葡萄園植保機器人路徑規(guī)劃算法

艾長勝，林洪川，武德林，馮志全

?

葡萄園植保機器人路徑規(guī)劃算法

艾長勝1，林洪川1，武德林2，馮志全1

（1. 濟南大學機械工程學院，濟南 250022； 2. 山東眾和農(nóng)業(yè)裝備技術(shù)有限公司，棲霞 264000）

為提高植保機器人葡萄園作業(yè)在壟行識別和路徑規(guī)劃中的準確度和可靠性，該文提出了一種基于支持向量機（support vector machine，SVM）的多支持向量配比權(quán)重進行葡萄園壟行識別與農(nóng)業(yè)機器人作業(yè)路徑規(guī)劃的算法。該算法利用Kalman濾波器對由激光雷達掃描獲取的粗大實況果園數(shù)據(jù)信息進行預處理，校正數(shù)據(jù)中的噪聲離群點，然后結(jié)合SVM，獲得壟行環(huán)境中的分割超平面和分類邊際線，最后根據(jù)樣本點與分類邊際線存在的幾何間隔關(guān)系判別各點所占相對權(quán)重，獲取壟線安全預估測位置并進行農(nóng)業(yè)機器人作業(yè)導航線的規(guī)劃擬合。通過對多個實際樣本的試驗與測試，擬合導航線與實際壟行中心線平均角度偏差為0.72°，相對植保機器人的平均距離偏差為4.22 mm。試驗結(jié)果表明，該算法能夠有效的識別與定位植保機器人所需導航線的位置，擬合的導航線滿足葡萄園植保機器人準確作業(yè)的要求。

機器人；算法；雷達；壟線識別；路徑規(guī)劃；卡爾曼濾波器；支持向量機

0 引 言

葡萄是中國大宗水果產(chǎn)品之一，而當下，中國葡萄園種植管理工作依然以人工作業(yè)為主。70%左右植保機仍處于發(fā)達國家20世紀70至80年代水平。智能化程度低、成本高、作業(yè)效率低下、農(nóng)藥滲透傷害操作者等問題遏制著我國農(nóng)業(yè)現(xiàn)代化的發(fā)展。隨著葡萄種植規(guī)模的不斷擴大，葡萄作業(yè)機械化已經(jīng)成為必然趨勢[1]。具備自動化能力的植保機成為實現(xiàn)農(nóng)業(yè)現(xiàn)代化的關(guān)鍵組成部分。而植保機器人導航路徑規(guī)劃以及農(nóng)田壟行識別是實現(xiàn)上述目標的關(guān)鍵技術(shù)之一。

聶森等[2]提出了一種基于HSV顏色空間中H、V二通道差值以及動態(tài)閾值分割的圖像處理方法，通過Hough變換來實現(xiàn)果樹壟行識別并擬合出導航中心線。張志斌等[3]提出了一種采用視覺處理，判別壟行間距實現(xiàn)路徑規(guī)劃的策略方法，通過對壟行圖像進行灰度處理，拾取一系列壟行行向與列向特征點，來完成對農(nóng)作物壟行結(jié)構(gòu)的分析與識別，通過The least-square method擬合得到的農(nóng)作物壟線以及植保機器人導航線。Torii等[4]采用圖像處理的方法，根據(jù)果園作物區(qū)與犁溝區(qū)色差區(qū)別，運用最小二乘法獲取植保機器人的期望導航路徑?；跈C器視覺所提出的一系列有關(guān)果園中植保機器人的導航策略方案，表現(xiàn)出感知方式便捷、內(nèi)涵信息豐富、層次分明的優(yōu)點，但同時，由于在圖像處理過程中對環(huán)境光變化比較敏感，往往導致其不適合全天候工作[5-8]。熊斌等[9]設(shè)計了一種基于北斗衛(wèi)星導航系統(tǒng)的差分式導航線獲取方法，實現(xiàn)植保機器人的直線路徑擬合，導航精度可達厘米級。Zhang等[10]通過RTK-GPS技術(shù)實時的獲取植保機器人的目標路徑，并通過與植保機器人的位姿狀態(tài)進行比較，來實現(xiàn)植保機器人的自導航。周俊等[11]采用激光雷達捕獲以壟行為種植特點果樹樹干信息，利用圓弧聚類的方法計算得到樹干中心位置，從而間接獲取植保機器人的導航路徑。采用GPS-RTK技術(shù)實現(xiàn)植保機器人的自定位與導航能夠滿足高精度、速度快、適宜全天候作業(yè)的要求，但同時存在著成本高、難以推廣的缺陷[12-15]。Freitas等[16]利用激光測距儀、編碼器等多傳感器感知果園壟行果樹位置信息，并采用派生卡爾曼濾波器判別植保機器人相對壟行的位置以及植保機器人的導航路徑。運用多傳感器數(shù)據(jù)融合的方式來完成果園植保機器人的路徑規(guī)劃，具有各傳感器優(yōu)勢互補、容錯性高的優(yōu)勢，但時常伴隨算法冗余度大，且數(shù)據(jù)融合、特征融合、決策融合過程復雜的缺點[17-20]。

國內(nèi)針對農(nóng)田或以間隔種植為主要特點的果園環(huán)境植保機器人的自動化技術(shù)研究較多，但針對以連續(xù)種植及分布為特點的葡萄園環(huán)境的相關(guān)研究較少；另外，各研究者為解決果園植保機器人自定位與導航問題提出了眾多值得借鑒的策略方案，需要結(jié)合葡萄園特有的種植分布方式，設(shè)計一種可行的導航方案。

激光雷達在環(huán)境感知方面，具有抗干擾能力較強，適宜全天候作業(yè)，可使用果園現(xiàn)有果樹作為參照物，進行相對位置識別的優(yōu)勢，且維護簡單、適應性較強，能夠簡化植保機器人結(jié)構(gòu)復雜度以及運行成本，成為目前解決該類問題的主流傳感器。

本文根據(jù)葡萄園兩側(cè)壟行線性可分的特征，結(jié)合抗光線多變能力強以及數(shù)據(jù)輸出簡潔的激光雷達掃描實時獲取的果園壟行實況數(shù)據(jù)信息，運用系統(tǒng)最優(yōu)估計Kalman濾波器對原始樣本信息進行濾波處理。結(jié)合支持向量機在二分類處理問題中的優(yōu)越性，提出了一種基于支持向量機（support vector machine，SVM）的多支持向量配比權(quán)重判別壟行安全位置與機器人局部自導航算法，以期為植保機器人在葡萄園壟線識別和路徑規(guī)劃的研究提供一種方法。

1 研究方案

圖1為實際葡萄園壟行種植情況，其中虛線由某一高度下壟行果樹葉幕最大外延支出點（類比于SVM中的支持向量）連接而成。實線代表2條壟行的分類線（類比于SVM中的分割超平面）。

本文提出一種基于葡萄園作業(yè)環(huán)境下的植保機器人壟行識別以及路徑規(guī)劃策略方法。使用鐳神智能公司生產(chǎn)的LS01C激光雷達作為果園環(huán)境探測器獲知葡萄園壟行果樹葉幕信息。該激光雷達的特性如表1所示。激光雷達掃描范圍為0到6 m，掃描角度為360°全方位掃描，掃描精度為1°，掃描頻率為11 Hz，其數(shù)據(jù)輸出通過串口uart發(fā)送到上位機進行后續(xù)的處理。本文基于Matlab2015b進行算法的設(shè)計和數(shù)據(jù)的處理。激光雷達的數(shù)據(jù)是通過uart串口輸出，本文使用了uart轉(zhuǎn)USB模塊實現(xiàn)數(shù)據(jù)格式的轉(zhuǎn)換，然后利用Matlab2015b軟件自帶的Data Acquisition Toolbox工具包實現(xiàn)Matlab2015實時的讀取PC機USB數(shù)據(jù)流，從而完成在Matlab2015b中對采樣數(shù)據(jù)的即時處理。

圖1 葡萄園環(huán)境示意圖

表1 激光雷達LS01C特性參數(shù)

1.1 卡爾曼濾波

雷達初步掃描捕獲的葡萄園實況壟行葉幕信息中夾雜著各種各樣的噪擾，其數(shù)據(jù)的可讀性差。而實現(xiàn)對系統(tǒng)捕獲的一系列的狀態(tài)觀測值的最優(yōu)估計是卡爾曼濾波器的顯著特征[21]。帶有干擾與噪聲的觀測數(shù)據(jù)通過卡爾曼濾波器預估計可以較大程度上實現(xiàn)降噪功能，使數(shù)據(jù)去偽存真，因此其濾波過程可以達到最優(yōu)估計的效果[22]。其便于編程，且即時處理特性明顯以及工程實踐經(jīng)驗豐富是能夠使Kalman濾波器得到廣泛應用的重要原因。實現(xiàn)Kalman濾波算法須明確其2個核心原理方程，即系統(tǒng)狀態(tài)方程與動態(tài)系統(tǒng)測量方程[23]。

1）卡爾曼濾波算法的系統(tǒng)狀態(tài)方程

系統(tǒng)方程為

式中(n)代表被觀測葉幕點云的位置向量，反映的是第個被觀測點的位置，且此時(n)可以作為第(1)個點的最優(yōu)預測，1(n)代表觀測過程中所包含的噪擾向量，其用來表現(xiàn)出被觀測對象狀態(tài)變化所夾雜的誤差與干擾。×M是×階矩陣，×N是×階矩陣，二者代表對葉幕點云數(shù)據(jù)進行狀態(tài)估計的各個系數(shù)矩陣，也即第(1)個點的位置估計狀態(tài)參數(shù)。

2）卡爾曼濾波算法的動態(tài)系統(tǒng)測量方程

動態(tài)系統(tǒng)測量方程為

其中(n)代表葉幕點云數(shù)據(jù)不斷更新的過程中最新點的位置狀態(tài)向量，(n)具備了(-1)時刻更新點的最優(yōu)狀態(tài)預測；2(n)代表動態(tài)更新過程中所存在的噪擾向量，可以用來表現(xiàn)雷達動態(tài)觀測過程中攜帶的誤差與干擾；×M是×階矩陣，其代表更新過程中各個系數(shù)矩陣，也即(n)以及其夾帶的噪擾向量2(n)在×M與×N處理降噪過程中的預估參數(shù)。

1.2 支持向量機

壟行趨向的平行性是果園種植的突出特征，而其平行性即展現(xiàn)出了兩側(cè)壟行可進行二分類的顯著特點。SVM的核心之意是探索存在的唯一一個具備間隔最大化的最優(yōu)分類標準，該標準能夠有效的進行二類辨別，其產(chǎn)生的分類結(jié)果符合自學習的要求[24]。因此本文采用SVM作為壟行辨別的骨架算法。支持向量機示意圖如圖2所示，正方形代表左側(cè)待分類點，三角形為右側(cè)待分類點。

注：H1、H2為分類邊際線。H為分隔超平面。margin：最大間隔。ω為超平面法向量。

最終，通過對的求解間接獲取與最優(yōu)估計

SVM在求解二分類最優(yōu)解時展現(xiàn)出其顯著的優(yōu)越性，同時支持向量機豐富的實踐經(jīng)驗成為其能夠良好適用于典型問題的重要依據(jù)，其優(yōu)勢可見一斑[28]。

1.3 多支持向量配比權(quán)重

首先，植保機器人局部作業(yè)路徑規(guī)劃的精準實現(xiàn)依賴于壟行位置的準確判斷。通?？捎蓧判兴谥本€位置間接獲取居中導航線。但該策略存在著忽略了外延果樹枝干枝葉所形成的剛性不可干涉碰撞區(qū)域的先天不足。在植保機器人實際作業(yè)當中，對于上述區(qū)域，因機樹碰撞發(fā)生的可能性，將導致植保機器人工作的可靠性、安全性以及合理性大打折扣。間接設(shè)計合理措施進行人為干預方可避免干涉發(fā)生。壟行安全位置的提出可以彌補此類設(shè)計的缺陷，將工作的重心由精確判斷壟行位置轉(zhuǎn)移到壟行安全預估測位置的辨別上來。確定了壟行的安全位置，就能夠獲取植保機器人作業(yè)的安全區(qū)域，進而能夠進一步的擬合出植保機器人局部最優(yōu)導航路徑。

其次，該分析方法的提出可以繞開由判斷壟行精確位置過程所帶來的沉重的算法策略設(shè)計困難。且最終實現(xiàn)的擬合效果更能夠適應復雜多變的葡萄園環(huán)境。如圖3所示，黑色虛線為直接使用SVM獲得的分類邊際線，點畫線代表壟行位置，而實線是考慮了樹干枝葉所形成的剛性不可干涉區(qū)域后，擬合的壟行安全預估測位置。

注：空心圓和實心圓代表待分類樣本的左右兩側(cè)。

采用支持向量機的機制獲得的分類效果如圖3中黑色虛線所示，其可以將訓練集分割為左右辨識度很高的兩類結(jié)果，并稱之為分類邊際線。一方面，分類邊際線的獲取取決于支持向量的位置，它是一種少點決策機制，而不能代表該訓練集中大多數(shù)樣本所呈現(xiàn)的趨勢，且受噪聲點影響過大。另一方面，完全將整個訓練集中的所有樣本點考慮在內(nèi)，進行形態(tài)估計，同樣不能避免噪聲影響，且預測精度將大打折扣。例如最小二乘，其模型的建立便是基于一種將在群點與離群點全部介入規(guī)劃的代價優(yōu)化策略。

基于以上問題的討論，可以在SVM的分類結(jié)果的基礎(chǔ)之上，進一步展開二次利用，基本思想如下。

1）借助SVM在二分類模型建立中的顯著優(yōu)越性，來尋求訓練樣本集的最優(yōu)分類超平面，同時獲得兩側(cè)分類邊際線，方程如式（8）所示，分別為兩邊際線方程。

2）考慮壟行特殊環(huán)境——果樹外延枝干枝葉。為避免植保機器人在行進過程中不與其發(fā)生碰撞與干涉，獲得植保機器人在局部區(qū)域中自由安全的作業(yè)條件，采用多支持向量支撐邊際線的方式，依據(jù)訓練集各樣本點與分類邊際線之間的間隔關(guān)系為各樣本點分配相應權(quán)重。由此擁有權(quán)重的點一定程度上又重新轉(zhuǎn)化為支持向量點。此過程一方面可以充分利用支持向量機的分類結(jié)果有效擴充支持向量的數(shù)量。另一方面還能夠?qū)⒅С窒蛄堪礄?quán)重進行等級劃分，即點線間隔關(guān)系緊密的樣本點成為權(quán)重占比高的支持向量點，點線間隔關(guān)系疏遠的樣本點成為權(quán)重占比低的支持向量點。

3）為分類邊際線配比質(zhì)量。邊際線質(zhì)量越大，所需大權(quán)重支持向量越多，或支撐點越多，從而依賴更多的支持向量來完成對邊際線的支撐。

式中為分類邊際線的預分配質(zhì)量。

4）對獲得的多支持向量進行擬合。從而獲得壟行的安全預估測位置。

在支持向量機的基礎(chǔ)上，多支持向量配比權(quán)重的理論方法一方面可以有效的消除SVM在果園壟行預測過程中無法忽略奇異點與噪音點所帶來的預測失準的先天缺陷，另一方面還能夠為植保機器人擬合出作業(yè)條件更為寬松與安全的工作環(huán)境。在消噪方面展現(xiàn)出更好的魯棒性。

2 方案設(shè)置與試驗

對基于支持向量機的多支持向量配比權(quán)重判別壟行安全預估測位置的理論方法的理解應注意以下幾點。

1）將分類邊際線質(zhì)量化后，SVM產(chǎn)生的少量的參與分類決策的支持向量并不能夠滿足對分類邊際線的完全支撐。一方面，拓展支撐向量的序列集并配以權(quán)重來實現(xiàn)所需的支撐功能，從而使新擬合出的壟行安全預估測位置能夠更多的考慮到支撐能力更強的支持向量，避免代價估計；另一方面，在判別是否存在多支撐點聚集壟行果樹枝干剛性不可干涉碰撞區(qū)域的情況中，所展現(xiàn)出的獨特優(yōu)勢以及良好的魯棒性是本文思想的核心。

2）壟行的安全預估測位置并不完全等價于壟行的實際位置，而是對植保機器人局部作業(yè)條件及其位置環(huán)境的安全性評估。在局部的葡萄園環(huán)境下，果樹枝干的長勢并不一定完全與壟行線吻合，可能存在外延伸出的枝干，形成圖3中的枝干枝葉剛性區(qū)域，此時理想的導航中心線位置應當向另一側(cè)偏移，才能保證植保機器人作業(yè)的安全性。

本文試驗采集大量的實際葡萄園壟行數(shù)據(jù)信息，并進行相應的算法處理。下文以2個典型樣本為例進行算法設(shè)計與處理效果的詳細說明，并根據(jù)樣本集中誤差帶的分布情況，選擇5個代表性的樣本進行誤差分析。具體試驗是在室外實際葡萄園中進行，壟行間距約為1.5 m，植保機器人的前進速度為0.15 m/s，試驗條件為晴天，激光雷達的采樣誤差可以控制在毫米級。

2.1 樣本尺度設(shè)計試驗

采樣范圍過小將不能夠真實有效的反映壟行走勢，造成估測失敗。鑒于植保機器人作業(yè)速度一般在0～0.3 m/s的范圍之內(nèi)，采樣空間過大將會造成數(shù)據(jù)冗余，加重數(shù)據(jù)分析的負荷，且數(shù)據(jù)的采集應充分考慮歷史數(shù)據(jù)（相對植保機器人身后的點）和當前數(shù)據(jù)（相對植保機器人身前的點），以保證植保機器人周邊作業(yè)環(huán)境的安全性以及處理結(jié)果的可靠性。合理設(shè)計采樣空間大小是試驗分析正確與否的先決條件。圖4為2個樣本的原始數(shù)據(jù)分布情況。

對于植保機器人前進方向來說，相對其機身后的數(shù)據(jù)為歷史數(shù)據(jù)，其機身前的數(shù)據(jù)為當前數(shù)據(jù)。單采用一種數(shù)據(jù)不利于壟行整體走勢的判斷。圖4中深色遮陰區(qū)域表示當前數(shù)據(jù)，原點坐標表示激光雷達所處位置，淺色遮陰部分代表歷史數(shù)據(jù)。兩者融合可以清晰的觀察到局部壟行的基本走勢特點。以激光雷達為坐標原點，以激光雷達起始掃描位置為軸，建立橫縱坐標系，軸代表相對激光雷達中心位置的橫向距離，軸代表相對激光雷達中心位置的縱向距離。圖4a、4b為樣本1原始數(shù)據(jù)，圖4c、4d為樣本2原始數(shù)據(jù)。

圖4 壟行原始數(shù)據(jù)分布圖

本試驗根據(jù)植保機器人的作業(yè)速度為0.15 m/s的特點，設(shè)置激光雷達距離地面50 cm，擺放位置為水平，采樣半徑3 m。由表1可知，激光雷達的采樣頻率為11 Hz，獲取3周采樣數(shù)據(jù)僅消耗0.27 s。這段時間內(nèi)局部壟行特征變化不大，因此本試驗通過多組數(shù)據(jù)融合的方法——激光雷達LS01C每周可捕獲360組極坐標下的（ρ,θ）。本試驗利用3周掃描數(shù)據(jù)作為單次采樣樣本進行數(shù)據(jù)處理。從而有效的降低因果園檢測環(huán)境多變，動態(tài)性較強等干擾因素帶來的不確定性——進行原始數(shù)據(jù)的捕獲。

2.2 閾值設(shè)定與卡爾曼濾波試驗

設(shè)定閾值在剔除樣本空間中的極遠點與極近點方面能夠展現(xiàn)出其簡易、靈巧的優(yōu)勢[29]。但只單純采取一種方法依然不能夠完成現(xiàn)實作業(yè)生產(chǎn)的需求。卡爾曼濾波器在消除奇異噪聲、趨勢預測以及增強數(shù)據(jù)可讀性方面擁有豐富的實踐應用經(jīng)驗，其計算量較小且能夠展現(xiàn)出良好的抗干擾能力[30]。因此本試驗采用閾值設(shè)定與卡爾曼濾波的綜合策略來對獲取的壟行原始數(shù)據(jù)進行預前處理。首先通過設(shè)定閾值濾除樣本數(shù)據(jù)中的極遠點與極近點，如圖5a、圖5c中的圓圈圈出的點，然后使用卡爾曼濾波器對樣本數(shù)據(jù)進行消噪處理。圖5b為樣本1效果圖，圖5d為樣本2效果圖。

在圖5中，以激光雷達為坐標原點，以激光雷達起始掃描位置為軸，建立橫縱坐標系，軸代表相對激光雷達中心位置的橫向距離，軸代表相對激光雷達中心位置的縱向距離。由圖5a、圖5c可觀察到圓圈中的點是以激光雷達為中心的3 m以外以及100 mm以內(nèi)的掃描點，此時經(jīng)分析可知此類點多為激光測距掃描儀反饋數(shù)據(jù)樣本集中所夾雜的硬性干擾與粗大噪聲。其中鄰近環(huán)境中相同或近似的光源頻率、被觀察對象表面反射線的丟失、過大的入射角以及雷達相近區(qū)域遮擋物導致的掃描盲區(qū)是該類噪擾產(chǎn)生的重要因素。該類點會對數(shù)據(jù)分析帶來不利的波動和干擾，還會額外的提高對樣本訓練集處理的難度與分析的迭代量，因此須間接采用方法予以濾除。

由圖5可以觀察到，通過設(shè)定閾值與卡爾曼濾波器綜合應用的策略，一方面有效的濾除了極點，另一方面得到的效果大大的提高了數(shù)據(jù)的可讀性，使結(jié)果具備了更多的壟行信息，進一步便利了后續(xù)對數(shù)據(jù)的處理。

圖5 閾值設(shè)定與卡爾曼濾波效果圖

2.3 基于SVM的試驗與分析

在葡萄園中果樹種植的特殊環(huán)境為使用SVM機制提供了可能，以壟行為種植特點的果園完全可以類比于能夠進行二分類的一簇數(shù)據(jù)點。而通過分類器的處理之后，其兩側(cè)邊際線與果樹枝葉表面所形成的峰值點相呼對應。且此對類別線是保證兩側(cè)壟行果樹進行正確分類的極限，而最終形成的分割超平面必將位于兩側(cè)壟行果樹枝葉所形成的邊際線之間的中心位置。具體分類效果如圖6所示，圖6a為樣本1分類效果圖，圖6b為樣本2分類效果圖。

在圖6中，以激光雷達為坐標原點，以激光雷達起始掃描位置為軸，建立橫縱坐標系，軸代表相對激光雷達中心位置的橫向距離，軸代表相對激光雷達中心位置的縱向距離。理想導航線為實際測量的相應的局部壟行的中線位置，即最佳導航線位置。分類線為直接使用SVM分類方法獲取的分類超平面的位置。SVM依據(jù)最大間隔的思想獲得的分類結(jié)果能最大程度滿足分類的準確性和唯一性，且為后續(xù)試驗在判別壟行安全預估測位置與植保機器人導航線的規(guī)劃問題上奠定可靠基礎(chǔ)。在圖6中可以清楚的觀察到，理想導航線與SVM分類線存在相當大的誤差。本文在不同的實際葡萄果園局部壟行環(huán)境下進行了 試驗，測量了激光雷達分別與理想導航線以及分類線的距離以及理想導航線與分類線的方向角度，具體數(shù)據(jù)如表2所示。

圖6 SVM分類效果圖

表2 各樣本的SVM分類試驗結(jié)果

在表2中，實測值為激光雷達與理想導航線之間的距離以及理想導航線的方向角，計算值為激光雷達與SVM分類線的距離以及SVM分類線的方向角。誤差值為實測值與計算值之差。其中的平均誤差為73.68 mm，的平均誤差為3.08°，處理一次數(shù)據(jù)平均耗時1.536 6 s。由圖6觀察，單純使用SVM策略對采樣數(shù)據(jù)集進行訓練，得到的效果依然與實際情況偏差較大。邊際線位置與實際壟行位置未能發(fā)生吻合效應，是導致分類失準的根本原因，另外，壟行部分果樹枝干、葉幕外延伸出，形成不可碰撞的剛性區(qū)域，造成單純使用SVM獲取的支持向量以及邊際線與實際壟行線位置偏差變大，也是表2中誤差較大的原因。

2.4 多支持向量配比權(quán)重估測壟行安全位置試驗

圖7 權(quán)重函數(shù)示意圖

隨機抽樣一致性算法（random sample consensus, RANSAC）[31]，是一種通過迭代，在包含內(nèi)外點的訓練樣本中尋找最優(yōu)擬合線估測模型的方法[32]，可以有效的避免代價估計造成的高成本以及高失誤率的問題[33]。本文利用RANSAC機制對獲得的(x,y)序列進行擬合，得到兩側(cè)壟行安全預估測位置，并最終得到最優(yōu)平均——植保機器人局部導航線。效果如圖8所示。

圖8中，以激光雷達為坐標原點，以激光雷達起始掃描位置為軸，建立橫縱坐標系，軸代表相對激光雷達中心位置的橫向距離，軸代表相對激光雷達中心位置的縱向距離。實線為根據(jù)配比權(quán)重的多支持向量預判出的壟行安全估測位置以及植保機器人局部作業(yè)的擬合導航路徑。虛線表示單純使用SVM策略得到的分類效果。通過對SVM進行權(quán)重分析后，獲得本算法擬合導航線位置，其與壟行中線位置基本重合。且激光雷達分別與理想導航線及擬合導航線的距離以及理想導航線與擬合導航線的方向角度，具體數(shù)據(jù)如表3所示。

圖8 多支持向量配比權(quán)重分類效果圖

表3 各樣本的多支撐向量配比權(quán)重分類結(jié)果

在表3中，實測值為激光雷達與理想導航線之間的距離以及理想導航線的方向角，計算值為激光雷達與擬合導航線的距離以及擬合導航線的方向角。誤差值為實測值與計算值之差。其中的平均誤差為4.22 mm，的平均誤差為0.72°，處理一次數(shù)據(jù)平均耗時2.060 4 s。通過與表2對比，在SVM的基礎(chǔ)上，配比權(quán)重的多支持向量分析方法更能夠貼合在實際中植保機器人作業(yè)環(huán)境的要求，也正是由于引入壟行安全預估測位置，使得理想導航線與擬合導航線的位置重合度更高。

3 結(jié)論與展望

基于SVM的多支持向量配比權(quán)重判別壟行安全預估測位置以及植保機器人局部導航路徑規(guī)劃的算法策略在實際試驗中表現(xiàn)出準確度高、可靠性強等優(yōu)勢。偏距的平均誤差為4.22 mm，偏航角平均誤差為0.72°。

本文在基于支持向量機線性分類器的方法應用基礎(chǔ)上，利用葡萄園兩側(cè)壟行線性可分的內(nèi)在特點，設(shè)計了配比權(quán)重的多支持向量，進一步提高SVM在葡萄園這一特定作業(yè)環(huán)境下的適用性。同時，本文所提出的算法也可應用于其他的以連續(xù)種植及分布為特點的壟行作業(yè)環(huán)境中，如黃瓜園等。但從多分類、策略優(yōu)化和分類器的改進入手，提高該算法的智能性和快速即時性是未來研究的重中之重。

[1] 李鑫，曹少波，楊欣，等. 適于機械化作業(yè)的葡萄栽培技術(shù)規(guī)程研究[J]. 中國農(nóng)機化學報，2017，38(2)：120－123.

Li Xin, Cao Shaobo, Yang Xin, et al. Cultivation technical regulations for grape suitable for mechanized operation[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(2): 120－123. (in Chinese with English abstract)

[2] 聶森，王丙龍，郝歡歡，等. 基于機器視覺的果園導航中線提取算法研究[J]. 農(nóng)機化研究，2016,38(12)：86－89.

Nie Sen, Wang Binglong, Hao Huanhuan,et al. Navigation line extraction based on machine vision in orchard[J]. Journal of Agricultural Mechanization Research, 2016,38(12): 86－89. (in Chinese with English abstract)

[3] 張志斌，潘華穩(wěn)，李琛，等. 一種基于平均壟間距的視覺導航壟線識別算法[J]. 計算機工程與應用，2011，47(22)：191－194.

Zhang Zhibin, Pan Huanwen, Li Chen, et al. Crop rows identification based-row interval for field vision guidance system[J]. Computer Engineering and Applications, 2011, 47(22): 191－194. (in Chinese with English abstract)

[4] Torii T, Kitade S, Teshima T, et al. Crop row tracking by an autonomous vehicle using machine vision (part 1):Indoor experiment using a model vehicle[J]. Journal of the Japanese Society of Agricultural Machinery, 2000, 62(5): 37－42.

[5] 陳嬌，姜國權(quán)，杜尚豐，等. 基于壟線平行特征的視覺導航多壟線識別[J]. 農(nóng)業(yè)工程學報，2009，25(12)：107－113.

Chen Jiao, Jiang Guoquan, Du Shangfeng, et al. Crop rows detection based on parallel characteristic of crop rows using visual navigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(12): 107－113. (in Chinese with English abstract)

[6] 陳軍，蔣浩然，劉沛，等. 果園移動機器人曲線路徑導航控制[J]. 農(nóng)業(yè)機械學報，2012，43(4)：179－182,187.

Chen Jun, Jiang Haoran, Liu Pei, et al. Navigation control for orchard mobile robot in curve path[J]. Tansactions of the Chinese Society for Agricultural Machinery, 2012, 43(4): 179－182,187. (in Chinese with English abstract)

[7] 袁池，陳軍，武濤，等. 基于機器視覺的果樹行中心線檢測算法研究[J]. 農(nóng)機化研究，2013，35(3)：37－39.

Yuan Chi, Chen Jun, Wu Tao, et al. Algorithms of machine vision-based centerline detection of fruit tree rows[J]. Journal of Agricultural Mechanization Research, 2013, 35(3): 37－39. (in Chinese with English abstract)

[8] Xue Jinlin, Zhang Lei, Tony E G. Variable field-of-view machine vision based row guidance of an agricultural robot[J]. College of Engineering, 2012, 84: 85－91.

[9] 熊斌，張俊雄，曲峰，等. 基于BDS的果園施藥機自動導航控制系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2017，48(2)：45－50.

Xiong Bin, Zhang Junxiong, Qu Feng, et al. Navigation control system for orchard spraying machine based on Beidou Navigation satellite system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 45－50. (in Chinese with English abstract)

[10] Zhang Q, Qiu H. A dynamic path search algorithm for tractor automatic navigation[J]. Transactions of the Asae, 2004, 47(2): 639－646.

[11] 周俊，胡晨. 密植果園作業(yè)機器人行間定位方法[J]. 農(nóng)業(yè)機械學報，2015，46(11)：22－28.

Zhou Jun, Hu Chen. Inter-row localization method for agricultural robot working in close planting orchard[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 22－28. (in Chinese with English abstract)

[12] Erkan Kayacan, Erdal Kayacan, Herman Ramon, et al. Distributed nonlinear model predictive control of an autonomous tractor–trailer system[J]. Mechatronics, 2014, 24: 926－933.

[13] 羅錫文，張智剛，趙祚喜，等. 東方紅X-804拖拉機的DGPS自動導航控制系統(tǒng)[J]. 農(nóng)業(yè)工程學報，2009，25(11)：139－145.

Luo Xiwen, Zhang Zhigang, Zhao Zuoxi, et al. Design of DGPS navigation control system for Dongfanghong X-804 tractor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(11): 139－145. (in Chinese with English abstract)

[14] 張智剛，羅錫文，李俊嶺. 輪式農(nóng)業(yè)機械自動轉(zhuǎn)向控制系統(tǒng)研究[J]. 農(nóng)業(yè)工程學報，2005，21(11)：85－88.

Zhang Zhigang, Luo Xiwen, Li Junling. Automatic steering control system of wheeled model farming machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(11): 85－88. (in Chinese with English abstract)

[15] 陳艷，張漫，馬文強，等. 基于GPS和機器視覺的組合導航定位方法[J]. 農(nóng)業(yè)工程學報，2011，27(3)：126－130.

Chen Yan, Zhang Man, Ma Wenqiang, et al. Positioning method of integrated navigation based on GPS and machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 126－130. (in Chinese with English abstract)

[16] Freitas G, Zhang J, Hamner B, et al. A Low-Cost, Practical Localization System for Agricultural Vehicles[M]. Intelligent Robotics and Applications. Springer Berlin Heidelberg, 2012: 365－375.

[17] Vijay S, Thomas F B, Arroyo A A. Development of machine vision and laser radar based autonomous vehicle guidance systems for citrus grove navigation[J]. Computers and Electronics in Agriculture, 2006, 53: 130－143.

[18] Mariano Gonzalez-de-Soto, Luis Emmi, Manuel Perez-Ruiz, et al. Autonomous systems for precise spraying-Evaluation of a robotised patch sprayer[J]. Biosystems Engineering, 2016,146:165－182.

[19] Oscar C B, Akira M, Kazunobu I N N. Development of an autonomous navigation system using a two-dimensional laser scanner in an orchard application[J]. Biosystems Engineering, 2007, 96(2): 139－149.

[20] Jacqueline Libby, George Kantor. Accurate gps-free positioning of utility vehicles for specialty agriculture[J]. ASABE Annual International Meeting, 2010, 15(2): 20－23.

[21] 鄢丹青. 空間Kalman濾波與空時Kalman濾波算法[J]. 蘭州理工大學學報，2016，42(2)：153－157.

Yan Dangqing. Spatial Kalman filtering and spatial-temporal Kalman filtering algorithm[J]. Journal of Lanzhou University of Technology, 2016, 42(2): 153－157. (in Chinese with English abstract)

[22] 鄧胡濱，張磊，吳穎，等. 基于卡爾曼濾波算法的軌跡估計研究[J]. 傳感器與微系統(tǒng)，2012，31(5)：4－7.

Deng Hubin, Zhang Lei, Wu Ying, et al. Research on track estimation based on Kalman filtering algorithm[J]. Transducer and Microsystem Technologies, 2012, 31(5): 4－7. (in Chinese with English abstract)

[23] 劉桂辛. 改進的自適應卡爾曼濾波算法[J]. 電子設(shè)計工程，2016, 24(2)：48－51.

Liu Guixin. The improved adaptive Kalman filter algorithm[J]. Electronic Design Engineering, 2016, 24(2): 48－51. (in Chinese with English abstract)

[24] 郭明瑋，趙宇宙，項俊平，等. 基于支持向量機的目標檢測算法綜述[J]. 控制與決策，2014, 29(2)：193－200.

Guo Mingwei, Zhao Yuzhou, Xiang Junping, et al. Review of object detection methods based on SVM[J]. Control and Decision, 2014, 29(2): 193－200. (in Chinese with English abstract)

[25] 帥勇，宋太亮，王建平. 考慮全過程優(yōu)化的支持向量機預測方法[J]. 系統(tǒng)工程與電子技術(shù)，2017，39(4)：931－940.

Shuai Yong, Song Tailiang, Wang Jianping. Method on support vector machine prediction considering whole process optimization[J]. System Engineering and Electronics, 2017, 39(4): 931－940. (in Chinese with English abstract)

[26] 郭晨晨，朱紅康. 一種改進的支持向量機模型研究[J]. 陜西科技大學學報，2017，35(2)：189－194.

Guo Chenchen, Zhu Hongkang. Research on improved support vector machine model[J]. Journal of Shanxi University of Science & Technology, 2017, 35(2): 189－194. (in Chinese with English abstract)

[27] 蘇成利，鄭博元，李平. 基于自適應邊界向量提取的多尺度-支持向量機建模[J]. 控制與決策，2015,30(4)：721－726.

Su Chengli, Zheng Boyuan, Li Ping. Multiscale-support vector machine modelong based on adaptive boundary vector extraction[J]. Control and Decision, 2015,30(4): 721－726. (in Chinese with English abstract)

[28] Khemchandani R, Sharma S. Robust least squares twin support vector machine for human activity recognition[J]. Applied Soft Computing, 2016, 47: 33－46.

[29] 姚家揚，羅志增. 一種基于新型閾值函數(shù)小波去噪方法[J].杭州電子科技大學學報，2015, 35(4)：80－83.

Yao Jiayang, Luo Zhizeng. Research on wavelet denoising based on a new threshold function[J]. Journal of Hangzhou Dianzi Universit, 2015, 35(4): 80－83. (in Chinese with English abstract)

[30] 磨少清，劉正光，張軍，等. 基于圖像自身信息的圖像邊緣檢測閾值自動設(shè)定方法[J]. 光電子·激光，2011, 22(8)：1246－1250.

Mo Shaoqing, Liu Zhengguang, Zhang Jun, et al. An unsupervised threshold selection method for edgr detection based on image self-information[J]. Journal of Optoelectronics·Laser, 2011, 22(8): 1246－1250. (in Chinese with English abstract)

[31] 袁清珂，張振亞，畢慶. 改進RANSAC算法在直線擬合中的應用[J]. 組合機床與自動化加工技術(shù)，2015(1)：123－125.

Yuan Qingke, Zhang Zhenya, Bi Qing. Linear fitting application based on the improved RANSAC algorithm[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2015(1): 123－125. (in Chinese with English abstract)

[32] 吳劍亮，李艷，高揚，等. 基于改進RANSAC算法的道路直線提取方法[J]. 地理空間信息，2017, 15(5)：42－44.

[33] 張永祥，古佩強，穆鐵英. 改進的RANSAC基礎(chǔ)矩陣估計算法[J]. 小型微型計算機系統(tǒng)，2016，37(9)：2084－2087.

Zhang Yongxiang, Gu BeiQiang, Mu TieYing. Improved RASANC algorithm for fundamental matrix estimation[J]. Journal of Chinese Computer Systems, 2016, 37(9): 2084－2087. (in Chinese with English abstract)

Path planning algorithm for plant protection robots in vineyard

Ai Changsheng1, Lin Hongchuan1, Wu Delin2, Feng Zhiquan1

(1. College of Mechanical Engineering, Jinan University, Jinan 250022, China; 2. Zhonghe Agricultureal Equipment Technology Co. Ltd. Of Shandong Province, Qixia 264000, China)

To meet the requirements of accuracy and reliability of plant protection robot in ridge identification and route planning, also improve the working conditions of farmers, and achieve an unmanned operation purpose, an algorithm based on multi-support-vector proportioning weight of SVM (support vector machine) to identify the ridge line of vineyards, and the path planning of plant protection robots were proposed. The strategy first uses Kalman filter to pre-process coarse orchard data information obtained by Lidar scanning. According to the principle that Kalman filter complies with Gaussian distribution, the prior point between 2 adjacent points was taken as the prior state, and the latter point was used as the observed point to obtain posteriori state estimation, so as to realize data integration and analysis. With its good system state estimation characteristics, the collected data can be used to judge the trend of the ridge line, so as to correct the noise outliers in the data and improve the readability of the data. Then according to the characteristics of the vineyard branch ridge and the characteristics of ridges line with clearly separable spacing, and corresponding to the situation that the ridge line on both sides can be completely separated, the method was combined with SVM linear classification. With the unique advantages of the classification and due to that SVM can search the unique segmentation hyperplane, the maximum interval and segmentation hyperplane, classification margins in the ridge environment could be gotten. The split hyperplane obtained at this time would be between ridge lines. However, there was a big deviation from the angle of the direction of the ridge line and the horizontal distance. It could not meet the precise operation requirements of plant protection robots. It needed further data processing and analysis. In order to obtain accurate position of the center of ridge line, finally, the relative weights were assigned to the sample points of each ridge based on the geometric interval relationship between the sample points on both sides of the ridge and the corresponding SVM classification marginal line. The classification marginal line was reformed according to the number of sample points and the relative weights. According to the condition of the product of the interval relationship between each sample point and the classification margin, their relative weight must be consistent with the quality value of classification margin. The random sampling consistency iteration method (RANSAC) would avoid the error of cost estimate, and could estimate the parameters of the mathematical model from a group of observed data with outliers, so as to obtain the predicted safety location of the ridge. Although the pre-estimated security location of ridge line was not necessarily consistent with the actual location of the vineyard ridge, navigation line could be obtained indirectly by the security ridge line on both sides and the principle of angle bisector which could meet the requirements of precision operation of plant protection robot. Operation guidance line for plant protection robot could be acquired. After a number of actual samples were tested, the average angular deviation between the fitted navigation line and the actual ridge centerline was 0.72°, and the average distance deviation of the relative plant protection robot was 4.22 mm. Experimental results showed that this algorithm could effectively identify and locate the navigation route needed by the plant protection robot. The fitted navigation line could meet the requirements of accurate operation of the plant protection robot in the vineyard. However, the redundancy of the algorithm was relatively large, and the time required to process data in a single time was about 2.05 s. With the accelerated calculation speed of the processor in the future, the algorithm provided in the article can provide a reference solution for such a problem.

robots; algorithms; radar; ridge recognition; path planning; Kalman filter; support vector machine

2017-12-02

2018-04-12

山東省農(nóng)機裝備研發(fā)創(chuàng)新計劃項目（項目編號2015YB204）

艾長勝，教授，主要從事嵌入式計算機測控系統(tǒng)開發(fā)、智能控制和智能機器人技術(shù)。Email：me_aics@ujn.edu.cn

10.11975/j.issn.1002-6819.2018.13.010

TP391.4

A

1002-6819(2018)-13-0077-09

艾長勝，林洪川，武德林，馮志全.葡萄園植保機器人路徑規(guī)劃算法[J]. 農(nóng)業(yè)工程學報，2018，34(13)：77－85. doi：10.11975/j.issn.1002-6819.2018.13.010 http://www.tcsae.org

Ai Changsheng, Lin Hongchuan, Wu Delin, Feng Zhiquan. Path planning algorithm for plant protection robots in vineyard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 77－85. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.13.010 http://www.tcsae.org