考虑气象因素的农业采摘机器人轨迹纠偏控制方法

吴 瑾，姜紫阳，傅学振，孙 齐，杨 昆

(临沂市气象局，山东 临沂 276700)

0 引言

采摘是果实种植及收获中非常重要且烦琐的一个环节，传统采摘多通过人工完成，不但效率低且劳动成本高，随着机器人制造技术的不断发展与进步，利用机器人进行采摘工作必将成为未来果实采摘的主要趋势[1]。机器人在采摘前需要对果实目标进行定位，在此过程中容易受到较多因素的干扰，目前采摘机器人受到气象因素的影响较大。在大风气象下果树枝叶摇晃幅度较大，造成了视觉识别困难的问题，在浓雾或日照不充足的环境下会影响采摘机器人对现场的观察与判断，从而影响了采摘的效率。在多种气象因素的影响下，采摘作业环境的复杂性增加使采摘困难大幅升高，因此，对机器人的采摘工作进行气象因素的考虑是非常必要的。

丛志文等[2]将双目视觉获取到的信息建立为模型并进行标定，对采集到的图像预处理后定位目标果实的位置，将位置转换为坐标后，传输至机器人执行器进行轨迹规划与纠偏；刘波等[3]将采集到的图像进行光照度分类，在不同光照度的条件下分别采用不同算法对通道进行分割并进行边缘轮廓提取，依据最小二乘法定位道路中心线，完成路线规划与纠偏；陈燕等[4]通过改进后的YOLOv3网络检测目标果实，利用通行顺序一致性约束对目标果实进行配对，采用双目立体视觉对果实进行定位并进行轨迹设计与纠偏。以上方法没有结合果实的运动情况对其实时捕捉，导致采摘机器人存在位姿精度低、成功定位率低和定位时间长的问题。

为了解决上述方法中存在的问题，提出考虑气象因素的农业采摘机器人轨迹纠偏控制方法。

1 考虑气象因素的采摘机器人路径规划

1.1 目标果实检测与跟踪

光线变化、顺光逆光、大风和阴天等气象因素会使采摘机器人对果实定位的难度升高，从而无法发挥出最好的采摘效果。考虑气象因素的农业采摘机器人轨迹纠偏控制方法，引入云储存技术对捕捉目标果实的算法进行设计[5]，云存储技术能够对运动目标进行捕捉，因此，即使在气象环境较差的情况下依然能够对目标果实进行准确识别跟踪。云存储技术对运动目标的检测与跟踪，采用在运动序列图像中获取目标信息的方式进行。目标信息主要包括特征统计、特征视觉和代数统计等，其中，特征统计主要有直方图和矩阵等，特征视觉主要有图像纹理、形状和轮廓等。在获取到目标信息后，需要度量目标信息的相似性并将其输入至图像帧中进行搜索，从而完成目标果实的定位与跟踪。

度量目标信息的相似性是将目标果实信息与运动图像各帧信息加以匹配，常用的方法有加权距离和欧氏距离等。在跟踪目标果实的过程中会生成大量的图像帧，若直接对图像场景全部信息进行对比，需要处理大量的冗余信息且会降低计算效率，所以利用滤波的方法对图像信息进行处理，减少计算量和搜索范围。因此，考虑气象因素的农业采摘机器人轨迹纠偏控制方法，采用Kalman滤波器对运动状态序列的最小方程进行估计，根据状态方程和观测方程对完整动态过程进行表述，完成对目标的实时检测跟踪。

采摘机器人的视觉系统通过特征匹配的方法识别运动目标特征并进行跟踪，目标特征匹配主要有果实特征采集和果实特征匹配2个过程[6]。果实特征采集，即在获取到的果树图像上对目标果实进行定位和特征采集。果实特征匹配[7]，即将果实与采集到的目标果实特征进行匹配，该方式优点是即使目标果实在运动过程中有不完全暴露的情况也能够将其成功识别。

云储存技术对图像进行识别时，结合图像的色调、饱和度和亮度属性建立图像函数。设k为图像帧数，k∈[1,m]且k为正整数；fk-1(x,y)、fk(x,y)和fk+1(x,y)为获取到的3帧图像序列，将其中第k和第k-1帧以及第k+1和第k帧通过函数H′(·)、S′(·)和I′(·)进行差分计算；fd1(x,y)和fd2(x,y)为帧差分结果[8]，计算模型为：

(1)

(2)

结合式(1)和式(2)进行二次帧差分计算得到

YH(x,y)=fd2(x,y)Θfd1(x,y)

(3)

Y(·)为目标果实运动区域fd1(x,y)、fd2(x,y)相与运算的结果范围，主要用来确认目标果实的移动范围和背景范围。设OR为二值化图像中的目标运动范围，计算目标范围的重心横坐标mx和纵坐标my，依据相机的小孔成像原理，得到目标果实在环境中的实际位置，即

(4)

1.2 最优路径规划

在获取到目标果实的位置后，需要对采摘机器人路径进行规划。传统蚁群算法的特性使选择路径时局部收敛[9]，导致全局搜索能力下降，因此，考虑气象因素的农业采摘机器人轨迹纠偏控制方法中对蚁群算法进行改进，为了避免局部收敛的情况出现，每完成1次迭代，就在传统蚁群算法的信息素上进行自适应更新，改进的蚁群算法的具体流程如图1所示。

图1 改进蚁群算法流程

设τmax和τmin为初始设定的纯小数，且τmax>τmin；ρ为信息素轨迹的衰减系数；Δτij(t)为在循环过程中(i,j)路段信息素的增加值。得到对原始信息素τij(t)进行更新后的信息素τij(t+n)为

(5)

通过式(5)获取的信息素分布比传统方式获取的更加均匀且获取的解更加多样化。当获取到任意可行解后，更新处于路段(i,j)的信息素，根据原始信息素τij(t)和上一循环中信息素的增加值Δτij′(t)，得到新的信息素τij(t+1)。当蚂蚁获取到1个可行解后，更新可行解路段E(i,j)的信息素，设Lbest为该循环中最短的路线，Lworst为该循环中最长的路线，Q为常数，得到

(6)

通过以上方式对信息量进行自适应更新，实时调整各个路径的信息量强度，使蚂蚁的分布更加平衡，避免传统蚁群算法的问题。重复该过程直到全部蚂蚁都获取到最短路径或循环次数达到预先设定的最高次数，从而完成最优路径的规划。

2 农业采摘机器人轨迹纠偏控制

在采摘机器人作业的过程中，由于环境等因素的影响，规划好的路径可能会产生偏差，所以还需要进行轨迹纠偏控制。

设qe=[xe,ye,θe]、qc=[xc,yc,θc]和qr=[xr,yr,θr]为采摘机器人的位姿误差向量，其中，xe、xc、xr和ye、yc、yr分别为采摘机器人在X轴和Y轴的偏移位姿误差、当前质心位姿和参考位姿[10]，θe、θc和θr分别为偏向角的角度误差、当前质心位姿角度和参考位姿角度；设ve、vr和ϖr、ϖe分别为采摘机器人当前质心位姿和参考位姿的运行速度及转动角速度。得到采摘机器人与空间全局坐标系误差qe为

(7)

(8)

由以上算法可以看出，若要保证采摘机器人具有更好的轨迹纠偏控制能力，需要控制器具有优异的逼近能力，考虑气象因素的农业采摘机器人轨迹纠偏控制方法通过RBF神经网络进行关联搜索，从而对采摘机器人进行实时纠偏控制[11]，RBF神经网络有输入层、隐含层和输出层3层结构，采用径向基传递高斯函数进行计算。设x(k)为输入层变量；ci为中心参数；σ2为中心宽度方差；i为层数，i∈[1,n2]且i∈N+。得到高斯函数公式为[12]

φi=exp(-(x(k)-ci)2/2σ2)

(9)

(10)

w*φ(K)-τd-ε

(11)

通过RBF神经网络最佳逼近算法设计的采摘机器人控制器系统，能够快速对采摘机器人的运行速度和转向角度进行调节。通过自适应神经网络找到最适合当前有效控制的满意值，完成采摘机器人的实时轨迹偏差纠正，使其运行性能大幅提高。采摘机器人轨迹纠偏控制器系统如图2所示。

图2 采摘机器人的轨迹纠偏控制器系统

3 实验与结果

为了验证本文方法的有效性，需要对其控制能力进行测试。实验仿真平台为MATLAB，在测试过程中，将机器人速度设置为0.5 m/s。

3.1 位姿精度测试

对本文方法、文献[2]方法和文献[3]方法的位姿精度进行测试，测试结果如图3所示。

由图3可以看出，本文方法的位姿精度高于文献[2]方法和文献[3]方法，与采摘机器人真实位姿基本吻合，因为本文方法采用云储存技术对运动果实实时检测跟踪，有效提高了位姿精度。

图3 位姿精度检测结果

3.2 定位成功率测试

对本文方法、文献[2]方法和文献[3]方法在5个不同区域进行定位测试，测试结果如表1所示。

表1 定位成功率检测结果

由表1可以看出，本文方法在各个区域的定位成功率均高于文献[2]方法和文献[3]方法且保持在较高的水平，说明本文方法在路径规划和轨迹纠偏中具有很高的可行性。

3.3 路径规划测试

为了对本文方法的路径规划能力及轨迹纠偏能力的有效性进行测试，将实验区域划分为行列均为10个矩形的栅格，区域内障碍物的最小单位为1个栅格，以左下方为采摘机器人的起点，右上方为终点，对其进行路径规划检测，测试结果如图4所示。

图4 路径规划

由图4可以看出，本文方法能够在无碰撞的情况下规划出最优路径进行作业，说明本文方法具有优异的路径规划及轨迹纠偏能力。

3.4 定位时间测试

对本文方法、文献[2]方法和文献[3]方法在5个不同区域内30个目标点进行定位时间测试，测试结果如表2所示。

表2 定位时间检测结果

由表2可以看出，本文方法在同一区域对多个目标的定位所用时间低于文献[2]方法和文献[3]方法，说明本文方法规划路径和纠偏控制的效果更加优异，在作业的过程中效率比文献[2]方法和文献[3]方法更高，更适合应用于实际的果实采摘。

4 结束语

采摘机器人作业时受到外界环境等影响较大，导致目前采摘机器人在气象环境不佳时采摘能力下降，为减少气象因素的影响，提出一种农业采摘机器人的轨迹方法纠偏控制。

目前，农业采摘机器人轨迹纠偏控制方法存在位姿误差大、定位成功率低和定位时间长的问题，因此，提出考虑气象因素的农业采摘机器人轨迹纠偏控制方法。在完成果实实时定位后规划其最优路径，再通过RBF神经网络对采摘机器人进行轨迹纠偏。实验表明，本文方法能够有效地提高位姿精度、提高定位成功率、缩短定位时间并获取更为顺畅的采摘路径。