基于改进ACO-DWA算法的轮式植保机器人避障路径研究_牛晶.pdf

第38卷 第5期 188 电子测量与仪器学报 JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENTATION Vol 38 No 5 2024年5月 收稿日期 2024 01 23 Received Date 2024 01 23 基金项目 甘肃省高校教师创新基金 2023A 114 天水师范学院校级产业支撑项目 CYZ2023 05 天水师范学院校级创新创业引导项目 CXCYJG JGXM202304JD 资助 DOI 10 13382 j jemi B2407237 基于改进ACO DWA算法的轮式植保机器人 避障路径研究 牛 晶1 申传艳1 张利鹏2 李奇军1 刘世锋1 1 天水师范学院机电与汽车工程学院 天水 741001 2 燕山大学车辆与能源学院 秦皇岛 066004 摘 要 山地非标准果园内大型植保机械通行性差 小型轮式植保机器人有广阔的应用前景 为解决因果园枝叶郁闭所造成的 视觉信息误判 作业地形复杂所造成的机器人避障不及时等问题 提出了一种基于改进ACO DWA算法的轮式植保机器人路径 规划算法 首先通过激光雷达获取果园环境信息 应用体素化网格法精简点云密度 利用栅格法分割地面点云 采用K means 算法提取机器人行间通行区域 再结合植保机器人的运动学模型及作业规范约束 采用基于模型预测算法 SBMPO 生成一系 列待选轨迹集合 然后采用改进的ACO DWA算法 将机器人的通行成本融入搜索节点的目标函数 根据环境地图在线进行路 径规划 最后 利用MATLAB R2021仿真平台和机器人ROS操作系统分别进行了仿真验证和实景布置试验 试验结果表明 该 方法可以明显改善机器人在果园复杂场景下的通行能力 算法路径规划效果和运行效率明显提高 关键词 轮式植保机器人 改进ACO DWA算法 路径规划 通行成本 能耗成本 中图分类号 TP242 6 文献标识码 A 国家标准学科分类代码 510 80 Research on obstacle avoidance path of wheeled plant protection robot based on improved ACO DW A algorithm Niu Jing1 Shen Chuanyan1 Zhang Lipeng2 Li Qijun1 Liu Shifeng1 1 School of Mechanical Electrical and Automotive Engineering Tianshui Normal University Tianshui 741001 China 2 School of Vehicle and Energy Yanshan University Qinhuangdao 066004 China Abstract Large scale plant protection machinery in non standard orchards in mountainous areas has poor accessibility and small wheeled plant protection robots have broad application prospects A path planning algorithm for wheeled plant protection robots based on improved ACO DWA algorithm is proposed to solve the problems of visual information misjudgment caused by closed orchard branches and leaves as well as delayed obstacle avoidance caused by complex working terrain Firstly the orchard environment information is obtained through LiDAR and the voxel grid method is applied to simplify the point cloud density The grid method is used to segment the ground point cloud and the K means algorithm is used to extract the robot s inter row passage area Combined with the kinematic model and job specification constraints of the plant protection robot a series of candidate trajectory sets are generated using the model based prediction algorithm SBMPO Then using the improved ACO DWA algorithm the robot s travel cost is integrated into the objective function of the search node and path planning is carried out online based on the environmental map Finally simulation validation and real world deployment experiments were conducted using MATLAB R2021 simulation platform and robot ROS operating system respectively The experimental results show that this method can significantly improve the traffic capacity of robots in complex orchard scenes and the path planning effect and operational efficiency are significantly improved Keywords wheeled plant protection robot improved ACO DWA algorithm path planning travel costs energy consumption cost 第5期基于改进ACO DWA算法的轮式植保机器人避障路径研究 189 0 引 言 轮式移动机器人集成了深度视觉传感器定位 障碍 物检测与路径规划 能耗与热管理 系统集成与优化等多 项关键技术 近年来在军民领域有着快速的发展与应用 尤其随着农业生产的现代化 信息化 智能化发展 在田 间地头能够自主作业的植保机器人有着广阔的发展前 景 一方面减轻了农业生产的劳动强度 另一方面提高了 作业效率与质量 路径规划是果园植保机器人技术领域的重点问题 它决定了机器人如何行驶到达指定目标 涉及环境信息 的感知和计算 目前 路径节点搜索使用的算法主要包 括蚁群算法 遗传算法 粒子群算法等智能算法和A Dijkstra Hybrid A D 等基于图搜索的算法 A 算法 应用广泛 但面对复杂非结构化场景进行搜索时 它计算 量大 内存消耗严重 狭窄通道会产生振荡 针对A 运 算速度慢的问题 文献 1 提出了跳点搜索法 但该方法 不能在复杂不规则地图中保证路径全局最优 文献 2 采用直线 圆弧策略对路径平滑处理后极大改善了路径 不平滑程度 文献 3 使用微分方法减少了拐点数 但 计算量增大 文献 4 优化了A 算法的启发函数 改进 了关键节点的选择策略 减少了路径冗余点 文献 5 提出了曲率速度法 curvature velocity method CVM 将 避障问题描述为速度空间带约束的优化问题 建立了包 含速度 安全性和路径3个因素的优化目标函数 文 献 6 在CVM基础上 提出了更完善的DWA算法 目标 函数综合考虑了航向角 速度和障碍物距离3个因素 得 到的轨迹比较平滑 有效解决了围绕障碍物绕行的问题 在实际果园环境作业过程中 除了考虑避障约束 距离代 价之外 还应当保证机器人的运动学约束 因此 一些学 者提出了将路径规划与轨迹优化结合的方法 对规划好 的路径进行轨迹优化处理 7 陈成等 8 采用四阶贝塞尔 曲线来表述轨迹形状 但贝塞尔曲线的局限性限制了轨 形的可塑性 不适用于复杂路面情况 曹如月等 9 用贝 塞尔曲线对转角处路径进行平滑处理 以 直线一曲线一 直线 的方式表示全局路径 以分步的形式优化全局路 径 吕恩利等 10 利用三次均匀B样条曲线描述叉车路 径 优化了整体轨迹形状 但此方法主要是针对短距离路 线的简单作业情况 对于复杂路面应用仍存在一定局 限性 考虑到算法计算资源的占用量和路径规划的实时性 和鲁棒性 现有的DWA算法在果园场景中应用存在如 下问题 1 路径状态节点搜索过程中存在大量冗余节点 计算量大 运算时间长 2 在果树行间作业过程中遇到障 碍物机器人倾向选择绕行 导致路径变长 3 复杂不规则 场景下 机器人运行轨迹不平滑 易产生振荡 基于以上分析 本文提出了一种基于改进ACO DWA算法的轮式植保机器人路径规划算法 通过激光 雷达提取果园环境信息 应用体素化网格法精简点云密 度 利用栅格法分割地面点云 采用K means算法提取机 器人行间通行区域 再结合植保机器人的运动学模型及 作业规范约束 采用基于模型预测算法 sampling based model predictive optimization SBMPO 生成一系列待选轨 迹集合 然后采用改进的ACO DWA算法 将机器人的通 行成本融入搜索节点的目标函数 根据环境地图在线进 行路径规划 获得的路径规划效果在路径长度 避障能力 和计算时间上明显优于传统DWA算法 1 果园环境信息识别系统 1 1 系统组成 该植保机器人由四轮独立驱动电动底盘 16线激光 雷达 GNSS导航系统 锂电池组 底盘控制器等组成 如 图1所示 图1 植保机器人实物图 Fig 1 Plant protection robot GNSS导航系统安装在基座上 为机器人提供全天候 的三维坐标和速度以及时间信息 16线激光雷达用于感 知周围环境信息 识别障碍物位置 锂电池组作为储能系 统 为机器人提供能量 延长续航时间 底盘控制器是一 个紧凑的差速驱动移动小车 其处理器采用Jetson NANO B01主控 搭载Ubuntu 18 04操作系统 机器人作业过 程中 由GNSS导航系统提供路径全局定位 由激光雷达 进行局部环境参数的感知 植保机器人的结构尺寸需满 足果树行间尺寸的要求 其设计宽度为100 cm 山地果园大多依山势而建 地面易高低起伏 同时 果树生长中后期枝叶繁茂遮挡 果园光照强度分布不均 都易对GNSS信号的稳定性产生影响 造成机器人作业 时发生局部碰撞 因此 机器人局部作业路径的规划主 要由激光雷达信号支持 1 2 果树行间激光点云数据处理 受果树枝叶遮挡和光照不均等因素影响 果树由激 190 电 子 测 量 与 仪 器 学 报第38卷 光雷达采集的果园行间主干部分点云分布较集中 四周 点云较零散 并且中间空白部分点云区域与实际可通行 尺寸相比明显较小 如图2所示 因此 可以通过对果树 行间激光点云数据的处理进一步优化机器人行间通行 边界 图2 雷达数据信息 Fig 2 Radar data information 激光雷达采集区域内与果树行间通行尺寸无关的点 较多 如地面 杂草及空间其他障碍物 故文中仅提取机 器人行驶方向两侧果树所在区域的点云信息 首先 采 用体素化网格方法降低点云密度 精简计算量 再根据坐 标变换法将空间点云转换至图像坐标系 形成地面点云 再利用栅格法将地面点云与其他一切点云信息分割 减 少干扰因素 最后采用K means算法提取机器人行间通 行的主干区域 文中根据栅格单元高度差 高度方差以及高度梯度 分割获取的地面点云 建立如图3所示的地面栅格地图 坐标原点为激光雷达中心 设定栅格单元边长0 1 m 激光点P x y z 所属栅格单元g r c 的计算方 法为 g r c floor x 0 1 15 floor y 0 22 0 1 1 式中 floor 为向下取整函数 图3 平面栅格地图 Fig 3 Planar raster map 计算每个栅格单元的高度差 高度方差和高度 梯度 11 设定阈值评价栅格单元的高度差 高度方差和高度 梯度 将满足条件的栅格单元划分为地面区域 12 建立 的点云地面投影如图4所示 图4 点云地面投影 Fig 4 Ground projection of points cloud 1 3 K means算法实现主干区域点云聚类 激光点云聚类是根据点云不同特征将其划分为非空 的 互斥的簇 并使同一簇中的点云具有相近的特征 13 本文采用K means聚类方法聚类果树行点云 并将聚类中 心作为果树行的主干区域点 进而拟合机器人航线方程 设通过栅格法获取的地面点云集合为S 则其中任 意点 xi yi 与其相邻点 xj yj 之间的欧氏距离表示 如下 dij xi xj 2 yi yj 2 2 点间欧氏距离越短 证明两个数据相似度越高 对 果树行点云数量估计设置k值 如式 3 所示 对每个地 第5期基于改进ACO DWA算法的轮式植保机器人避障路径研究 191 面点云样本点计算到这k个中心点的距离 将样本点归 至与之距离最小的那个中心点的簇 k hl ptan15 3 式中 h为激光雷达基准线离地高度 lp为估算的果树株 间距 则经过聚类后k个聚类的中心点为 Xi 1 S i x Si x 4 算法的聚类准则为 k means Si argmin k i 1 x Si x Xi 5 通过聚类获得的果树点云信息如图5所示 由图可 见 由于16线激光雷达采集的点云密度大 且果树枝叶 分布茂盛 存在近端数据点云密度高于远端数据点云 密度 图5 果树主干聚类点云图 Fig 5 Points cloud of fruit tree trunk clustering 2 ACO算法模型 蚁群算法的基本原理已在肖艳秋等 14 著作中详细 讲解 下文仅扼要说明算法核心中的状态转移率和信息 素增量模型 2 1 状态转移率 在t时刻 可将蚂蚁由状态节点i运动到相邻状态节 点j的状态转移率定义为 Pmij t ij t ij t S Um is t is t j Um 0 其他 null null null nullnull nullnull 6 式中 Pmij t 是t时刻第m只蚂蚁从状态节点i运动到状 态节点j的状态转移概率 ij t 是路径 i j 上的信息素 浓度 其中 是信息启发式因子 反映信息素对蚂蚁选择 路径的影响力 ij t 是第m只蚂蚁在状态节点i处选择 相邻状态节点j的启发函数 其中 是期望启发式因子 反映启发式信息在指导蚁群搜索过程中的重要程度 Um 为蚂蚁尚未访问的下一节点集合 s为与当前位置相邻的 可选节点集合 is t 为第m只蚂蚁在当前状态节点i与 各相邻状态节点之间的信息素浓度 is t 为第m只蚂 蚁在当前节点i与各相邻状态节点之间的启发函数 启发函数 ij t 可表达为 ij t 1 Dij 7 式中 Dij为状态节点i和状态节点j之间的距离 2 2 信息素浓度更新模型 目前 常见的信息素浓度更新模型有ADS ant density system AQS ant quantity system 和ACS ant cycle system 15 ADS模型和AQS模型采取局部更新 策略 ACS模型采取全局更新策略 考虑到算法求解速 度和避障能力 本文采用AQS模型为原型 假设第m只蚂蚁当前循环经过路径 i j 状态节点 的集合为X i j i 1 2 n j 1 2 n 则 mij t Q Dij i j X 0 其他null 8 式中 mij t 是第m只蚂蚁从t 1时刻到t时刻从状态 节点i运动到相邻状态节点j的路径信息素浓度增量 Q 为信息素强度 是大于0的常数 3 改进的DWA算法设计 3 1 经典DWA算法 经典DWA算法的实施过程是将机器人的位置控制 转换成速度控制 将避障问题描述为机器人速度空间带 约束的优化问题 其约束包括速度 航向及周围环境障碍 物的位置约束 16 由机器人运动轨迹节点周围障碍物的物理约束决定 的 纵向速度和机器人横摆角速度限制构成的速度集合 Us ua r 必须满足 US ua r 0 ua uamax rmax r rmax 9 机器人的行驶轨迹可以认为是由n个时间段的n段 折线段组成 折线段的连接点处被认为是在满足障碍物 膨胀尺寸限制的前提下 极限靠近障碍物所在位置 为 了保证机器人运动过程中遇到障碍物不发生碰撞 由运 动学条件限制可以得到时间dt后 速度集合Ua必须 满足 192 电 子 测 量 与 仪 器 学 报第38卷 Ua ua r ua 2 dist ua r u a r 2 dist ua r r 10 式中 dist ua r 表示下一时刻机器人和障碍物之间的 直线距离 假设机器人当前时刻的速度集合为 uacurr rcurr 则下一时刻的速度集合Ud必须满足 Ud uad rd uacurr uamaxdt ua uacurr uamaxdt rcurr rmaxdt r rcurr rmaxdtnull 11 最终的速度集合U可表示为 U US Ua Ud 12 通过目标函数对下一时刻的速度集合进行预测 本 文定义的目标函数综合考虑了运动速度 航向和碰撞安 全性 如式 13 所示 G uad rd l m dist ua r n uamax 13 式中 表示机器人行驶方向与目标线之间的夹角 dist ua r 表示机器人位置与障碍物之间的最短距离 l m n分别是角度 距离和车速权重系数 目标函数的 数值越大代表速度集合越优秀 机器人在路径规划过程 中需要从多个传感器获取位置和速度信息 而这些信号 通常不总是连续的 评价结果可能会存在一定误差 为了 减小误差上述3个权重系数通常做归一化处理为 0 1 之间的数 根据式 13 可以计算得到每一条机器人待选轨迹 的目标函数值 能使该值最大的速度集合即为最优集合 经典DWA算法中3个权重系数的数值是固定的 为了 验证上述3个权重系数在大小不同情况下的路径规划效 果差异 本文在MATLABR2021仿真平台中使用栅格法 构建了10 10 dm2的环境地图 机器人从原点出发 实心 圆点表示障碍物所在位置 圆圈表示障碍物的膨胀尺寸 曲线表示机器人的运行轨迹 空心圆点表示路径目标点 空白区域表示开放空间 仿真结果如图6 8所示 图中 隐藏了地图栅格 从仿真结果可以看出 所有权重系数数值都较大时 机器人运行步数偏少 路径规划时间较短 如图6所示 l 值较小时 运行步数偏多 路径规划时间较长 如图7所 示 m和n较小时 运行步数明显增多 机器人出现绕行 路径规划时间明显增多 如图8所示 3种情况对应的 路径规划效果如表1所示 表1 3种权重系数情况的路径规划效果 Table 1 Path planning effect 场景路径规划时间 s路径规划距离 m 图6 8 79 10 72 图7 9 78 9 04 图8 10 20 14 36 图6 大权重系数运动轨迹 Fig 6 Trajectory of three high weights 图7 小角度权重系数运动轨迹 Fig 7 Trajectory of low angle weight 图8 小距离 小速度权重系数运动轨迹 Fig 8 Trajectory with low distance and velocity weights 因此 当机器人高速运动时 如果周围障碍物密度过 大 经典的DWA算法规划的路径会使机器人太靠近障 第5期基于改进ACO DWA算法的轮式植保机器人避障路径研究 193 碍物 通过性显著下降 安全性大幅降低 17 甚至还会出 现绕行 导致规划路径和规划时间变长 在某些情况下 机器人会在多个障碍物间振荡 产生上述问题的根本原 因是目标函数中的权重系数一旦确定 将无法适应各种 复杂多变的环境 当障碍物情况和机器人运动状态发生 变化时 还有可能规划出一些奇怪的路径 18 基于上述考虑 本文根据蚁群算法在全局优化和搜 索过程连续收敛等方面的优势 提出了一种改进的ACO DWA算法 通过蚁群算法使目标函数的权重系数自适 应 19 该算法显著减少了机器人的绕行距离和路径规 划时间 提高了在密集障碍物场景中的通过能力和安全 性 下文将详细阐述根据蚁群算法对上述权重系数进行 动态更新的具体过程 3 2 融合ACO算法的DWA算法改进 假设当前t时刻 机器人行驶方向区域有一定密度 的障碍物 20 若该区域障碍物的个数为K 机器人与第i个障碍物 之间的最短距离为Di 方位角为 i 定义当M大于阈值 时 该区域为障碍密集区 定义第i个障碍物与第j个障 碍物之间的最短距离为Dij Dij Di2 D2j DiDjcos i j i j 14 考虑到机器人在障碍物间穿行的安全性和机动性 为了衡量机器人在两障碍物间的可通过性 定义其穿行 机能数Ds为 Ds a max rmax b umaxu a 15 式中 rmax为 r中的最大值 max为 i中的最大值 系数 a反映机器人方向偏差对通过能力的影响 根据栅格地 图的建模经验 其值取0 6 系数b反映机器人速度对通 过能力的影响 根据栅格地图的建模经验 其值取0 4 引入障碍物的膨胀半径 则机器人在两障碍物间 能够安全通行的条件是 Ds Dij 16 式中 根据栅格地图的建模经验 值取0 3 则动态信息素的更新模型如下 mij Dsmax Dij Dij Dsmin Dij Dsmax Dij Dsmin null null null null nullnull null null 17 式中 Dmax Dmin 是第n次迭代可以接受的误差 为 一常数 Dmax是指机器人运行至局部避障区域后 在任意 两个障碍物间运动得到的穿行机能数的最大值 Dmin是 指机器人运行至局部避障区域后 在任意两个障碍物间 运动得到的穿行机能数的最小值 3 3 算法流程 步骤1 由激光雷达获取环境地图信息 定位机器人 运动起始点和目标点 获取空间所有状态节点信息 计算 相邻矩阵和启发式信息矩阵 步骤2 参数初始化 初始化迭代次数为N 蚁群规 模M 信息启发式因子 期望启发式因子 信息素挥 发系数 信息素浓度 步骤3 实时计算障碍物密度 机器人与各障碍物的 实际距离和方位 步骤4 路径选择更新 查询相邻矩阵 获取当前节 点i运动至下一节点可行的节点集合 按照式 1 3 计算第m只蚂蚁选择相邻节点的概率 在节点更新过 程中依据捕获的地图信息 以障碍物密度 机器人与各障 碍物的实际距离和方位等信息判断是否进入障碍物密集 区 若进入 转入步骤5 7 进行 若不进入 步骤5 中 的权重系数全部做定值处理 步骤5 在全局路径规划节点中剔除dist ua r 大 于阈值的节点集合 蚂蚁序号更新 车载处理器计算各障 碍物之间的距离Dij和机器人穿行机能数Ds 获得Dmax 和Dmin值 计算更新信息素 获得动态更新的权重系数l m和n 步骤6 根据式 8 获得备选速度空间U ua r 对3个权重系数分别作归一化处理 得到t 1时刻机器 人的最优速度集合 步骤7 执行该速度 判断是否到达目标点 若是 则 结束迭代过程 否则返回步骤1 4 试验与分析 4 1 仿真参数初始化 为了进一步验证文中提出的改进ACO DWA算法的 整体性能 本文在MATLAB R2021仿真平台上对该算法 进行了测试 仿真初始化参数如表2 4所示 表2 机器人运动状态初始参数 Table 2 Initial parameters of the robot motion state 参数x m y m rad ua km h 1 r rad s 1 起始点0 5 0 5 0 68 10 20 目标点9 5 8 5 0 0 0 表3 DW A算法初始参数 Table 3 Initial parameters of the DW A algorithm 膨胀半径 m 时间分辨率 s 线速度分辨率 m s 1 角速度分辨率 rad s 1 预测时间 s 0 3 0 01 0 03 0 2 4 194 电 子 测 量 与 仪 器 学 报第38卷 表4 ACO算法初始参数 Table 4 Initial parameters of the ACO algorithm G m Q 100 40 3 4 0 5 100 表3中 考虑到栅格地图边长为1 如果膨胀半径设 置为0 5 机器人将与障碍物碰撞 为了确保机器人和 障碍物之间的距离不会太近 而且机器人不会绕行 膨胀 半径取值为0 3 栅格地图中有100个单元格 分辨率取 机器人线速度和角速度的1 100即可保证每个单元格都 有一个状态节点 因此 线速度和角速度的分辨率分别 取0 03和0 2 根据机器人初始线速度的水平和栅格地 图的大小 考虑路径规划的最长范围 设计仿真测试时间 为4 s 表4中 的大小反映了路径搜索中随机因素的强 度 它的值越大 选择先前路径的蚂蚁就越多 搜索的随 机性就会减弱 其值越小 搜索将过早地陷入局部最优 根据经验 该值的一般范围为 1 4 因此 本文选择了 综合求解性能较好的3 反映了先验因素和确定性因 素在寻找最优路径过程中的强度 根据经验 一般取值 范围为 3 5 本文取4 这样算法综合性能更好 的 大小影响算法的收敛速度和全局搜索性能 是一个介于 0和1之间的数 如果它的取值太大 全局搜索能力增 强 但算法的收敛速度变慢 根据经验 该值取0 5 如 果蚁群m的数量太小 全局性能将降低 并会出现过早 停滞 如果m太大 算法的收敛速度将减慢 根据经 验 m一般取10 50的值 文中取40 信息素强度Q对 算法性能的影响取决于上述参数的选择 因此 Q值的 选择无需特别考虑 最大进化代数G表示蚁群算法运行 结束条件 一般取100 500 文中取100 4 2 算法优化仿真结果 融合蚁群算法的DWA算法可以明显加快机器人接 近障碍物区域时的局部路径动态更新能力 通过获得的 最优目标函数 保证汽车的运动速度 行驶方向和碰撞安 全性 如图9所示 在栅格地图进入障碍密集区开始 时 刻10 450 s时 经典DWA算法的预测轨迹线是虚线 融 合蚁群算法的改进DWA算法的轨迹线是实线 可见 虚线线条代表的汽车行驶路径明显增长 在此时刻经典 DWA算法得到的目标函数明显大于改进DWA算法的 按照目标函数最大化的算法逻辑 依照经典DWA算法 会使机器人继续增大速度和偏转角度 进一步绕开障碍 物密集区 最终导致路径增长 1 速度改变下算法仿真试验 图10所示 虚线表示机器人车速设定5 km h 在多 个障碍物间预测轨迹产生了一些振荡 为了验证车速对 改进DWA算法的影响 提高机器人速度提升至15 km 图9 时刻10 450 s机器人预测轨迹 Fig 9 The trajectory of the robot at 10 450 s h 如实线所示 可见速度提高轨迹振荡明显消除 图10 速度改变机器人的预测轨迹 Fig 10 Predicted trajectory of changing the speed of the robot 图11所示为此情况下目标函数的仿真结果 可以 看出 当目标函数的3个权重系数进行蚁群算法迭代后 若机器人离障碍物较远 优化后的备选速度集合是较高 的 若机器人离障碍物较近 优化后的备选速度集合是较 低的 上述算法逻辑完全符合动态调整机器人速度和轨 迹的指导思想 保证了机器人在密集障碍物区域的机动 性和安全性 2 改变障碍物个数和位置下的算法仿真试验 如图12所示 增加障碍物的个数和改变障碍物的位 置后 新预测的轨迹较前振荡略有减弱 在保证安全性的 前提下 机器人从起始点运动至目标点的运行总体效率 明显提高 场景1中机器人在果树行间边沿运行轨迹相 对较直 符合园艺规范要求 场景2中计算迭代次数降低 了20 69 总运行时间下降了16 78 场景3中在规划 路径节点中遇到障碍物导致机器人规划路径失败 总体 第5期基于改进ACO DWA算法的轮式植保机器人避障路径研究 195 图11 机器人速度15 km h的目标函数3D图 Fig 11 3D diagram of the objective function at 15 km h 来说 改进的ACO DWA算法基本能够有效应对各种复 杂园内障碍物场景 为了定量对比多种不同场景下改进算法前后的综合 性能 验证算法的普适性 表5列出上述3种场景的算法 性能的对比结果 可见按照改进的ACO DWA算法进行 机器人路径规划 场景变换后对机器人的运动性能影响 不大 表5 场景变换后性能对比结果 Table 5 Comparison results in different scenarios 场景 安全性 dist m 1 迭代步数总时间 s总路程 m 场景1 0 246 339 17 801 15 320 场景2 0 213 350 18 091 15 231 场景3 0 177 407 17 443 14 998 3 改进的ACO DWA算法与优秀DWA算法变体的 性能比较 为了比较文中所述的改进ACO DWA算法与其他优 秀DWA算法变体的性能差异 文中在10 10 dm2栅格地 图仿真环境中设计了3种典型静态障碍物场景 设定栅 格单元边长0 1 m 通过改变机器人的速度和栅格地图 精度 比较改进的ACO DWA DWA DWA A 和BSDWA 算法在路径规划长度 规划时间和平滑度方面的差异 仿真结果如图13所示 图13中 点线表示改进ACO DWA算法的路径轨 迹 实线 箭头线和虚线分别表示DWA DWA A BSDWA算法的路径轨迹 当机器人速度设置为10 km h时 这4种算法规划的路径轨迹存在明显差异 在环 形障碍物场景中 改进的ACO DWA和DWA A 路径规 划长度相对较短 转弯次数较少 相比之下 BSDWA和 DWA算法在首次遇到障碍物时更倾向选择较远路径 图12 预测轨迹 Fig 12 Predicted trajectory 在交错形场景中 BSDWA算法的轨迹在障碍物之间有明 显振荡 但DWA和DWA A 的路径规划长度明显较 长 在迷宫形场景中 4种算法在初始阶段的性能没有 太大差异 然而 改进的ACO DWA算法在后期选择了 196 电 子 测 量 与 仪 器 学 报第38卷 图13 10km h时3种典型场景的算法性能对比结果 Fig 13 Comparison of algorithm performance in three typical scenarios at 10 km h 一种更直接的搜索方式 其规划长度是最短的 受文章 篇幅限制 表6中仅列出交错形场景中机器人路径规划 长度 转弯次数和规划时间的仿真结果 考虑到机器人速度是影响算法性能的重要变量 将 机器人速度由10 km h提高到30 km h 在上述3种情 况下获得的仿真结果如图14所示 表6 多种算法性能仿真结果对比 Table 6 Performance comparison of different algorithms 算法路径规划长度 m转弯次数路径规划时间 s DWA 18 309 1 1 20 改进的ACO DWA 14 167 2 0 78 DWA A 16 701 2 0 84 BSDWA 17 860 4 1 19 图14 30 km h时3种典型场景的算法性能对比结果 Fig 14 Comparison of algorithm performance in three typical scenarios at 30 km h 第5期基于改进ACO DWA算法的轮式植保机器人避障路径研究 197 与图13的仿真结果相比 在环形场景类型中 DWA 算法选择了以绕远的方式来减少转弯次数 改进ACO DWA算法的性能与之前相比没有太大变化 在交错形 场景中 这4种算法的仿真结果都有了明显的变化 为 了避免在交错障碍物中振荡 改进ACO DWA算法选择 了不转弯的绕远路径 在迷宫形场景中 DWA规划了一 条非常奇怪的路径 规划距离明显增加 其他3条路径都 有不同程度的绕远 其中改进ACO DWA的路径最短 总体而言 随着速度的增加 改进DWA算法规划的路径 相对较短 更符合人们的驾驶逻辑 比较图13 b 和14 b 中改进ACO DWA算法的性 能可以看出 这两条路径的长度几乎相同 但路径平滑度 显著不同 原因可以从图15中的蚁群算法的适应度进 化曲线中找到 低速下 蚁群在接近局部最优解的地方 过早进化 如粗实线所示 减少了搜索的广度 相反 细 实线代表了高速情况 蚁群个体具有更强的全局搜索能 力 找到了一条全局最优路线 因此 在未来算法优化过 程中 可以进一步引入随机因素 使蚁群更具探索性 跳 出局部最优解 图15 蚁群算法适应度进化曲线 Fig 15 Evolution curve of ant colony algorithm fitness 4 3 实景试验 为验证本文所提融合算法的正确性 为更精确分析 该方法在多种果树种植密度下的植保机器人可通行区域 识别精度 本试验通过布置标定好行距和株距的果树植 株 模拟真实场景开展精度分析试验 经过调研 甘肃地 区机械化种植果树作物的间隔为大于50 cm 布置模拟实 验如图16所示 调节行间距与株间距研究不同行间距与 株间距对该方法识别精度的影响 为更好实现模拟场景 真实性 试验中调整传感器感知高度 使其所采集点云形 态与真实环境保持一致 所采集对比点云如图17所示 通过对比基于 K means 聚类获取的果树主干定位与模拟 植株真实位置 分析果树主干定位误差 图16 模拟试验 Fig 16 Simulation test 模拟试验场景下果树植株聚类方法定位位置与真实 位置对比如图 18 所示 当被测植株距离雷达越远时 测 量的果树主干误差有所增加 根据两侧所求得主干中心 区域 并通过中心区域圈定可通信区域规划获得导航线 通过对比 行距70 80 cm宽度内变化对中心区域识别误 差影响较小 试验中导航线最大误差7 07 cm 最小误差 0 5 cm 平均误差3 1 cm 多次试验结果表明 采用 K means 算法引入置信度 来估计果树主干位置 与果树主干实际可通行区域进行 对比 X轴方向3 7 m前视范围内平均误差均保持在 6 cm以内 最大误差为8 09 cm 虚线代表改进ACO DWA算法的路径轨迹 障碍物间通行的能力最好 路径 平滑度也很好 实线 点线和箭头线分别代表DWA DWA A 和BSDWA算法的路径规划 都存在不同程度地 绕行和抖振现象 由于机器人宽度限制 移动平台行驶 速度与前视距离成正比 与感知规划时间成反比 误差 198 电 子 测 量 与 仪 器 学 报第38卷 图17 真实环境与模拟试验点云对比 Fig 17 Comparison of the point clouds in the real environment and the simulated experiment 图18 实景