采摘机械臂路径规划算法研究现状综述*

杨旭海，周文皓，李育峰，戚小琛，张茜

(石河子大学机械电气工程学院,新疆石河子,832003)

0 引言

随着我国农业技术不断发展,传统农业、林果业采摘作业逐渐面临人工成本上涨,劳动力短缺等问题,以往的人工采收模式已经很难满足现代农业的需求,同时,随着机器人技术的快速发展与普及,高性能机械臂被设计用来替代人工从事沉重、单调的劳作,在农业采摘领域有着巨大的应用前景。

作为采摘机械臂控制算法的核心,路径规划的目标是在最短时间和距离代价下,在有限的作业范围内找到一条从起点到终点的安全无碰撞路径,其根本目的是利用最小工作空间和最优耗能达到最高的工作效率,其设计的先进程度直接关系到采摘机械臂的作业效率、耐用性和采收精度。

首先对比了目前在农产品采摘领域应用较为广泛的机械臂路径规划算法,然后详细分析了各类算法的技术特点以及国内外学者提出的改进方案,最后引出现有算法存在问题,局限性以及各类算法的适用场景,并对采摘机械臂路径规划技术未来发展趋势进行深入探讨。

1 路径规划算法研究现状与分类

根据采摘机械臂路径规划算法的规划方式可以将其分为局部路径规划和全局路径规划(表1),其中局部路径规划主要针对机械臂当前作业的局部空间信息,这类算法具有良好的避障能力和动态规划性能,但对于机械臂硬件要求较高,同时,局部路径规划对环境误差和噪声有较高的鲁棒性,能对规划结果进行实时反馈与重规划,但是因为缺乏全局环境信息,规划结果可能不是最优的,而全局路径规划是在已知的环境中,给机械臂规划一条路径,路径规划的精度取决于周围环境获取的精确性,全局路径规划可以找到最优解,但是需要预先知道环境的准确信息,但是面对动态路径,无法做出相应的校正。

表1 局部路径规划与全局路径规划对比Tab. 1 Comparison between local path planning and global path planning

基于局部路径与全局路径规划的概念,采摘机械臂路径规划算法又可以分为基于群优化理论的遗传算法、粒子群算法、蚁群算法等;基于最优化理论的人工势场算法;基于图搜索法的A*算法和Dijkstra算法以及基于采样法的快速扩展随机数算法(RRT)。

2 机械臂路径规划算法

2.1 群优化算法

群优化算法的原理是在空间内设置多个个体,将这些个体组成一个群体进行搜索,得到最优解,遗传算法中的种群设定、蚁群算法中的蚂蚁种群、粒子群算法的粒子群都体现了群优化算法的思想。其对比情况见表2。

表2 群优化算法对比Tab. 2 Comparison of group optimization algorithms

2.1.1 遗传算法

20世纪70年代,美国学者John holland基于达尔文生物进化论提出了一种生物进化过程搜索最优解的方法——遗传算法,该算法将问题的求解过程转换成类似生物的进化、变异过程,在求解复杂的组合优化问题时,可以融合其他优化算法,得到更加优质的优化结果。

West等[1]基于遗传算法开发了一种针对机械臂单一关节参数测量进而推广到其他关节参数的机制,具有动态参数估计能力,对机械臂建模过程进行了优化,Tang等[2]利用Matlab遗传算法优化工具箱对机械臂进行优化,在考虑机械臂结构强度和轴承安装空间的同时为机械臂路径规划过程提供了有效帮助。王怀江等[3]提出了一种基于改进遗传算法的机械臂路径优化方法,与传统算法相比,改进算法的收敛速度提高了46.15%,路径缩短了45.99%,系统运行时间减少了25.80%,有效提高了系统效率,这些应用遗传算法的优化方案,对采摘领域机械臂路径规划优化具有一定的参考价值。

为了提高果蔬采摘机器人的避障和路径规划能力,实现机器人智能化、轻量化的设计,熊琼等利用遗传算法对路径规划进行优化,实现复杂环境中的路径搜索功能,障碍物识别率高达99%以上,路径规划的准确率也在95%以上。李涛等[4]针对矮化密植果园采摘机器人多臂协同问题,将任务规划问题归纳为异步重叠访问域的多旅行商问题,基于遗传算法寻找求解方法,用3种水果作为采摘对象,相较于顺序规划法和随机遍历法,该方法的作业遍历时长分别缩短10.69%和27.18%、20.45%和23.33%以及12.94%和21.69%。

为了提升遗传算法在采摘机械臂路径规划过程中求解优化的性能,宋莹莹等将一种改进的遗传算法应用在油茶果采摘机械臂中,改进后的算法能够明显优化机械臂的工作空间,整体指标提升了63.49%,为后续路径规划算法改进提供了数据参考。

2.1.2 粒子群算法

粒子群(PSO)算法作为群优化算法的热门研究点之一,最早由Kenned和Eberhart于1995年提出,与其他群优化算法类似,也采用“群体”和“进化”的概念。

在此领域,国内学者基于粒子群算法对机械臂路径规划提出了诸多优化方案,因其规划精度高,在采摘领域有较为广阔的应用前景。

稳定、高效、无损的采摘要求一直制约着自动化采摘技术的发展,为解决这些难题,国内外学者进行了诸多研究,Cao等[5]提出了一种改进的多目标粒子群优化算法,其规划的路径能够有效完成水果采摘,平均采摘时间为25.5 s,成功率为96.67%,验证了PSO算法在机械臂采摘领域的有效性。国内学者袁蒙恩等[6]针对复杂静态背景下具有多约束条件的机械臂路径规划问题,提出了基于单目视觉的多种群粒子群算法,根据目标物体位置演化出机械臂最优路径。同时,为进一步提高机械臂路径控制精度,罗予东等[7]基于粒子群算法,采用小波神经网络算法进行优化,并采用群体智能对路径进行跟踪,对机械臂实现精准控制,有效提高了机械臂的路径跟踪性能。朱文琦提出了一种基于粒子群的控制系统优化算法,以提高采摘机械臂的控制效率,研究团队以青椒为作业对象,通过比对采用与不采用粒子群算法时机械臂末端路径规划距离和采摘精度,证明了采用粒子群算法可以有效提高果实采摘的定位精度,缩短移动距离,对提高采摘效率作用显著。庞国友等[8]为了提高油茶果采摘机械臂的综合性能,将粒子群算法与退火算法相融合,并利用改进后的算法进行油茶果采摘机械臂参数优化,为后续采摘机械臂及其算法优化提供了数据支持。

2.1.3 蚁群算法

蚁群算法作为一种概率型算法。由意大利学者Marco Dorigo于1992年提出,灵感源于蚁群在觅食过程中的路径搜索行为,是最为成功的群体智能算法之一。原艳芳等[9]使用蚁群算法进行名优茶采摘机械臂的路径规划,通过改变自适应调节信息素浓度值和迭代终止条件,可改善基本蚁群算法搜索时间较长、易陷入局部最优等问题,有效提高机械臂采摘过程中全局搜索能力和计算效率。Baghli等[10]利用蚁群算法作为优化工具,利用其鲁棒搜索性,在机械臂运动过程中,规划出最优路径。黄玲等基于改进的蚁群算法规划了果蔬采摘机器人三维路径,大大地提高了路径质量,说明改进蚁群算法稳定性强,可靠性高。

采摘机械臂常常需要作业于障碍物密集的果园中,王江华等[11]针对狭窄空间中机械臂的路径规划问题,提出了一种改进型蚁群优化算法,通过对传统蚁群算法概率分布、路径二次优化、淘汰机制等方面进行改进,增强了系统的鲁棒性,能够明显提高机械臂在复杂环境下的适应能力。

为提高蚁群算法采摘时的路径规划效率,提高采摘速度,苑严伟等[12]对蚁群算法进行了相应的改进,改进后的算法迭代次数仅为基本算法的25.3%,而路径长度是基本算法的94.3%,为后续蚁群算法在采摘领域的改进提供了理论依据。陈鑫等[13]以柑橘为采摘对象,引入了随时间改变的自适应信息素浓度更新机制,提出了蚁群算法的一种改进方案,有效缩短了采摘路径长度。

当机械臂路径是离散状态时,更适合采用遗传算法,但是该算法在求解路径过程中存在着汉明悬崖问题,粒子群算法适算法结构简单,计算方便,求解速度快,但是存在局部最优问题。蚁群算法适合解决图上搜索路径问题,运算量庞大,对设备硬件要求高。

2.2 人工势场算法

人工势场算法是由Khatib提出的一种虚拟力场法。核心思想是将机械臂在作业环境中的运动,抽象成在人工引力场中运动,该种算法规划路径的优势在于路径平滑、安全,具有良好的鲁棒性,但该方法也存在局部最优问题。

针对采摘机械臂在野外作业环境中,面临采摘任务数量多,目标与障碍物位置随机性强等问题,熊俊涛等[14]引入人工势场算法,利用目标吸引、障碍排斥的思想建立奖惩函数,优化路径长度,提高了采摘效率,通过仿真测试,采摘任务成功率达96.7%以上。

针对采摘机器人在果园作业时,果树较大冠层障碍物易影响机械臂路径规划等问题,胡广锐等[15]改进了人工势场算法,优化后的路径将障碍物识别最短距离由0.156 m提高至0.863 m,该优化方法具备实时优化路径的功能,这种规划方法同样为采摘机械臂的路径优化提供了思路。姬伟等[16]针对非结构化环境下采摘机械臂的实时避障问题,提出了一种基于改进人工势场算法的避障策略,该方法在保留传统人工势场算法易于实现、结构简单的基础上,针对其存在的局部极小点、陷进区等问题,结合果树生长环境中障碍物的特点,通过引入虚拟目标点使搜索过程跳出局部最优的极小点,从而有效提高了机械臂路径规划的质量。Park等[17]为了解决未知环境下机械臂路径实时规划问题,提出了一种基于雅可比矩阵与修正势场相结合的算法。这种算法可以更加便捷的进行机械臂路径规划。曹博等[18]针对传统人工势场算法应用于机械臂避障时无法约束各关节位姿、易陷入局部极小值等问题,提出一种改进算法,采用线段球体包络盒模型进行碰撞检测,在关节空间内求解虚拟目标角度并采用高斯函数建立虚拟引力势场处理局部极小问题,改进算法可以引导机械臂逃离局部极小值点并完成避障,同时提高避障结束时各关节的定位精度,该方法可以有效应用于采摘机械臂路径规划算法的改进中。Wang等[19]提出了一种改进的人工势场避障方法,在避障过程中考虑了机械臂的姿态,无论初始姿态和目标姿势之间的差异如何,机械臂都能以合理速度到达目标位姿,Zhou等[20]针对障碍物环境中的碰撞问题,将改进的人工势场算法应用于机械臂碰撞检测与路径规划中,并通过仿真验证了该方法可以有效提高采摘效率,这两种对人工势场改进的策略可以为采摘过程中机械臂如何规避枝干、叶片到达最优作业点提供改进思路。

图1 人工势场算算法示意图

2.3 图搜索算法

2.3.1 Dijkstra算法

Dijkstra算法解决两个点之间最短路径的问题十分有效,Sunita等[21]对Dijkstra算法进行动态化处理,有助于提高算法的有效性,在规划时间和内存占用方面进行了优化。Tan等[22]提出了一种基于Dijkstra算法的改进算法,该算法在全局最优路径规划具有优异的性能。Rafael等[23]提出了Dijkstra最短路径搜索算法的一种改进算法,与启发式算法相比,采用该方法可以在相似甚至更短的时间内获得最优路径。Ji等[24]针对苹果收获机械臂实时避障路径规划问题,在动态非结构环境下,利用改进的Dijkstra算法用于苹果采摘机械臂初始路径规划,再用改进的蚁群算法用于优化初始路径,并通过实验证明该方法简单易行,具有较好的实用价值,机械臂可以在较短的时间内避开树枝成功采摘苹果。

Dijkstra算法的改进趋势是加入启发式算法的循迹策略以减少最短路径搜索的运行时间。Dijkstra算法虽然经典的最短路径搜索算法之一,但是该算法并不适用于大型图中的最短路径搜索。

2.3.2 A*算法

A*算法是求解静态环境中最短路径最为有效的方法之一,传统的A*算法在机械臂的路径规划过程中可能存在无限循环和搜索数据量庞大等问题。针对这些问题Wang等[25]提出了一种改进的A*算法,即在搜索过程中应用可变步段搜索,基于对碰撞检测的分析,可以实现自由空间,使机械臂能够避免与障碍物的碰撞。与传统的A*相比,改进后的算法搜索点较少,执行效率更高。

(a) 第一次循迹

(b) 第二次循迹

(c) 第三次循迹

根据机械臂和障碍物的几何特征,贾庆轩等[26]利用A*算法实现了机械臂的无碰撞路径规划。张许有等[27]基于位置代价设计了针对机械臂避障路径规划的A*算法的,该算法运算量小且计算效率高。Chen等[28]提出一种基于差分进化和改进的A*的智能寻径方法算法。该方法通过对异常条件的精确滤波实现快速路径搜索,以达到较高的收敛性率。Xu等[29]提出了一种基于A*算法的路径规划方法,对机械臂的运动性能进行了定量分析和优化,上述几种算法优化方案为基于A*算法的采摘机械臂路径规划提供了改进思路。

2.4 概率地图算法(PRM)

概率地图是一种可以进行快速路径规划的自由空间表示方法。在得到概率地图后,路径规划的问题随即转变为在概率地图中寻找一条从起点到达终点的合适路径问题。

机械臂在采摘果蔬的过程中常常需要在狭小的作业空间内规划最优路径,在面对复杂环境,尤其是构型空间存在狭长的通道时,传统运动规划算法性能大大下降,规划时间长而且失败率高,孙明镜等[30]针对这些难题提出了一种面向狭窄空间的机械臂快速稳定路径规划算法,采用示教路径为启发项,结合非均匀采样和均匀采样,离线生成PRM随机路图,通过在线图搜索查找最终可执行路径。蔡健荣等[31]针对动态非结构化环境下的柑橘采摘机器人实时路径规划问题,利用双目立体视觉技术获取柑橘及障碍物的三维信息,对采摘作业区域进行虚拟重建,并在此基础上采用单次查询、双向采样与延迟碰撞检测相结合的SBL-PRM算法对柑橘采摘机械臂进行避障路径规划,该方法适用于动态非结构化环境下的采摘机械臂实时避障。邹宇星等[32]针对采摘机械臂在不确定的环境中进行采摘作业的要求,提出了一种基于改进概率地图PRM算法的机械臂避障路径规划方法。相比传统PRM算法,改进算法速度提高22.2%,能够有效地实现机械臂无碰撞路径规划。

2.5 快速扩展随机数算法(RRT)

快速扩展随机树(Rapidly-exploring Random Tree,RRT),是基于数据结构的单一查询式算法,主要用于路径规划、虚拟现实等方向的研究。快速扩展随机树采用一种特殊的增量方式进行构造,因此,该算法在采摘机械臂路径规划领域应用前景广阔。

Cao等[33]为了实现采摘机械臂在动态和非结构化环境中的避障问题,提出了改进的快速探索随机树(RRT)算法,此设计采用目标重力的思想,加速了路径搜索的速度,试验表明,该算法规划的无碰撞路径可以成功地将机械臂驱动到作业位置,而不发生任何碰撞,路径实现时间0.47 s,成功率100%,其路径的长度优化后缩短20%,Ye等[34]针对RRT算法在高维环境下存在的随机性、转换速度慢等缺点,引入了目标重力概念和自适应系数调整方法无碰撞拾取姿态,改进后的算法平均路径搜索时间为4.24 s,实验室环境下路径确定成功率为100%,所提出的无碰撞运动规划方法可以有效使采摘机械臂避开工作空间中的障碍物,高效完成采摘任务。Schuetz等[35]以甜椒作为采摘对象,引入了一种基于RRT算法的全局离线优化方案,该方案能够在极短时间内寻找到最优路径。刘顿等[36]针对目前采摘机械臂采摘多次行程规划效率低、耗时长、路径非最优的问题,提出一种基于Informed-RRT*改进的柑橘采摘机械臂运动规划算法,在算法中引入了启发性的节点采样策略,提高了最优路径的收敛速度,改进算法路径搜索时间缩短了88%,节点数缩短42%,平均迭代次数下降64%,路径规划成功率约为96%,算法平均规划时间0.81 s,规划成功率提高11%,路径成本优化16%。

针对多自由度果蔬采摘机械臂运动路径规划速度慢、效率低、路径成本高的问题,张勤等[37]提出了一种柯西目标引力双向RRT*算法,相比于传统RRT*-connect算法,改进算法的路径成本缩短5.5%,运行时间降低71.8%,采样节点数下降64.2%,单次搜索时间0.33 s,相比于原始算法,路径成本降低12.6%,运行时间减少了69.2%,扩展节点数减少76.3%。

为提升机械臂在非结构性环境中进行避障采摘作业的要求,阳涵疆等[38]采用RRT算法提出了一种基于关节构形空间的混联采摘机械臂避障路径规划算法,所提出的算法搜索的避障路径能够驱动采摘机械臂避开工作空间内的障碍物,到达作业目标点,使串联机械臂拥有全局避障路径规划的能力,体现了实时避障的设计思路。

在采摘过程中机械臂有时需要深入树冠内部进行采摘,而在树冠内众多枝干往往构成一个个封闭的多边形通道,比起单个枝条的障碍物,封闭多边形障碍物更加难以避开,需要更长的时间进行规划。针对此问题,马冀桐等[39]通过对构型空间的离线构建,分析了封闭多边形障碍物在构型空间的拓扑结构性质,根据这一性质,对双向快速扩展随机树算法(RRT-connect)进行改进,提出了一种基于构型空间先验知识引导点的RRT-connect算法与传统RRT-connect算法相比规划时间分别缩短了51%、86%,该算法对封闭障碍物和未封闭障碍物均有较好的避障效果,平均路径规划时间为1.263 s,成功率为91%,可以为柑橘采摘机器人在不同环境的运动规划问题提供参考。

3 路径规划算法比较分析

不同的路径规划算法针对不同的采摘环境其收敛速度和多样性能方面的表现各有利弊,单一算法或者固定的路径规划模式已经很难适应现代农业自动化采摘面临的问题。本文主要就多种采摘机械臂路径规划算法,重点分析各类规划算法的优缺点,局限性以及适用场景(表3),最后对采摘机械臂路径规划技术未来改进提出建议。

表3 路径规划算法对比Tab. 3 Comparison of path planning algorithms

1) 群优化算法。该类算法适应性强、易于重构,具有较强的鲁棒性并且隐含负反馈机制,在采摘机械臂路径规划过程中,群优化算法需要依赖较为完善动态环境评估机制,运算量大,这就对机械臂控制系统乃至整个采摘机器人的环境感知性能提出了较高的要求,间接性提高了采摘机器人的普及成本,在机械臂的实时控制,特别是动态路径规划中优势不明显。因此,针对果实采摘过程中的动态路径规划是未来研究的方向。

2) 人工势场算法。人工势场算法在数学描述上简洁、美观,人工势场算法结构简单,能够有效提高路径规划的实时性,然而传统人工势场算法在规划路径时,存在障碍物边界势场不完善的问题,无法约束采摘机械臂的整体位姿,容易引起局部最小值,使算法最终收敛性出现问题,较为有效的解决方案是建立统一的势能函数,人工势场算法要求在路径上的障碍物都必须是规则的,因为无规则障碍物会导致的运算量庞大,但这样对作业环境就有严格的要求,降低了适用性,因此,这也是目前国内外学者对人工势场算法改进的热门方向。

3) 图搜索算法。图搜索类算法主要利用已知的环境地图和地图中障碍物的信息,构建出起始点到终点的路径,包括深度优先和广度优先两个方向,该类算法搜索能力强,其中Dijkstra算法采用广度优先搜索,是解决有向图和无向图的单源最短路径的有效方法,研究的主要方向在于如何提升搜索效率,减少不必要的搜索,同时提高搜索的准确性。A*算法则利用启发该类算法能够有效提高路径的搜索效率,但需要对全局路径进行在线建模,难以满足动态采摘环境下机械臂作业的避障要求。Dijkstra算法能得出最短路径的最优解,但遍历节点较多,所以效率相对低。由于Dijkstra是层层向外扩展的,因此搜索区域很大,时间较慢,但准确度较高,可以保证得到的路径一定是最短的,因此,Dijkstra算法更适用于对采摘机器所在区域进行完整搜索,再结合其他算法进行局部路径规划,但是Dijkstra算法不能有负权,因此只能单向寻源,相比Dijkstra算法,A*算法搜索效率较高,且能得到最优解,相应的A*算法的缺点在于其拓展节点的随机性,没有关于全局的位置信息。因此它搜索的节点数量会较多,这种方法牺牲了一定的空间代价达到了速度与完备兼得的优势。

4) 概率地图法(PRM)。概率地图法的思路是建立栅格地图生成离散空间,能用相对少的随机采样点来找到一个解,动态规划性能优秀,对多数采摘作业而言,其采样点足以覆盖大部分可行的空间,在算法机理上可以确保一定找到一条路径,但是,由于采样点是均匀产生的,因此可能造成某些狭窄区域采样点数较少,狭窄区域无法联通,导致路径搜索失败,长时间路径搜索会造成路径规划的不稳定,由于采摘作业多在枝干、叶片等多种障碍物的狭窄空间内循迹,这样就极大限制了PRM算法在采摘机械臂路径规划算法的应用,因此,PRM算法更多的是应用于搭载机械臂的负载平台在农场或果园中的路径规划,但随着高性能计算机、处理器等硬件设备的升级,通过增加采样点密度,狭窄区域中节点数量会相应增加,可以一定程度上提高循迹的成功概率。

5) 快速扩展随机数算法(RRT)。RRT算法及其改进算法,因其概率完备,只要路径存在,有足够长的规划时间,就能确定得到一条路径的解,此类算法不仅适用于二维搜索,也适用于高维度动态规划,且不会存在局部最小值的问题,具有高效的随机扩展性,可快速生成可行路径,为高维且复杂的机器人路径规划问题提供了一种新的解决方案,因为RRT算法的种种优势,在采摘机械臂路径规划领域应用前景广泛。

4 采摘机械臂路径规划研究展望

虽然采摘机械臂路径规划算法在采收作业过程中已经取得了显著的科研成果,并广泛应用于农业、林果业中,但随着相关产业应用场景愈发复杂,自动化程度的不断提高,对机械臂的应用需求也更加智能化,本文对具有代表性和实用性的采摘机械臂路径规划算法进行了综述,并对今后采摘机械臂路径规划技术研究与改进提出3点展望。

1) 多算法融合。随着采摘机械臂路径规划算法应用范围日益广泛,作业环境日益复杂,任何单一算法都无法满足所有工作环境。各类路径规划算法各自具有优点与特性,但都有其局限性。为满足复杂工况下的避障要求,利用不同算法的优势互补解决不同情况下的机械臂路径规划问题将成为未来研究的热点。

2) 提高路径重规划与动态规划性能。目前采摘机械臂路径规划算法研究领域的大多数算法只能在理想化的实验室环境中进行,在实际采摘过程中,路径规划的状态不再是静态环境,因此,提高算法的环境适应性也是目前研究的重点问题。针对机械臂愈发复杂的工作环境,可采用经典算法和智能算法的混合方式,静态环境使用传统算法规划,动态环境和极小值问题则使用智能算法局部规划的方式来实现整体路径规划,提高系统稳定性。现阶段机器人技术要真正地得到广泛应用到复杂的农林采摘作业中就必须提高路径规划技术的环境普适性,其核心问题是解决路径的重规划问题,加强动态搜索率。

3) 局部路径与全局路径融合。全局路径规划算法是在预知的地图环境中搜寻最优路径,因此多数只能应用于预知地图的静态环境中,无法避开环境中的动态障碍物。而在机械臂实际应用中,除了特定的静态场景,大多数室外环境都是动态变化的,尤其是作物采收领域。在动态场景中机械臂需要对同一环境内的特征进行反复观测采样,不断地更新地图表示,以避免地图误差的不断积累,并且会让机器人内存资源高度消耗,势必会影响路径规划的质量,这就使得为了适应多样化的地图环境,机器人必须考虑新的地图表示方法,基于学习、采样或者“记忆”的新型地图表示方法为动态环境中的全局路径规划算法的发展提供了有力支撑。随着路径规划技术的不断深入,采摘机械臂的应用环境逐渐从静态的封闭环境变化到半静态的室外场景再变化到高度动态的公共场所,单纯以栅格图、拓扑图、几何特征图等基于局部或者全局地图都无法满足机械臂对环境特征的更新,因此将局部路径与全局路径相融合将是未来机械臂路径规划的热门方向之一。

3) 双/多机械臂协同规划。多机械臂智能采摘路径规划技术有着高灵活性、易部署、高协调性,具有环境自适应。多机械臂规划各自最优路径的同时又要考虑到其他采摘机械臂的位置,这对算法的实时性、准确性以及数据的交互都是不小的挑战,多机械臂协同作业具有多任务适用,最优匹配、自由协同、更好的系统冗余度及鲁棒性等特点,未来将广泛应用于采摘作业的实际场景中。

5 结语

路径规划作为采摘机械臂控制算法的核心,从根本上决定了机械臂作业性能。虽然目前许多的路径规划算法取得了丰硕的研究成果,因为采摘机械臂作业工况复杂,目前,尚不存在适用于所有作业环境的通用路径规划方案,因此,机械臂的通用性低,只能根据不同作物的采收要求和作业环境进行算法设计与结构适配,间接性提高了采摘机械臂的普及成本。

随着智慧农业的兴起、机器人技术的普及、控制技术与算法的革新,未来采摘机械臂应用的前景广阔,相应的路径规划算法也将有着良好的发展前景。