基于XN-RRT*算法的龙果收获机器人手臂的路径规划
Chenzhe Fang1, Jinpeng Wang1, Fei Yuan1
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
这项研究介绍了XN-RRT*,这是一个用于在皮塔亚收获中进行机器人手臂路径规划的增强算法. 它显著提高了路径效率和在复杂环境中选择成功率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 农业工程 农业工程
背景情况:
- 在复杂的环境中进行机器人收获的路径规划面临着效率和成功率的挑战.
- 像RRT*这样的现有算法可能在动态农业环境中难以找到最佳解决方案和趋同.
研究的目的:
- 开发和评估一个改进的快速探索随机树星 (RRT*) 算法,称为XN-RRT*,用于改进皮塔亚收获中的机器人手臂路径规划.
- 在复杂的收获场景中解决低路径规划效率和低于最佳的采摘成功率的问题.
主要方法:
- 拟议的XN-RRT*算法利用正常分布对采样点进行动态调整,根据目标距离和树密度进行动态调整.
- 在树木扩张过程中采用了改进的人工潜力现场方法,以指导采样并克服当地的最佳情况.
- 用一个贪的算法来减少节点和立方B-spline曲线来平滑路径.
主要成果:
- 在2D和3D环境中的模拟显示,XN-RRT*在更少的代中实现了更高的融合效率和更高的路径质量.
- 在模拟的皮塔亚果园中,XN-RRT*实现了98%的采摘路径规划成功率,明显超过了RRT*.
- 该算法显示,与RRT*相比,路径长度减少了27.12%,规划成功率增加了14%.
结论:
- 在复杂的农业收获环境中,XN-RRT*算法为机器人手臂路径规划提供了卓越的整体性能.
- 增强的采样和指导策略有效地减少了冗余的采样,并提高了路径的最佳性.
- 结果为推进机器人收获技术和路径规划解决方案提供了宝贵的参考.
