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。     

基于特征融合的果园非结构化道路识别方法

针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题，提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正，并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取，采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点，并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘，引入分段三次样条插值法拟合道路边缘，以此实现道路识别。试验结果表明，在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下，S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素，平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言，使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素，平均偏差率均值分别为1.02%、1....     

基于两级分割与区域标记梯度Hough圆变换的苹果识别

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果，该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先，使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正，增强图像的细节信息。结合果实颜色特征，提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后，采用改进后的Otsu算法进行初次分割，得到苹果目标的二值图像，该算法通过引入形态学开-闭重建滤波去除大量背景噪声，通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割，分离粘连果实区域，提取目标苹果的外部轮廓。最后，在轮廓外设置最小外接矩形标记有效区域，在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试，并与传统梯度Hough圆变换方法进行对比，本文方法在顺、逆光下的识别准确率为90.75和89.79%，比传统方法提高了15.03和16.41%，平均识别时间为0.665和0.693 s，比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域，而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求，可为苹果等类球形果实的快速识别提供参考。     

磁场对异丙甲草胺除草剂溶液表面张力与雾滴粒径的影响规律

【目的】研究磁化作用对除草剂溶液表面张力及除草剂喷雾雾滴粒径的影响规律，探索新型除草剂喷雾雾滴粒径控制方法。【方法】设计磁化除草剂溶液表面张力试验和磁化喷雾雾滴粒径试验，记录不同磁场强度和磁化时长2个影响因素下除草剂溶液表面张力和喷雾雾滴粒径，观测数据变化规律；并对数据进行拟合，给出符合数据变化的函数关系式。【结果】在磁场强度为50～500 mT、磁化时长为5.0～25.0 min范围内，溶液表面张力和喷雾雾滴粒径均随磁场强度和磁化时长的增加呈现先下降后回升的趋势；当磁场强度为350 mT、磁化时长为15.0 min时，表面张力和雾滴粒径下降幅度最大，表面张力为54.0 m N/m，下降14.96%，喷雾雾滴粒径为108.75μm，下降11.20%。对表面张力数据进行拟合，洛伦兹拟合函数的决定系数(R²)为0.816 4，调整后R²为0.794 0，均方根误差(Root mean square error,RMSE)为1.105 9；雾滴粒径数据拟合中，多项式拟合函数的R²为0.833 6，调整后R²     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园，针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题，通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像，选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图，构建DSM、NDGI、RVI融合图像后，综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元，降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元，并计算混淆矩阵评价各识别精度。试验表明，MLC法对融合图像中果树的识别效果最优，其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824；相对于普通正射影像，本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中，融合图像对RF法的用户精度提升幅度最大，为27.12个百分点；对SVM法的制图精度提升幅度最大，为9.03个百分点；对3种方法的总体分类精度提升幅度最低为13个百分点；对SVM法的Kappa系数提升幅度最大，为22.55%，且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后，以感兴趣区域划分法提取各果树行特征点，并以最小二乘法拟合各行特征点得到导航线，其平均角度偏差为0.5975°，10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。     

基于双重稳健回归的果树行间可行驶区域识别算法

【目的】提出一种复杂环境下以天空为背景的果树行间可行驶区域识别算法，以便农业机器人导航系统中工作路径的提取。【方法】通过蓝色分量(B分量)进行树冠和背景天空的分离，改进Otsu算法实现更好的分割效果，形态学处理后根据树顶分布规律，进行动态阈值“V形”感兴趣区域寻找及特征点提取，使用泰尔-森稳健回归剔除干扰点后，使用随机采样一致性(Random sample consensus,RANSAC)算法进行拟合，得到树顶处直线，通过斜率变换关系得到可行驶区域边缘直线斜率，利用剔除后特征点信息和剔除阈值获得关键点坐标，以斜率为约束条件，代入关键点，得到可行驶区域边缘直线方程，并使用最小二乘法进行拟合，以此实现可行驶区域识别。【结果】试验结果表明，本文双重稳健回归算法较泰尔-森算法和RANSAC算法平均偏差角度分别减小了8.28%和9.88%，标准差分别减少了6.25%和22.89%，准确率分别提高了4.64%和10.49%。【结论】研究结果可为农业机器人在大多数标准化果园复杂环境中的可行驶区域识别和路径提取提供研究思路。