康乃馨扦插机器人设计与试验.pdf

农业装备工程与机械化 康乃馨扦插机器人设计与试验 苏 微1 阙 煜1 赖庆辉2 杨湛威1 闫 闯1 周生武1 1 昆明理工大学现代农业工程学院 昆明 650500 2 云南师范大学能源与环境科学学院 昆明 650500 摘 要 针对康乃馨自动化标准扦插作业需求 解决现有人工扦插模式劳动强度大的问题 该研究设计了一种抓取 扦 插一体化作业的扦插机器人系统 以康乃馨生根用插穗为对象 根据插穗物料特性参数和高产栽培农艺要求 提出辅助 栽植式末端执行器作业方式和抓插协同运动规划模型 基于YOLOv5s深度学习网络构建多目标插穗检测模型 建立扦 插机器人运动学模型 提出基于改进MD H modified denavit hartenberg 规则的逆运动学建模方法和时间最优轨迹规 划算法 仿真结果表明 改进后的逆解算法和轨迹规划算法的运行时间与常规算法相比分别降低了38 3 和72 5 搭 建扦插机器人试验台 进行定位误差及整机性能试验 试验结果表明 抓取作业时X Y方向的平均定位误差分别为 2 33和2 38 mm 扦插作业时X Y Z方向的平均定位误差分别为2 21 2 25和2 05 mm 机器人单株平均作业总时间 为14 787 s 其中识别抓取平均工作周期为6 803 s 占作业总时间的46 01 扦插作业的平均工作时间为5 104 s 占作 业总时间的34 52 插深合格率为88 扦插直立度为92 漏插率和根部损伤率分别为5 和2 基本满足自动化 标准扦插作业要求 研究结果可为温室标准化扦插设备的研发与应用提供参考 关键词 机器人 扦插 康乃馨 YOLOv5s 改进粒子群算法 轨迹规划 识别定位 doi 10 11975 j issn 1002 6819 202404074 中图分类号 S24 TP242 3 文献标志码 A 文章编号 1002 6819 2024 18 0001 12 苏微 阙煜 赖庆辉 等 康乃馨扦插机器人设计与试验 J 农业工程学报 2024 40 18 1 12 doi 10 11975 j issn 1002 6819 202404074 http www tcsae org SU Wei QUE Yu LAI Qinghui et al Design and test of a carnation cuttage robot J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2024 40 18 1 12 in Chinese with English abstract doi 10 11975 j issn 1002 6819 202404074 http www tcsae org 0 引 言 扦插是生产用种苗的主要生根繁殖方法 扦插成本 占总劳动力成本的70 1 扦插育苗是鲜花种植过程中 的关键环节 也是促进农业增收的重要农艺措施 2 针对自动化扦插设备 国内外已有一些有意义的研 究 美国IRON OX公司 3 设计了一种基于五自由度机 械臂的水培叶菜移栽机器人 可基于视觉系统检测并筛 选满足移栽要求的种苗 美国ISO公司 4 开发了一种取 苗扦插机器人 末端执行器通过直接夹取幼苗基质的方 式进行取苗 同时保证插深一致性 扦插效率可达到 2500 株 h 荷兰TTA公司 5 基于六自由度机械臂开发出 一种扦插机器人系统 可对种苗进行优质评估从而保证 扦插合格率 移栽效率可达2800 株 h 丹麦BEKIDAN 公司 6 基于四自由度机器人开发了一种全自动移栽机 工作效率可达8800 株 h 温室中的人工扦插是劳动密集 型作业 成本高 温室自动扦插机的商业价值和优势引 起了研究人员的关注 7 国内在温室自动化种植领域的 研究也颇有成果 8 陶玉龙等 9 10 研制出一种基于视觉 系统的三平移并联机器人 配备其自主研发的两指四针 钳夹式取苗末端执行器 杨艳丽等 11 开发了叶菜种苗移 植机器人 实现了叶菜种苗从穴盘移植到栽培槽的自动 化作业 工作效率约为人工移植作业的2倍以上 然而 目前的多数研究主要侧重于穴盘到穴盘间基质的移植 不适用于康乃馨生根苗的扦插应用 此外 扦插作业的 标准化也是许多研究中忽视的关键点 结合机器人扦插 的可用性与经济性评估 12 开发扦插机器人可以充分弥 补目前扦插作业中存在的人工扦插费时费力和缺乏自动 化扦插设备等问题 本文以康乃馨生根用插穗为对象 设计一种抓取 扦插一体化作业的康乃馨插穗扦插机器人 对其辅助栽 植式末端执行器 插穗目标检测算法 抓插协调运动规 划以及运动学算法等核心部件过程进行设计 通过运动 学仿真验证和性能试验对机器人的关键性能进行验证和分 析 以其为温室标准化扦插设备的研发与应用提供参考 1 康乃馨插穗特性参数测定 特性参数既是康乃馨插穗质量的重要评价指标 也 是末端执行器参数设计的重要依据 本文选用康乃馨母 本枝条作为插穗样本 图1a 其枝条叶片为4 5对 根部茎秆径向截面近似呈椭圆状 图1b 为了获得康乃馨插穗的表观特性参数 随机选取50 收稿日期 2024 04 16 修订日期 2024 06 13 基金项目 国家自然科学基金项目 52165031 作者简介 苏微 博士 副教授 研究方向为农业机械化生产和管理 Email laisubo 通信作者 赖庆辉 博士 教授 博士生导师 研究方向为农业机械装 备与计算机测控 Email laiqinghui007 第 40 卷 第 18 期农 业 工 程 学 报 Vol 40 No 18 2024 年 9 月Transactions of the Chinese Society of Agricultural Engineering Sept 2024 1 株插穗样本 使用精度为0 01 mm的游标卡尺和电子天 平分别对其几何尺寸和质量进行测量 同时采用排水法 测定体积 康乃馨插穗的表观特性参数见表1 Y X Z d D 样本1 Sample No 1 样本3 Sample No 3 样本4 Sample No 4 样本2 Sample No 2 a 三维扫描模型 a Three dimensional scanning model b 径向截面示意图 b Sketch of radial section 注 D为径向截面长轴 mm d为径向截面短轴 mm Note D is the long axis in radial section mm d is the short axis in radial section mm 图1 康乃馨插穗样本 Fig 1 Sample of carnation cuttings 表 1 康乃馨插穗表观特性参数 Table 1 Apparent characteristic parameters of carnation cuttings 参数 Parameters平均值 Average 株高 Plant height mm 16 123 径向截面长轴 Long axis in radial section mm 6 425 径向截面短轴 Short axis in radial section mm 4 799 质量 Mass g 2 456 密度 Density g cm 3 0 797 利用质构仪 TA Type XTPlus 进行插穗茎秆的剪 切试验 13 测定康乃馨插穗的剪切强度 考虑到样本位 置相对于根部存在的屈服应力差异 将试样按根部向上 45 55和65 mm位置分为3组各10株进行试验 以插 穗茎秆沿标定线切断为准 结果取平均值 茎秆剪切强 度计算式为 4pmax Dd 1 式中 为剪切强度 MPa pmax为破坏载荷 N 对载荷 位移原始数据进行处理 力学特性参数测量 结果见表2 得到康乃馨插穗的平均剪切极限载荷为 60 419 N 因此机器人扦插执行器采用夹持力30 36 N 的气爪 对插穗茎杆的损伤较小 可以降低损伤率 表 2 康乃馨插穗力学特性参数 Table 2 Mechanical property parameters of carnation cuttings 参数 Parameters值Value 剪切极限载荷 Shear limit load N 60 419 剪切强度 Shear strength MPa 24 949 剪切模量 Shear modulus MPa 14 351 杨氏模量 Young s modulus MPa 38 247 泊松比 Poisson s ratio 0 333 2 扦插机器人关键部件设计 2 1 扦插机器人硬件系统设计 康乃馨插穗扦插机器人主要由上位机 电气系统 机器人控制系统和视觉系统组成 其硬件架构如图2所 示 上位机通过以太网光纤与ROS robot operating system 运动控制器连接 深度相机通过USB口与上位 机连接 系统工作时 首先采用边缘设备对采集的彩色 图像进行特征识别和三维坐标定位 再利用上位机进行 逆运动学计算和运动规划 将位姿数据和运动参数发布 到ROS运动控制器 在控制机械臂伺服电机运动的同时 进行信号反馈 电气系统通过改变系统压力连续调节输 出力 14 并通过控制器的I O口控制电磁阀 上位机 USB2 0 电磁阀 空气压缩机 机器人控制系统 视觉系统 以太网光纤 Ethernet fiber 深度相机 振动传送带 串联机械臂 电气系统 末端执行器 ROS运动控制器 I O 电磁激振器 Electrical system Visual system Solenoid valve Depth camera Vibrating conveyor belt Electromagnetic exciter Air compressorSeries manipulator End effector ROS motion controller Robot control system Upper computer 图2 扦插机器人系统硬件架构 Fig 2 Hardware architecture of cuttage robot system 2 2 末端执行器结构与工作原理 扦插末端执行器主要由滑动助推机构 插深辅助机 构 外伸夹头 MHZ2 16气爪和CDJ2B10气缸组成 扦插作业时 末端执行器从原点出发 通过机械臂的多 轴协调运动 从传送带上抓取插穗并将其栽植到目标穴 位 15 17 作业完成后返回出发点 末端执行器结构及工 作流程如图3所示 为了保证夹持的稳固性和低损性 末端执行器的外 伸夹头夹持插穗的叶柄位置 插穗茎秆支撑于滑动助推 机构前端的柔性挡块上 通过机械臂调姿后 末端执行 2农业工程学报 http www tcsae org 2024 年 器到达穴盘对应的扦插点位 此时夹持水平面与育苗穴 盘平面构成倾角 插穗根部在插深辅助机构末端斜铲 的支撑保护作用下伸入育苗基质内 滑动助推机构在气 缸作用下沿夹持水平线以线速度v向下运动 柔性挡块 在外伸斜面的导向作用下随之推出 同时产生切向速度 v 即 v v cos 2 5 63 2 4 1 夹取 Grasping 扦插 Cuttage 抓 插协调 Grasping inserting Coordination 1 滑动助推机构 2 柔性挡块 3 外伸夹头 4 插深辅助机构 5 MHZ2 16气爪 6 CDJ2B10气缸 1 Sliding boost mechanism 2 Flexible block 3 External chuck 4 Auxiliary mechanism of cuttage depth 5 MHZ2 16 air claw 6 CDJ2B10 air cylinder 图3 末端执行器结构与工作流程 Fig 3 End effector structure and workflow 如图4所示 在切向速度v 的作用下 插穗会翻转 角度 并以最佳倾斜角度插入育苗基质中 为了保证扦插作业质量 机器人在扦插过程中需要 满足以下条件 1 保证插深合格率 最佳扦插深度 为25 30 mm 18 2 保证扦插直立度 插穗与基质 的最佳倾斜角为60 90 19 3 降低损伤率 夹取 和扦插过程中应尽量减小插穗的根部损伤 v X Z v v v X Z x y vr v 注 v为滑动助推机构运动时的线速度 m s 1 v 为柔性挡块推出时的切向 速度 m s 1 vr为柔性挡块推出时的法向速度 m s 1 为夹持水平面与 穴盘平面夹角 为线速度v与切向速度v 所成夹角 为 插穗翻转角度 Note v is the linear velocity of the sliding boost mechanism m s 1 v is the tangential velocity when the flexible block is pushed out m s 1 vr is the normal velocity when the flexible block is pushed out m s 1 is the angle between the holding plane and the plug tray plane is the angle between v and v is the turning angle of cuttings 图4 扦插末端执行器工作原理示意图 Fig 4 Schematic diagram of working principle of cuttage end effector 2 3 康乃馨插穗目标检测算法 康乃馨插穗最佳抓取位置的精准识别与定位是多目 标插穗检测的主要任务 当前多数目标检测模型在处理 高帧率视频流时 存在推理速度慢以及对小目标的检测 性能不佳等问题 20 22 为满足实时检测场景对模型快速 响应和高检测精度的需求 本文提出基于YOLOv5s深 度学习网络的插穗多目标检测模型 为机器人提供准确 的抓取位置坐标 YOLOv5s目标检测网络结构如图5所 示 主要由输入端 Input 骨干网络 Backbone 颈部网络 Neck 预测头 Head 和输出端 Prediction 组成 输入端 Input 1 3 640 640 FOCUSConv 64 160 160 C3 64 160 160 Conv 128 80 80 C3 128 80 80 Conv 256 40 40 C3 256 40 40 Conv 512 20 20 C3 512 20 20 SPFF 512 20 20 骨干网络Backbone Concat 256 80 80 颈部网络Neck Upsample 256 40 40 Conv 256 20 20 Concat 512 40 40 C3 256 40 40 Conv 128 40 40 C3 512 20 20 Concat 512 20 20 Conv 256 20 20 C3 256 40 40 Concat 256 40 40 Conv 128 40 40 C3 128 80 80 Upsample 128 80 80 检测头Prediction Detect Output 1 3 20 20 85 Detect Output 1 3 40 40 85 Detect Output 1 3 80 80 85 图5 YOLOv5s 网络结构示意图 Fig 5 Network structure diagram of YOLOv5s 图像输入后 首先在输入层进行预处理 等比缩放 到预定义尺寸后 进入由卷积层和残差块组成的骨干网 络中进行图像特征提取 残差块的应用可以有效解决深 层网络训练中的梯度消失问题 从而提高特征提取的准 第 18 期苏 微等 康乃馨扦插机器人设计与试验3 确性 YOLOv5s的颈部网络结构通过路径聚合网络 PANet 实现了不同尺度特征的有效融合 增强了模 型对小目标的检测能力 图像在通过颈部网络获取不同 尺度的特征后 进入预测头的卷积层和全连接层中进行 目标边界框的位置和类别预测 预测结果在输出端中完 成后处理 获得最终的目标检测结果 YOLOv5s模型的 参数量 params 和浮点运算量 FLOPs 分别为7 2 M 和16 5 G 与同系列模型相比轻量化程度更高 推理速 度更快 适于作为实时目标检测算法 23 在部署边缘设备时 采用 眼在手外 eye to hand 的模式 即深度相机采用固定机位安装在机械臂的正前 方 定义相机视觉深度方向为Z轴方向 沿传送带水平 和竖直方向分别为X轴 Y轴方向 24 26 将目标点的像 素坐标与深度值代入坐标转换关系中计算相机三维坐标 转换矩阵为 26 6666 6664 Xd Yd Zd 37 7777 7775 ZdK 1 26 6666 6664 u v 1 37 7777 7775 3 式中Xd Yd Zd为相机坐标系目标点三维坐标 mm K 1为相机内参逆矩阵 u v为像素坐标系目标点像素 坐标 pixel 相机坐标系与世界坐标系的变换关系为 26 6666 6664 Xw Yw Zw 37 7777 7775 Hwd 26 6666 6664 Xd Yd Zd 37 7777 7775 4 Hwd 式中Xw Yw Zw为世界坐标系目标点三维坐标 mm 为外参变换矩阵 2 4 抓 插协调运动规划 2 4 1 插穗有序抓取及扦插方案 采用末端执行器抓取 扦插一体的设计方案 图3 避免在复杂工况下由于机械臂冗余运动规划任务导致的 作业效率大幅降低的问题 通过手眼标定建立插穗坐标 系与末端执行器坐标系之间的映射关系 图6 为了 实现康乃馨插穗的高效抓取 采取有序抓取方案 即插 穗沿传送带运行方向竖直放置 仅依靠叶柄位置坐标进 行定位和抓取 末端执行器的抓取位姿P0为 P0 xk yk zk Rx Ry Rz 5 式中 xk yk zk 为目标抓取点坐标 mm Rx Ry Rz 为 欧拉姿态角 rad 其中Rx 2 Ry 0 Rz 2 z x y 基座坐标系 Base coordinate system 末端执行器坐标系 End effector coordinate system 相机坐标系 Camera coordinate system 插穗坐标系 Cuttings coordinate system 图6 手眼标定中的坐标系映射关系 Fig 6 Coordinate system mapping in hand eye calibration 建立扦插机器人末端相对位姿映射关系 图7 通过欧拉角变换式 6 求解机器人末端执行器位姿 0 6T 6 7T 0 7 T 6 0 6T 6 7T 0 7T 式中为机械臂末端连杆坐标系相对于机械臂基座坐标 系的位姿矩阵 为机器人工具坐标系相对于机械臂末 端连杆坐标系的位姿矩阵 为机器人工具坐标系相对 于机械臂基座坐标系的位姿矩阵 设定末端执行器坐标 系相对于末端连杆坐标系的扦插位姿角保持为Rx Ry 2 Rz 0 z x y 基座坐标系 Base coordinate system 末端连杆坐标系 Terminal link coordinate system 末端执行器坐标系 End effector coordinate system 穴盘坐标系 Plug tray coordinate system 图7 末端相对位姿映射关系 Fig 7 Terminal relative pose mapping 2 4 2 扦插机器人运动规划 机器人高效标准化扦插作业是抓 插协调运动规划的 主要目标 本文通过机械臂运动规划和末端执行器姿态 调整 可以高效精准地实现插穗的抓取和扦插任务 同 时保证插深合格率与扦插直立度 采用六自由度串联机 械臂具有以下优点 1 自由度高 六轴冗余自由度可 以避免出现关节限制和奇异点 27 2 重复定位精度高 适用于需要精确定位和装配的任务 28 3 自动化程度 高 适用于自动化生产线的应用场景 16 29 为了防止机器人在运动过程中发生碰撞 采用多段 运动规划流程 图8 进行抓 插协调作业 即在每个循 环作业中加入回零位和预备扦插位 机器人完成抓取任 务后先回到零位 再过渡到扦插任务中 末端执行器完 成调姿后到达预备扦插位 随后再过渡到扦插位 通过 助推机构将插穗插入基质中 抓取位 Grasp position 回零位 Zero position 过渡位 Transition position 预备扦插位 Prepare cuttage position 扦插位 Cuttage position 助推机构推苗 Booster mechanism pushed seedling 图8 扦插机器人运动规划流程 Fig 8 Cuttage robot motion planning process 2 5 扦插机器人逆运动学建模与轨迹规划 运动学的计算时间是影响机器人响应速度和动作执 行效率的关键因素 为了提高整机作业效率 本研究提 出基于改进MD H规则的逆运动学建模方法和时间最优 轨迹规划算法 通过提高逆解和轨迹插值的运行速度 优化机器人工作周期的分配和利用 4农业工程学报 http www tcsae org 2024 年 2 5 1 基于改进MD H规则的逆运动学建模方法 为了解决机器人在复杂工况下 常规SD H standard denavit hartenberg 规则存在的表达式冗长以及关节突变 等问题 本研究基于改进的MD H规则 26 构建机械臂串 联运动链模型 图9 并建立正运动学连杆坐标系以 映射各关节之间的关系 Z0 X0 X2 X3 X4 X5 Z4 Z6 a2 d4 X6 Z1 X1Z 2 Z3 Z5 d6 d1 注 di为沿Zi轴由Xi 1平移到Xi的连杆长度 mm ai 1为沿Xi 1轴由Zi 1 平移到Zi的关节偏移 mm i 1 2 6 Note di is the length of the connecting rod which is translated from Xi 1 to Xi along the Zi axis mm ai 1 is the joint offset which is translated from Zi 1 to Zi along the Xi 1 axis mm i 1 2 6 图9 六自由度机械臂MD H模型 Fig 9 MD H model of 6 DOF degree of freedom robotic arm 根据Craig法则 30 六自由度串联机械臂的末端坐标 在基础坐标系中的正运动学模型为 0 6T 0 1 T 1 2T 2 3T 3 4T 4 5T 5 6T 0 6R 0 6P 0 1 7 0 6R 0 6P式中为机械臂末端的旋转矩阵 为机械臂末端的位 置向量 根据表3列出的MD H参数结合式 6 计算得到 正序坐标系中六自由度串联机械臂的齐次变换矩阵为 i 1 i T 26 6666 6666 6664 cos i sin i 0 ai 1 sin icos i 1 cos icos i 1 sin i 1 disin i 1 sin isin i 1 cos isin i 1 cos i 1 dicos i 1 0 0 0 1 37 7777 7777 7775 8 i 1 i T式中为第i个连杆的齐次变换矩阵 i 1 2 6 表 3 六自由度串联机械臂MD H参数 Table 3 MD H parameters of 6 DOF series robotic arm i i 1 ai 1 mm di mm i 1 0 0 336 5 170 170 2 90 0 0 130 100 3 0 272 0 70 180 4 90 0 280 175 175 5 90 0 0 120 120 6 90 0 99 360 360 基于改进MD H规则的逆运动学建模后 采用解析 法求六自由度机械臂简化机构的逆运动学封闭解 机械 臂后3个连续关节的转轴相交于同一点 满足Pieper准 则 故该机械臂存在封闭形式的逆运动学解析解 2 5 2 时间最优轨迹规划算法 鉴于常规多项式轨迹规划算法计算量大和插值精度 低等缺点 为了提高机器人的运动响应速度和执行效率 本文提出基于改进粒子群算法对常规3 5 3多项式分段 插值法进行优化 31 33 的时间最优轨迹规划算法 在运动 轨迹起点和终点之间选取2个可达路径点 进而将机械 臂末端的运动轨迹划分为3段 分别使用3次 5次和 3次多项式进行插值 通过逆运动学解析解得到各插值 点对应的关节角度 轨迹插值表达式为 8 L1 t ai13t3 ai12t2 ai11t ai10 L2 t ai25t5 ai24t4 ai23t3 ai22t2 ai21t ai20 L3 t ai33t3 ai32t2 ai31t ai30 9 式中L1 t L2 t L3 t 分别为第1 2 3段轨迹对应的 多项式角位移函数 aimn为第i个关节第m m 1 2 3 段插值的第n n 0 1 5 个系数 t为插值时间 s 以插值时间作为寻优量对机械臂每个关节的运动轨 迹进行优化 构建目标函数与各关节的速度 加速度约 束条件为 8 f t min 3 j 1 t ij max vij vmax max aij amax 10 式中j为插值点序数 j 1 2 3 tij为第i个关节第j个插 值点的插值时间 s vmax为各关节的最大运动角速度 rad s amax是各关节的最大运动角加速度 rad s2 基于动态学习因子和自适应惯性权重的改进粒子群 算法 迭代式为8 vk 1ij vkij c1r1 Pij xkij c2r2 Pgj xkij xk 1ij xkij vk 1ij 11 式中k为单个粒子当前的迭代次数 Pij为单个粒子当前 位置的最优解 xij为单个粒子的当前位置 Pgj为当前粒 子群位置的最优解 r1 r2为 0 1 之间的随机数 为惯性权重 c1 c2分别为局部和全局学习因子 为了改进基本粒子群算法存在的适应性不足和收敛 速度慢等问题 本研究将基本粒子群算法中的固定或线 性学习因子改为非线性变化的动态函数 具体为 8 c1 2sin2 2 1 1k c2 2sin2 k 2N 12 式中N为粒子的最大迭代次数 为了避免基本粒子群算法过早收敛而陷入局部最优 提升算法的全局搜索能力 本文引入线性递减惯性权 重 即 max k max min N 13 式中 max为惯性权重最大值 max 0 9 min为惯性权 重最小值 min 0 4 3 运动学仿真分析 3 1 多目标扦插点遍历仿真 关节角度的精确高效计算是扦插机器人逆运动学求 第 18 期苏 微等 康乃馨扦插机器人设计与试验5 解的主要目标 本文基于改进MD H规则的逆运动学解 析算法共得到8组满足目标位姿的逆解组合 为了验证 实际扦插过程中逆解的可行性 提出基于多目标扦插点 遍历仿真的最优逆解选取方法 如图10所示 依次调用 每组逆解进行仿真 每次遍历10个目标扦插点 并以关 节角度的边界约束和突变率 mutation M 作为评价指 标对关节角度进行评估 当关节角度超过边界约束即被 视为突变 可能导致碰撞发生 突变率的计算如式 14 所示 M TMTM FM 100 14 式中TM为逆解所求关节角度的突变次数 FM为逆解 所求关节角度的未突变次数 Z mm Y mm 500 0 500 500 5000 0 500 500 X mm a 抓取位置 a Grab position Z mm Y mm X mm b 扦插位置 b Cuttage position 500 0 500 500 5000 0 500 500 图10 多目标扦插点遍历仿真 Fig 10 Multi objective cuttage points traversal simulation 在目标扦插点满足机械臂工作空间约束的基础上 突变率最小时对应最优逆解组合 仿真结果如表4所示 常规SD H规则的逆运动学 解析算法突变率为12 5 基于改进MD H规则的逆运 动学解析算法突变率降低为5 0 平均单次运算时间由 0 407 s降低为0 251 s 比常规算法降低了38 3 有效 减少了逆运动学的关节突变率和求解时间 表 4 逆解算法性能对比 Table 4 Performance comparison of inverse kinematics analytic algorithms 算法 Algorithm 突变率 Mutation rate 平均单次运算时间 Average single operation time s 常规 SD H General SD H 12 5 0 407 改进 MD H Improved MD H 5 0 0 251 3 2 改进粒子群算法仿真 基于动态学习因子和自适应惯性权重对基本粒子群 算法进行优化 并与基本粒子群算法进行比较以验证其 有效性 模型算法部署在MATLAB环境中 主要迭代 参数设置如下 时间间隔区间为 0 000 001 1 种群规模 为50 最大迭代次数为200次 寻优粒子维数为3 基 本粒子群参数设置如下 学习因子c1 c2 0 55 惯性权 重 0 55 改进粒子群参数设置如下 学习因子 cmin 1 5 cmax 2 0 使c1 c2在 1 5 2 0 范围内变化 惯性权重 max 0 95 min 0 4 惯性权重阻尼比为0 99 迭代收敛结果如图11所示 可以看出 改进粒子群算法 的迭代速度和收敛精度均高于基本粒子群算法 非线性 动态学习因子和线性递减惯性权重可以有效提高算法的 全局搜索能力 验证了改进算法的有效性 0 50 100 150 200 迭代次数Number of iterations 3 0 3 5 4 0 4 5 5 0 适应度值 Fitness value 改进后After improvement 改进前Before improvement 图11 收敛效果对比 Fig 11 Comparison of convergence effects 3 3 时间最优轨迹规划仿真 实时反馈控制和安全操作是可视化轨迹规划仿真的 主要任务 本研究利用MoveIt Gazebo开展时间最优轨 迹规划联合仿真 在Ubuntu18 04 ROS melodic环境中 通过软件开发工具包 software development kit SDK 提供的通用接口搭建通讯架构 利用MoveIt进行运动规 划组设置 选用OpenRAVE运动规划软件提供的IKFast 解析运动学插件求解逆运动学方程 并在运动规划库 open motion planning library OMPL 中使用最优时间 轨迹规划算法 生成配置文件并导入MoveIt rviz可视化 模拟器 上位机向伺服控制器发布信息以驱动关节伺服 电机同步运动 同时向Moveit节点反馈电机的状态数据 形成闭环控制 从而实现扦插机器人的可视化实时仿真 控制 图12 a 抓取位姿 a Grab posture b 扦插位姿 b Cuttage position 图12 扦插机器人可视化实时仿真控制 Fig 12 Visual real time simulation control of cuttage robot 扦插机器人的软件架构如图13所示 轨迹规划仿真 过程中 通过Joint states节点反馈关节运动参数 将基 于改进粒子群算法优化的分段插值法与常规3 5 3多项 式分段插值法的关节角度 角速度和角加速度曲线进行 对比 如图14所示 仿真结果表明 采用时间最优轨迹 规划算法得到的各关节角度轨迹平滑且连续 角速度和 角加速度未发生突变 保证了实时控制下的稳定性要求 相较于常规多项式分段插值法 优化后算法的单次运行 6农业工程学报 http www tcsae org 2024 年 时间由12 s降低为3 3 s 减少了近72 5 各关节的角 速度和角加速度曲线的峰值提高 增强了机器人的运动 响应速度和执行效率 验证了时间最优轨迹规划算法的 有效性和高效性 MoveIt Gazebo 关节1 关节2 关节3 关节4 关节5 关节6 路径规划组关节循迹插件 轨迹规划 OpenRAVE IKFast OMPL QuinticPolynomial 逆运动学 C 接口 Move group interface Python接口 Move commander rviz插件接口 GUI MoveGroup Action Pick Action Place Action 关节伺服控制器 Joints states controller 轨迹点 Trajectory points TCP IP ROS controllers PC ROS Master Ubuntu18 04 关节真实位置 Joints states ROS参数服务器 URDF SRDF Config Easy handeye Camera calibrationLeTMC 520 深度相机 相机内参 相机外参 机械臂 URDF配置文件 MD H参数USB sam 深度图像 点云 图13 扦插机器人系统软件架构 Fig 13 Software architecture of cuttage robot system 1 5 关节 Joints 优化前 Before optimization 优化后 After optimization 角度 Angle rad 时间 Time s 12 34 56 1 0 0 5 0 0 5 1 0 0 2 4 6 8 10 12 2 5 关节 Joints 角度 Angle rad 时间 Time s 12 34 561 5 2 0 1 0 0 5 0 0 5 1 0 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 关节 Joints 角速度 Angular velocity rad s 1 时间 Time s 12 34 562 3 1 0 1 2 3 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 10 关节 Joints 角加速度 Angular acceleration rad s 2 时间 Time s a 角度曲线 a Angle curve b 角速度曲线 b Angular velocity curve c 角加速度曲线 c Angular acceleration curve 12 34 56 5 0 5 10 0 0 5 1 0 1 5 2 0 2 5 3 0 3 5 0 8 关节 Joints 角速度 Angular velocity rad s 1 时间 Time s 12 34 56 0 6 0 4 0 2 0 0 4 0 2 0 6 0 8 0 2 4 6 8 10 12 1 0 关节 Joints 角加速度 Angular acceleration rad s 2 时间 Time s 12 34 56 0 5 0 0 5 1 0 0 2 4 6 8 10 12 图14 优化前后关节角度 角速度与角加速度对比 Fig 14 Comparison of optimized anterior and posterior joint angle angular velocity and angular acceleration 4 扦插试验 4 1 试验设备与材料 根据理论计算及仿真分析结果搭建扦插机器人试验 台 图15 主要