基于记忆模拟退火和A*算法的农业机器人 遍历路径规划

【目的】解决农业机器人大田作业时遍历路径规划的问题。【方法】提出一种记忆模拟退火与A*算法相结合的遍历算法。首先通过记忆模拟退火算法搜索出任务最优目标点行走顺序,然后使用A*算法进行跨区域衔接路径规划。【结果】仿真试验结果表明,该算法规划的遍历路径曼哈顿距离比传统模拟退火算法减少了9.4%,遍历路径覆盖率能达到100%,重复率控制为4.2%。【结论】记忆模拟退火通过为传统模拟退火算法增加记忆器,增强了跳出局部最优陷阱的能力,提高了算法所得解的质量。该研究结果可为农业机器人遍历路径规划提供理论基础。     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息，提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先，利用最大类间方差法自动分割2G-R-B灰度图像，得到二值化图像，结合形态学处理、位置/面积去噪方法提高二值化图像质量，对去噪图像按列累加得到列像素累加曲线；针对传统方法得到的特征点中伪特征点较多的问题，引入高斯滤波器平滑累加曲线，并运用极值法减少玉米根茎伪特征点的干扰，在提取玉米茎秆边缘直线时，提出基于最远茎秆成像宽度的双侧边缘判别思路，通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线；最后，根据边缘直线二次定位玉米的根茎区域范围，并剔除伪特征点，采用最小二乘线性拟合方法准确提取导航线。试验表明，本文算法处理一幅1280像素×720像素图像耗时约236ms，特征点拟合准确率为92%。与传统方法相比，本文算法精度高、实时性好，在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

基于自适应升温模拟退火算法的农业机器人全区域覆盖策略

目的 提出一种复杂农田环境下农业机器人全区域覆盖策略,以便合理规划农业机器人的工作遍历路径。方法 根据农田实际生产环境定义农业机器人复杂工作环境模型,并在此基础上建立一级分区与二级分区的概念。引入遗传算法变异操作的思想,建立基于贪婪机制的模拟退火算法优质可行解生成方法;建立解集多样性的概念,设计基于自适应升温的模拟退火算法改进方法,以此求解分区间的最佳遍历顺序问题。通过A*算法与八邻域搜索法相结合进行农业机器人跨区域衔接路径规划,依此,实现机器人覆盖全区域。结果 仿真结果表明,改进的模拟退火算法所规划的路径长度分别比传统遗传算法和模拟退火算法减少了14.7%和10.1%,收敛时的迭代次数分别减少9.8%和59.1%;农业机器人全区域覆盖仿真试验中遍历路径重复率为14.86%。高地隙喷药机器人现场遍历试验中,路径重复率为15.83%。结论 研究结果可为农业机器人在复杂农田环境中全遍历覆盖提供研究思路。     

3-RPS并联机器人粘性摩擦工况动力学建模

以转动副轴线平行布置的3-RPS并联机器人为研究对象,提出一种基于拉格朗日算子修正的动力学建模方法。首先,采用矢量法建立系统运动学模型,基于拉格朗日方程法建立系统理想动力学模型。然后,将关节摩擦视为系统非保守力,基于"库伦+粘性"摩擦模型对关节摩擦所做的功精确量化处理。最后以摩擦所做负功的形式对拉格朗日算子进行修正,建立考虑全部关节摩擦的系统动力学模型。同时对所建立的考虑关节摩擦和忽略关节摩擦的动力学模型进行了仿真对比,结果表明,在一个仿真周期内,移动副1、2、3驱动力的相对误差分别为18.1%、12.6%、16.5%,试验结果为机器人控制系统的摩擦补偿提供了理论依据。     

阿克曼转向农业机器人的多级模糊控制避障

针对大田作业农业机器人避障问题,引入多级模糊控制策略,通过三角信息融合法处理超声波阵列信息,并采用齐次坐标变换获取全局坐标系下的障碍物信息,将其分别作为主、子模糊控制器的输入。主模糊控制器实时调整子模糊控制器的量化因子和比例因子,子模糊控制器通过模糊推理获得农业机器人的几何中心速度和等效前轮转向角,并依据阿克曼转向原理协调分配四轮驱动速度和转向角度。仿真实验表明:该控制方法能够使农业机器人规划的从起始状态到目标状态的无碰撞路径更加平滑,同时使农业机器人避障所需步数减少13%左右。     

基于动态刺激响应模型的异质农业Agent群任务分配策略

针对农业Agent群协同控制困难、工作效率低的问题，研究了基于改进刺激响应模型的异质农业Agent群任务分配策略。建立基于熟人网与云边协同计算系统的分层混合式Agent群体系架构；将蚁群算法的刺激响应模型应用于传统合同网算法中，通过建立自适应招标策略来限制投标Agent数量、减少系统的通信负担；在考虑农业Agent异质性的基础上建立任务分配的效能模型，通过构建时变系数与时间矩阵，建立基于直接信任度、基于推荐信任度的动态信任度函数与响应阈值设计方法，以优化农业Agent团队的整体效能；利用增量式PID算法与积分分离阈值建立刺激量动态更新函数，减少了Agent团队工作量的超调量、通信量与偏差收敛时的迭代次数。仿真结果表明，在Agent团队规模分别为40个与100个时，改进的合同网算法相比传统合同网算法的整体效能分别提高了41.1%与83.1%；在Agent团队规模为40个时，额外设置3组刺激量更新函数，基于PID算法的刺激量动态更新函数的工作量超调量相比第2组函数、第3组函数分别降低了24.5%、9.5%，在迭代次数方面，相比第1组函数、第3组函数分别降低了84.3%、84.8%；在Agent团队规模分别为20、40、100个时，改进的合同网算法的通信量相比传统合同网算法减少了49.1%、63.7%、72.4%。验证实验表明，由改进的合同网算法进行任务分配的通信量与工作量超调量较传统合同网算法分别减少了70.0%与20.2%，整体效能比传统合同网算法增加了14.1%，且改进的任务分配算法能保证参加工作的Agent群在规定的时限要求内完成对工作区域的100%覆盖。     

基于改进纯追踪模型的农机路径跟踪算法研究

为提高农机作业时直线行驶的精度,提出了一种基于改进纯追踪模型的农机路径跟踪算法。在建立了运动学模型和纯追踪模型的基础上,对农机直线跟踪方法进行研究;针对GPS导航精度易受噪声干扰的问题,通过卡尔曼滤波对航向误差以及横向误差进行了平滑处理,以获取更高精度的航向误差和横向误差;为提高纯追踪模型的自适应能力,以横向误差和航向误差的均方根误差为基础,构建适应度函数,并设计了权重函数,采用横向误差作为主要决策参数,通过粒子群优化(Particle swarm optimization,PSO)算法实时确定纯追踪模型中的前视距离;为使粒子群减少计算时间、尽快进行局部搜索,对PSO算法中惯性权重系数进行了改进。以东方红1104-C型拖拉机为试验平台,设计了农机自动导航控制系统,进行了农田播种试验。结果表明:当农机行驶速度为0.7 m/s时,采用基于改进纯追踪模型的农机路径跟踪算法,直线跟踪的最大横向误差为0.09 m;当行驶距离超过5 m后,最大横向误差为0.02 m,该算法能够有效地提高农机作业时的直线行驶精度。     

基于离散因子的多传感器数据融合和导航线提取方法

目的 针对玉米田间路径边界模糊和形状不规则特点,普通的田间导航线提取算法在农业机器人实际应用中会出现偏差过大的问题,本文针对3~5叶期玉米田提出了基于离散因子的相机与三维激光雷达融合的导航线提取算法。方法 首先利用三维激光雷达获取玉米植株点云数据,同时将相机采集的图像利用超绿化算法和最大类间方差法自动获得绿色特征二值图像,然后将聚类分析后的点云数据投影到图像中的目标边框上,构建多传感器数据融合支持度模型进行特征识别,最后拟合所获取特征中心点即为导航基准线。结果 该算法能够很好地适应复杂环境,具有很强的抗干扰能力,单帧平均处理时间仅为95.62 ms,正确率高达95.33%。结论 该算法解决了传统算法寻找特征质心偏移、识别结果不可靠等问题,为机器人在玉米田间行走提供了可靠的、实时的导航路径。     

基于密度自适应的RANSAC非结构化环境下果园机器人导航

目的 提出一种基于多传感器融合的果园导航方案,解决果园机器人在GPS导航过程中受果树遮挡导致信号弱、定位效果差的问题。方法 通过16线激光雷达采集高精度的三维点云数据,利用Voxel grid filter滤波算法进行点云预处理,降低点云密度并去除离散点,将果树行通过欧几里类算法进行聚类,采用改进的随机采样一致性 (Random sample consensus, RANSAC) 算法拟合出果树行直线,根据平行直线的关系,推算得到导航线,并融合惯性测量单元(Inertial measurement unit, IMU)对果园机器人进行高精度定位。基于差速转向和纯追踪模型进行轨迹跟踪,实现果园机器人在果树行间自主导航以及自动换行的目标。结果 在将激光雷达和IMU的数据进行融合后,获取到果园机器人的准确位姿,当机器人以速度0.8 m/s在果园作业时,对比最小二乘法和传统RANSAC法产生的偏差,基于密度自适应RANSAC法产生的横向偏差不超过0.1 m、航向角偏差不超过1.5°,均为3种方法中的最小值。但当机器人速度增加到1.0 m/s时,各项偏差均明显增大。结论 本文提出的基于多传感器融合的果园机器人导航技术适用于大多数规范化果园,具有重要推广价值。