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(jī)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(jī)器人運(yùn)動(dòng)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(jī)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(jī)器人機(jī)械手運(yùn)動(dòng)的精確性，提高機(jī)器人移動(dòng)的效率，提出了一種基于遺傳算法和RBF網(wǎng)絡(luò)的機(jī)器人運(yùn)動(dòng)軌跡控制方法，并對(duì)果蔬機(jī)器人機(jī)械手的活動(dòng)和整體的移動(dòng)軌跡進(jìn)行優(yōu)化，有效地提高了果蔬采摘機(jī)器人的工作精度和作業(yè)效率。為了驗(yàn)證設(shè)計(jì)的采摘機(jī)器人的可靠性，在大棚內(nèi)對(duì)機(jī)器人的采摘性能進(jìn)行了測(cè)試，包括機(jī)器人移動(dòng)路徑規(guī)劃和機(jī)械手路徑規(guī)劃。通過測(cè)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(jī)械手在三維空間內(nèi)的運(yùn)動(dòng)；在遺傳算法控制下，機(jī)器人可以通過較少的計(jì)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(jì)算精度達(dá)到了99%以上。其計(jì)算精度及效率高，為高效果蔬采摘機(jī)器人的設(shè)計(jì)提供了較有價(jià)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(jī)器人；機(jī)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(jī)械制造工藝水平的飛速發(fā)展，機(jī)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(jī)器人中，模擬人體手臂而構(gòu)成的關(guān)節(jié)型機(jī)器人，具有結(jié)構(gòu)緊湊、所占空間小、運(yùn)動(dòng)空間大等優(yōu)點(diǎn)，是應(yīng)用最為廣泛的機(jī)器人之一。關(guān)節(jié)型機(jī)器人也是農(nóng)業(yè)采摘機(jī)器人中最常用的機(jī)器人類型，最核心的設(shè)計(jì)部分為機(jī)器人視覺設(shè)計(jì)，機(jī)器視覺是控制機(jī)器運(yùn)動(dòng)軌跡的關(guān)鍵。為了提高機(jī)器人視覺果目標(biāo)鎖定的精度，提高機(jī)器人的作業(yè)效率，本文在機(jī)器人軌跡控制算法中引入了遺傳算法和RBF設(shè)計(jì)網(wǎng)絡(luò)算法，以期提高機(jī)器人的軌跡控制精度和效率。

1總體設(shè)計(jì)

采摘機(jī)器人的設(shè)計(jì)核心是機(jī)器視覺的設(shè)計(jì)，機(jī)器視覺精度關(guān)系到采摘的準(zhǔn)確性和采摘效率。機(jī)器人視覺是利用計(jì)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(duì)信息進(jìn)行加工處理，最終實(shí)現(xiàn)機(jī)器人實(shí)際的測(cè)量和控制。對(duì)于機(jī)器人視覺系統(tǒng)的設(shè)計(jì)，本次研究主要是對(duì)圖像捕捉模塊、圖像處理模塊和智能化決策模塊的設(shè)計(jì)。機(jī)器人總體設(shè)計(jì)框架如圖1所示。

圖1　機(jī)器人總體設(shè)計(jì)框架

采摘機(jī)器人的作業(yè)目標(biāo)為果實(shí)，通常情況下采用攝像機(jī)對(duì)目標(biāo)對(duì)象進(jìn)行轉(zhuǎn)換，再利用A/D轉(zhuǎn)換為數(shù)字信號(hào)傳送到圖像處理系統(tǒng)，然后機(jī)器人根據(jù)像素、顏色和亮度信息提取果實(shí)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(jī)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(shí)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(shí)的穩(wěn)定圖像。

2機(jī)器人機(jī)械手和移動(dòng)控制算法優(yōu)化

在果實(shí)采摘機(jī)器人的設(shè)計(jì)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(jī)器人執(zhí)行末端的設(shè)計(jì)是農(nóng)業(yè)機(jī)器人設(shè)計(jì)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(jī)器人執(zhí)行末端的總體設(shè)計(jì)示意圖。其機(jī)械結(jié)構(gòu)由吸盤和兩指夾持器組成，在機(jī)器人執(zhí)行末端安裝了攝像頭，通過對(duì)果蔬圖像的采集，對(duì)路徑進(jìn)行規(guī)劃。

圖3　果蔬采摘機(jī)器人執(zhí)行末端設(shè)計(jì)

圖4表示果蔬采摘機(jī)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(fù)責(zé)采集圖像，觸覺傳感器可以防止碰撞障礙物，而機(jī)械手運(yùn)動(dòng)軌跡的控制主要通過關(guān)節(jié)來實(shí)現(xiàn)。關(guān)節(jié)型機(jī)器人仿真機(jī)械手如圖5所示。

1.直流電機(jī)　2.手指　3.限位開關(guān)　4.攝像頭　5.支架

圖5　機(jī)器人機(jī)械手軌跡控制關(guān)鍵示意圖

該機(jī)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(jì)網(wǎng)絡(luò)算法對(duì)其進(jìn)行控制。一般來說，RBF設(shè)計(jì)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(duì)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(gè)點(diǎn)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(diǎn)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(gè)數(shù)；aj表示從訓(xùn)練的樣本數(shù)據(jù)中選出的第j個(gè)中心向量。對(duì)機(jī)器人路徑軌跡的控制，可以看出對(duì)一系列軌跡點(diǎn)的控制，假設(shè)軌跡點(diǎn)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(jì)算，得到網(wǎng)絡(luò)輸出f1與逼近誤差yi最小。在計(jì)算過程中，為了加速收斂，引入了遺傳算法，其計(jì)算步驟為：

1)適應(yīng)值確定。首先設(shè)計(jì)一個(gè)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(gè)體在危險(xiǎn)情境下良好適應(yīng)的動(dòng)態(tài)過程[10]，是個(gè)體在面對(duì)嚴(yán)峻或持久挑戰(zhàn)時(shí)仍能保持其情緒和認(rèn)知幸福感的能力[11]。諸多研究已證實(shí)，心理彈性對(duì)主觀幸福感具有實(shí)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(cè)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(shí)際輸出值，yi表示逼近誤差的數(shù)值。在遺傳算法訓(xùn)練時(shí)，其目的是使f值最小，加速每個(gè)訓(xùn)練樣本的適應(yīng)值為qi，其計(jì)算公式為

qi=3-f(訓(xùn)練)-2·f(測(cè)試)

(7)

按照N·qi/∑qi決定第i個(gè)個(gè)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(gè)體。

3)交叉。按照一定的概率從復(fù)制過來的個(gè)體中對(duì)兩個(gè)個(gè)體進(jìn)行交叉，從而生成新的個(gè)體空間。

4)變異。把交叉后個(gè)體的某一位按照一定的概率進(jìn)行取反運(yùn)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(diǎn)，算法具有全局收斂性。

3采摘機(jī)器人性能測(cè)試

為了驗(yàn)證本次研究設(shè)計(jì)的采摘機(jī)器人的可靠性，在大棚內(nèi)對(duì)機(jī)器人的采摘性能進(jìn)行了測(cè)試，測(cè)試項(xiàng)目包括機(jī)器人移動(dòng)路徑規(guī)劃和機(jī)械手路徑規(guī)劃，測(cè)試場(chǎng)景如圖6所示。

圖6　采摘機(jī)器人測(cè)試場(chǎng)景圖

為了驗(yàn)證本文設(shè)計(jì)的機(jī)器人運(yùn)動(dòng)控制軌跡算法的可靠性，對(duì)西紅柿進(jìn)行了采摘，通過采摘測(cè)試得到了機(jī)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(shí)現(xiàn)機(jī)械手在三維空間內(nèi)的路徑規(guī)劃，通過對(duì)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(jī)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(jī)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(jī)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(dá)到最優(yōu)路徑時(shí)所需的計(jì)算次數(shù)。機(jī)器人通過路徑規(guī)劃計(jì)算，得到的RBF神經(jīng)網(wǎng)絡(luò)算法的計(jì)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(jī)器人可以通過較少的計(jì)算次數(shù)搜索得到最優(yōu)路徑，且計(jì)算精度達(dá)到了99%以上。其計(jì)算精度高，計(jì)算效率快，從而大大提高了采摘機(jī)器人的性能。對(duì)采摘破碎率進(jìn)行測(cè)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(jì)算參數(shù)

表2　破碎率測(cè)試

為了對(duì)比本文設(shè)計(jì)機(jī)器人的效率，對(duì)普通RBF神經(jīng)網(wǎng)絡(luò)算法控制的機(jī)器人和本文設(shè)計(jì)機(jī)器人的采摘破碎率進(jìn)行了統(tǒng)計(jì)。通過對(duì)采摘機(jī)器人8次采摘結(jié)果的統(tǒng)計(jì)發(fā)現(xiàn)，本文設(shè)計(jì)的機(jī)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(jī)器視覺是控制機(jī)器人運(yùn)動(dòng)軌跡的關(guān)鍵技術(shù)。為了提高機(jī)器人機(jī)器視覺的精度，提高機(jī)器人運(yùn)動(dòng)軌跡的效率，提出了一種基于遺傳算法和RBF網(wǎng)絡(luò)的機(jī)器人運(yùn)動(dòng)軌跡控制方法，通過該方法對(duì)果蔬機(jī)器人機(jī)械手的活動(dòng)和整體的移動(dòng)軌跡進(jìn)行了優(yōu)化，從而提高了機(jī)械手三維軌跡控制的效率，使機(jī)器人能夠成功躲避障礙物，并搜索到最佳路徑。

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

參考文獻(xiàn)：

[1]許斯軍,曹奇英.基于可視圖的移動(dòng)機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)應(yīng)用與軟件,2011(3):220-222.

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

[3]姬偉,程風(fēng)儀,趙德安,等.基于改進(jìn)人工勢(shì)場(chǎng)的蘋果采摘機(jī)器人機(jī)械手避障方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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(shí)別中的應(yīng)用[J].自動(dòng)化學(xué)報(bào),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(dòng)態(tài)優(yōu)化設(shè)計(jì)[J].自動(dòng)化學(xué)報(bào),2010,36(6):865-868.

[6]葛哲學(xué),孫志強(qiáng).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(dòng)機(jī)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(bào)：自然科學(xué)版，2011,43(4):39-43.

[9]劉松,李志蜀,李奇.機(jī)器人全覆蓋最優(yōu)路徑規(guī)劃的改進(jìn)遺傳算法[J].計(jì)算機(jī)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(bào)，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(jì)算機(jī)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(jī)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(jì)算機(jī)系統(tǒng)，2011,32(5):947-952.

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

[15]羅榮貴,屠大維.柵格法視覺傳感集成及機(jī)器人實(shí)時(shí)避障[J].計(jì)算機(jī)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(jī)器人對(duì)振蕩果實(shí)的快速定位采摘方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012,28(13):48-53.

[17]呂繼東,趙德安,姬偉,等.蘋果采摘機(jī)器人無線數(shù)據(jù)傳輸系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報(bào)，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(jì)算機(jī)工程設(shè)計(jì),2009,30(3):660-663.

[20]王建軍,武秋俊.機(jī)器人在農(nóng)業(yè)中的應(yīng)用[J].農(nóng)機(jī)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(jī)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(bào)：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(jìn)展[J].中國農(nóng)機(jī)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(duì)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(jī)的設(shè)計(jì)與試驗(yàn)[J].農(nóng)機(jī)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(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(6):56-60.

[25]劉繼展，李萍萍，李智國.番茄采摘機(jī)器人末端執(zhí)行器的硬件設(shè)計(jì)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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(shí)別與定位[J].農(nóng)業(yè)工程學(xué)報(bào)，2008, 24(8):279-283.

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

[28]司永勝,喬軍,劉剛，等.基于機(jī)器視覺的蘋果識(shí)別和形狀特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(hào)：S225.92;TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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(xiàng)目：湖北省自然科學(xué)基金項(xiàng)目(2014CFB322)

收稿日期：2015-08-04