蔡　炯，汪小志

(1. 攀枝花學(xué)院，四川 攀枝花　617000；2.南昌工學(xué)院，南昌　330108；3.武漢理工大學(xué)，武漢　430070)

?

基于粗糙集與遺傳算法的采摘機(jī)器人路徑規(guī)劃

蔡炯1，汪小志2,3

(1. 攀枝花學(xué)院，四川 攀枝花617000；2.南昌工學(xué)院，南昌330108；3.武漢理工大學(xué)，武漢430070)

摘要：為了提高采集機(jī)器人路徑規(guī)劃速度和自主導(dǎo)航的智能化水平，提出了一種基于粗糙集和遺傳算法的路徑規(guī)劃方法，從而有效地提高了路徑規(guī)劃的速度和精度。采摘機(jī)器人根據(jù)實(shí)際果實(shí)采摘環(huán)境，利用圖像分割技術(shù)，對(duì)果實(shí)目標(biāo)進(jìn)行識(shí)別，在二維柵格地圖環(huán)境下，制定出決策表，并使用粗糙集對(duì)決策表進(jìn)行約簡(jiǎn)，得到最小決策表，將其作為遺傳算法初試種群，進(jìn)行遺傳交叉和復(fù)制操作，優(yōu)化路徑規(guī)劃算法。為了驗(yàn)證采摘機(jī)器人算法性能的可靠性，對(duì)采摘機(jī)器人的性能進(jìn)行了測(cè)試，包括果實(shí)圖像的識(shí)別和機(jī)器人路徑規(guī)劃能力。通過(guò)測(cè)試發(fā)現(xiàn)：采摘機(jī)器人可有效地分割提取出成熟果實(shí)，并可完成多目標(biāo)任務(wù)。對(duì)粗糙集和遺傳算法的性能進(jìn)行了測(cè)試，結(jié)果發(fā)現(xiàn)：使用粗糙集可以大大降低所需訓(xùn)練種群的數(shù)目，減少平均迭代次數(shù)；增加障礙物的復(fù)雜程度后，使用粗糙集遺傳算法可以明顯地提高路徑規(guī)劃的速度，從而提高了機(jī)器人采摘作業(yè)的效率。

關(guān)鍵詞：采摘機(jī)器人；路徑規(guī)劃；遺傳算法；自主導(dǎo)航；粗糙集；決策表

0引言

采摘機(jī)器人代表著農(nóng)業(yè)高新科技發(fā)展的前沿，是農(nóng)業(yè)科學(xué)研究的重點(diǎn)。機(jī)器人視覺(jué)系統(tǒng)是智能化自主移動(dòng)式機(jī)器人設(shè)計(jì)的關(guān)鍵環(huán)節(jié)，是機(jī)器人完成自主路徑規(guī)劃的基礎(chǔ)，對(duì)其研究具有重要的意義。目前，機(jī)器人路經(jīng)規(guī)劃的方法有很多。其中，基于遺傳算法的路徑規(guī)劃方法，其搜索性能較好，但是規(guī)劃所需時(shí)間長(zhǎng)，很難滿足機(jī)器人在復(fù)雜環(huán)境下的作業(yè)要求，特別是在動(dòng)態(tài)環(huán)境下的實(shí)時(shí)性；雖然該方法也曾有過(guò)改進(jìn)，但是效果都不太理想。針對(duì)這一問(wèn)題，本研究在機(jī)器遺傳算法路徑規(guī)劃的基礎(chǔ)上引入了粗糙集，從而可提高移動(dòng)機(jī)器人的全局路徑規(guī)劃能力，以實(shí)現(xiàn)機(jī)器人路徑規(guī)劃的動(dòng)態(tài)性和實(shí)時(shí)性。

1采摘機(jī)器人路徑規(guī)劃算法總體設(shè)計(jì)

采摘機(jī)器人的路徑規(guī)劃需要根據(jù)果實(shí)目標(biāo)圖像，先制定出路徑?jīng)Q策表；但路徑?jīng)Q策表的數(shù)據(jù)量非常龐大，需要通過(guò)一定的算法對(duì)表的條件屬性和決策屬性進(jìn)行簡(jiǎn)化，通過(guò)消除冗余數(shù)據(jù)，大幅度地簡(jiǎn)化決策表。路徑規(guī)劃算法的總體設(shè)計(jì)框架如圖1所示。

圖1中，首先利用果實(shí)識(shí)別圖像產(chǎn)生決策表，然后對(duì)決策表進(jìn)行初步簡(jiǎn)化，簡(jiǎn)化訓(xùn)練集和屬性；使用粗糙集對(duì)決策表進(jìn)行簡(jiǎn)化，然后將簡(jiǎn)化后的決策表作為樣本數(shù)據(jù)，作為遺傳算法的訓(xùn)練集。遺傳算法和粗糙集算法之間的信息交換來(lái)調(diào)整每個(gè)訓(xùn)練集的決策規(guī)則，進(jìn)一步對(duì)算法進(jìn)行優(yōu)化，直到訓(xùn)練集樣本全部正確劃分。

圖1　路徑規(guī)劃算法總體設(shè)計(jì)框架

2路徑規(guī)劃粗糙集和遺傳算法優(yōu)化

機(jī)器人路徑規(guī)劃基于現(xiàn)實(shí)環(huán)境目標(biāo)圖像的處理和追蹤。在采摘機(jī)器人作業(yè)環(huán)境中，機(jī)器人和采摘果實(shí)目標(biāo)方位都是未知的，為了讓機(jī)器人能夠清晰地辨認(rèn)果實(shí)采摘目標(biāo)，使機(jī)器人的視野更加開(kāi)闊，采用彩色攝像頭裝置。該攝像裝置具有快速對(duì)焦功能，且俯仰性能較好，可對(duì)大范圍內(nèi)的果實(shí)目標(biāo)進(jìn)行采集，實(shí)時(shí)性較好。攝像頭安裝在采摘機(jī)器人執(zhí)行末端，如圖2所示。

圖2　采摘機(jī)器人視覺(jué)系統(tǒng)示意圖

果實(shí)目標(biāo)圖像從攝像頭采集后不能直接被系統(tǒng)直接使用，需要對(duì)圖像進(jìn)行數(shù)字化處理；數(shù)字轉(zhuǎn)換利用采集卡完成，可以采集果實(shí)圖像信息，輸出系統(tǒng)可以識(shí)別的數(shù)字?jǐn)?shù)據(jù)，保存在計(jì)算機(jī)中，成為可編輯處理的圖像信息數(shù)據(jù)，如圖3所示。

圖3　采集卡工作原理圖

利用采集卡可以完成圖像的實(shí)時(shí)采集，通過(guò)控制總線實(shí)現(xiàn)采集卡和PC機(jī)的實(shí)時(shí)信息傳輸。采集卡的圖像輸出為RGB顏色模型，在對(duì)圖像進(jìn)行處理前需要進(jìn)行顏色模型轉(zhuǎn)換，將其轉(zhuǎn)換為HVS顏色空間模型，則有

(1)

(2)

r=v(1-s)

(3)

(4)

采摘機(jī)器人的路徑優(yōu)化主要包括躲避障礙物和搜索最佳路徑。為實(shí)現(xiàn)此目標(biāo)，利用圖像分割處理技術(shù)，結(jié)合粗糙集和遺傳算法種群訓(xùn)練，對(duì)路徑算法展開(kāi)研究。為此，建立機(jī)器人路徑規(guī)劃的初始決策表，其柵格化模型表如圖4所示。

圖4　采摘機(jī)器人移動(dòng)路徑柵格化表

當(dāng)移動(dòng)機(jī)器人處于Pi點(diǎn)時(shí)，下一步移動(dòng)會(huì)有8個(gè)方向，將這個(gè)8個(gè)方向進(jìn)行量化可得

C={X1,X2,X3,X4,X5,X6,X7,X8}

(5)

根據(jù)方向量化，可以建立初始決策表。假設(shè)1表示柵格障礙物，2表示自由柵格，Y表示決策屬性，則初始決策表如表1所示。

表1　初始決策表

續(xù)表1

利用粗糙集算法，可以對(duì)相同的決策類進(jìn)行去除處理，從而去掉決策的冗余數(shù)據(jù)。通過(guò)粗糙集算法優(yōu)化，得到了最小決策表如表2所示。

表2　粗糙集算法優(yōu)化決策表

由表2可以看出：通過(guò)粗糙集訓(xùn)練后，初始決策種群的規(guī)模明顯減小，保證了在保留可行解的基礎(chǔ)上，提高了遺傳算法的計(jì)算效率。在進(jìn)行路徑優(yōu)化過(guò)程中，如果僅僅應(yīng)用路徑的長(zhǎng)度作為標(biāo)準(zhǔn)，達(dá)不到最優(yōu)化效果，因此引入適應(yīng)度函數(shù)，則有

(6)

其中，n為柵格的數(shù)目；D為相鄰序號(hào)之間的直線距離和。在進(jìn)行遺傳算法操作時(shí)，需要引入修正因子。圖5表示機(jī)器人路徑規(guī)劃的總體框架結(jié)構(gòu)圖。根據(jù)實(shí)際果實(shí)采摘環(huán)境，利用圖像分割技術(shù)，機(jī)器人對(duì)果實(shí)目標(biāo)進(jìn)行識(shí)別，制定出決策表，并利用粗糙集算法對(duì)決策表進(jìn)行簡(jiǎn)化，然后利用遺傳算法選擇最優(yōu)路徑。

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)的果實(shí)自動(dòng)識(shí)別和自主規(guī)劃路徑機(jī)器人的可靠性，對(duì)機(jī)器人的性能進(jìn)行了測(cè)試，包括圖像處理性能和路徑識(shí)別性能。同時(shí)，結(jié)合粗糙集和遺傳算法對(duì)機(jī)器人進(jìn)行編程控制，其測(cè)試場(chǎng)景如圖6所示。

圖5　機(jī)器人路徑規(guī)劃算法總體框架

圖6　果實(shí)采摘測(cè)試場(chǎng)景照片

首先，對(duì)其圖像分割處理性能進(jìn)行了測(cè)試，選擇了背景較復(fù)雜的果實(shí)圖像作為圖像分割對(duì)象，通過(guò)測(cè)試得到了如圖7所示的測(cè)試結(jié)果。

圖7　枝葉遮擋后橘子果實(shí)圖像處理結(jié)果

為了驗(yàn)證機(jī)器人視覺(jué)系統(tǒng)的可靠性，選取了有枝葉遮擋的果實(shí)圖像作為圖像分割對(duì)象，采用圖像處理技術(shù)成果的分割出了果實(shí)圖像，如圖8所示。

圖8　果實(shí)重疊橘子果實(shí)圖像處理結(jié)果

由圖8可以看出：對(duì)于重疊果實(shí)類的圖像，機(jī)器人也能成功地分割出果實(shí)目標(biāo)，從而驗(yàn)證了其圖像處理算法的可靠性。

為進(jìn)一步研究機(jī)器人的性能，對(duì)其多目標(biāo)搜索進(jìn)行了測(cè)試，測(cè)試結(jié)果如圖9所示。從圖9可以看出多目標(biāo)跟蹤的時(shí)間分配情況。其中，各個(gè)搜索過(guò)程在試驗(yàn)中可以完成相互切換功能，從而驗(yàn)證了基于粗糙集理論的決策算法的有效性。

圖9　多目標(biāo)搜索測(cè)試結(jié)果

圖10為機(jī)器人智能采摘路徑的規(guī)劃結(jié)果。機(jī)器人由右側(cè)起點(diǎn)開(kāi)始運(yùn)動(dòng)，移動(dòng)到左側(cè)果實(shí)目標(biāo)區(qū)域，執(zhí)行采摘?jiǎng)幼鳌?/p>

圖10　機(jī)器人采摘路徑規(guī)劃圖

由圖10可以看出：在遺傳算法的優(yōu)化作用下，機(jī)器人能夠以最短的路徑順利到達(dá)理想的采摘位置，算法性能較好。

為了對(duì)粗糙集算法的可靠性進(jìn)行直觀地顯示，使用C++編程的方法對(duì)粗糙集算法進(jìn)行性能實(shí)驗(yàn)，結(jié)果如表3所示。通過(guò)測(cè)試發(fā)現(xiàn)：使用粗糙集可以大大降低所需訓(xùn)練種群的數(shù)目，降低平均迭代次數(shù)，不需要CPU時(shí)鐘單元，大大提高了機(jī)器人的計(jì)算性能。

表3　采摘機(jī)器人粗糙集算法性能測(cè)試結(jié)果

為了驗(yàn)證采摘機(jī)器人算法性能的可靠性，在增加障礙物的復(fù)雜程度、其他參數(shù)均相同的情況下，對(duì)粗糙集遺傳算法和普通遺傳算法的性能進(jìn)行了測(cè)試，結(jié)果如表4所示。由表4可以看出：使用粗糙集遺傳算法有效地提高了路徑規(guī)劃的速度，從而大大提高了機(jī)器人的采摘作業(yè)效率。

表4　采摘機(jī)器人遺傳算法性能測(cè)試結(jié)果

4結(jié)論

1)為了提高采摘機(jī)器人路徑規(guī)劃的速度和精度，使用粗糙集對(duì)遺傳算法的路徑規(guī)劃方法進(jìn)行了改進(jìn)，并在二維柵格地圖環(huán)境下，對(duì)決策表進(jìn)行了優(yōu)化設(shè)計(jì)，將其作為遺傳算法的初始化種群，從而大大提高了路徑規(guī)劃的效率。

2)對(duì)采摘機(jī)器人的性能進(jìn)行了測(cè)試，包括果實(shí)圖像提取與識(shí)別和路徑規(guī)劃能力。通過(guò)測(cè)試發(fā)現(xiàn)：機(jī)器人視覺(jué)系統(tǒng)可有效完成果實(shí)圖像的提取識(shí)別及路徑的搜索和規(guī)劃。同時(shí)，使用粗糙集后的遺傳路徑規(guī)劃耗時(shí)更短，平均迭代次數(shù)更少，從而提高了機(jī)器人采摘作業(yè)效率，為高效果蔬采摘機(jī)器人研究提供了較有價(jià)值的參考。

參考文獻(xiàn)：

[1]陳磊,陳帝伊,馬孝義.果蔬采摘機(jī)器人的研究[J].農(nóng)機(jī)化研究,2011,33(1):224-231.

[2]梁喜鳳,楊犇,王永維.番茄收獲機(jī)械手軌跡跟蹤模糊控制仿真與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào),2013, 29(17):16-22.

[3]張建鋒,何東健,張志勇.采摘機(jī)器人自適應(yīng)魯棒跟蹤控制算法設(shè)計(jì)[J].農(nóng)機(jī)化研究,2009,31(12):10-14.

[4]吳忠強(qiáng),張曉霞,舒杰.柔性機(jī)器人基于自適應(yīng)模糊動(dòng)態(tài)面的實(shí)用穩(wěn)定控制[J].中國(guó)機(jī)械工程, 2012,23(19):2297-2301.

[5]過(guò)希文,王群京,李國(guó)麗.基于動(dòng)態(tài)面的機(jī)械臂軌跡跟蹤神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法[J].系統(tǒng)仿真學(xué)報(bào), 2011,23(11):2327-2332.

[6]李曉剛,劉晉浩.基于反演設(shè)計(jì)的碼垛機(jī)器人神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[J].包裝工程,2012,33(1): 80-85.

[7]金雷澤,杜振軍,賈凱.基于勢(shì)場(chǎng)法的移動(dòng)機(jī)器人路徑規(guī)劃仿真研究[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(24):226-229.

[8]由暢宇,韓建達(dá).一種移動(dòng)機(jī)器人在三維動(dòng)態(tài)環(huán)境下的路徑規(guī)劃方法[J].計(jì)算機(jī)應(yīng)用與軟件, 2009,26(8):223-224,234.

[9]伊連云,姚俊紅,付瑩瑩,等.基于自主視覺(jué)足球機(jī)器人路徑規(guī)劃的研究[J].機(jī)械工程與自動(dòng)化,2006(2):67-69,72.

[10]黃彥文,曹其新.Robocop比賽環(huán)境下足球機(jī)器人路徑規(guī)劃研究[J].智能系統(tǒng)學(xué)報(bào),2007(4):52-57.

[11]余群明,曹益,嚴(yán)欽山,等.基于改進(jìn)型遺傳算法的足球機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)仿真,2008,25(2)：178-180,236.

[12]王丙強(qiáng),宋弘.兩級(jí)BP網(wǎng)絡(luò)在機(jī)器人傳感器融合中的應(yīng)用[J].微計(jì)算機(jī)信息,2009,25(23):192-194.

[13]李繼勇,趙德彪,張靜.基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈風(fēng)險(xiǎn)預(yù)警研究[J].河北工程大學(xué)學(xué)報(bào):自然科學(xué)版,2011,28(3):83-87.

[14]周芳,朱齊丹,趙國(guó)良.基于改進(jìn)快速搜索隨機(jī)樹法的機(jī)械手路徑優(yōu)化[J].機(jī)械工程學(xué)報(bào),2011 (11):30-35.

[15]Goh Shy ChyanS.G.Ponnambalam.Obstaclea voidance control of redundantr obotsusing variants of particles warm optimization[J].Robotics and Computer Integrated Manufacturing,2011，25(8):282-285.

[16]梁喜鳳,王永維,苗香雯.番茄收獲機(jī)械手避障運(yùn)動(dòng)規(guī)劃[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39,(11):89-93.

[17]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.

[18]張美玉,黃翰,郝志峰,等.基于蟻群算法的機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)工程與應(yīng)用,2005(25):34-37.

[19]孔令軍,張興華,陳建國(guó).基本蟻群算法及其改進(jìn)[J].北華大學(xué)學(xué)報(bào):自然科學(xué)版,2004(6):572-574.

[20]羅德林,吳順祥.基于勢(shì)場(chǎng)蟻群算法的機(jī)器人路徑規(guī)劃[J].系統(tǒng)工程與電子技術(shù),2010(6):1277-1280.

[21]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.

Path Planning of Picking Robot Based on Rough Set and Genetic Algorithm

Cai Jiong1, Wang Xiaozhi2,3

(1.Panzhihua University, Panzhihua 617000, China; 2.Nanchang Institute of Science & Technology, Nanchang 330108, China; 3.Wuhan University of Technology, Wuhan 430070, China)

Abstract：In order to improve the speed of acquisition robot path planning, improve the intelligent level of the robot autonomous navigation,it proposed a path planning method based on rough set and genetic algorithm, thus it can effectively improve the speed and precision of path planning.Based on the actual fruit picking environment, by using the technology of image segmentation robot on fruit target identification, in a 2D grid map of the environment, it can make a decision table,and the use of rough set attribute reduction of decision table is,to get the minimal decision table.As the initial population of genetic algorithm,it introduced genetic crossover and copy operation, optimal path planning algorithm. In order to verify the picking robot algorithm performance reliability, the picking robot performance were tested, which test items include fruit image recognition and robot path planning ability.It was found by testing that picking robot can effectively segment extracted fruit ripening, and it can complete the objectives and tasks. The performance of rough set and genetic algorithm was tested by using the rough set,which can greatly reduce the required number of training population. To reduce the average number of iterations, increase the complexity of the obstacle.It can significantly improve the path planning speed, thereby improve the efficiency of picking robot by using rough set genetic algorithm.

Key words：picking robot; path planning; genetic algorithm; autonomous navigation; rough set; decision table

中圖分類號(hào)：S225.91；TP242

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-188X(2016)08-0189-05

作者簡(jiǎn)介：蔡炯(1970-)，男，四川南充人，講師，碩士。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：2015-07-30