路线，并且可以取得较高的效率。目前，对于移动机器人轨迹优化的研究方法很多，主要采用蚁群、Hopfield、差异演化、遗传、BP网络神经、人工势场等算法。本文以遗传算法优化RBF网络逼近算法，对农业机器人的运动路径进行全局和局部优化，然后根据传感器感知数据信息判断机器人在作业程中是否会碰到障碍物，并根据相应状况重新规划局部路径。

1遗传算法的RBF网络逼近模型

神经网络是由简单处理单元构成的规模宏伟壮大且可以同时进行分布处理的中心处理器，可以保存过往经验数据和行之有效的品性。神经网络主要从获得知识和保存知识两部分去模拟大脑，获得知识主要是通过实践并不断从外部学习得来，而内部神经元的相互突触连接则主要用来存储信息。RBF神经网络与BP神经网络的学习迭代过程比较类似，可以模仿人脑神经组织，然后针对局部进行小范围的调整，通过神经元相互连接沟通之特性，互相共享存储有效数据信息。

1.1　RBF神经网络结构与原理

神经网络有多种构造，一般具有多层神经反馈网络。其中，比较单一的是a-b型网络结构，其结构如图1所示。

图1　a-b型神经网络结构

图2　遗传算法优化RBF网络逼近结构图

图2中，a、b、c为其输入、隐藏和输出层的连接节点数。设Qm为第m(m为大于1的正整数)个输出信息数据， 则隐藏层的节点n(n为大于1的正整数)输出为

Pn=Pn(Qm-Qn)

(1)

输出层第k(m为大于1的正整数)个信息的数据值yk为

(2)

其中，W(k,n)为两个节点层之间的连接权值。

1.2　建立作业环境模型

首先为机器人搭建工作时的二维环境模型，机器人在进行过程中的障碍物为果树或遗忘的农具。在移动机器人作业的过程中，这些阻止其前进的障碍物位置和物体大小不会改变。在环境模型中，将行走区域划分为n个小块，移动机器人在作业时按区域小块行走，区域小块分为可通行区域和不可通行区域小块。每个区域小块采用N1-Nn的方式进行标识。为了使移动机器人实时躲避障碍物，在进行不可通行区域小块的计算时，可适当加大障碍物区域，即当不可通行区域小块有障碍物占有时，多增加一个相邻区域小块。

1.3　RBF神经网络迭代逼近学习算法

RBF神经网络选取的网络节点越多，其迭代逼近的误差值越小，但同时网络的信息沟通效率也会下降。针对这一现象，在优化求解的过程中，一般在达到所需的精度条件时，应尽量减少中间的隐藏层节点，确保网络的信息沟通效率达到最佳。实际上，一般依靠添加策略和删除策略来对连接节点进行有效的调整控制，使RBF神经网络的优化误差最小和信息沟通效率最高。同时，神经网络的模拟训练和迭代求优结合进行，使移动机器人在作业环境中慢慢使用。

1.4　算法执行流程步骤

RBF神经网络迭代逼近学习算法的具体流程如图3所示。在对机器人最优运动轨迹的工作之前，应先设定最大求优次数和精度要求，作为机器人最优运动轨迹的初始条件。

图3 　RBF神经网络迭代逼近学习算法的流程图

RBF神经网络在求机器人轨迹优化的步骤如下：

1)参数初始化。移动机器人可通行区域小块和不可通行区域小块分别用0和1表示。算法开始选择R={0,1, …,N-1}节点，设作业机器人从起点A到终点B求得最优路径需要经历的迭代次数为Nc。禁忌表AN初值为符号空，其中N=1,2，…，m。

何泽满脸堆笑，说胡总嫌贵，我总会找到买主的，不过俗话说，好马配好鞍，这棵树只有种在胡总的私家庄园，才算没有白长。再说，我冒着破坏古树名木的风险，苦心为您寻得这棵名贵的金弹子树，总得让我的苗木公司还留点利润吧？否则我的那些兄弟们都要喝西北风去了。

2)设定最大求优次数和精度要求。在开始时确定最大求优次数和精度要求，避免机器人在求优过程中因精度要求增多迭代学习次数。

3)移动机器人从一区域小块到另外相邻区域小块的概率为

(3)

4)更新元素值。移动机器人每迭代学习一次，节点N的值加1，并且复制给禁忌表。.

4)计算机器人行走路线长度。

5)统计数据信息，并做好对比工作，保存最优路径数据。

6)重复2)～4)等步骤，直到求出最优路径解。

7)求出并输出最优路径。

2最优运动轨迹规划流程

对于移动机器人的路径规划，一般没有绝对的最优路线，在求最优路线时，一般要求以最小的代价求出相对最短最优的路径，而最大求优次数对RBF神经网络在实际作业环境中的应用至关重要。然而，RBF神经网络参数的初始值和最优值主要取决于实验中的经验和实际值。

机器人在作业中需要从一点前进到另外一点的办法有很多，但实际上每一次位置上的移动都需要有连续的位置和连续的速度。为了克服移动过程中的抖动和蠕动，一般还需要在时间上连续的加速度。以移动间点到点的运动时间Ti为基准，可以画出移动机器人在行进过程中的直线坐标和角坐标。移动过程的时间函数如图4所示。

图4　移动机器人运动过程的时间函数

移动机器人在行进过程中，并不需要在每个中间时间点停留。一般对运动的时间函数图形进行线性化，即可以得到一条不连续的轨迹，在这条运动轨迹上移动机器人在一个连续的时间点上的速度和加速度并不是连续的。移动机器人分段运动轨迹的近似线性如图5所示。

图5　移动机器人分段运动轨迹的近似线性图

在对移动机器人运动轨迹的路线段的时间进行粗略计算时，可以假定tacc内可以把机器人运动速度从静止加速度到最大的运行速度。在此加速期间的时间为2tacc。移动机器人的运动轨迹如图6所示。以机器人的直线位移过角位移为标准，通过一系列的求导计算，即可以得到该加速过程中的轨迹方程为

(4)

图6　移动机器人运动轨迹图

3路径规划仿真分析

RBF神经网络是一种常见的路径优化算法，其操作简单、可塑性性强，深受开发者的喜爱。运用RBF神经网络逼近的方法对移动机器人的运动轨迹进行规划，需要求出移动机器人在行进过程中穿过可行进区域时的位姿、时间和速度，成功躲避障碍物，并使得整个过程路径最短、耗时最小。RBF神经网络并没有严格的最优参数，其最优的参数一般需要仿真实验得出。图7为移动机器人在两种不同果林中的路线图，黑色部分为机器人不可通行区域。

图7　移动机器人在两种不同果林中的区域线路图

为了研究本文提出的遗传算法优化RBF网络逼近最优路径规划的有效性，在一个二维空间的作业区域对移动机器人开展了最优轨迹规划实验，并利用计算机MatLab 软件进行了仿真。实验中，二维空间的作业区域的起点位置为1，重点位置为400。通过反复迭代学习，神经网络不断逼近，求出了两种不同模型区域的最优运动轨迹。仿真求最优轨迹的实验结果图8所示。

图8　Matlab仿真实验结果

由图8可知：针对两种障碍物与路径不同的模型区域，移动机器人都成功地求解出从开始到结尾且成功躲避障碍物的最优轨迹规划；根据多次实验对比，所求路径是该条件下机器人穿过障碍物耗时最少、运动代价最小的路线。

4移动机器人最优运动轨迹的优化

作业过程中，由于移动机器人自身体型过于庞大，在行进和转向时，机器人的运动轨迹会出现较大幅度的偏差，运动轨迹圆滑度不高，可能与开始设定的轨迹有所不同。为了解决上述问题及实现规划轨迹的一致性，本文在设计和实验过程中对RBF神经网络控制算法进行了适当的改进。主要改进如下：

1)加大超声波测距的实际距离。移动机器人在躲避障碍物或者转弯过程中，可以提前开始进行操作，为移动机器人执行操作预留足够多的时间和可以躲避的区域，使其运动路径相对比较圆滑。

2)加大机器人回转空间。当机器人在行进过程中检测到前面有障碍物时，应该立马停止前行，然后测量与障碍物之间的距离是否在允许的范围内；如果距离太近，机器人应该自行后退，目的是加大机器人在转弯时的回转空间，增加机器人躲避障碍物时的转弯角度，得到比较圆滑的转弯轨迹。

通过以上两点的优化改进，移动机器人的运动轨迹“尖峰”特性基本上可以消除，运动轨迹也相对变得圆滑。改进后的避障规划路径如图9所示。

图9　改进后的机器人避障规划路径图

5结论

针对农业机器人在作业过程中行走路线过长、行进代价较大、路径规划效率低的问题，提出了基于遗传算法优化RBF网络逼近的智能机器人运动轨迹的方法。首先建立作业环境模型，划分区域小块，并利用RBF网络逼近的迭代学习法，结合作业环境、机器人避障代价、行进时间，得出智能机器人整个作业过程的最优轨迹。其次，在试验过程中利用MatLab实现路径仿真研究。试验表明：该算法可以有效优化移动机器人的移动轨迹，提高运动过程中的实时效率。最后，根据实际状况本文提出了一系列的优化方法，圆滑了智能农业机器人避障过程中的运动轨迹，加大了该算法的可行性和可靠性，节省了作业时间，并且降低了机器人的能量消耗，具有比较广阔的实际应用前景。

参考文献：

[1]王嘉晖.履带式移动机器人局部路径规划和路径跟踪[D].南京：南京理工大学,2006.

[2]童艳.移动机器人路径跟踪控制方法研究[D].西安：西北工业大学,2007.

[3]王丽.移动机器人路径规划方法研究[D].西安：西北工业大学,2007.

[4]陈丹.基于遗传算法B样条曲线优化在机器人轨迹规划中应用[D].武汉：武汉科技大学,2007.

[5]陈桂,王建红,汤玉东. KUKA机器人运动学仿真与实验研究[J]. 组合机床与自动化加工技术,2014(8):94-97.

[6]赵开新,王东署,徐立新.蚁群遗传算法在移动机器人路径规划中的综合应用研究[J].制造业自动化,2014(17):70-72,84.

[7]王欢,王玉博,尚萌,等.轮式移动机器人的主控制器设计[J].电工文摘,2014(5):20-22.

[8]彭辉.轮式移动机器人运动轨迹控制技术研究[D].广州：广东工业大学,2008.

[9]汤永红.多运动状态的移动机器人结构设计及仿真[D].天津：河北工业大学,2007.

[10]房伟.多搜救机器人协作搜索及路径规划研究[D].武汉：武汉理工大学,2013.

[11]罗健豪.三轮全向足球机器人轨迹规划与跟踪的研究[D].长沙：长沙理工大学,2013.

[12]李磊,叶涛,谭民,等.移动机器人技术研究现状与未来[J].机器人,2002(5):475-480.

[13]吴忻生,郭丙华,胡跃明.基于传感器的非完整移动机器人运动规划[J].控制理论与应用,2002(6): 945-948.

[14]黄超.模块化移动机器人控制系统及运动算法的研究[D].哈尔滨:哈尔滨工业大学,2010.

[15]宫杰.基于实时操作系统的移动机器人控制平台的研究[D].济南：山东科技大学,2008.

[16]葛文韬.四轮驱动全轮差速转向移动焊接机器人移动机构设计与仿真[D]. 南昌：南昌大学,2012.

[17]战晓磊,辛洪兵,徐正兴.基于虚拟现实技术的网络控制机器人系统研究[J].北京工商大学学报：自然科学版,2007(5):25-28,33.

[18]王剑,薛飞.一种RBF神经网络的自适应学习算法[J].现代电子技术,2011(3):141-143,147.

[19]张国良,安雷,汤文俊.三轮驱动移动机器人轨迹跟踪控制[J].计算机应用,2011(8):2293-2296.

[20]张广林,胡小梅,柴剑飞,等.路径规划算法及其应用综述[J].现代机械,2011(5):85-90.

[21]刘渭苗.轮式移动机器人神经网络控制[D].西安：长安大学,2007.

[22]王晓丽.MOTOMAN机器人轨迹规划和控制系统的研究与设计[D].西安：西安科技大学,2009.

[23]陈杰.基于蚁群算法的机器人路径规划研究[D].南京：南京理工大学,2009.

[24]高贝磊.轮式机器人的控制系统与路径规划研究[D].西安：西安电子科技大学,2010.

[25]陈华,刘国栋.三维线性倒立摆模型在双足机器人系统中的应用[J].计算机系统应用,2012(8):178-182.

[26]吴涛.移动机器人避障与路径规划研究[D].武汉：华中科技大学,2004.

[27]崔明月.复杂环境下不确定轮式移动机器人运动控制的研究[D].重庆：重庆大学,2012.

[28]夏科睿.基于轮地相互作用建模的移动机器人轨迹跟踪控制研究[D].哈尔滨：哈尔滨工业大学,2012.

[29]金娟.自主移动机器人轨迹跟踪与避障控制研究[D].长沙：湖南大学,2014.

[30]朱博,邓三鹏,王英飞,等.基于生物激励神经网络的移动机器人遍历路径规划[J].装备制造技术,2014(12):30-32.

[31]李丽丽.随机移动机器人运动碰撞的避免方法仿真[J].计算机仿真,2013(12):376-379.

Research on Motion Trajectory Control Technology of Agricutural Robot—Based on Genetic Algorithm RBF Network Optimization

Li Pu, Feng Bo

(Shijiazhuang Institute of Railway Technology,Shijiazhuang 050041, China)

Abstract：With the rapid development of China's science and technology industry, the rapid development of science and technology industry, machinery automation, computer control system and the continuous development of the measurement industry, making the research of mobile robot has reached an unprecedented level, the robot has been widely used in agricultural production,industrial production,National security,life services and higher research design and other aspects of the design.As a part of the robot,the mobile robot has concentrated the research results of intelligent sensing technology, mechanical manufacturing,electronic communication technology,intelligent instrument and automation control engineering. It is one of the most advanced technology research and design. In this paper, based on genetic algorithm to optimize the RBF network approximation algorithm, based on the characteristics of the robot motion trajectory, the robot motion trajectory control technology is studied. Through the real-time sensor online perception system, the robot can plan a trajectory without collision and route. The experimental results show that the design and research of the robot motion trajectory optimization technology, with good control effect, which can effectively avoid the obstacles in the course of the road, its reliability, good stability, the application prospect is very broad.

Key words：agricutaral robot; trajectory optimization； genetic algorithm; RBF network approximation

中图分类号：S24；TP391.41

文献标识码：A

文章编号：1003-188X(2016)12-0046-05

作者简介：李璞(1983-)，男，石家庄人，讲师，硕士。通讯作者：冯博(1981-)，男，河北邯郸人，讲师，硕士，(E-mail)lpfb2015@sina.com。

基金项目：国家自然科学基金项目(51375319)；河北省自然科学基金项目(E2013421005)；河北省高等学校科学技术研究青年基金项目(QN2014179)

收稿日期：2015-09-16