水果采摘機械手關鍵技術研究現(xiàn)狀與展望

摘要： 采摘機器人的研究對推動水果產業(yè)的發(fā)展有著重要作用。采摘機械手的運動規(guī)劃與其硬件結構是采摘機器人的關鍵技術，影響水果采摘的效率與水果品質。本文分析了傳統(tǒng)運動規(guī)劃算法、基于生物智能的運動規(guī)劃算法、基于概率采樣的運動規(guī)劃算法以及基于深度強化學習的運動規(guī)劃算法等運動規(guī)劃算法的優(yōu)點和不足。同時總結了采摘機械手硬件結構的研發(fā)現(xiàn)狀，指出目前采摘機械手存在采摘效率低、規(guī)劃算法效率低、系統(tǒng)成本高與采摘對象單一等問題，對未來水果采摘機器人的研究進行了展望。本文為未來采摘機器人的研發(fā)提供了參考。

關鍵字： 水果采摘機器人；機械手；運動規(guī)劃；末端執(zhí)行器

中圖分類號： TP241"" 文獻標識碼： A"" 文章編號： 1000-4440（2024）06-1142-11

Research status and prospect of key technologies of fruit picking manipulator

GUO Ziliang 1， YIN Chengkai 1， WU Xuanbo 1， CHEN Qing1，2， WANG Jinpeng 1，2， ZHOU Hongping 1，2

（1.College of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing 210037， China；2.Co-innovation Center of Efficient and Utilization of Forestry Resources， Nanjing Forestry University， Nanjing 210037， China）

Abstract： Research on picking robots plays an important role in promoting the development of fruit industry. Motion planning and hardware structure of fruit picking manipulator are the key technologies of the picking robot， which affect the picking efficiency and fruit quality. This paper analyzed the advantages and shortcomings of motion planning algorithms such as traditional motion planning algorithm， motion planning algorithm based on biological intelligence， motion planning algorithm based on probability sampling and motion planning algorithm based on deep reinforcement learning. At the same time， the current status of research and development of the hardware structure of the picking manipulator were summarized. The problems of low picking efficiency， low planning algorithm efficiency， high system cost and single picking object were pointed out. The future research of fruit picking robot was prospected. This paper provides a reference for future research and development of picking robot.

Key words： fruit picking robot；manipulator；motion planning；end-effector

國家統(tǒng)計局公布的數(shù)據(jù)顯示，2022年中國水果產量突破3×108 t[1]，且水果產量依然呈增長趨勢。目前水果的主要采摘方式仍然是人工采摘，果園采摘的綜合機械化率僅為28.6%[2]，采摘環(huán)節(jié)的機械化率為3.0%。隨著中國人口老齡化加重，勞動力成本逐步上升。為降低水果采摘的人工成本、增加水果生產的市場競爭力，研發(fā)水果采摘機器人對于水果產業(yè)發(fā)展有著重要意義[3]。

水果采摘機器人主要由視覺系統(tǒng)、定位導航系統(tǒng)、控制系統(tǒng)、移動平臺、機械手等組成[4]。采摘時，采摘機器人通過移動平臺到達采摘位置，通過視覺系統(tǒng)完成水果的識別與定位，并根據(jù)果實位置信息使機械臂到達采摘位置，最后利用末端執(zhí)行器完成果實的采摘。采摘時機械手利用運動規(guī)劃信息到達果實位置，末端執(zhí)行器完成水果的分離。機械手作為采摘機器人的關鍵組成部分直接影響著水果采摘的效率與水果品質[5]，機械手由硬件與軟件組成，硬件為機械臂與末端執(zhí)行器，軟件控制機械手的運動，其中運動規(guī)劃軟件負責控制機械手的位姿變化。本文主要總結了水果采摘機械手運動規(guī)劃與機械手硬件結構的研究現(xiàn)狀。

1 機械手的運動規(guī)劃算法

機械手的運動規(guī)劃是機械手在運動規(guī)劃器下，獲得一條無碰撞的運動路徑，其運動規(guī)劃包括2個部分：路徑規(guī)劃與軌跡規(guī)劃[6-8]。路徑規(guī)劃指通過規(guī)劃算法避開障礙物，保證機械手運動的可行性。軌跡規(guī)劃指改變機械手運動時的速度和加速度，獲得較優(yōu)的路徑。目前機械手的運動規(guī)劃算法主要包括4類：傳統(tǒng)運動規(guī)劃算法、基于生物智能的運動規(guī)劃算法、基于概率采樣的運動規(guī)劃算法以及基于深度強化學習的運動規(guī)劃算法。概率采樣運動規(guī)劃算法通過碰撞檢測的方式獲得軌跡的節(jié)點信息，可以避免顯式構造配置空間，避免維度災難，提高規(guī)劃效率，為解決路徑規(guī)劃問題的主流算法[9]。

1.1 傳統(tǒng)運動規(guī)劃算法

傳統(tǒng)運動規(guī)劃算法包括基于圖搜索算法與人工勢場法。基于圖搜索算法主要為Dijsktra算法和A*算法[10]，Dijsktra算法由Edsger Wybe Dijkstra提出，主要用于二維平面內的路徑規(guī)劃。由于機械手的路徑規(guī)劃是在高維空間進行的，Dijkstra算法并不適用于機械手路徑規(guī)劃。A*為Dijkstra的改進算法，有效提高了路徑搜索的效率，但在高維空間中的計算量依舊較大。Van Henten等[11]將A*算法應用于黃瓜采摘機械手的運動規(guī)劃中，在仿真試驗中規(guī)劃六自由度機械臂的無碰撞運動，但存在規(guī)劃時間較長、路徑不平滑、效率低等問題。陳善峰等[12]為減少計算量，提高規(guī)劃效率，對采摘對象與豎直障礙物分布情況進行分析，獲得機械手的終點關節(jié)角，將機械手與障礙物映射至平面內，利用A*算法在水平面與垂直面內規(guī)劃避障路徑。仿真試驗結果表明，該算法能夠使機械手避開障礙物，且降低了計算量，但規(guī)劃的路徑不具備通用性。為提高A*算法的計算效率，王亮[13]將三維空間內的采摘路徑規(guī)劃轉化為二維平面內的路徑規(guī)劃，從啟發(fā)函數(shù)、列表數(shù)據(jù)結構和移動代價3個方面改進A*算法，再將二維的路徑拓展至三維。仿真試驗結果表明，該算法加快了路徑規(guī)劃的速度，減少了路徑長度，更適用于實際采摘環(huán)境。

人工勢場法由Khatib[14]提出，根據(jù)物理學中“勢場”的概念，在空間中建立人工勢場，利用勢場指導機器人避開障礙。人工勢場法不需要對環(huán)境進行建模，規(guī)劃簡單，在算法上較易實現(xiàn)，但在路徑規(guī)劃時易陷入局部最小值。姬偉等[15]結合采摘作業(yè)的環(huán)境特點，在人工勢場路徑規(guī)劃時引入虛擬目標點，以此避免規(guī)劃陷入局部最優(yōu)陷阱。仿真與實驗室環(huán)境的采摘試驗結果均表明，該方法能夠實現(xiàn)基本的采摘工作。針對動態(tài)非結構化環(huán)境下機械手蘋果采摘路徑問題，Xie等[16]將采摘情況分為避障采摘與非避障采摘，使用默認路徑規(guī)劃方法規(guī)劃非避障路徑，用人工勢場法規(guī)劃避障路徑，結合果樹生長環(huán)境中障礙物的特點，將二維勢場拓展至三維勢場。試驗結果表明，基于人工勢場法的采摘路徑規(guī)劃可以有效避開障礙物，得到的避障曲線更平滑，可實現(xiàn)實時準確采摘。

1.2 基于生物智能的運動規(guī)劃算法

早期的軌跡規(guī)劃主要是利用曲線插值函數(shù)對規(guī)劃路徑進行優(yōu)化，如多項式插值與B樣條曲線等。Zhang等[17]基于擺線軌跡算法，優(yōu)化4自由度采摘機械手的運動軌跡，在仿真試驗中機械手完成無碰撞高效采摘。雖然曲線插值優(yōu)化能夠滿足基本的運動學與動力學約束，但在復雜的采摘環(huán)境中，難以得到運動學與動力學約束下的時間最優(yōu)軌跡規(guī)劃。近年來，基于生物智能的運動規(guī)劃算法被應用于機械手的軌跡規(guī)劃中，主要包括遺傳算法、粒子群算法、蟻群算法等?；谏镏悄艿倪\動規(guī)劃算法適應性強，魯棒性強且易于重構，但在復雜環(huán)境下運算緩慢，受環(huán)境影響大，易陷入局部最優(yōu)[18]。Ku等[19]為解決帶電作業(yè)機械手運動規(guī)劃問題，提出一種數(shù)據(jù)模型驅動混合算法（P-SAC），為平滑運動軌跡，使用六次多項式的軌跡模型與PSO算法對軌跡模型的參數(shù)進行優(yōu)化，利用粒子群算法增強深度學習的泛化能力。同時，為引導機械手到達目標點，Ku等[19]提出了一種基于區(qū)域引導的獎勵函數(shù)。試驗結果表明，P-SAC算法可以減少不必要的探索，提高模型驅動類算法對環(huán)境的學習能力。針對機械手避障路徑規(guī)劃問題，Meng等[20]提出了精英平滑蟻群算法（ESACO），其改進了狀態(tài)轉移概率和信息素更新策略，增強了路徑規(guī)劃對稱性和算法的收斂性，采用分段B樣條曲線消除路徑折疊點，使生成的路徑更加平滑。仿真試驗結果表明，ESACO算法在不同場景下規(guī)劃的路徑均具有對稱性優(yōu)勢，且機械手能夠高效、高精度地執(zhí)行任務。在機械手運動過程中，不僅需要考慮其運動路徑長度，還需要考慮在運動過程中的時間、能量消耗等問題，實現(xiàn)全局優(yōu)化。Cao等[21]提出了一種改進的多目標粒子群優(yōu)化算法（GMOPSO）以優(yōu)化機械手的采摘路徑，該算法結合變異算子、退火因子和反饋機制等方法，在滿足穩(wěn)定運動、避免局部最優(yōu)解、加快收斂速度的基礎上提高了粒子群算法的種群多樣性。對該算法進行了仿真和實際環(huán)境試驗。結果表明，該算法的解集接近帕累托最優(yōu)，且采摘率基本滿足機器人的實際采摘要求。為解決雙向快速探索隨機樹（Bi-RRT）算法在尋找路徑時存在隨機性大與收斂困難的問題，Ye等[22]將目標重力思想引入Bi-RRT，通過自適應系數(shù)調整方法改變引力權重和步長參數(shù)，并對基礎粒子群優(yōu)化算法進行改進，引入自適應權重用于求解機械臂逆運動學，在仿真與實驗室環(huán)境下進行測試，結果表明改進算法能夠顯著提高無碰撞路徑的規(guī)劃速度，且擁有更高的定位與定向精度。

1.3 基于概率采樣的運動規(guī)劃算法

基于概率采樣的運動規(guī)劃算法為路徑規(guī)劃提供了一個更高效的方案，更適用于高維空間的路徑規(guī)劃，該方法不需要對環(huán)境進行顯式配置，因此有效減少了路徑規(guī)劃中的計算量[23]，提高了規(guī)劃效率，是機械手路徑規(guī)劃的研究熱點。目前應用于機械臂的基于概率采樣的運動規(guī)劃算法主要包括RRT（快速探索隨機樹）算法與PRM（概率路線圖）算法。

RRT算法是由Lavalle[24]提出的一種對非凸高維空間的快速搜索的算法。以起點為初始位置，重復隨機在空間中生成樹枝節(jié)點，當樹枝節(jié)點與目標點在一定閾值范圍內時結束搜索，最后從終點回溯尋找父節(jié)點，得到起點到目標點的路徑。

由于RRT算法存在規(guī)劃效率低、路徑生成質量差等問題，學者對此進行了大量研究。基于RRT算法的改進算法有RRT*[25]與RRT-Connect[26]算法。RRT-Connect算法在起點與目標點同時生成節(jié)點樹，節(jié)點樹相互探索，直至兩者相連，生成路徑。RRT-Connect算法有效提高了搜索效率，但路徑質量較差。為提高RRT算法的路徑質量，RRT*在RRT的基礎上增加了對節(jié)點的優(yōu)化，利用代價函數(shù)選擇最優(yōu)父節(jié)點與最優(yōu)子節(jié)點，每次迭代重新計算這條路徑上每個節(jié)點的執(zhí)行代價，不斷優(yōu)化路徑。RRT*算法是漸進最優(yōu)的，隨著迭代次數(shù)的增加，路徑將會不斷被優(yōu)化，但規(guī)劃時間較長。針對這些問題，Cao等[27]在基礎RRT算法中添加引力向量使得RRT算法在搜索的過程中具有一定的方向性，能夠更快尋找到路徑，之后將得到的路徑進行平滑處理。通過實際試驗對比，發(fā)現(xiàn)改進算法得到的路徑質量更高且路徑搜索速度更快。Chen等[28]在RRT-Connect算法的基礎進行了改進，引入目標偏向與自適應步長策略，加快了路徑的搜索速度，采用雙向剪枝優(yōu)化策略與3次非均勻B樣條插值方法對生成的路徑進行優(yōu)化。仿真對比試驗結果表明，改進算法在路徑規(guī)劃時間與路徑長度上，分別縮短了55%與60%。Yang等[29]提出一種改進RRT算法，在RRT中引入目標概率偏移和變步長策略，在仿真試驗結果中，改進的路徑規(guī)劃算法時間相較于原路徑規(guī)劃算法縮短了70.05%，同時能夠避開障礙。2014年Gammell等[30]在RRT*的基礎上添加橢圓子集約束，提出了漸進最優(yōu)Informed-RRT*算法，有效提高了搜索的路徑質量。Wang等[31]在Informed-RRT*算法的基礎上，提出了基于預采摘引導點的采摘運動規(guī)劃算法（PGI-RRT*），該算法選擇起始點與目標點之間的第3點作為預采摘引導點，在初始點、目標點和引導點之間同時生成4棵隨機樹，快速獲取路徑。在PGI-RRT*算法中，采用P概率抽樣代替隨機抽樣，控制抽樣的隨機性，根據(jù)動態(tài)步長生成新節(jié)點，提高了PGI-RRT*算法探索未知空間的速度和靈活性，提高了算法的收斂速度。仿真試驗結果表明，與Informed-RRT*相比，PGI-RRT*算法可將查找初始路徑的時間縮短75%～86%，成功率提高18%～32%。為降低路徑規(guī)劃的難度，Bac等[32]利用RRT算法對9自由度采摘機械臂進行路徑規(guī)劃，路徑平滑處理后進行采摘試驗，試驗結果表明RRT顯著提高了規(guī)劃效率。采摘酸橙時機械手會碰撞酸橙樹葉，Nemlekar等[33]為優(yōu)化機械手的避障路徑，在RRT*的基礎上加入人工勢場，并提出RRT*-AFP算法，利用人工勢場降低RRT*算法的隨機性，將機械手與樹葉的碰撞成本納入路徑代價。仿真試驗結果表明，改進算法獲得的路徑成本更低，證明了改進算法的有效性。機械手的路徑規(guī)劃往往是在視覺信息的基礎上完成的，視覺信息造成的誤差會對后續(xù)的路徑規(guī)劃產生一定影響。荀一等[34]提出將改進的RRT算法與視覺伺服系統(tǒng)結合，以提高機械臂的采摘效率與精度。在RRT算法中加入貪心思想和B樣條曲線優(yōu)化，提高隨機樹的擴展性和路徑的平滑性，降低采樣密度。使用6自由度機械手進行采摘試驗，試驗結果表明，改進的RRT算法采摘速度較RRT*-Connect提升48.36%，路徑成本較RRT減少17.14%，采摘成功率較RRT*-Connect提高2.10%，表明改進的RRT算法具有較高的應用價值。水果采摘機器人通常利用單個串聯(lián)機械手實施采摘任務，為提高采摘效率，可利用串并聯(lián)機械臂協(xié)同工作。陽涵疆等[35]驅動混聯(lián)機械臂避開障礙物完成采摘任務，將混聯(lián)機械臂分為串聯(lián)機械臂與并聯(lián)機械臂兩個子部分，分別進行路徑規(guī)劃，以此降低避障路徑規(guī)劃的復雜度。采用遍歷法構建串聯(lián)機械臂關節(jié)構形空間，并利用RRT算法進行路徑搜索，避免大量的數(shù)據(jù)計算，提高了算法的收斂速度，實驗室與仿真試驗結果表明該算法具有有效性。為提高機械臂抓取林果并裝箱的路徑規(guī)劃效率與林果品質，徐妍等[36]提出改進的RRT-Connect算法，在路徑規(guī)劃時考慮機械手的深框抓取姿態(tài)問題，提出滿足環(huán)境約束的無碰撞抓取姿態(tài)計算方法，利用高斯采樣策略改進RRT-Connect采樣方法，引入自適應步長，增加路徑規(guī)劃的靈活性。仿真試驗結果表明，與RRT*和RRT-Connect相比，改進算法的路徑成本降低，運行時間縮短。

20世紀90年代，Kavraki等[37]提出PRM（概率路線圖）算法，該算法在環(huán)境空間建立網格圖，將連續(xù)的環(huán)境空間變?yōu)殡x散的空間，在空間中生成隨機點，對所有的節(jié)點進行連接，去除有障礙物的路徑后，通過圖搜索算法獲得從起點到終點的路徑。

當規(guī)劃環(huán)境復雜度提升時，PRM規(guī)劃效率將變低，為提高PRM的路徑規(guī)劃效率，Bohlin等[38]提出了一種概率路線圖規(guī)劃改進算法Lazy-PRM，與PRM相比，該算法假設最初路線圖中的所有節(jié)點和邊線與障礙物都互不干涉，并在路線圖中搜索初始節(jié)點和目標節(jié)點之間的最短路徑。再檢查所有路徑上的節(jié)點和邊線是否與障礙物相互干涉，若與障礙物發(fā)生干涉，相應的節(jié)點和邊線將被刪除。若未能確定最短路徑，則用新的節(jié)點和邊線更新路線圖，重新搜索最短路徑。重復上述過程，直到得到無碰撞的路徑。蔡健榮等[39]在PRM中融合啟發(fā)式搜索思想，對水果采摘機器人機械手進行實時規(guī)劃。在PRM的預處理階段，以位姿點密度為權重調整采樣策略，避免無用采樣，采用延遲碰撞策略節(jié)省計算成本，提高規(guī)劃速度。在仿真試驗中，平均規(guī)劃時間＜0.15 s，滿足實時要求。為提高傳統(tǒng)PRM規(guī)劃算法的效率，鄒宇星等[40]提出一種改進PRM算法的機械臂避障路徑規(guī)劃方法，將快速構型空間構建算法與PRM算法融合，使PRM算法采樣點可行性檢測由3維模型碰撞檢測轉化為簡單的查表操作與布爾運算。在仿真試驗中，較于傳統(tǒng)PRM算法，改進算法的路徑搜索速度提高 22.2%，且能夠實現(xiàn)復雜環(huán)境中的機械手無碰撞路徑規(guī)劃。

1.4 基于深度強化學習的運動規(guī)劃算法

隨著機器學習的發(fā)展，深度學習技術應用在許多領域內，取得了較好的效果[41]。深度強化學習結合了深度學習的特征提取能力與強化學習的決策能力，近年來被廣泛應用于機械手運動規(guī)劃領域[42]。以強化學習的動作決策作為分類標準，基于深度強化學習的運動規(guī)劃算法可分為三類：基于策略的算法，基于價值的算法與基于演員-評論家的算法，其中基于演員-評論家的算法適用于高維連續(xù)狀態(tài)空間[43]。基于演員-評論家的算法DDPG（深度確定性策略梯度算法），可以應用于機械手的連續(xù)動作控制，但由于機械手的采摘環(huán)境是非結構化的且較為復雜，導致模型初期訓練困難，學習效率低，收斂速度慢。Liu等[44]針對非結構化環(huán)境下的深度強化學習學習效率低與收斂低等問題，提出了一種結合專家經驗引導的強化學習策略。通過仿真試驗研究專家經驗占新生成樣本的比例和專家經驗回訪頻率，結果表明該方法能有效改善模型性能，提高非結構化環(huán)境下訓練初期深度強化學習的學習效率。在非結構化的果園環(huán)境中采摘番石榴時，機械臂運動時與樹枝障礙物會發(fā)生碰撞，為解決該問題，Lin等[45]提出基于深度強化學習的快速魯棒無碰撞路徑規(guī)劃方法。首先采用機器人在過去采摘訓練時的狀態(tài)信息來訓練循環(huán)神經網絡參數(shù)，然后采用深度確定性策略梯度算法（DDPG）預測無碰撞路徑，在模擬環(huán)境中對機械臂進行訓練，訓練時對其參數(shù)進行隨機化，使循環(huán)DDPG可以泛化至實際環(huán)境。仿真試驗結果表明，循環(huán)DDPG算法規(guī)劃路徑時間為29 ms，成功率為90.90%。循環(huán)DDPG算法在效率和穩(wěn)定性之間取得了較好的平衡，有較強的魯棒性。鄭嫦娥等[46]提出DDPG算法的漸進空間約束分布訓練策略，在模型訓練過程中引入平面約束，減小網絡維度，增加模型收斂速度。通過遷移學習思想，將模型從有簡單障礙物的環(huán)境遷移至有復雜障礙物的環(huán)境中，提高模型在有復雜障礙物的環(huán)境中的學習與收斂速度。仿真試驗結果表明，分布遷移策略對DDPG算法的收斂速度有較大提升。熊春源等[47]提出一種非結構化采摘環(huán)境下的路徑規(guī)劃方法，將深度強化學習與人工勢場法結合，使用長短期記憶（Long short-term memory，LSTM）結構對基于演員-評論家的算法進行改進。在仿真試驗中，改進算法相較于原算法的路徑規(guī)劃成功率與收斂速度都有較大提升。為增強機械手的靈活性，汪紅等[48]在DDPG算法中添加人手臂運動約束，并在DDPG中增加自適應采樣策略，對經驗緩沖池中軌跡經驗的優(yōu)先級進行自適應動態(tài)調整，增加模型訓練速度，避免算法陷入局部最優(yōu)。

綜上所述，目前機械手的運動規(guī)劃算法主要分為4類：傳統(tǒng)運動規(guī)劃算法、基于生物智能的運動規(guī)劃算法、基于概率采樣的運動規(guī)劃算法以及基于深度強化學習的運動規(guī)劃算法。其中傳統(tǒng)規(guī)劃算法在機械手上的應用較少，這主要是因為采摘機器人機械手的規(guī)劃空間通常是三維，隨著維度的增加，計算量將呈指數(shù)級提升，傳統(tǒng)類算法在規(guī)劃過程中計算量過大。人工勢場法屬局部路徑規(guī)劃，且算法原理簡單、規(guī)劃效率高，但該算法在復雜環(huán)境下易振蕩和產生局部最小值?；诟怕什蓸拥倪\動規(guī)劃算法能夠有效降低運動規(guī)劃計算量，成為機械手運動規(guī)劃的主流算法，該算法具備概率完備性且規(guī)劃原理簡單，但路徑質量較差。近幾年，隨著人工智能的發(fā)展，機器學習在許多領域嶄露頭角，其中深度強化學習因其強大的特征抽取與決策能力逐漸成為了機械手路徑規(guī)劃的研究熱點，但目前仍處于實驗室階段。該算法無需對環(huán)境進行建模，適應于復雜多變的采摘環(huán)境，對機械手路徑規(guī)劃有較強的魯棒性，然而，由于存在視覺技術識別精度低、算法的參數(shù)優(yōu)化較為復雜且收斂性差等問題，導致其在機械手上的應用較少[49]。各類算法的特點如表1所示。

2 機械手硬件結構

機械手硬件結構是采摘機器人的關鍵部分，機械手主要由末端執(zhí)行器與機械臂組成。機械手在執(zhí)行采摘任務時，機械臂從初始位置到達采摘點位置，由末端執(zhí)行器完成水果的分離。目前中國果園大多是非結構化環(huán)境，機械臂在運動過程中需要考慮運行速度，同時需要避免與果樹發(fā)生碰撞，由于不同水果質地存在差異，末端執(zhí)行器的設計需考慮水果生物力學特性，以保證采摘效率和水果品質，因此對機械手的硬件研究尤為重要。

2.1 機械臂

目前在農業(yè)采摘機器人研究領域，使用的機械臂按自由度高低可分為低自由度與高自由度兩類。機械臂調整空間位姿，快速運送末端執(zhí)行器到達采摘位置，同時避免與障礙物發(fā)生碰撞。

低自由度機械臂以三自由度與四自由度機械臂為主。低自由度機械臂結構相對簡單，擁有較高的控制精度，響應速度快，但在復雜果園環(huán)境下的避障效果較差。且因其自由度較低，在較大的工作空間中就需要增大機構本身的尺寸。美國Abundant Robotics公司[50]開發(fā)的負壓吸附蘋果采摘機器人，采用直角坐標三自由度機械臂，機械手的末端為筒狀結構。采摘時在末端執(zhí)行器中產生負壓，使蘋果在采摘口附近被吸附力吸附，分離蘋果。在實際田間采摘時，該采摘機器人在“V”形架果園與單墻型果園進行采摘工作，平均單果采摘時間為2 s。Williams等[51]研發(fā)的獼猴桃采摘機器人由1個載具、4個三自由度關節(jié)型機械臂、1個末端執(zhí)行器、1個視覺系統(tǒng)以及獼猴桃存儲裝置組成，末端執(zhí)行器由適合獼猴桃形狀的夾鉗、驅動夾鉗旋轉的電機和連桿組成。田間試驗環(huán)境較為空曠，采摘機器人在獼猴桃樹枝下方，機械臂無需避障，采摘時機械臂只需從初始位置到達目標采摘點，控制末端執(zhí)行器完成水果的采摘即可。該采摘裝置采摘獼猴桃的成功率為51.00%，平均采摘單個獼猴桃的時間為5.5 s。假設在果實靜止且無枝葉遮擋的理想采摘環(huán)境下，李國利等[52]設計了一款多末端執(zhí)行器采摘機器人，該采摘機器人使用的是三自由度直角坐標機械臂，在機械臂上有多種末端執(zhí)行器；用仿真蘋果樹進行試驗，8次成功采摘果實46個，采摘成功率為82.14%，但該采摘機器人并不適應于成簇果實的采摘。Ling等[53]設計的采摘機器人的機械臂為3自由度，每個機械臂在設計上與SCARA（選擇順應性裝配機器手臂）機械臂相似，具有1個移動關節(jié)和2個轉動關節(jié)。與其他高自由度采摘機器人相比，采用類SCARA機械臂的目的是簡化運動規(guī)劃或提供更多的規(guī)劃方案。

高自由度機械臂以五自由度與六自由度為主。高自由度的機械臂擁有較大的運動空間，在復雜的果園環(huán)境中有著較強的靈活性與魯棒性。趙德安[54]開發(fā)了蘋果采摘機器人，機械手使用的是5自由度機械臂，機械臂由1個升降關節(jié)、3個旋轉關節(jié)與1個棱柱形直動關節(jié)組成，升降關節(jié)可使機械手到達不同高度。結合蘋果特性，末端執(zhí)行器整體設計為勺狀，在勺狀結構中有橡膠海綿材料與壓力傳感器，降低末端執(zhí)行器因夾持力度過大對蘋果造成的損傷。采摘蘋果時利用安裝在勺狀結構側面的切割器切割果柄[55]。在實驗室中，該采摘機器人的采摘成功率為84.00%，平均單果采摘速度為6.0 s。Hohimer等[56]設計的蘋果采摘機器人機械手由5自由度關節(jié)型機械臂與三指氣動末端執(zhí)行器組成；末端執(zhí)行器手指部分為氣動柔性材料，充氣膨脹后產生夾緊力；試驗中蘋果的采摘成功率為67.00%，平均單果采摘到收集時間為7.3 s。Xiong等[57]設計了一款草莓采摘機器人，試驗場地為草莓農場，該采摘機器人使用的是工業(yè)5自由度串聯(lián)機械臂（型號RV-2AJ，日本三菱集團公司產品），平均單果采摘時間為7.5 s。

綜上，低自由度機械臂控制簡單、易于操作、誤差較低且具有較高的控制精度，但在復雜環(huán)境下無法靈活避障，且整體尺寸較大。高自由度機械臂在實際應用中更加廣泛，能夠實現(xiàn)更多復雜曲線的擬合，在復雜環(huán)境下?lián)碛休^強的魯棒性。建議進一步研究機械臂自由度與機器人工作環(huán)境的關系，以提高采摘效率和安全性。

2.2 末端執(zhí)行器

末端執(zhí)行器是機械手的重要組成部分，在機械手到達采摘位置后末端執(zhí)行器完成果實的采摘。按分離水果與果樹的方式，末端執(zhí)行器可分為夾持切割式、氣吸式與夾持旋轉式末端執(zhí)行器。

夾持切割式末端執(zhí)行器在夾持固定果實后，利用刀具剪切力實現(xiàn)水果的采摘，能較快完成果實與果樹的分離，但容易對果實造成損傷，適用于果柄較長的水果。中國農業(yè)大學徐麗明等[58]設計了一款臍橙采摘末端執(zhí)行器，主要由連接架、夾持機構、旋轉機構和吸附機構組成（圖1a），采摘時吸附機構吸附果實，氣缸推動旋切結構完成果梗與果實的分離。在田間試驗中通過視覺識別獲得果實位置，使用該臍橙采摘末端執(zhí)行器采摘果實，果實損傷率為0，平均單果采摘時間為1.74 s ，平均采摘成功率為92.37%。Wang等[59]設計了一種剪切式番茄夾持器，兼顧末端執(zhí)行器的穩(wěn)定性和控制結構的復雜性，采摘動作包括抓、剪切，末端主要由伸縮筒、氣泵、電磁閥、繼電器和剪切裝置組成。在溫室試驗中，該采摘機器人從識別一個成熟番茄到完成采摘約需要15.0 s，成功率為86.00%。付舜[60]設計的柑橘采摘末端執(zhí)行器根據(jù)柑橘生長特性采用仿蛇嘴設計，采摘時氣缸推動上下刀片同時切割果梗，設計結構簡易，易于實現(xiàn)，但在采摘時易誤傷果樹（圖1b）。

不同于夾持切割式末端執(zhí)行器，氣吸式末端執(zhí)行器不需要精確定位水果的果梗位置，借助負壓能夠使水果與氣吸式末端執(zhí)行器相互靠近，實現(xiàn)水果與樹枝分離并被收入收集箱內。氣吸式末端執(zhí)行器有著較高的采摘效率，但采摘果梗與樹枝結合力較大或重量較大的水果時采摘效果較差，并且容易吸入樹葉、樹枝造成負壓孔堵塞。王曉楠等[61]設計的番茄采摘機器人有多自由度關節(jié)型機械臂與氣吸式末端執(zhí)行器（圖2a）。末端執(zhí)行器由吸附結構、夾持結構和旋轉結構組成；吸附結構由氣管、吸盤、真空發(fā)生器組成；夾持機構由氣缸、套筒和氣囊組成；旋轉機構由電機、齒輪組成。當末端移動到目標位置時，真空發(fā)生器產生負壓，吸盤吸附番茄果實，伸縮氣缸伸出套筒，直至果實全部被套入套筒內，之后膨脹氣囊夾緊果實表面，電機開啟帶動套筒旋轉，實現(xiàn)果實與果柄分離。該番茄采摘機器人單果采摘作業(yè)時間為24.0 s，成功率為83.90%。Baeten等[62]開發(fā)的蘋果采摘機器人末端執(zhí)行器采用負壓吸附方式采摘，末端執(zhí)行器采用料斗狀的吸嘴結構，避免蘋果損壞，同時提供牢固的吸力（圖2b）。末端執(zhí)行器內部安裝有視覺照相機，當相機檢測到蘋果在吸嘴的工作范圍內，開啟負壓吸附蘋果，通過旋轉和輕輕傾斜的動作分離蘋果。該蘋果采摘機器人平均8.0～10.0 s采摘1個蘋果，采摘成功率約為80.00%。

夾持旋轉式末端執(zhí)行器在采摘時先固定水果，旋轉機構旋轉促使果梗斷裂，無需精確的定位，有著較高的魯棒性。Bulanon等[63]設計的蘋果采摘末端執(zhí)行器（圖3a）由夾持機構與旋轉機構組成，末端執(zhí)行器前端的夾持機構由雙指與直流電機組成，后端的旋轉機構由步進電機與傳動連接件組成，采摘時夾持機構夾持蘋果果梗，旋轉機構使蘋果旋轉120°完成采摘。在田間試驗中該末端執(zhí)行器的采摘成功率為90.00%，單果平均采摘時間為7.1 s。這種采摘方法的優(yōu)點在于不會對果實造成傷害，但是在果梗較小的情況下難以操作，且雙指在夾持時并不穩(wěn)定。另有一種欠驅動式末端執(zhí)行器，由3根手指組成，手指長度與正常人手指相仿，手指與底座表面都有柔軟的橡膠墊，在采摘時可以增加夾持時的摩擦力[64-67]（圖3b）。啟動時電機收緊肌腱牽引手指彎曲，肌腱的主要組分是高強度魚線，欠驅動與橡膠墊的設計使機器人采摘作業(yè)時對蘋果的損傷降低。適用于采摘不同水果的末端執(zhí)行器對比如表2所示。

氣吸式末端執(zhí)行器與夾持切割式末端執(zhí)行器擁有較高采摘效率。夾持切割式末端執(zhí)行器易損傷水果，適于果梗較長的水果。氣吸式末端執(zhí)行器適于果梗結合力較小、果園環(huán)境結構化的采摘，但采摘時容易吸入樹葉與細小樹枝等。夾持旋轉末端執(zhí)行器采摘速度較慢，但無需高精度視覺技術的支持，適用于多種水果的采摘，更具通用性。未來發(fā)展中末端執(zhí)行器的設計需結合果實力學特性，保證采摘的水果品質，同時需結合果園環(huán)境以實現(xiàn)高效采摘。

3 存在的問題

近年來采摘機器人研究和開發(fā)取得了長足進展，但采摘機器人機械手仍然存在許多問題，導致水果采摘機器人難以商業(yè)化投入實際生產。目前水果采摘機械手存在的問題如下：（1）采摘效率低。采摘效率是衡量采摘機器人性能的關鍵指標，目前開發(fā)的機器人采摘時間較長。在硬件方面，機械手難以快速、精準到達指定位置。在軟件方面，果園環(huán)境復雜，水果識別技術還不夠成熟，存在誤差，同時在識別誤差的基礎上作出的路徑規(guī)劃將產生更大的誤差，導致抓取失敗。（2）規(guī)劃算法效率低。目前在采摘過程中，機械手的路徑規(guī)劃需要消耗大量時間，且規(guī)劃的路徑質量較差，難以找到最優(yōu)路徑。在硬件方面，機械臂的自由度也在一定程度上限制了路徑規(guī)劃。（3）系統(tǒng)成本高。成本是限制水果采摘機械化推廣的重要因素，現(xiàn)有采摘機械手結構復雜，僅末端設計器部分就需要涉及大量零件，硬件方面包括眾多多傳感器，軟件方面需要大量算法集成。為獲得優(yōu)異的性能，就需要較高的硬件成本，這并不利于采摘機器人的推廣。（4）采摘對象單一。水果為季節(jié)性作物，使得采摘工作成為勞動密集型作業(yè)。目前大多數(shù)采摘機器人末端執(zhí)行器針對單一水果，在采摘季后采摘機器人將被閑置，造成資源浪費和維護成本提高。

4 展望

未來采摘機器人的發(fā)展需要考慮以下幾點：（1）農藝與農機相結合。果園復雜的環(huán)境會使水果采摘機器人的研發(fā)遇到困難，如機械手在運動過程中與果園中樹枝發(fā)生碰撞，果實受遮擋導致識別精度低等。因此果園應根據(jù)機械臂采摘的需求作出相應改變，如結構化果園種植，降低采摘機器人的研發(fā)要求。根據(jù)果園環(huán)境合理選取機械臂自由度和合適結構的末端執(zhí)行器，提高采摘作業(yè)的效率。（2）增加機器人的通用性。目前研究的采摘機器人采摘對象較為單一，在實際生產作業(yè)中水果通常具有季節(jié)性特點。許多采摘機器人只能工作較短時間，對于使用者而言維護成本較高，經濟性差。增加機器人的通用性，即研發(fā)可以采摘同類型多種水果的機器人，使得機器人能夠工作較長時間。（3）采摘裝置輕量簡潔化。目前采摘裝置較為復雜，在果園環(huán)境中占有較大空間。實際復雜生產環(huán)境中，往往不具備實驗室的條件，采摘裝置輕量化有助于裝置的移植與提高生產效率，增加裝置的適應性。（4）多算法融合。目前運動規(guī)劃算法有了長足發(fā)展，但仍然存在許多問題，傳統(tǒng)規(guī)劃算法由于其圖搜索特性導致效率較低，并不適應于高自由度機械手的運動規(guī)劃，生物智能規(guī)劃算法在軌跡優(yōu)化中有較好的應用。概率采樣算法構建簡單、參數(shù)少，不需要根據(jù)環(huán)境精確建模，適于高維空間運動規(guī)劃。深度強化學習算法擁有較強的學習能力，目前仍處于研究階段，但其較強的魯棒性以及對動態(tài)復雜環(huán)境很好的適用性，是未來運動規(guī)劃發(fā)展的重要研究對象。

5 結語

隨著中國人口老齡化加劇，水果生產工作機械化迫在眉睫。本文對采摘機器人機械手路徑規(guī)劃和硬件結構方面的研究現(xiàn)狀進行總結，指出目前采摘機器人機械手存在的問題有采摘效率低、規(guī)劃算法效率低、系統(tǒng)成本高與采摘對象單一。針對這些問題提出了未來發(fā)展的相關建議，包括農藝農機相結合、增加機構的通用性、采摘裝置輕量簡潔化發(fā)展、多算法融合，為加速采摘機器人的商業(yè)化、水果生產作業(yè)的機械化、降低勞動力成本提供參考。

參考文獻：

[1] 張 放. 2022年我國水果產量突破3億噸[J]. 中國果業(yè)信息，2023，40（8）：51.

[2] 盧 軍，王賢鋒，后德家. 水果采摘機器人視覺系統(tǒng)研究進展[J]. 湖北農業(yè)科學，2012，51（21）：4705-4708.

[3] DROUKAS L， DOULGERI Z， TSAKIRIDIS N L， et al. A survey of robotic harvesting systems and enabling technologies[J]. Journal of Intelligent amp; Robotic Systems，2023，107（21）. DOI：org/10.1007/s10846-022-01793-z.

[4] JIA W K， ZHANG Y， LIAN J， et al. Apple harvesting robot under information technology：a review[J]. International Journal of Advanced Robotic Systems，2020，17（3）. DOI：：10.1177/1729881420925310.

[5] 楊旭海，周文皓，李育峰，等. 采摘機械臂路徑規(guī)劃算法研究現(xiàn)狀綜述[J]. 中國農機化學報，2023，44（5）：161-169.

[6] YI J H， YUAN Q N， SUN R T， et al. Path planning of a manipulator based on an improved P_RRT* algorithm[J]. Complex amp; Intelligent Systems，2022，8（3）：2227-2245.

[7] 許鈞翔. 六自由度機械臂避障運動規(guī)劃的研究[D]. 北京：北京交通大學，2022.

[8] 段潔利，王昭銳，葉 磊，等. 水果采摘機械臂運動規(guī)劃研究進展與發(fā)展趨勢[J]. 智能化農業(yè)裝備學報（中英文），2021，2（2）：7-17.

[9] 崔 煒，朱發(fā)證. 機器人導航的路徑規(guī)劃算法研究綜述[J]. 計算機工程與應用，59（19）：10-20.

[10]李 海. 六自由度機械臂運動學及路徑規(guī)劃研究[D]. 合肥：合肥工業(yè)大學，2021.

[11]VAN HENTEN E J， HEMMING J， VAN TUIJL B A J， et al. Collision-free motion planning for a cucumber picking robot[J]. Biosystems Engineering，2003，86（2）：135-144.

[12]陳善峰，尹建軍，王玉飛，等. 果實采摘機械手多關節(jié)求解方法與避障規(guī)劃[J]. 農機化研究，2012，34（7）：24-28.

[13]王 亮. 基于深度相機的蘋果采摘機器人的目標檢測和路徑規(guī)劃算法研究[D]. 鎮(zhèn)江：江蘇大學，2019.

[14]KHATIB O. Real-time obstacle avoidance system for manipulators and mobile robots[J]. The International Journal of Robotics Research，1986，5（1）：90-98.

[15]姬 偉，程風儀，趙德安，等. 基于改進人工勢場的蘋果采摘機器人機械手避障方法[J]. 農業(yè)機械學報，2013，44（11）：253-259.

[16]XIE J L， ZHANG Z Y， WEI Z Y， et al. Simulation of apple picking path planning based on artificial potential field method[C]// IOP Publishing. IOP Conference Series： Earth and Environmental Science. Philadelphia，USA：IOP Publishing，2019.

[17]ZHANG S L， YUAN T， WANG D S， et al. Structure optimization and path planning of tomato picking manipulator[C]//IEEE. 9th International Symposium on Computational Intelligence and Design. Hangzhou：IEEE，2016：356-360.

[18]SHI K J， HUANG L， JIANG D， et al. Path planning optimization of intelligent vehicle based on improved genetic and ant colony hybrid algorithm[J]. Frontiers in Bioengineering and Biotechnology，2022，10. DOI：10.3389/fbioe.2022.905983.

[19]KU T， LI J， LIU J X， et al. A motion planning algorithm for live working manipulator integrating PSO and reinforcement learning driven by model and data[J]. Frontiers in Energy Research，2022，10. DOI：10.3389/fenrg.2022.957869.

[20]MENG X L， ZHU X J. Autonomous obstacle avoidance path planning for grasping manipulator based on elite smoothing ant colony algorithm[J]. Symmetry，2022，14（9）：1843. DOI：org/10.3390/sym14091843.

[21]CAO X M， YAN H S， HUANG Z Y， et al. A multi-objective particle swarm optimization for trajectory planning of fruit picking manipulator[J]. Agronomy （Basel），2021，11（11）. DOI：org/10.3390/agronomy11112286.

[22]YE L， DUAN J L， YANG Z， et al. Collision-free motion planning for the litchi-picking robot[J]. Computers and Electronics in Agriculture，2021，185（2）. DOI：org/10.1016/j.compag.2021.106151.

[23]ELBANHAWI M， SIMIC M. Sampling-based robot motion planning：a review[J]. IEEE Access，2014，2（1）：56-77.

[24]LAVALLE S M. Rapidly-exploring random trees：a new tool for path planning[D]. Ames：Iowa State University，1998.

[25]KARAMAN S， FRAZZOLI E. Optimal kinodynamic motion planning using incremental sampling-based methods[C]//IEEE. 49th IEEE Conference on Decision and Control. Atlanta：IEEE，2010：7681-7687.

[26]LAVALLE S M， KUFFNER J J. Rapidly-exploring random trees： progress and prospects[J]. Algorithmic and Omputational Robotics，2001，5：293-308.

[27]CAO X M， ZOU X J， JIA C Y， et al. RRT-based path planning for an intelligent litchi-picking manipulator[J]. Computers and Electronics in Agriculture，2019，156：105-118.

[28]CHEN Y Y， FU Y X， ZHANG B， et al. Path planning of the fruit tree pruning manipulator based on improved RRT-Connect algorithm[J]. International Journal of Agricultural and Biological Engineering，2022，15（2）：177-188.

[29]YANG W， WEN H Y， ZHANG Z S， et al. Obstacle avoidance path planning of manipulator based on improved RRT algorithm[C]//IEEE. 2021 International Conference on Computer，Control and Robotics. Shanghai：IEEE，2021.

[30]GAMMELL J D， SRINIVASA S S， BARFOOT T D， et al. Informed RRT*：optimal sampling-based path planning focused via direct sampling of an admissible ellipsoidal heuristic[C]//IEEE. IEEE/RSJ International Conference on Intelligent Robots and Systems. Chicago：IEEE，2014.

[31]WANG Y， LIU D， ZHAO H M， et al. Rapid citrus harvesting motion planning with pre-harvesting point and quad-tree[J]. Computers and Electronics in Agriculture，2022，202：107348. DOI：org/10.1016/j.compag.2022.107348 .

[32]BAC C W， ROORDA T， RESHEF R， et al. Analysis of a motion planning problem for sweet-pepper harvesting in a dense obstacle environment[J]. Biosystems Engineering，2016，146：85-97.

[33]NEMLEKAR H， LIU Z， KOTHAWADE S， et al. Robotic lime picking by considering leaves as permeable obstacles[C]// IEEE. IEEE/RSJ International Conference on Intelligent Robots and Systems. Prague：IEEE，2021：3278-3284.

[34]荀 一，李道政，王 勇，等. 基于VS-IRRT算法的采摘機械臂運動規(guī)劃[J]. 農業(yè)機械學報，2022，54（2）：129-138.

[35]陽涵疆，李立君，高自成. 基于關節(jié)構形空間的混聯(lián)采摘機械臂避障路徑規(guī)劃[J]. 農業(yè)工程學報，2017，33（4）：55-62.

[36]徐 妍，劉亞秋，劉 勛，等. 林果抓取裝箱作業(yè)機械臂運動規(guī)劃仿真[J]. 林業(yè)工程學報，2023，8（3）：123-131.

[37]KAVRAKI L E， SVESTKA P， LATOMBE J C， et al. Probabilistic roadmaps for path planning in high-dimensional configuration Spaces[J]. IEEE Transactions on Robotics and Automation，1996，12（4）：566-580.

[38]BOHLIN R， KAVRAKI L E， Path planning using lazy PRM[C]//IEEE." IEEE International Conference on Robotics and Automation. Symposia Proceedings. San Francisco：IEEE，2000.

[39]蔡健榮，趙杰文，THOMAS R，等. 水果收獲機器人避障路徑規(guī)劃[J]. 農業(yè)機械學報，2007，38（3）：102-105.

[40]鄒宇星，李立君，高自成. 基于改進PRM的采摘機器人機械臂避障路徑規(guī)劃[J]. 傳感器與微系統(tǒng)，2019，38（1）：52-56.

[41]陳 青，殷程凱，郭自良，等. 蘋果采摘機器人關鍵技術研究現(xiàn)狀與發(fā)展趨勢[J]. 農業(yè)工程學報，2023，39（4）：1-15.

[42]王 寅. 基于深度強化學習的機械臂路徑規(guī)劃研究[D]. 廣州：廣東工業(yè)大學，2023.

[43]HAN D， MULYANA B， STANKOVIC V， et al. A survey on deep reinforcement learning algorithms for robotic manipulation[J]. Sensors，2023，23（7）：3762. DOI：org/10.3390/s23073762.

[44]LIU Y Q， GAO P， ZHENG C E， et al. A deep reinforcement learning strategy combining expert experience guidance for a fruit-picking manipulator[J]. Electronics，2022，11（3）：311. DOI：org/10.3390/electronics11030311.

[45]LIN G H， ZHU L X， LI J H， et al. Collision-free path planning for a guava-harvesting robot based on recurrent deep reinforcement learning[J]. Computers and Electronics in Agriculture，2021，188. DOI：org/10.1016/j.compag.2021.106350.

[46]鄭嫦娥，高 坡，GAN H，等. 基于分步遷移策略的蘋果采摘機械臂軌跡規(guī)劃方法[J]. 農業(yè)機械學報，2020，51（12）：15-23.

[47]熊春源，熊俊濤，楊振剛，等. 基于深度強化學習的柑橘采摘機械臂路徑規(guī)劃方法[J]. 華南農業(yè)大學學報，2023，44（3）：473-483.

[48]汪 紅，解 偉，田莎莎，等. 基于仿人自適應DDPG算法的機械臂運動規(guī)劃研究[J]. 中南民族大學學報（自然科學版），2023，42（3）：334-342.

[49]吳劍橋，范圣哲，貢 亮，等. 果蔬采摘機器手系統(tǒng)設計與控制技術研究現(xiàn)狀和發(fā)展趨勢[J]. 智慧農業(yè)（中英文），2020，2（4）：17-40.

[50]SHAMSHIRI R R， WELTZIEN C， HAMEED I A， et al. Research and development in agricultural robotics：a perspective of digital farming[J]. International Journal of Agricultural and Biological Engineering，2018，11（4）：1-14.

[51]WILLIAMS H A M， JONES M H， NEJATI M， et al. Robotic kiwifruit harvesting using machine vision， convolutional neural networks， and robotic arms[J]. Biosystems Engineering，2019，181：140-156.

[52]李國利，姬長英，顧寶興，等. 多末端蘋果采摘機器人機械手運動學分析與試驗[J]. 農業(yè)機械學報，2016，47（12）：14-21.

[53]LING X， ZHAO Y S， GONG L， et al. Dual-arm cooperation and implementing for robotic harvesting tomato using binocular vision[J]. Robotics and Autonomous Systems，2019，114：134-143.

[54]趙德安. 蘋果采摘機器人雙目視覺系統(tǒng)的研究[D]. 鎮(zhèn)江：江蘇大學，2012.

[55]楊文亮. 蘋果采摘機器人機械手結構設計與分析[D]. 鎮(zhèn)江：江蘇大學，2009.

[56]HOHIMER C J， WANG H， BHUSAL S， et al. Design and field evaluation of a robotic apple harvesting system with a 3d-printed soft-robotic end-effector[J]. Transactions of the ASABE，2019，62（2）：405-414.

[57]XIONG Y， PENG C， GRIMSTAD L， et al. Development and field evaluation of a strawberry harvesting robot with a cable-driven gripper[J]. Computers and Electronics in Agriculture，2019，157：392-402.

[58]徐麗明，劉旭東，張凱良，等. 臍橙采摘機器人末端執(zhí)行器設計與試驗[J]. 農業(yè)工程學報，2018，34（12）：53-61.

[59]WANG L L， ZHAO B， FAN J W， et al. Development of a tomato harvesting robot used in greenhouse[J]. International Journal of Agricultural and Biological Engineering，2017，10（4）：140-149.

[60]付 舜. 柑橘采摘機器人末端執(zhí)行器設計與研究[D]. 重慶：重慶理工大學，2018.

[61]王曉楠，伍萍輝，馮青春，等. 番茄采摘機器人系統(tǒng)設計與試驗[J]. 農機化研究，2016，38（4）：94-98.

[62]BAETEN J， DONNE K， BOEDRIJ S， et al. Autonomous fruit picking machine：a robotic apple harvester[C]//LAUGIER C， SIEGWART R. Field and Service Robotics：Results of the 6th International Conference. Heidelberg，Berlin：Springer Berlin Heidelberg， 2008.

[63]BULANON D M， KATAOKA T. Fruit detection system and an end effector for robotic harvesting of Fuji apples[J]. International Commission of Agricultural and Biosystems Engineering，2010，12（1）：203-210.

[64]DAVIDSON J R， HOHIMER C J， MO C， et al. Dual robot coordination for apple harvesting[C]// American Society of Agricultural and Biological Engineers. In Proceedings of the 2017 American Society of Agricultural and Biological Engineers Annual International Meeting. Michigan：ASABE，2017.

[65]DAVIDSON J R， SILWAL A， HOHIMER C J， et al. Proof-of-concept of a robotic apple harvester[C]//IEEE. IEEE/RSJ International Conference on Intelligent Robots amp; Systems. Daejeon：IEEE，2016.

[66]SILWAL A， DAVIDSON J R， KARKEE M， et al. Design，integration，and field evaluation of a robotic apple harvester[J]. Journal of Field Robotics，2017，34（6）：1140-1159.

[67]DAVIDSON J R， MO C. Mechanical design and initial performance testing of an apple-picking end-effector[C]//ASME. Proceedings of the ASME International Mechanical Engineering Congress and Exposition. Houston：ASME，2015.

[68]張 帆，張帥輝，張俊雄，等. 溫室黃瓜采摘機器人系統(tǒng)設計[J]. 農業(yè)工程技術，2020，40（25）：16-20.

（責任編輯：成紓寒）

收稿日期：2023-07-04

基金項目：江蘇省重點研發(fā)計劃項目（BE2021016）

作者簡介：郭自良（1998-），男 ，河南南陽人，碩士研究生，主要研究方向為機械臂路徑規(guī)劃。（E-mail）gzl@njfu.edu.cn

通訊作者：陳 青，（E-mail）qchen@njfu.edu.cn