基于RBF網(wǎng)絡(luò)的果蔬采摘機器人運動軌跡控制研究

薛　亮，樊衛(wèi)國，汪小志

(1.蘇州農(nóng)業(yè)職業(yè)技術(shù)學(xué)院 信息與機電工程系，江蘇 蘇州　215008；2.南昌工學(xué)院，南昌　330108；3.武漢理工大學(xué)，武漢　430070 )

?

基于RBF網(wǎng)絡(luò)的果蔬采摘機器人運動軌跡控制研究

薛亮1，樊衛(wèi)國1，汪小志2,3

(1.蘇州農(nóng)業(yè)職業(yè)技術(shù)學(xué)院 信息與機電工程系，江蘇 蘇州215008；2.南昌工學(xué)院，南昌330108；3.武漢理工大學(xué)，武漢430070 )

摘要：為了提高果蔬采摘機器人機械手運動的精確性，提高機器人移動的效率，提出了一種基于遺傳算法和RBF網(wǎng)絡(luò)的機器人運動軌跡控制方法，并對果蔬機器人機械手的活動和整體的移動軌跡進行優(yōu)化，有效地提高了果蔬采摘機器人的工作精度和作業(yè)效率。為了驗證設(shè)計的采摘機器人的可靠性，在大棚內(nèi)對機器人的采摘性能進行了測試，包括機器人移動路徑規(guī)劃和機械手路徑規(guī)劃。通過測試發(fā)現(xiàn)：使用RBF神經(jīng)網(wǎng)絡(luò)算法可以有效地控制機械手在三維空間內(nèi)的運動；在遺傳算法控制下，機器人可以通過較少的計算次數(shù)利用神經(jīng)網(wǎng)絡(luò)算法搜索得到最優(yōu)路徑，計算精度達到了99%以上。其計算精度及效率高，為高效果蔬采摘機器人的設(shè)計提供了較有價值的參考。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；果蔬采摘；遺傳算法；軌跡控制；機器人；機械手

0引言

隨著微電子技術(shù)、傳感器技術(shù)、控制技術(shù)和機械制造工藝水平的飛速發(fā)展，機器人的應(yīng)用領(lǐng)域逐步從汽車拓展到其它領(lǐng)域。在各種類型的機器人中，模擬人體手臂而構(gòu)成的關(guān)節(jié)型機器人，具有結(jié)構(gòu)緊湊、所占空間小、運動空間大等優(yōu)點，是應(yīng)用最為廣泛的機器人之一。關(guān)節(jié)型機器人也是農(nóng)業(yè)采摘機器人中最常用的機器人類型，最核心的設(shè)計部分為機器人視覺設(shè)計，機器視覺是控制機器運動軌跡的關(guān)鍵。為了提高機器人視覺果目標(biāo)鎖定的精度，提高機器人的作業(yè)效率，本文在機器人軌跡控制算法中引入了遺傳算法和RBF設(shè)計網(wǎng)絡(luò)算法，以期提高機器人的軌跡控制精度和效率。

1總體設(shè)計

采摘機器人的設(shè)計核心是機器視覺的設(shè)計，機器視覺精度關(guān)系到采摘的準(zhǔn)確性和采摘效率。機器人視覺是利用計算模擬功能代替人視覺功能，從客觀存在的果蔬圖像中提取有用信息，并對信息進行加工處理，最終實現(xiàn)機器人實際的測量和控制。對于機器人視覺系統(tǒng)的設(shè)計，本次研究主要是對圖像捕捉模塊、圖像處理模塊和智能化決策模塊的設(shè)計。機器人總體設(shè)計框架如圖1所示。

圖1　機器人總體設(shè)計框架

采摘機器人的作業(yè)目標(biāo)為果實，通常情況下采用攝像機對目標(biāo)對象進行轉(zhuǎn)換，再利用A/D轉(zhuǎn)換為數(shù)字信號傳送到圖像處理系統(tǒng)，然后機器人根據(jù)像素、顏色和亮度信息提取果實目標(biāo)特征，通設(shè)定的精度和判斷條件，來輸出控制結(jié)果。其中，機器人工作的核心技術(shù)為圖像轉(zhuǎn)換、圖像處理和圖像分割。通過圖像處理技術(shù)鎖定待采摘果實目標(biāo)圖像的過程如圖2所示。

圖2　采摘目標(biāo)圖像鎖定過程

圖像的鎖定過程主要依據(jù)攝像跟蹤目標(biāo)的狀態(tài)，目標(biāo)鎖定過程包括目標(biāo)搜索、目標(biāo)切換、瞄準(zhǔn)目標(biāo)和跟蹤目標(biāo)。因此，通過圖像處理技術(shù)，最終輸出鎖定采摘目標(biāo)果實的穩(wěn)定圖像。

2機器人機械手和移動控制算法優(yōu)化

在果實采摘機器人的設(shè)計中，由于果蔬的外表非常脆弱，且果蔬的生長形狀復(fù)雜，因此機器人執(zhí)行末端的設(shè)計是農(nóng)業(yè)機器人設(shè)計的核心，也是影響果蔬采摘精度和效率的關(guān)鍵因素。

圖3為果蔬采摘機器人執(zhí)行末端的總體設(shè)計示意圖。其機械結(jié)構(gòu)由吸盤和兩指夾持器組成，在機器人執(zhí)行末端安裝了攝像頭，通過對果蔬圖像的采集，對路徑進行規(guī)劃。

圖3　果蔬采摘機器人執(zhí)行末端設(shè)計

圖4表示果蔬采摘機器人執(zhí)行末端夾持器的結(jié)構(gòu)示意圖。由圖4可以看出：在執(zhí)行末端加持器上安裝有攝像頭和觸覺傳感器，攝像頭負責(zé)采集圖像，觸覺傳感器可以防止碰撞障礙物，而機械手運動軌跡的控制主要通過關(guān)節(jié)來實現(xiàn)。關(guān)節(jié)型機器人仿真機械手如圖5所示。

1.直流電機　2.手指　3.限位開關(guān)　4.攝像頭　5.支架

圖5　機器人機械手軌跡控制關(guān)鍵示意圖

該機械手適合多種果蔬的采摘，包括番茄、蘋果及柑橘等；但其控制算法交復(fù)雜，因此本文結(jié)合RBF設(shè)計網(wǎng)絡(luò)算法對其進行控制。一般來說，RBF設(shè)計網(wǎng)絡(luò)算法的輸出可以表為

(1)

其中，φi(x)表示神經(jīng)網(wǎng)絡(luò)隱含層的輸出；wt表示神經(jīng)網(wǎng)絡(luò)的權(quán)值。對于徑向基函數(shù)RBF最常用的基函數(shù)為

(2)

其中，x-xc表示軌跡控制過程中的某一個點到中心的歐氏距離；σ表示控制誤差。網(wǎng)絡(luò)輸出的控制點響應(yīng)可以表示為

(3)

(4)

其中，nc表示基函數(shù)中包含的中心向量的個數(shù)；aj表示從訓(xùn)練的樣本數(shù)據(jù)中選出的第j個中心向量。對機器人路徑軌跡的控制，可以看出對一系列軌跡點的控制，假設(shè)軌跡點數(shù)據(jù)樣本為(xi,yi)(i=1,2,3,…,N)，連接權(quán)中心和寬度通過最小化可以得到

(5)

其中，θ=(θ1,θ2,…,θn)，a=(a1,a2,…,an)。該式的意義在于通過計算，得到網(wǎng)絡(luò)輸出f1與逼近誤差yi最小。在計算過程中，為了加速收斂，引入了遺傳算法，其計算步驟為：

1)適應(yīng)值確定。首先設(shè)計一個適應(yīng)度值，其輸出樣本的平方為適應(yīng)度函數(shù)，有

心理彈性(resilience)是影響主觀幸福感的又一重要變量，它是指個體在危險情境下良好適應(yīng)的動態(tài)過程[10]，是個體在面對嚴峻或持久挑戰(zhàn)時仍能保持其情緒和認知幸福感的能力[11]。諸多研究已證實，心理彈性對主觀幸福感具有實質(zhì)性影響[12，13]，心理彈性涉及逆境下的積極適應(yīng)模式[15]，是主觀幸福感的重要預(yù)測因素[6]。還有研究表明，心理彈性與大學(xué)生的樂觀、積極情緒顯著正相關(guān)[15]，提高心理彈性可能提升大學(xué)生壓力下的積極情緒，緩解消極情緒[16]。

(6)

2)復(fù)制。f1表示神經(jīng)網(wǎng)絡(luò)實際輸出值，yi表示逼近誤差的數(shù)值。在遺傳算法訓(xùn)練時，其目的是使f值最小，加速每個訓(xùn)練樣本的適應(yīng)值為qi，其計算公式為

qi=3-f(訓(xùn)練)-2·f(測試)

(7)

按照N·qi/∑qi決定第i個個體在下一代中復(fù)制自身的數(shù)目，其復(fù)制自身數(shù)目最高的是適應(yīng)值最高的個體。

3)交叉。按照一定的概率從復(fù)制過來的個體中對兩個個體進行交叉，從而生成新的個體空間。

4)變異。把交叉后個體的某一位按照一定的概率進行取反運算，即將1變?yōu)?，或者將0變?yōu)?。每一位發(fā)生變異的概率較小，而遺傳算法可以通過繁殖和交叉，使變異算子能夠搜索到問題空間的每一點，算法具有全局收斂性。

3采摘機器人性能測試

為了驗證本次研究設(shè)計的采摘機器人的可靠性，在大棚內(nèi)對機器人的采摘性能進行了測試，測試項目包括機器人移動路徑規(guī)劃和機械手路徑規(guī)劃，測試場景如圖6所示。

圖6　采摘機器人測試場景圖

為了驗證本文設(shè)計的機器人運動控制軌跡算法的可靠性，對西紅柿進行了采摘，通過采摘測試得到了機械手的三維軌跡規(guī)劃結(jié)果如圖7所示。

由圖7可以看出：利用RBF神經(jīng)網(wǎng)絡(luò)算法可以實現(xiàn)機械手在三維空間內(nèi)的路徑規(guī)劃，通過對權(quán)值的不斷調(diào)整，得到最佳遺傳算法適應(yīng)度值，最終定位到需要采摘的果蔬位置。

圖7　機械手路徑規(guī)劃三維空間圖

圖8　路徑軌跡控制柵格圖

圖9　路徑規(guī)劃最終結(jié)果

由圖9可以看出：機器人通過路徑規(guī)劃可以成功地躲避障礙物，且在遺傳算法的作用下，機器人可以搜索，得到最短的行駛路徑。

不同障礙物下，f1表示平均適應(yīng)值；f表示最優(yōu)適應(yīng)值；N表示達到最優(yōu)路徑時所需的計算次數(shù)。機器人通過路徑規(guī)劃計算，得到的RBF神經(jīng)網(wǎng)絡(luò)算法的計算參數(shù)。由表1可以看出：在遺傳算法樣本訓(xùn)練的情形下，機器人可以通過較少的計算次數(shù)搜索得到最優(yōu)路徑，且計算精度達到了99%以上。其計算精度高，計算效率快，從而大大提高了采摘機器人的性能。對采摘破碎率進行測試，得到了表2所示的結(jié)果。

表1　不同障礙物下神經(jīng)網(wǎng)絡(luò)算法計算參數(shù)

表2　破碎率測試

為了對比本文設(shè)計機器人的效率，對普通RBF神經(jīng)網(wǎng)絡(luò)算法控制的機器人和本文設(shè)計機器人的采摘破碎率進行了統(tǒng)計。通過對采摘機器人8次采摘結(jié)果的統(tǒng)計發(fā)現(xiàn)，本文設(shè)計的機器人的果蔬采摘破碎率有明顯降低，采摘效果較好。

4結(jié)論

1)機器視覺是控制機器人運動軌跡的關(guān)鍵技術(shù)。為了提高機器人機器視覺的精度，提高機器人運動軌跡的效率，提出了一種基于遺傳算法和RBF網(wǎng)絡(luò)的機器人運動軌跡控制方法，通過該方法對果蔬機器人機械手的活動和整體的移動軌跡進行了優(yōu)化，從而提高了機械手三維軌跡控制的效率，使機器人能夠成功躲避障礙物，并搜索到最佳路徑。

2)為了進一步測試采摘機器人的性能，對遺傳算法控制下的機器人進行路徑搜索測試。通過測試發(fā)現(xiàn)：機器人可以在較少的計算次數(shù)下得到最佳的搜索路徑，精度達到了99%以上，計算效率高，是一種可靠的機器人軌跡控制算法。

參考文獻：

[1]許斯軍,曹奇英.基于可視圖的移動機器人路徑規(guī)劃[J].計算機應(yīng)用與軟件,2011(3):220-222.

[2]尹建軍,武傳宇,YangSimonX,等.番茄采摘機器人機械臂避障路徑規(guī)劃[J].農(nóng)業(yè)機械學(xué)報,2012(12):171-175.

[3]姬偉,程風(fēng)儀,趙德安,等.基于改進人工勢場的蘋果采摘機器人機械手避障方法[J].農(nóng)業(yè)機械學(xué)報,2013(11):253-259.

[4]葉健,葛臨東,吳月嫻.一種優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在調(diào)制識別中的應(yīng)用[J].自動化學(xué)報,2007,33(6): 652-654.

[5]喬俊飛,韓紅桂.RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計[J].自動化學(xué)報,2010,36(6):865-868.

[6]葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007[M].北京：電子工業(yè)出版社,2007:117-120.

[7]宋勇,李貽斌,栗春,等.基于神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃方法[J].系統(tǒng)工程與電子技術(shù),2008(2):316-319.

[8]劉淑華,夏菁,孫學(xué)敏,等.已知環(huán)境下一種高效全覆蓋路徑規(guī)劃算法[J].東北師大學(xué)報：自然科學(xué)版，2011,43(4):39-43.

[9]劉松,李志蜀,李奇.機器人全覆蓋最優(yōu)路徑規(guī)劃的改進遺傳算法[J].計算機工程與應(yīng)用，2009,45 (662):245-248.

[10]劉鎖蘭,楊靜宇.基于模糊理論的2維隸屬劃分Renyi熵分割算法[J].中國圖象圖形學(xué)報，2009,14 (2):323-327.

[11]劉鎖蘭,楊靜宇,郭克華.基于最大模糊指數(shù)熵的模糊目標(biāo)分割算法[J].計算機科學(xué)，2007,34(9):240- 241, 272.

[12]柳平增,畢樹生,付冬菊,等.室外農(nóng)業(yè)機器人導(dǎo)航研究綜述[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2010(3):5-10.

[13]龍建武,申鉉京,魏巍,等.一種結(jié)合紋理信息的三維Renyi熵閾值分割算法[J].小型微型計算機系統(tǒng)，2011,32(5):947-952.

[14]龍滿生,何東健.玉米苗期雜草的計算機識別技術(shù)研究[J].農(nóng)業(yè)工程學(xué)報，2007,23(7):139-143.

[15]羅榮貴,屠大維.柵格法視覺傳感集成及機器人實時避障[J].計算機工程與應(yīng)用，2011,47(24):233-235.

[16]呂繼東,趙德安,姬偉,等.蘋果采摘機器人對振蕩果實的快速定位采摘方法[J].農(nóng)業(yè)工程學(xué)報，2012,28(13):48-53.

[17]呂繼東,趙德安,姬偉,等.蘋果采摘機器人無線數(shù)據(jù)傳輸系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報，2010,26(12):225-230.

[18]韋艷,陳華根.GPS定位顯示中的坐標(biāo)轉(zhuǎn)換[J].海洋繪,2010,30(3):16-19.

[19]郝冬,劉斌.基于模糊邏輯行為融合路徑規(guī)劃方法[J].計算機工程設(shè)計,2009,30(3):660-663.

[20]王建軍,武秋俊.機器人在農(nóng)業(yè)中的應(yīng)用[J].農(nóng)機化研究,2007(7):174-176.

[21]王儉,趙鶴鳴,陳衛(wèi)東.基于子區(qū)域的機器人全覆蓋路徑規(guī)劃的環(huán)境建模[J].蘇州科技學(xué)院學(xué)報：工程技術(shù)版,2004,17(1):72-75.

[22]張寧,廖慶喜.我國小粒徑種子播種技術(shù)與裝備的應(yīng)用與研究進展[J].中國農(nóng)機化,2012(1):93-96.

[23]郝金魁,張西群,齊新,等.工廠化育苗技術(shù)現(xiàn)狀與發(fā)展對策[J].江蘇農(nóng)業(yè)科學(xué),2012,40(1):349-351.

[24]羅昕,胡斌,黃力爍.氣吸式穴盤育苗精量播種機的設(shè)計與試驗[J].農(nóng)機化研究,2010(11):130-132, 140.

[25]夏紅梅,李志偉,甄文斌.氣力板式蔬菜排種器設(shè)計與試驗[J].農(nóng)業(yè)機械學(xué)報,2010,41(6):56-60.

[25]劉繼展，李萍萍，李智國.番茄采摘機器人末端執(zhí)行器的硬件設(shè)計[J].農(nóng)業(yè)機械學(xué)報,2008,39(3):109-112.

[26]蔣煥煜,彭永石,申川，等.基于雙目立體視覺技術(shù)的成熟番茄識別與定位[J].農(nóng)業(yè)工程學(xué)報，2008, 24(8):279-283.

[27]蔡健榮,李玉良,范軍，等.成熟柑橘的圖像識別及空間定位研究[J].微計算機信息，2007,23(12-1): 224-225, 314.

[28]司永勝,喬軍,劉剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農(nóng)業(yè)機械學(xué)報，2009, 40(8): 208-213.

Research on Motion Trajectory Control of Fruit and Vegetable Picking Robot Based on RBF Network

Xue Liang1,Fan Weiguo1,Wang Xiaozhi2,3

(1.Department of Information and Electrical Engineering, Suzhou Polytechnic Institute of Agriculture, Suzhou 215008, China; 2.Nanchang Institute of Science & Technology, Nanchang 330108,China; 3.Wuhan University of Technology,Wuhan 430070, China)

Abstract：In order to improve the accuracy of robot manipulator movement and improve the efficiency of robot movement, a methodis proposed based on genetic algorithm and RBF neural network.The robot manipulator's movement and the whole trajectory are optimized. In order to verify the design of the picking robot reliability, in the experimental greenhouse on the robot's picking performance were tested, test items include robot path planning of mobile and manipulator path planning. Through the test, we found that using the RBF neural network algorithm can effectively control of manipulator motion in the three-dimensional space, in under the control of the genetic algorithm, the robot can with less amount of calculation using neural network algorithm search to get the optimal path, and the calculation precision is above 99%, for its high accuracy, which provides a valuable reference for the fast computational efficiency and effect of high vegetable production picking robot design.

Key words：RBF neural network; fruit and vegetable picking; genetic algorithm; trajectory control; manipulator

中圖分類號：S225.92;TP391.41

文獻標(biāo)識碼：A

文章編號：1003-188X(2016)09-0229-05

作者簡介：薛亮(1977-)，男，江蘇蘇州人，講師，碩士，(E-mail)724104439@qq.com。通訊作者：汪小志(1981-)，女，武漢人，副教授，博士研究生，(E-mail)wangxiaozhi@ncu.edu.cn。

基金項目：湖北省自然科學(xué)基金項目(2014CFB322)

收稿日期：2015-08-04