针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Targ...针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Target-guided rapidly-exploring random tree star,TG-RRT^(*))的多目标路径规划方法(BD-PSO_TG-RRT^(*))。通过在快速扩展随机树星(RRT^(*))算法中引入自适应步长、设定等边圆锥采样区域、目标偏向策略和直连策略,加速路径生成并增强导向性。对初始路径进行冗余点去除与三次B样条曲线平滑处理,提升路径质量。通过BD-PSO算法确定多目标采摘顺序。实验结果表明,TG-RRT^(*)算法相较于传统快速扩展随机树(RRT)和RRT^(*)算法平均路径长度缩短23.18%、11.67%,平均时间降低12.59%、71.96%,平均迭代次数降低68.07%、31.58%。在多目标连续采摘路径规划仿真实验中,BD-PSO_TG-RRT^(*)算法与原PSO与TG-RRT^(*)结合算法相比,平均规划时间降低8.14%,平均迭代次数降低13.24%,BD-PSO_TG-RRT^(*)算法能够生成适用于机械臂多目标采摘的最优路径,有效缩短了采摘路径总长度,并显著减少了路径规划时间。研究结果为苹果采摘机器人在执行多目标连续采摘任务时提供了技术参考。展开更多
文摘针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Target-guided rapidly-exploring random tree star,TG-RRT^(*))的多目标路径规划方法(BD-PSO_TG-RRT^(*))。通过在快速扩展随机树星(RRT^(*))算法中引入自适应步长、设定等边圆锥采样区域、目标偏向策略和直连策略,加速路径生成并增强导向性。对初始路径进行冗余点去除与三次B样条曲线平滑处理,提升路径质量。通过BD-PSO算法确定多目标采摘顺序。实验结果表明,TG-RRT^(*)算法相较于传统快速扩展随机树(RRT)和RRT^(*)算法平均路径长度缩短23.18%、11.67%,平均时间降低12.59%、71.96%,平均迭代次数降低68.07%、31.58%。在多目标连续采摘路径规划仿真实验中,BD-PSO_TG-RRT^(*)算法与原PSO与TG-RRT^(*)结合算法相比,平均规划时间降低8.14%,平均迭代次数降低13.24%,BD-PSO_TG-RRT^(*)算法能够生成适用于机械臂多目标采摘的最优路径,有效缩短了采摘路径总长度,并显著减少了路径规划时间。研究结果为苹果采摘机器人在执行多目标连续采摘任务时提供了技术参考。
