基于改进人工势场的苹果采摘机器人机械手避障方法

针对非结构化环境下的采摘机器人机械手实时避障问题,提出一种改进人工势场法的避障路径规划方法。根据自行研制的5自由度苹果采摘机器人机械手具体结构和障碍物特征,进行机械手运动学分析和障碍物建模;在保留传统人工势场法易于实现、结构简单等优点的基础上,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,从而实现机械手避开障碍物到达目标的灵活避障;将该方法应用于机械手末端位置、障碍物位置和目标位置已知条件下的采摘机器人机械手实时避障任务中,仿真和实验研究结果表明此方法简单,实时性好,能够有效地避开障碍物,成功到达目标位置,适合自然生长状态下苹果的自动采摘。     

番茄采摘机器人机械臂避障路径规划

以关节型机械臂避开垂直茎秆或撑杆采摘番茄为研究对象,提出了一种基于构形空间的关节型机械臂避障路径规划方法.利用空间映射原理,将关节型机械臂工作空间的三维避障问题转换为平面R-R机械臂避开障碍圆的问题,用临界碰撞关节角建立C-障碍空间的映射计算模型,将工作空间的位置避障转换为构形空间连杆关节角的计算.以能量最优函数优选避障规划的关节终点角度,利用A*算法计算平面R-R机械臂的避障关节角路径,获得一系列表示空间连杆位置的相交竖直面,并在竖直面内进行其余关节角的规划.避障采摘番茄的试验表明,机械臂带动夹持器能成功绕过直线状障碍物,引导夹持器到达果实目标位置,证明对平面R-R机械臂的空间映射建模是正确的,验证了提出的避障路径规划方法是可行的,可以应用于番茄的自动收获.     

采摘机器人动态路径规划系统研究——基于人工势场法

以采摘机器人为研究对象,首先建立了采摘机器人作业环境及障碍物模型,并利用人工势场法搭建了环境和障碍物运动势场;然后基于人工势场法设计了采摘机器人动态路径规划系统;最后利用Mat Lab进行了仿真实验。结果表明:该系统优化效果明显,具有很好的避障和路径规划能力。实验很好地验证了系统的有效性和实时性。     

基于MiroSot系统的苹果采摘机器人路径规划研究

针对农业机器人的一个重要类型—采摘机器人,开展了基于机器视觉的路径规划的理论分析和实际应用研究。为了解决苹果采摘机器人中路径规划难度大、最优解求解困难等问题,将MiroSot机器人路径规划系统应用于苹果采摘机器人中,结合采摘机器人作业环境特点和工作需求,采用图像处理技术,设计了具有环境感知、避障和决策能力的采摘机器人路径规划系统。MatLab实验仿真结果表明:系统可以实现无碰撞的最优路径规划,并能够根据环境变化实时进行局部路径规划,证明了系统的实时性、有效性和可行性。     

基于含避障角人工势场法的机器人路径规划

针对基于距离的人工势场法(Artificial potential field,APF)存在的局部极小值问题,提出了一种含避障角的人工势场法的避障路径规划方法。在平面环境中,采用斜率判定路径规划过程中的位置关系,通过机器人当前点到障碍物的距离与障碍物的影响半径二者之差得出人工势场法中的排斥力,并对排斥力的偏转角进行调整;另外,在空间环境中利用圆弧插补理论将机器人平面避障问题转换为空间避障问题;基于机器人构型配置对改进人工势场法进一步完善以满足实际避障要求。仿真和实验研究结果表明,含避障角的人工势场法,在单个或多个障碍物环境中进行避障路径规划时解决了局部极小值的问题,同时实现了6自由度机器人末端在避障时的轨迹曲线平滑无振荡,验证了所提出避障路径规划方法的可行性。     

基于PLC的采摘机器人作业路径避障系统设计

为提高果实采摘效率,基于PLC技术设计了采摘机器人的作业路径避障系统。系统主要由信息获取系统、工控机主程序及运动执行系统等部件组成,通过PLC技术对路径规划和果实的采摘、运输进行控制,并采用改进的蚁群算法对最优路径进行规划。对采摘机器人在温室环境下进行性能测试,结果表明:采摘机器人可以实现作业路径避障,并完成果实的采摘,工作性能稳定,能够满足农户对采摘机器人的使用和性能要求。     

农业机器人避障路径智能规划研究

随着农业科技的发展,机器人技术凭借其作业效率高、人力资源投入少、安全隐患小等优点,在农业生产方面的应用越来越广泛.但是,机器人在未知的农业生产环境中,缺乏自动寻径功能,自适应运动能力较弱,在躲避障碍物方面的研究更是少之又少.为此,通过研究农业机器人运动系统结构及自我定位原理,建立了农业机器人运动模型,完成了避障路径规划...     

基于嵌入式智能控制系统的采摘机器人定位导航方法

利用图像、红外、超声波等传感器模块,感知采摘机器人作业环境,以采摘机器人在园区自主避障和移动为目的,研究了采摘机器人路径规划和定位导航方法,并利用嵌入式控制系统,设计和开发了该采摘机器人定位导航方法。实验结果表明:系统可以实现采摘机器人的定位和导航功能,具有一定的可靠性。     

采摘机器人的路径规划系统动态性优化研究

为进一步改善采摘机器人的工作性能，提出以动态调控为主导的理念，针对整机的路径规划系统展开优化研究。以当前果园采摘机器人的通用性结构组成为前提，将云平台数据处理与路径规划核心算法有效融合后搭建动态控制模型，分别针对路径规划系统的硬件配置与软件控制进行合理设计，得到可应用于采摘实践且布局完整的路径规划系统。展开动态性优化下的采摘作业试验，结果表明：优化后采摘机器人路径规划系统的整体路径搜索率与路径平滑性得到明显提升，相对提升度分别为10.93%和9.71%,路径偏离率相对降低了50%左右，很好地优化了机器人的避障能力，满足系统稳定性需求，具有较高的实用价值。     

基于足球比赛运动的采摘机器人自主避障设计

随着科技水平的提高,农业生产向实现智能化发展,农业采摘机器人中的自主避障控制系统成为重点。在农业生产环境复杂且未知的条件下,采摘机器人的控制需要具有较高的智能化水平。为此,基于足球比赛运动的控制规则,设计了采摘机器人自主避障控制系统;阐述了基于足球比赛运动的移动机器人自主避障设计实现技术、控制技术及模糊逻辑控制方法,使机器人的移动通过模糊逻辑控制和基于优先度的避障策略来实现。仿真试验结果表明:该采摘机器人自主避障设计有效性和实时性较高,在农业生产的复杂环境中,可较好地自主避障并进行路径优化。     

基于模糊控制系统的采摘机器人避障系统研究分析

针对目前使用的采摘设备落后、工作量大、稳定性差等问题,为了提高采摘机器人的环境适应能力,对采摘机器人的避障控制系统进行了分析,拟采用模糊控制系统的方法,来加强采摘机器人避障系统的能力和效率,减少采摘机器人避开障碍物及规划出适当路径所用时间。模糊控制使用超声波检测前方障碍物距离,以控制转轮速度和方向作为输入量,速比作为输出量,控制移动的速度和方向。为使采摘机器人避障路径规划尽可能短,采用改进的遗传算法和模糊控制系统建立基本模型。对采摘机器人的避障性能进行仿真试验,结果表明:基于模糊控制的采摘机器人的避障系统可以成功地避开障碍物及规划出最短行走路径,且能够快速定位树上的果实和准确地完成采摘任务,具有效率高、易操作、采摘成功率高等特点。     

基于强化学习的采摘机器人采摘臂避碰设计

首先介绍了采摘机器人采摘臂避障问题和强化学习理论,并将强化学习方法应用到采摘臂避障问题中,构建了一平面3自由度的采摘机器人采摘臂的多Agent避碰系统。笔者研究目标是通过Agent感知采摘臂连杆与障碍物之间最小距离d和采摘臂姿态偏差角θ两方面信息,然后进行避障规划,在复杂未知环境中使其找到合适路径采摘目标。在NET平台上进行了基于强化学习的采摘臂避障系统平台的开发与仿真,对采摘臂避障系统的避障能力进行了测试分析。仿真实验表明:采摘臂避障避碰系统避障能力比较强,能够在复杂环境中采取避障措施,并准确达到指定位置。     

黄瓜收获机器人避碰轨迹规划

提出了一种基于机器视觉和关节空间的黄瓜收获机器人障碍避碰轨迹规划新方法,描述了算法的实现过程。该算法中,障碍分为球体、正方体和长方体3类;根据黄瓜果实图像信息,按照距离由近及远原则,规划成熟黄瓜的采摘顺序;根据障碍类型,进行障碍判断和归类,构造障碍保护圆和障碍保护点;采用过中间障碍点的三次多项式插值函数进行描述黄瓜收获机器人相应阶段关节空间的运动轨迹。     

基于DSP信号实时编码的采摘机器人避障控制研究

为了提高采摘机器人成功避障的性能,在采摘机器人机器视觉技术中引入了DSP实时编码技术,通过对成熟果蔬图像和视频的实时编码,获取果蔬位置和障碍物位置,达到成功避障的目的。根据机器人视频采集驱动的软件架构,对采集驱动进行了改造,在不增加前端外设的前提下实现了主动降帧,并根据DSP芯片的特点,对实时编码器进行了优化设计,大大提高了高分辨率图像实时编码的速率。最后,对机器人的距离位置测量和避障功能进行了测试,通过测试发现:在1.20~2.00m的距离范围内,测量的距离和实际距离的最大偏差不超过0.03m,6组避障测试中机器人成功避障的概率较高,其中最低也达到了97.28%,符合设计的要求。     

茄子收获机器人机械臂避障路径规划

提出了一种茄子收获机器人机械臂在笛卡尔空间的避障方法.将空间障碍物等效为可以用数学建模的圆柱扇环,将三维空间的路径规划简化为二维,提高了控制的实时性;将障碍从工作空间转换到C-空间中,使对机器人的控制直接作用于关节,避免了使用雅可比逆阵进行复杂的坐标转换.将C-空间映射到图像矩阵中,通过对图像进行适当的处理,规避了在使用A*算法寻优时可能出现的失败.实验结果表明,该避障路径规划方法计算量小,实时性好,适合自然生长状态下茄子的自动收获.     

基于深度学习的农用无人机自主避障研究

针对目前农用植保无人机(UAV)自主避障能力弱及避障系统繁琐等问题,提出了一种适用于植保无人机的基于深度学习的端到端自主避障方式。利用植保无人机挂载的双目相机实时采集图像,当检测到障碍物与植保无人机距离≤5m时,自主避障系统启动,将采集图像预处理后输入卷积神经网络,输出姿态角与油门量控制无人机自主飞行与避障,同时卷积神经网络通过手动飞行采集信息进行训练。实验结果表明:该方法能使植保无人机对农田常见障碍物房屋、树木、电线杆等做出自主避障,且模型具有一定的泛化能力,适当训练后,可将此避障方式应用于复杂环境下的植保无人机自主避障。