温室机器人运动学分析及模型

日光温室番茄采摘机器人设计与试验一、本文概述Overview of this article随着农业科技的不断进步和劳动力成本的逐渐上升，自动化和智能化的农业机械设备已成为现代农业发展的重要方向。

其中，日光温室番茄采摘机器人作为智能农业的重要组成部分，其研发与应用对于提高农业生产效率、降低人工成本以及保障食品安全具有重要意义。

本文旨在探讨日光温室番茄采摘机器人的设计与试验，以期为相关领域的研究与应用提供有益的参考。

With the continuous progress of agricultural technology and the gradual increase in labor costs, automated and intelligent agricultural machinery and equipment have become an important direction for the development of modern agriculture. Among them, the tomato harvesting robot in the sunlight greenhouse is an important component of intelligent agriculture, and its research and application are of great significance for improving agricultural production efficiency, reducing labor costs, and ensuring food safety. This articleaims to explore the design and experimentation of tomato harvesting robots in solar greenhouses, in order to provide useful references for research and application in related fields.本文首先介绍了日光温室番茄采摘机器人的研究背景和意义，阐述了国内外在该领域的研究现状和发展趋势。

智能大棚机器人的设计随着科技的不断进步，各种新型农业技术应运而生，智能大棚技术也因此迅速发展。

智能大棚机器人是智能大棚技术的重要组成部分，可以自动完成浇水、施肥等任务，提高生产效率，缩短工作周期，降低劳动强度。

接下来，将对智能大棚机器人的设计进行探讨。

1. 机器人结构设计智能大棚机器人的结构设计需要体现其机动性和稳定性。

机器人通常包括操纵系统、感知系统和动力系统。

其中，操纵系统负责机器人的移动和操作功能；感知系统则包括传感器和控制器，负责收集环境信息和实现自主控制；动力系统负责提供机器人的动力。

机器人的底盘应该设计得轻便灵活，有足够的机动性和适应性，以便适应多样化的作业环境。

为确保机器人的安全性和稳定性，底盘上应配备足够的防滑裝置。

此外，机器人需要搭载各种不同的传感器，以帮助机器人识别环境和执行任务。

2. 动力系统设计智能大棚机器人的动力系统通常由电机和蓄电池组成。

电机是机器人的关键部件，需要能够为机器人提供足够的动力。

根据机器人的设计要求和作业需求，需要选择高效、低噪音、低功耗的电机。

蓄电池是机器人的能源来源，决定了机器人的工作时间和使用寿命。

因此，蓄电池的选择需要考虑其容量、性能、品质等因素，以确保机器人能够稳定且长时间地工作。

智能大棚机器人的感知系统是机器人的“大脑”，负责机器人的智能控制。

感知系统需要设计能够识别环境信息、实现自主控制的传感器和控制器。

传感器既要能够对外界环境进行感知，又要具有高灵敏度和准确性。

可根据具体需求选择不同的传感器，例如距离传感器、陀螺仪、惯性导航系统等等。

控制器则是机器人的中央处理器，需要能够对传感器发送的数据进行处理，并根据数据的结果指示机器人执行相应的动作。

控制器一般是嵌入式系统，需要具有高速的处理能力、大容量的存储空间，同时还需要支持通信协议，以保证机器人与外部系统的通信。

智能大棚机器人的操纵系统负责机器人的移动和操作。

操纵系统的设计需要考虑机器人的工作场所和作业需求。

《用于温室巡检机器人的多传感器融合SLAM算法研究》篇一一、引言随着人工智能与物联网的不断发展，自动化技术在农业领域的应用日益广泛。

其中，温室巡检机器人作为现代农业技术的重要一环，其自主导航与定位能力对于提高农业生产效率、降低人力成本具有重要意义。

同时，由于温室环境的特殊性，如光照变化、植物遮挡等，使得机器人的导航与定位面临诸多挑战。

为此，本文针对温室巡检机器人，提出了一种多传感器融合的SLAM （Simultaneous Localization and Mapping）算法，以提高机器人在复杂环境下的定位精度与鲁棒性。

二、多传感器融合SLAM算法概述SLAM技术是一种使机器人实现自主导航与地图构建的关键技术。

通过多传感器融合，机器人可以在未知环境中实现实时定位与建图。

针对温室巡检机器人，我们采用了一种基于激光雷达、摄像头、惯性测量单元（IMU）等多传感器的融合SLAM算法。

该算法通过融合不同传感器的数据，提高机器人在温室环境中的定位精度与鲁棒性。

三、算法原理及实现1. 数据采集与预处理：机器人通过激光雷达、摄像头等传感器实时采集环境数据。

同时，IMU传感器提供机器人的姿态信息。

这些原始数据经过预处理，如去噪、校正等，为后续的SLAM算法提供高质量的数据输入。

2. 特征提取与匹配：通过对摄像头图像进行特征提取，得到图像中的关键点。

结合激光雷达数据，实现关键点的三维空间定位。

通过特征匹配，实现机器人在不同时刻之间的位置关联。

3. 定位与建图：利用激光雷达数据和IMU数据，结合滤波与优化算法，实现机器人的实时定位。

同时，通过融合不同时刻的定位结果，构建温室环境的地图。

4. 多传感器融合：将激光雷达、摄像头、IMU等传感器的数据进行融合，提高机器人在温室环境中的定位精度与鲁棒性。

通过多传感器之间的互补与校正，降低单一传感器带来的误差。

四、实验与分析为了验证本文提出的多传感器融合SLAM算法在温室巡检机器人中的应用效果，我们在实际温室环境中进行了实验。

温室园艺产业化生产在西方发达国家的水平很高、规模很大。

由于受到农业用地狭小的条件限制，荷兰、以色列、日本等国家发展温室园艺产业具有明显的特征：重视种苗培育、建设现代化大型温室、大量采用智能化计算机控制、生产流程高度自动化。

这种“植物工厂”的专业模式和分工方式能产生非常高的生产效率，大幅提高优质蔬菜、花卉的质量和产出率，能取得很好的经济效益。

在信息化时代到来的今天，依托自动控制技术和信息技术的温室精准农业是备受关注的焦点，世界各国都在该领域开展研究，取得一系列很有特色的成果，极大地推动了温室精准农业生产技术的进步。

其中，温室园艺生产机器人无疑是最具代表性的。

由于设施生产是在全封闭的设施内周年生产园艺作物的高度自动化控制的生产体系，可以最大限度地规避外界不良环境影响，具有技术密集型的特点，而温室园艺机器人能够满足这种精细管理和精准控制的需求，并且能够解决温室园艺生产的劳动密集和时令性较强的瓶颈问题，大幅提高劳动生产率，改善设施生产劳动环境，避免温室密闭环境施药施肥对人体的危害，保证作业的一致性和均一性等。

王树才(2005)指出，目前全世界已经开发出了耕耘机器人、移栽机器人、施肥机器人、喷药机器人、蔬菜嫁接机器人、蔬菜水果采摘机器人、苗盘播种机器人、苗盘覆土消毒机器人等相对比较成熟的可用于设施园艺生产的农业机器人。

机器人技术尤其以日本最为代表性，日本作为最早研究机器人的国家之一，由于其老龄化提前到来引发劳动力缺乏以及人力成本高等问题，从20世纪70年代开始，日本的工业机器人开始快速发展，在经过对汽车焊接、汽车喷漆等工业领域的成功应用之后，日本的农业机器人也开始不断取得进展。

佟玲(1 995)指出，日本在20世纪末已经在技术密集型的设施园艺领域开发了多种生产机器人，如嫁接机器人、扦插机器人和采摘机器人等。

荷兰花卉生产非常发达，温室园艺产业具有高度工业化的特征，每年花卉产业可创造50亿欧元的价值。

由于温室园艺产品生产摆脱了土地约束和天气影响，可以实现按工业方式进行生产和管理，其种植过程可以安排特定的生产节拍和生产周期，产后包装、销售也能够做到与工业生产如出一辙。

《基于双目视觉的温室采摘机器人目标识别》一、引言随着科技的不断进步，农业领域也在不断进行革新。

温室采摘机器人作为现代农业科技的重要成果，已经在提高采摘效率、降低人力成本等方面发挥了重要作用。

其中，目标识别技术作为采摘机器人的关键技术之一，对于提高采摘的准确性和效率具有至关重要的作用。

本文将针对基于双目视觉的温室采摘机器人目标识别技术进行深入探讨。

二、双目视觉技术概述双目视觉技术是一种模仿人类双眼视觉的立体视觉技术。

通过两个相机从不同角度获取物体的图像信息，然后利用图像处理和计算机视觉技术，对两幅图像进行匹配、分析和计算，从而获取物体的三维空间信息。

在温室采摘机器人中，双目视觉技术被广泛应用于目标识别、定位和抓取等任务。

三、温室采摘机器人目标识别的需求与挑战在温室环境中，采摘机器人的目标识别任务面临着诸多挑战。

首先，温室内的光照条件复杂多变，导致图像质量不稳定。

其次，果实的形状、颜色和大小等特征相似度高，增加了识别的难度。

此外，还需要考虑果实在空间中的位置、姿态以及与其他物体的相对关系等因素。

因此，为了提高采摘机器人的识别准确性和效率，需要采用更加先进的识别技术。

四、基于双目视觉的温室采摘机器人目标识别技术基于双目视觉的温室采摘机器人目标识别技术主要通过双目相机获取果实的图像信息，然后利用图像处理和计算机视觉技术对图像进行分析和计算，从而识别出果实的三维空间信息。

具体实现过程包括以下步骤：1. 图像获取：通过双目相机获取果实的图像信息。

2. 图像预处理：对获取的图像进行预处理，包括去噪、增强等操作，以提高图像质量。

3. 特征提取：通过图像处理和计算机视觉技术提取果实的特征信息，如形状、颜色、大小等。

4. 立体匹配：将左右两个相机的图像进行匹配，获取果实的三维空间信息。

5. 目标识别：根据提取的特征信息和三维空间信息，识别出果实的位置、姿态等信息。

五、实验与分析为了验证基于双目视觉的温室采摘机器人目标识别技术的有效性，我们进行了实验验证。

2021年1月农业机械学报第52卷第1期doi:10.6041/j.issn.1000⁃1298.2021.01.002基于改进A *与DWA 算法融合的温室机器人路径规划劳彩莲1,2　李　鹏1　冯　宇1(1.中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;2.中国农业大学农业农村部农业信息获取技术重点实验室,北京100083)摘要:根据温室环境下移动机器人作业的实时路径规划要求,提出一种基于改进A *算法与动态窗口法相结合的温室机器人路径规划算法㊂针对传统A *算法搜索算法拐点过多的问题,对关键点选取策略进行改进,融合动态窗口法,构建全局最优路径评价函数,采用超声传感器进行局部避障,实现实时最优的路径规划㊂仿真实验结果证明,与传统A *㊁Dijkstra㊁RRT 算法相比,基于改进A *算法的路径更为平滑和高效㊂真实环境下实验表明,移动机器人能够实现自主导航,跟踪误差保持在0.22m 以内㊁定位误差不大于0.28m,能够满足实际需求㊂关键词:温室机器人;路径规划;改进A *算法;动态窗口法;算法融合中图分类号:TP242.6文献标识码:A文章编号:1000⁃1298(2021)01⁃0014⁃09OSID:收稿日期:20200313　修回日期:20200609基金项目:国家自然科学基金项目(31871527)作者简介:劳彩莲(1966 ),女,副教授,博士,主要从事农业信息化技术研究,E⁃mail:Laowan@Path Planning of Greenhouse Robot Based on Fusion of Improved A *Algorithm and Dynamic Window ApproachLAO Cailian 1,2　LI Peng 1　FENG Yu 1(1.Key Laboratory of Modern Precision Agriculture System Integration Research ,Ministry of Education ,China Agricultural University ,Beijing 100083,China2.Key Laboratory of Agricultural Information Acquisition Technology ,Ministry of Agriculture and Rural Affairs ,China Agricultural University ,Beijing 100083,China )Abstract :Path planning is the premise of greenhouse robot operation,and an optimal continuous barrier free path is planned with great significance.An algorithm based on the combination of improved A *algorithm and dynamic window approach was proposed to solve real⁃time path planning of mobile robot in greenhouse.The core was based on the search algorithm of traditional A *algorithm.Aiming at the problem of too many inflexion points,the key point selection strategy was improved.The dynamic window method was integrated to construct a global optimal path evaluation function.Local obstacle avoidance was achieved through ultrasonic sensors to achieve real⁃time optimal path planning.The simulation results showed that compared with the traditional A *,Dijkstra,RRT algorithms,the improved A *algorithm had a smoother path and higher efficiency,which was conducive to the motion control of the robot in the greenhouse,which showed the effectiveness of the algorithm.Considering the size of the robot,the grid map of the real environment was expanded to ensure the safety of the path.The experimental results showed that the fusion algorithm can satisfy the smoothness of path and effectively avoid obstacles.The mobile robot can achieve autonomous navigation,and the tracking error was kept within 0.22m,and the positioning error was no more than 0.28m,which met the actual needs.The research result had an important reference value for the application of greenhouse mobile robot navigation.Key words :greenhouse robot;path planning;improved A *algorithm;dynamic window approach;fusion algorithm0　引言随着我国农业的发展,温室技术变得高度智能化和高效化㊂在植株高度密集㊁高温和高湿度甚至有毒的温室环境下,不利于长时间进行人工作业,再加上劳动力不足和成本增加的影响,温室机器人应用越来越多[1]㊂利用移动机器人完成温室自主化作业符合精细化农业的需求,路径规划是移动机器人在温室作业自主导航的重要前提[2-4]㊂根据机器人的作业范围,可以将路径规划分为基于静态全局环境的全局路径规划和基于局部障碍的局部路径规划[5]㊂常见的全局路径规划算法包括以Dijkstra[6-7]㊁A*[8-9]为代表的搜索规划算法,以RRT[10]为代表的采样规划算法和以遗传算法[11]为代表的启发式规划算法㊂依据实时传感器数据的局部路径规划算法有人工势场法[12]和动态窗口法[13]㊂Dijkstra算法采用遍历搜索方式,规划节点数较多,节点网络非常庞大,算法效率低下[14]㊂在Dijkstra算法的基础上,A*算法引入目标点到当前点的估计代价,根据估计代价决定路径搜索方向,提高了算法效率[15]㊂A*算法在已知环境下能快速实现移动机器人无碰㊁最短全局路径规划,主要通过节点状态检测和简单的估值功能规划出一条最佳的安全道路㊂但是,该算法忽略了机器人的运动约束,不能保证曲率连续,导致运动参量在拐点处发生跳变㊂文献[16]动态计算出机器人的旋转方向及角度,简化了路径,但增加了运行时间,实时性不高㊂文献[17]使用跳点搜索减小了算法搜索面积,加快了速度,但是规划出来的路径拐点过多㊂文献[18]采用直线圆弧策略对路径进行平滑处理,消除了锯齿效应㊂文献[19]使用微分方法减少了拐点数,但数学计算过多,比较耗时㊂文献[20]优化了A*算法的启发函数,改进了关键点的选取策略,减少了冗余的路径点㊂文献[21]提出对邻域进行扩展,将8邻域扩展到24邻域,使机器人可以小角度行进,从而轨迹更加平滑㊂但这些改进方法没有考虑未知的障碍物,不具备动态避障能力㊂动态窗口法[13,22-23](Dynamic window approach, DWA)通过结合传感器的数据进行在线实时局部路径规划,具有良好的避障能力,适用于动态环境中的机器人路径规划,但并不能满足全局路径的最优㊂将局部路径规划的算法结合到全局路径规划之中,在实际作业过程中,既考虑到环境中的障碍物,又能保证路径规划的完备性㊁实时性,满足机器人的运动约束㊂本文提出基于改进A*算法与动态窗口法结合的温室机器人路径规划算法,利用选取策略对路径进行优化㊂通过结合动态窗口算法与超声波信息进行局部避障㊂在一维弦机器人操作系统上对改进A*算法与Dijkstra算法㊁A*算法㊁RRT算法进行仿真对比,验证改进A*算法的有效性㊂考虑机器人的实际尺寸,在真实环境下对栅格地图进行膨胀化处理,并结合超声波进行局部避障,完成真实环境下的机器人自主导航任务,并对算法的可行性进行验证㊂1　基于改进A*算法的路径规划1.1　传统A*算法A*算法采用启发式搜索与广度优先算法结合,是静态环境中用于求解最优路径最有效的直接搜索算法㊂A*算法通过一个代价函数F(n),选择搜索方向,从起点开始向周围扩展,通过启发函数H(n)计算得到周围每个节点的代价值,选择最小代价值作为下一个扩展点,重复这个过程,直到到达终点,生成从起点到终点的路径㊂在搜索过程中,由于路径上的每一个节点都是具有最小代价节点,得到的路径代价是最小的㊂A*算法的代价函数为F(n)=G(n)+H(n)(1)式中　G(n) 从起点到当前节点的实际路径代价F(n) 当前节点所在路径从起点到终点预估的路径代价总和A*算法在执行路径规划时主要用2个表实现节点的扩展和最优点的选择,即通过Openlist表和Closelist表来记录节点㊂其中Openlist表作用是保存搜索过程中遇到的扩展节点,同时将这些节点按代价进行排序,取出F(n)值最小的节点,作为当前节点;然后将当前节点的所有邻节点按邻节点规则加入到Openlist表中㊂1.2　A*算法优化策略传统A*算法根据载入的地图,按照8邻域搜索得到一系列的点,规划出的路径转折次数太多,包含了一部分冗余点㊂如果转折点过多,移动机器人每次只能移动很短的距离,会造成机器人卡顿现象㊂在实际的机器人移动过程中,单次指令下,机器人的运动距离越长,机器人移动流畅度越好,产生的误差也会越少㊂这些问题造成在机器人的运动中平滑性欠缺,因此本文在传统A*算法基础上进行关键点的路径优化策略㊂该策略能够在栅格地图上求解出更优的路径,移动机器人路径执行具有了更高效率㊂传统A*算法规划的路径如图1a所示,其中起始点为绿色方格,终点为红色方格,灰色方格为规划路径,从图中可以看出,路径转折点过多㊂本文先从A*算法规划出的轨迹获得一系列的点,然后选取当前节点运动方向相同的点,最终优化成一条线段㊂通过相邻节点的斜率对机器人51第1期 劳彩莲等:基于改进A*与DWA算法融合的温室机器人路径规划图1　传统A*算法与改进A*算法路径规划对比图Fig.1　Comparison between traditional A*algorithmand improved A*algorithm in path planning　的运动方向进行判断㊂从路径规划的第2个节点开始,如果当前节点与前一个节点的运动方向一致,则认为前一个节点为冗余的,删除前一个节点,依次遍历所有路径的节点,删除所有的冗余点㊂机器人只需执行包含起点㊁拐点的一系列路径点,减少向机器人下达运动命令的次数,保证了机器人执行路径平滑性㊂经过关键点选取策略处理后的路径如图1b所示,其中点A到点B有18格子,机器人的运动方向都是朝下,将A与B之间的点优化成2个点,即点A 和点B,删除AB之间的冗余点,更新路径,使得机器人运动较为流畅㊂使用相同的优化策略,形成BC㊁CD㊁DE段路径,最终将路径优化成没有冗余点的最优路径㊂经过改进A*算法的路径平滑后,图1a中的多余转折点被消除,得到如图1b所示的路径㊂2　动态窗口算法在结构化温室环境中,作物按照一定的规则进行放置,其相对位置已知,但存在一些易变因素,很难获得完整的环境信息㊂为避免损害植物㊁保证机器人安全性,本文在全局路径规划的基础上,采用动态窗口法进行局部路径规划㊂动态窗口法根据机器人超声传感器检测到局部环境问题,进行实时的路径规划,具有良好避障能力㊂载入全局地图后,通过改进A*算法进行全局路径规划,下达给机器人运动命令开始运动㊂由于机器人本身的运动学约束和环境因素影响,造成机器人在运动过程中产生误差㊂动态窗口法主要是在速度空间内采样线速度和角速度,并根据机器人的运动学计算预测其下一时间间隔的轨迹㊂对其获得的待评价轨迹进行评分,从而获得更加安全㊁平滑的最优局部路径㊂2.1　机器人运动模型动态窗口法将移动机器人的位置控制转换为速度控制[24]㊂在利用速度模式对机器人运动轨迹进行预测时,首先需要对机器人的运动模型进行分析㊂移动机器人采用的是两轮差速模型,v(t)和w(t)分别代表机器人在世界坐标系下的平移速度与角速度,反映了机器人的运动轨迹㊂在机器人的编码器采样周期Δt内,位移较小,机器人作匀速直线运动,则机器人运动模型为x(t)=x(t-1)+v(t)Δt cos(θ(t-1))y(t)=y(t-1)+v(t)Δt sin(θ(t-1))θ(t)=θ(t-1)+w(t)Δìîíïïït(2)式中　x(t)㊁y(t)㊁θ(t) t时刻机器人在世界坐标下的位姿2.2　速度采样动态窗口法将避障问题描述为速度空间中带约束的优化问题,其中约束主要包括差速机器人的非完整约束㊁环境障碍物的约束以及机器人结构的动力学约束㊂DWA算法的速度矢量空间示意图如图2所示,横坐标为机器人角速度w,纵坐标为机器人线速度v,其中v max㊁v min为机器人最大㊁最小线速度,w max㊁w min为机器人最大㊁最小角速度;整个区域为V s,所有白色区域V a为机器人安全区域,V d为考虑电机扭矩在控制周期内限制的机器人可达速度范围,V r为上述3个集合的交集最终确定的动态窗口㊂图2　速度矢量空间示意图Fig.2　Speed vector space schematic根据机器人的速度限制,定义V s为机器人线速度与角速度的集合,即动态窗口算法搜索求解的最大范围,满足V s={(v,w)|v min≤v≤v max,w min≤w≤w max}(3)整个机器人的运动轨迹,可以细分为若干个直线或圆弧运动,为保证机器人安全区域,在最大减速度条件下,当前速度应能在撞击障碍物之前减速为0,则定义机器人碰撞可行区域的线速度与角速度集合V a满足V a={(v,w)|v≤2dist(v,w)v㊃b,w≤2dist(v,w)w㊃b}(4)式中　v㊃b 机器人最大线减速度w㊃b 机器人最大角减速度dist(v,w) 轨迹上与障碍物最近的距离由于机器人电机转矩的限制,采样周期Δt内存61农　业　机　械　学　报 2021年在机器人最大㊁最小可到达的速度v 和角速度w 范围,需要进一步缩小动态窗口㊂在给定当前线速度v c 和角速度w c 条件下,下一时刻动态窗口V d 满足V d ={(v ,w )|v c -v ㊃b Δt ≤v ≤vc +v ㊃Δt ,w c -w ㊃b Δt ≤w ≤wc +w ㊃a Δt }(5)式中　v ㊃a 机器人最大线加速度w ㊃a 机器人最大角加速度最终的速度范围为上述3个速度的合集,定义动态窗口V r 满足V r =V s ∩V a ∩V d(6)在速度矢量空间V r 中,根据线速度㊁角速度采样点数,将连续的速度矢量空间V r 离散化,得到离散的采样点(v ,w )㊂对于每一个采样点,根据机器人运动学模型预测下一时刻机器人的多个运动轨迹生成,如图3所示㊂图3　机器人多个轨迹生成图Fig.3　Robot multiple trajectory generation map2.3　评价函数通过设计评价函数,在速度空间内有选取最优轨迹㊂在局部规划中,保证最优轨迹靠近A *算法的全局路径,完成避障任务,朝向目标快速运动㊂定义评价函数为G (v ,w )=k (αHeading(v ,w )+βGoal(v ,w )+γPath(v ,w )+σOcc(v ,w ))(7)式中　k 平滑函数α㊁β㊁γ㊁σ 各子函数的加权系数Path(v ,w ) 路径评价子函数,计算轨迹末端点到全局路径的距离,距离越短说明轨迹越靠近全局路径Heading(v ,w )方位角不断地朝向终点位置函数Goal(v ,w ) 评价机器人局部路径末端点到终点的距离函数,其目的是不断缩短与终点的距离Occ(v ,w ) 评价机器人轨迹到障碍物距离函数当G (v ,w )值最小时,获得最佳路径㊂本文中通过改进A *算法路径规划获得全局路径,如图4中黑色实线所示,虚线为局部规划路径,之间的距离计算公式为Path(v ,w )=min(x 1-x 2)2+(y 1-y 2)2(8)式中　(x 1,y 1) 机器人根据运动学模型估计的局部路径末端点坐标(x 2,y 2) 全局路径规划的节点坐标图4　全局路径评价函数示意图Fig.4　Schematic of global path evaluation function在移动过程中,Head(v ,w )函数用于使机器人的朝向不断趋向终点方向,θ越小,说明与终点的方位角越小,其示意图如图5所示,计算公式为Head(v ,w )=180°-θ(9)图5　方位角评价函数示意图Fig.5　Schematic of azimuth evaluationfunctionGoal(v ,w )函数用于评价机器人局部路径末端与终点的距离,通过函数不断缩短与终点的距离,其示意图如图6所示㊂图6　局部路径评价函数示意图Fig.6　Schematic of local path evaluation functionOcc(v ,w )函数用于评价机器人轨迹到障碍物的距离,体现了机器人的避障能力,如果机器人的轨迹到障碍物的距离大于机器人半径,则没有发生碰撞的危险;反之,就说明碰撞风险大,舍弃这条轨迹㊂其示意图如图7所示,R 为机器人底盘半径,H 为机器人轨迹到障碍物的距离㊂3　融合算法移动机器人超声波检测温室局部环境信息,结合动态窗口法进行在线实时局部路径规划,检测窗口滚动前进,具有避障能力,获取局部的最优路径㊂71第1期 劳彩莲等:基于改进A *与DWA 算法融合的温室机器人路径规划图7　障碍物评价函数示意图Fig.7　Schematic of obstacle evaluation function　通过全局路径规划与局部路径规划结合,将改进A*算法进行全局路径规划与动态窗口算法融合,以保证动态规划路径的全局最优性㊂在已知地图上进行全局路径规划,根据当前速度㊁角速度㊁线速度计算并发布轨迹,通过评价标准下发各个轨迹,抛弃不合理的轨迹和遇到障碍的轨迹,运用4个评价函数对某一路径进行评价,将各个评价函数累加,将成本最低的轨迹设定为最佳轨迹㊂如果当前最佳轨迹是可通过的,依照速度模式根据最佳轨迹的速度移动;如果遇到障碍,根据相关规则进行避障,融合算法流程如图8所示㊂4　仿真实验与分析4.1　改进A*算法仿真Moro机器人是中国一维弦公司研发的移动机器人,其配套EwayOS机器人操作系统包含了SDK 接口㊁运动算法等模块,能够对Moro机器人路径规划算法进行离线仿真,验证其算法的有效性㊂本文　图8　融合算法流程图Fig.8　Flow chart of fusion algorithm构建5个尺寸一致的栅格地图场景1~5,其水平方向上32个方格,竖直方向上29个方格,分辨率为10cm×10cm,其中黑色方块代表环境中的障碍物信息,白色区域为可行区域㊂本文将改进A*算法与传统A*㊁Dijkstra㊁RRT算法进行对比仿真实验,设定相同的起点坐标为(0,0),终点坐标为(31,28),其仿真实验结果如图9~13所示㊂图9　场景1算法仿真结果Fig.9　Algorithm simulation results of scenario1图10　场景2算法仿真结果Fig.10　Algorithm simulation results of scenario2 5个栅格地图场景障碍物的覆盖率逐渐增大,复杂程度也逐渐增大,其中包含了规则和不规则障碍物,具有一定代表性㊂针对每个栅格地图场景,本文使用4种路径规划算法运行10次,初始设81农　业　机　械　学　报 2021年图11　场景3算法仿真结果Fig.11　Algorithm simulation results of scenario3　图12　场景4算法仿真结果Fig.12　Algorithm simulation results of scenario4　图13　场景5算法仿真结果Fig.13　Algorithm simulation results of scenario5置参数一致,得到10组路径规划算法的路径长度㊁计算时间以及拐点数,取其平均值,结果如表1所示㊂ 从表1来看,在5个不同栅格地图场景中,4种路径规划算法都能最终规划出路径,但其路径长度㊁计算时间㊁拐点数存在一定差异㊂RRT算法的计算时间最短,但RRT算法是由随机树节点组成,导致生成的路线转折点过多,并非理想的平滑曲线,这对于机器人运动来说不利㊂当机器人运动是从一个节点走到另一个节点,首先需要在原地完成转向后,转向下一个节点再继续行走,拐点过多或路径过长,会造成机器人时间和能量的消耗㊂而改进A*算法㊁传统A*算法㊁Dijkstra算法获得的全局路径较优㊂Dijkstra算法是一种遍历算法,相对于改进A*算法更加耗时,尤其面对不规则障碍时,改进A*算法规划的路径是最优的㊂改进A*算法相对于传统A*算法在计算时间㊁路径长度和拐点数都有较大的改善㊂从实验数据可以看出,改进A*算法有较好的实时性,路径更短,路径平滑性更好,便于机器人执行路径轨迹达到目标点㊂表1　不同路径规划算法的路径长度㊁计算时间与拐点数对比Tab.1　Comparison of length,calculation time and number of inflection points of different path planning algorithms场景路径规划算法路径长度/cm计算时间/s拐点数/个Dijstrak算法4640.0536728场景1传统A*算法4640.0503495改进A*算法4400.0459534RRT算法5780.00568115Dijstrak算法5420.05160614场景2传统A*算法5760.0493269改进A*算法4820.0401917RRT算法5460.00615630Dijstrak算法5600.04731516场景3传统A*算法5140.04512614改进A*算法5060.0337354RRT算法5180.00423616Dijstrak算法5820.0454758场景4传统A*算法4600.0408179改进A*算法4440.0382535RRT算法6160.00596528Dijstrak算法4820.03526312场景5传统A*算法4800.03442511改进A*算法4500.0252618RRT算法5040.0080863091第1期 劳彩莲等:基于改进A*与DWA算法融合的温室机器人路径规划4.2　环境模型处理在算法仿真实验中机器人理想化成一点,忽略了机器人本体尺寸,在真实环境中还要考虑机器人尺寸,避免机器人边缘和障碍物发生碰撞,执行路径失败㊂用栅格图构建机器人的工作环境,移动机器人在栅格间运动时,将固定障碍和机器人运动过程中超声波检测到的障碍设置为不可行区域㊂在此基础上对地图的障碍物进行膨胀化处理,保证机器人与障碍物间的安全区域,提高路径的可行性㊂如图14所示,膨胀后的路径,设有安全区域,更利于移动机器人安全执行规划后的路径㊂图14　障碍物膨胀后的路径规划Fig.14　Path planning after obstacles swell在已知温室环境地图基础上,移动机器人通过超声波获取未知的动态障碍信息㊂本文使用的Moro 机器人底盘前方的4个超声波雷达,检测范围为0~250cm㊂移动机器人在地图中的位置已知,超声波雷达将检测到与动态障碍物的距离转换到世界坐标系下,增加局部障碍物,将其加入全局地图,机器人再根据融合算法进行局部路径规划㊂在实际环境中,如图15a 所示,Moro 机器人遇到动态障碍物,超声检测到障碍物如图15b 所示,白色表示障碍,检测到障碍物与机器人坐标原点的距离为80cm,实际测量值为82cm,测量结果误差较小,可以满足实际的精度要求㊂如图16a 所示,机器人对局部障碍进行膨胀处理,生成局部地图,重新规划路径,避开障碍物;图16b 中障碍物厚度增加,绿色的线即为重新规划出的路径㊂通过构建如图17a 所示环境,验证机器人运动的定位精度,起点为绿色,终点为红色㊂EwayOS 机器人操作系统实时记录融合算法的路径,即图17a 中的灰色曲线与实际运动轨迹和图17a 中的黄色曲线㊂Moro 机器人按照规划路径成功抵达终点,路线图15　超声检测障碍物Fig.15　Ultrasonic detection of obstacles图16　局部超声避障Fig.16　Local ultrasound obstacle avoidance图17　实际运行轨迹对比及机器人跟踪误差曲线Fig.17　Comparison of actual running trajectory androbot tracking error curve中存在不重合的地方,分析实时的跟踪数据,如图17b 所示,机器人实际跟踪误差始终小于0.22m,基本满足实际需求㊂5　真实环境下的实时路径规划本文的融合算法适用于小范围结构化环境,其环境具有一定的特殊性,选择的3个与实验相似的结构化环境1~3,对算法可行性进行验证㊂利用Moro 机器人分别在楼层走廊㊁模拟温室环境和真实的温室环境进行实验㊂3个实验环境地面光滑程度相似,其栅格地图中黑色为机器人可以到达的无障碍空间,白色为障碍物信息,融合算法的实验步骤描述为:①加载环境栅格地图,设定机器人作业起点与目标点㊂②改进A *算法全局路径规划㊂通过机器人定位方法,获取机器人实时位置信息,然后通过改进A *算法规划机器人当前位置至目标点的全局路径㊂③障碍物信息处理㊂机器人运动过程中通过超声波雷达实时检测环境障碍信息,并将传感器信息转换为机器人地图上的障碍信息,得到膨胀后的地图㊂④动态窗口法局部路径规划㊂根据机器人的当02农　业　机　械　学　报 2021年前位置信息,结合实时超声波信息,在全局路径的基础上进行动态窗口法局部路径规划,获得机器人最优运动轨迹,机器人按照最优轨迹对应的线速度与角速度执行运动㊂⑤根据机器人当前位置到目标点的距离判断是否到达㊂如果未到达终点,则返回步骤③继续运动;如果到达了目标点,机器人导航任务结束㊂机器人的实验参数设置如下:最大线速度为0.6m /s,最大角速度为0.3rad /s,线速度采样个数为10,角速度采样个数为20,采样周期为0.2s,子函数的加权系数α=0.1㊁β=10.0㊁γ=0.1㊁σ=0.2㊂环境1为中国农业大学信息与电气工程学院楼层走廊,地面为光滑地板㊂图18a 所示走廊实际长为10.5m,宽为6.5m,图18b 所示栅格地图分辨率为10cm ×10cm,起点为(1.0m,1.0m),终点设为(9.1m,4.2m),实际机器人路线如图18b 中红线所示,终点为(9.3m,4.0m),误差为0.22m㊂图18　大楼走廊环境及路径轨迹图Fig.18　Building corridor environment and pathtrajectory map环境2为模拟温室盆栽环境,如图19a 所示,设置2排10个盆栽花盆,地面为光滑地板㊂场景实际长为6m,宽为4m,图19b 所示栅格地图分辨率为10cm ×10cm,起点为(0.5m,0.5m),终点设为(5.5m,3.5m),实际机器人路线如图19b 中红线所示,终点为(5.5m,3.4m),误差为0.1m㊂图19　模拟温室环境及路径轨迹图Fig.19　Simulation of greenhouse environmentand path trajectory map环境3为实际温室环境,如图20a 所示,为复合薄膜型结构化温室,地面为光滑的地板,有4排植物 生长金属框架㊂场景的实际长为8m,宽为6m,图20b 所示栅格地图分辨率为10cm ×10cm,起点为(0.5m,0.5m),终点设为(7.0m,2.5m),实际机器人路线如图20b 中红线所示,终点为(7.1m,2.3m),误差为0.28m㊂图20　温室环境及路径轨迹图Fig.20　Greenhouse environment and path trajectory map从实验结果来看,本文的融合算法能够实现避障,绕过障碍物前进到目标点,且规划的路径能够保持全局最优,机器人基本按照规划路径抵达目标㊂随着场景面积变大和复杂程度增高,机器人到达的实际目标点与设定的目标点之间的误差逐渐增大,主要是由于机器人转弯时与地面打滑以及超声波出现噪声点造成的,其误差不大于0.28m,满足实际需求㊂6摇结论(1)根据环境信息已知的结构化温室环境进行机器人路径规划,从路径的平滑性㊁实时性和局部避障出发,提出一种基于改进A *算法与动态窗口法相结合的融合算法,在全局最优路径的基础上,进行实时避障,保证了路径的平滑性和实时性㊂(2)仿真结果表明,相较于传统A *算法㊁Dijkstra 算法和RRT 算法,改进A *算法在兼顾实时性基础上采取的关键点策略,使路径更为平滑,符合实际机器人运动需求㊂(3)通过对环境模型处理,保证机器人运动的安全性㊂首先,对栅格地图的障碍进行膨胀化处理,结合超声波传感器对动态障碍进行检测,并将膨胀化处理添加到全局地图中㊂在仿真环境中对融合算法的有效性进行了验证,结果表明,其跟踪误差保持在0.22m 以内㊂(4)在3个相似的结构化环境下进行了Moro机器人实验,结果表明,测量定位误差不大于0.28m,能够满足实际需求㊂验证了融合算法在温室机器人路径规划中的可行性㊂参考文献[1]　MOHD S,MOHAMAD S,ZAHARUDDIN M,et al.Multi⁃objective path planner for an agricultural mobile robot in a virtualgreenhouse environment[J].Computers and Electronics in Agriculture,2019,157:488-499.[2]　李秀智,彭小彬,方会敏,等.基于RANSAC 算法的植保机器人导航路径检测[J/OL].农业机械学报,2020,51(9):40-46.LI Xiuzhi,PENG Xiaobin,FANG Huimin,et al.Navigation path detection of plant protection robot based on RANSAC algorithm12第1期 劳彩莲等:基于改进A *与DWA 算法融合的温室机器人路径规划。

基于云计算之温室移动机器人的路径规划王伟;褚凌慧;李超艺;李昕达【摘要】以高新技术解决温室作业问题，将一种基于云计算的温室移动机器人路径规划应用于农间巡视任务，而行走路径的选择则选用改进蚁群算法来进行完成。

首先，该云端运算利用网络使电脑与移动机器人彼此合作，由伺服器端收集温室环境相关数据信息；再通过云中的存储与计算资源，结合优化后的蚁群算法计算出机器人的行走路径；最终发送至移动机器人完成温室环境的路径规划。

实验结果表明，通过利用云计算后台资源使该算法在信息素更新路径变更的情况下能够找到最短的路径数据，同时对路径的各项性能都有所提高，其中包括折弯次数、跳数、路径长度等。

从而满足了移动机器人在温室环境下完成可避障的最优路径选择任务。

%In order to adopt a high technology to solve the problem of greenhouse operations,cloud computing based path planning for the greenhouse mobile robot is used to implement the path selection for the patrol task in the field by means of the improved ant colony algorithm. Cloud computing is used to realize cooperation between computer and the mobile robot by means of network. A server is employed to collect the related data of the greenhouse environment. In combination with the optimized ant colony algorithm,the walking path of the robot is calculated by means of the cloud storage and computing resources,and trans⁃mitted to the mobile robot to complete the path planning of greenhouse environment. The experimental results show that the algo⁃rithm can find the shortest path by taking advantage of the clould background resources under the condition of the path change due to pheromone update,themobile robot can complete the optimal path selection and avoid obstacles in the greenhouse,and the various performance of the path are improved,including the bending times,hop times and path length.【期刊名称】《现代电子技术》【年(卷),期】2017(040)004【总页数】4页(P53-56)【关键词】云端运算;移动机器人;蚁群算法;路径规划【作者】王伟;褚凌慧;李超艺;李昕达【作者单位】东北林业大学，黑龙江哈尔滨 150040;东北林业大学，黑龙江哈尔滨 150040;东北林业大学，黑龙江哈尔滨 150040;东北林业大学，黑龙江哈尔滨150040【正文语种】中文【中图分类】TN911-34;TP39随着科学技术的日新月异和市场竞争环境的加剧，机器人的应用范围也从军事及医疗逐步向农产业进军，并在其领域内分担着许多工作[1]。

《用于温室巡检机器人的多传感器融合SLAM算法研究》篇一一、引言随着科技的不断发展，机器人技术已经广泛应用于各个领域，其中温室巡检机器人因其高效率、低成本、低误差等优点受到了广泛关注。

为了实现温室巡检机器人的自主导航和精确定位，同时提高其作业效率和准确性，多传感器融合SLAM（Simultaneous Localization and Mapping）算法成为了研究的热点。

本文旨在研究用于温室巡检机器人的多传感器融合SLAM算法，以提高机器人的定位精度和作业效率。

二、多传感器融合SLAM算法概述SLAM是一种机器人技术，通过传感器数据实现机器人的实时定位和地图构建。

多传感器融合SLAM算法则是将多种传感器（如激光雷达、摄像头、超声波等）的数据进行融合，以提高机器人的定位精度和地图构建的准确性。

在温室巡检机器人中，多传感器融合SLAM算法可以有效地解决温室环境复杂、光照变化大、障碍物多样等问题，提高机器人的自主导航和定位能力。

三、温室环境特点与挑战温室环境具有复杂多变的特点，如光照变化大、障碍物多样、环境湿度高等。

这些特点给机器人的定位和导航带来了很大的挑战。

首先，光照变化会影响摄像头的成像效果，导致图像识别和定位的准确性下降；其次，障碍物的多样性和复杂性会使得机器人在行走过程中遇到各种障碍物而无法准确判断；最后，环境湿度高会使得机器人的传感器容易受潮，影响其性能和使用寿命。

因此，针对这些挑战，需要研究有效的多传感器融合SLAM算法来提高机器人的定位精度和作业效率。

四、多传感器融合SLAM算法在温室巡检机器人中的应用在温室巡检机器人中，多传感器融合SLAM算法可以有效地解决上述挑战。

首先，激光雷达和摄像头等传感器可以实时获取周围环境的信息，包括物体的形状、位置、距离等；其次，通过融合不同传感器的数据，可以得到更准确的地图和更精确的定位结果；最后，利用这些信息可以实现机器人的自主导航和作业。

五、研究方法与技术实现本研究采用多种传感器（如激光雷达、摄像头、超声波等）进行数据采集，通过算法进行数据融合和处理。