李　璞，馮　博

(石家莊鐵路職業(yè)技術學院，石家莊　050041)

?

農業(yè)機器人運動軌跡控制仿真分析—基于遺傳算法優(yōu)化和RBF網(wǎng)絡逼近

李璞，馮博

(石家莊鐵路職業(yè)技術學院，石家莊050041)

摘要：隨著國力的不斷增長，我國科技產(chǎn)業(yè)發(fā)展突飛猛進，機械自動化、計算機控制系統(tǒng)和測試計量行業(yè)的不斷發(fā)展，使得移動機器人的研究也達到了一個前所未有的高度，機器人已經(jīng)被廣泛地應用到農業(yè)生產(chǎn)、工業(yè)生產(chǎn)、國家安全、生活服務和高等研究設計等領域的各個方面。移動機器人作為機器人的一部分，集中了智能傳感技術、機械制造、電子無線通信技術、智能儀器和自動化控制工程等多學科的研究成果，是當前科技研究與設計最前沿的領域之一。為此，基于遺傳算法優(yōu)化RBF網(wǎng)絡逼近算法，根據(jù)機器人運動軌跡的特性，研究了機器人運動軌跡控制技術，通過實時傳感器在線感知系統(tǒng)，為智能機器人實時規(guī)劃出無碰撞、路線短的運動軌跡。實驗結果表明：所研究的機器人運動軌跡優(yōu)化技術，具有較好的控制作用，其在行進過程中能及時、有效避地開前方障礙，可靠性強，穩(wěn)定性好，應用前景非常廣闊。

關鍵詞：農業(yè)機器人；軌跡優(yōu)化；遺傳算法；RBF網(wǎng)絡逼近

0引言

近年來，隨著各國對機器人研究的重視，機器人的發(fā)展有了很大的突破，工業(yè)機器人的發(fā)展已經(jīng)獲得了很大的成功，而用于農業(yè)的移動機器人最近也有了很大的進展。在機器人的研究設計中，運動軌跡規(guī)劃是一個比較重要的環(huán)節(jié)，是對機器人行進中作業(yè)路徑優(yōu)化控制的基礎。所謂運動軌跡規(guī)劃，就是該機器人利用紅外、超聲波或者視覺傳感器對工作環(huán)境的地理信息進行收集處理，自主地找到一條運動路線最短、躲避障礙次數(shù)最小、運行代價最低的路線，并且可以取得較高的效率。目前，對于移動機器人軌跡優(yōu)化的研究方法很多，主要采用蟻群、Hopfield、差異演化、遺傳、BP網(wǎng)絡神經(jīng)、人工勢場等算法。本文以遺傳算法優(yōu)化RBF網(wǎng)絡逼近算法，對農業(yè)機器人的運動路徑進行全局和局部優(yōu)化，然后根據(jù)傳感器感知數(shù)據(jù)信息判斷機器人在作業(yè)程中是否會碰到障礙物，并根據(jù)相應狀況重新規(guī)劃局部路徑。

1遺傳算法的RBF網(wǎng)絡逼近模型

神經(jīng)網(wǎng)絡是由簡單處理單元構成的規(guī)模宏偉壯大且可以同時進行分布處理的中心處理器，可以保存過往經(jīng)驗數(shù)據(jù)和行之有效的品性。神經(jīng)網(wǎng)絡主要從獲得知識和保存知識兩部分去模擬大腦，獲得知識主要是通過實踐并不斷從外部學習得來，而內部神經(jīng)元的相互突觸連接則主要用來存儲信息。RBF神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡的學習迭代過程比較類似，可以模仿人腦神經(jīng)組織，然后針對局部進行小范圍的調整，通過神經(jīng)元相互連接溝通之特性，互相共享存儲有效數(shù)據(jù)信息。

1.1　RBF神經(jīng)網(wǎng)絡結構與原理

神經(jīng)網(wǎng)絡有多種構造，一般具有多層神經(jīng)反饋網(wǎng)絡。其中，比較單一的是a-b型網(wǎng)絡結構，其結構如圖1所示。

圖1　a-b型神經(jīng)網(wǎng)絡結構

圖2　遺傳算法優(yōu)化RBF網(wǎng)絡逼近結構圖

圖2中，a、b、c為其輸入、隱藏和輸出層的連接節(jié)點數(shù)。設Qm為第m(m為大于1的正整數(shù))個輸出信息數(shù)據(jù)， 則隱藏層的節(jié)點n(n為大于1的正整數(shù))輸出為

Pn=Pn(Qm-Qn)

(1)

輸出層第k(m為大于1的正整數(shù))個信息的數(shù)據(jù)值yk為

(2)

其中，W(k,n)為兩個節(jié)點層之間的連接權值。

1.2　建立作業(yè)環(huán)境模型

首先為機器人搭建工作時的二維環(huán)境模型，機器人在進行過程中的障礙物為果樹或遺忘的農具。在移動機器人作業(yè)的過程中，這些阻止其前進的障礙物位置和物體大小不會改變。在環(huán)境模型中，將行走區(qū)域劃分為n個小塊，移動機器人在作業(yè)時按區(qū)域小塊行走，區(qū)域小塊分為可通行區(qū)域和不可通行區(qū)域小塊。每個區(qū)域小塊采用N1-Nn的方式進行標識。為了使移動機器人實時躲避障礙物，在進行不可通行區(qū)域小塊的計算時，可適當加大障礙物區(qū)域，即當不可通行區(qū)域小塊有障礙物占有時，多增加一個相鄰區(qū)域小塊。

1.3　RBF神經(jīng)網(wǎng)絡迭代逼近學習算法

RBF神經(jīng)網(wǎng)絡選取的網(wǎng)絡節(jié)點越多，其迭代逼近的誤差值越小，但同時網(wǎng)絡的信息溝通效率也會下降。針對這一現(xiàn)象，在優(yōu)化求解的過程中，一般在達到所需的精度條件時，應盡量減少中間的隱藏層節(jié)點，確保網(wǎng)絡的信息溝通效率達到最佳。實際上，一般依靠添加策略和刪除策略來對連接節(jié)點進行有效的調整控制，使RBF神經(jīng)網(wǎng)絡的優(yōu)化誤差最小和信息溝通效率最高。同時，神經(jīng)網(wǎng)絡的模擬訓練和迭代求優(yōu)結合進行，使移動機器人在作業(yè)環(huán)境中慢慢使用。

1.4　算法執(zhí)行流程步驟

RBF神經(jīng)網(wǎng)絡迭代逼近學習算法的具體流程如圖3所示。在對機器人最優(yōu)運動軌跡的工作之前，應先設定最大求優(yōu)次數(shù)和精度要求，作為機器人最優(yōu)運動軌跡的初始條件。

圖3 　RBF神經(jīng)網(wǎng)絡迭代逼近學習算法的流程圖

RBF神經(jīng)網(wǎng)絡在求機器人軌跡優(yōu)化的步驟如下：

1)參數(shù)初始化。移動機器人可通行區(qū)域小塊和不可通行區(qū)域小塊分別用0和1表示。算法開始選擇R={0,1, …,N-1}節(jié)點，設作業(yè)機器人從起點A到終點B求得最優(yōu)路徑需要經(jīng)歷的迭代次數(shù)為Nc。禁忌表AN初值為符號空，其中N=1,2，…，m。

何澤滿臉堆笑，說胡總嫌貴，我總會找到買主的，不過俗話說，好馬配好鞍，這棵樹只有種在胡總的私家莊園，才算沒有白長。再說，我冒著破壞古樹名木的風險，苦心為您尋得這棵名貴的金彈子樹，總得讓我的苗木公司還留點利潤吧？否則我的那些兄弟們都要喝西北風去了。

2)設定最大求優(yōu)次數(shù)和精度要求。在開始時確定最大求優(yōu)次數(shù)和精度要求，避免機器人在求優(yōu)過程中因精度要求增多迭代學習次數(shù)。

3)移動機器人從一區(qū)域小塊到另外相鄰區(qū)域小塊的概率為

(3)

4)更新元素值。移動機器人每迭代學習一次，節(jié)點N的值加1，并且復制給禁忌表。.

4)計算機器人行走路線長度。

5)統(tǒng)計數(shù)據(jù)信息，并做好對比工作，保存最優(yōu)路徑數(shù)據(jù)。

6)重復2)～4)等步驟，直到求出最優(yōu)路徑解。

7)求出并輸出最優(yōu)路徑。

2最優(yōu)運動軌跡規(guī)劃流程

對于移動機器人的路徑規(guī)劃，一般沒有絕對的最優(yōu)路線，在求最優(yōu)路線時，一般要求以最小的代價求出相對最短最優(yōu)的路徑，而最大求優(yōu)次數(shù)對RBF神經(jīng)網(wǎng)絡在實際作業(yè)環(huán)境中的應用至關重要。然而，RBF神經(jīng)網(wǎng)絡參數(shù)的初始值和最優(yōu)值主要取決于實驗中的經(jīng)驗和實際值。

機器人在作業(yè)中需要從一點前進到另外一點的辦法有很多，但實際上每一次位置上的移動都需要有連續(xù)的位置和連續(xù)的速度。為了克服移動過程中的抖動和蠕動，一般還需要在時間上連續(xù)的加速度。以移動間點到點的運動時間Ti為基準，可以畫出移動機器人在行進過程中的直線坐標和角坐標。移動過程的時間函數(shù)如圖4所示。

圖4　移動機器人運動過程的時間函數(shù)

移動機器人在行進過程中，并不需要在每個中間時間點停留。一般對運動的時間函數(shù)圖形進行線性化，即可以得到一條不連續(xù)的軌跡，在這條運動軌跡上移動機器人在一個連續(xù)的時間點上的速度和加速度并不是連續(xù)的。移動機器人分段運動軌跡的近似線性如圖5所示。

圖5　移動機器人分段運動軌跡的近似線性圖

在對移動機器人運動軌跡的路線段的時間進行粗略計算時，可以假定tacc內可以把機器人運動速度從靜止加速度到最大的運行速度。在此加速期間的時間為2tacc。移動機器人的運動軌跡如圖6所示。以機器人的直線位移過角位移為標準，通過一系列的求導計算，即可以得到該加速過程中的軌跡方程為

(4)

圖6　移動機器人運動軌跡圖

3路徑規(guī)劃仿真分析

RBF神經(jīng)網(wǎng)絡是一種常見的路徑優(yōu)化算法，其操作簡單、可塑性性強，深受開發(fā)者的喜愛。運用RBF神經(jīng)網(wǎng)絡逼近的方法對移動機器人的運動軌跡進行規(guī)劃，需要求出移動機器人在行進過程中穿過可行進區(qū)域時的位姿、時間和速度，成功躲避障礙物，并使得整個過程路徑最短、耗時最小。RBF神經(jīng)網(wǎng)絡并沒有嚴格的最優(yōu)參數(shù)，其最優(yōu)的參數(shù)一般需要仿真實驗得出。圖7為移動機器人在兩種不同果林中的路線圖，黑色部分為機器人不可通行區(qū)域。

圖7　移動機器人在兩種不同果林中的區(qū)域線路圖

為了研究本文提出的遺傳算法優(yōu)化RBF網(wǎng)絡逼近最優(yōu)路徑規(guī)劃的有效性，在一個二維空間的作業(yè)區(qū)域對移動機器人開展了最優(yōu)軌跡規(guī)劃實驗，并利用計算機MatLab 軟件進行了仿真。實驗中，二維空間的作業(yè)區(qū)域的起點位置為1，重點位置為400。通過反復迭代學習，神經(jīng)網(wǎng)絡不斷逼近，求出了兩種不同模型區(qū)域的最優(yōu)運動軌跡。仿真求最優(yōu)軌跡的實驗結果圖8所示。

圖8　Matlab仿真實驗結果

由圖8可知：針對兩種障礙物與路徑不同的模型區(qū)域，移動機器人都成功地求解出從開始到結尾且成功躲避障礙物的最優(yōu)軌跡規(guī)劃；根據(jù)多次實驗對比，所求路徑是該條件下機器人穿過障礙物耗時最少、運動代價最小的路線。

4移動機器人最優(yōu)運動軌跡的優(yōu)化

作業(yè)過程中，由于移動機器人自身體型過于龐大，在行進和轉向時，機器人的運動軌跡會出現(xiàn)較大幅度的偏差，運動軌跡圓滑度不高，可能與開始設定的軌跡有所不同。為了解決上述問題及實現(xiàn)規(guī)劃軌跡的一致性，本文在設計和實驗過程中對RBF神經(jīng)網(wǎng)絡控制算法進行了適當?shù)母倪M。主要改進如下：

1)加大超聲波測距的實際距離。移動機器人在躲避障礙物或者轉彎過程中，可以提前開始進行操作，為移動機器人執(zhí)行操作預留足夠多的時間和可以躲避的區(qū)域，使其運動路徑相對比較圓滑。

2)加大機器人回轉空間。當機器人在行進過程中檢測到前面有障礙物時，應該立馬停止前行，然后測量與障礙物之間的距離是否在允許的范圍內；如果距離太近，機器人應該自行后退，目的是加大機器人在轉彎時的回轉空間，增加機器人躲避障礙物時的轉彎角度，得到比較圓滑的轉彎軌跡。

通過以上兩點的優(yōu)化改進，移動機器人的運動軌跡“尖峰”特性基本上可以消除，運動軌跡也相對變得圓滑。改進后的避障規(guī)劃路徑如圖9所示。

圖9　改進后的機器人避障規(guī)劃路徑圖

5結論

針對農業(yè)機器人在作業(yè)過程中行走路線過長、行進代價較大、路徑規(guī)劃效率低的問題，提出了基于遺傳算法優(yōu)化RBF網(wǎng)絡逼近的智能機器人運動軌跡的方法。首先建立作業(yè)環(huán)境模型，劃分區(qū)域小塊，并利用RBF網(wǎng)絡逼近的迭代學習法，結合作業(yè)環(huán)境、機器人避障代價、行進時間，得出智能機器人整個作業(yè)過程的最優(yōu)軌跡。其次，在試驗過程中利用MatLab實現(xiàn)路徑仿真研究。試驗表明：該算法可以有效優(yōu)化移動機器人的移動軌跡，提高運動過程中的實時效率。最后，根據(jù)實際狀況本文提出了一系列的優(yōu)化方法，圓滑了智能農業(yè)機器人避障過程中的運動軌跡，加大了該算法的可行性和可靠性，節(jié)省了作業(yè)時間，并且降低了機器人的能量消耗，具有比較廣闊的實際應用前景。

參考文獻：

[1]王嘉暉.履帶式移動機器人局部路徑規(guī)劃和路徑跟蹤[D].南京：南京理工大學,2006.

[2]童艷.移動機器人路徑跟蹤控制方法研究[D].西安：西北工業(yè)大學,2007.

[3]王麗.移動機器人路徑規(guī)劃方法研究[D].西安：西北工業(yè)大學,2007.

[4]陳丹.基于遺傳算法B樣條曲線優(yōu)化在機器人軌跡規(guī)劃中應用[D].武漢：武漢科技大學,2007.

[5]陳桂,王建紅,湯玉東. KUKA機器人運動學仿真與實驗研究[J]. 組合機床與自動化加工技術,2014(8):94-97.

[6]趙開新,王東署,徐立新.蟻群遺傳算法在移動機器人路徑規(guī)劃中的綜合應用研究[J].制造業(yè)自動化,2014(17):70-72,84.

[7]王歡,王玉博,尚萌,等.輪式移動機器人的主控制器設計[J].電工文摘,2014(5):20-22.

[8]彭輝.輪式移動機器人運動軌跡控制技術研究[D].廣州：廣東工業(yè)大學,2008.

[9]湯永紅.多運動狀態(tài)的移動機器人結構設計及仿真[D].天津：河北工業(yè)大學,2007.

[10]房偉.多搜救機器人協(xié)作搜索及路徑規(guī)劃研究[D].武漢：武漢理工大學,2013.

[11]羅健豪.三輪全向足球機器人軌跡規(guī)劃與跟蹤的研究[D].長沙：長沙理工大學,2013.

[12]李磊,葉濤,譚民,等.移動機器人技術研究現(xiàn)狀與未來[J].機器人,2002(5):475-480.

[13]吳忻生,郭丙華,胡躍明.基于傳感器的非完整移動機器人運動規(guī)劃[J].控制理論與應用,2002(6): 945-948.

[14]黃超.模塊化移動機器人控制系統(tǒng)及運動算法的研究[D].哈爾濱:哈爾濱工業(yè)大學,2010.

[15]宮杰.基于實時操作系統(tǒng)的移動機器人控制平臺的研究[D].濟南：山東科技大學,2008.

[16]葛文韜.四輪驅動全輪差速轉向移動焊接機器人移動機構設計與仿真[D]. 南昌：南昌大學,2012.

[17]戰(zhàn)曉磊,辛洪兵,徐正興.基于虛擬現(xiàn)實技術的網(wǎng)絡控制機器人系統(tǒng)研究[J].北京工商大學學報：自然科學版,2007(5):25-28,33.

[18]王劍,薛飛.一種RBF神經(jīng)網(wǎng)絡的自適應學習算法[J].現(xiàn)代電子技術,2011(3):141-143,147.

[19]張國良,安雷,湯文俊.三輪驅動移動機器人軌跡跟蹤控制[J].計算機應用,2011(8):2293-2296.

[20]張廣林,胡小梅,柴劍飛,等.路徑規(guī)劃算法及其應用綜述[J].現(xiàn)代機械,2011(5):85-90.

[21]劉渭苗.輪式移動機器人神經(jīng)網(wǎng)絡控制[D].西安：長安大學,2007.

[22]王曉麗.MOTOMAN機器人軌跡規(guī)劃和控制系統(tǒng)的研究與設計[D].西安：西安科技大學,2009.

[23]陳杰.基于蟻群算法的機器人路徑規(guī)劃研究[D].南京：南京理工大學,2009.

[24]高貝磊.輪式機器人的控制系統(tǒng)與路徑規(guī)劃研究[D].西安：西安電子科技大學,2010.

[25]陳華,劉國棟.三維線性倒立擺模型在雙足機器人系統(tǒng)中的應用[J].計算機系統(tǒng)應用,2012(8):178-182.

[26]吳濤.移動機器人避障與路徑規(guī)劃研究[D].武漢：華中科技大學,2004.

[27]崔明月.復雜環(huán)境下不確定輪式移動機器人運動控制的研究[D].重慶：重慶大學,2012.

[28]夏科睿.基于輪地相互作用建模的移動機器人軌跡跟蹤控制研究[D].哈爾濱：哈爾濱工業(yè)大學,2012.

[29]金娟.自主移動機器人軌跡跟蹤與避障控制研究[D].長沙：湖南大學,2014.

[30]朱博,鄧三鵬,王英飛,等.基于生物激勵神經(jīng)網(wǎng)絡的移動機器人遍歷路徑規(guī)劃[J].裝備制造技術,2014(12):30-32.

[31]李麗麗.隨機移動機器人運動碰撞的避免方法仿真[J].計算機仿真,2013(12):376-379.

Research on Motion Trajectory Control Technology of Agricutural Robot—Based on Genetic Algorithm RBF Network Optimization

Li Pu, Feng Bo

(Shijiazhuang Institute of Railway Technology,Shijiazhuang 050041, China)

Abstract：With the rapid development of China's science and technology industry, the rapid development of science and technology industry, machinery automation, computer control system and the continuous development of the measurement industry, making the research of mobile robot has reached an unprecedented level, the robot has been widely used in agricultural production,industrial production,National security,life services and higher research design and other aspects of the design.As a part of the robot,the mobile robot has concentrated the research results of intelligent sensing technology, mechanical manufacturing,electronic communication technology,intelligent instrument and automation control engineering. It is one of the most advanced technology research and design. In this paper, based on genetic algorithm to optimize the RBF network approximation algorithm, based on the characteristics of the robot motion trajectory, the robot motion trajectory control technology is studied. Through the real-time sensor online perception system, the robot can plan a trajectory without collision and route. The experimental results show that the design and research of the robot motion trajectory optimization technology, with good control effect, which can effectively avoid the obstacles in the course of the road, its reliability, good stability, the application prospect is very broad.

Key words：agricutaral robot; trajectory optimization； genetic algorithm; RBF network approximation

中圖分類號：S24；TP391.41

文獻標識碼：A

文章編號：1003-188X(2016)12-0046-05

作者簡介：李璞(1983-)，男，石家莊人，講師，碩士。通訊作者：馮博(1981-)，男，河北邯鄲人，講師，碩士，(E-mail)lpfb2015@sina.com。

基金項目：國家自然科學基金項目(51375319)；河北省自然科學基金項目(E2013421005)；河北省高等學?？茖W技術研究青年基金項目(QN2014179)

收稿日期：2015-09-16