褚福春，宮金良，張彥斐

(1 山東理工大學(xué) 機(jī)械工程學(xué)院, 山東 淄博 255000； 2 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院, 山東 淄博 255000)

我國(guó)作為水果生產(chǎn)大國(guó)，水果種植面積與產(chǎn)量均為世界第一。但是果樹(shù)種植過(guò)程中存在著自動(dòng)化水平低、管理不規(guī)范和采摘效率低等問(wèn)題。針對(duì)這一系列問(wèn)題，加大對(duì)果園智能裝備的發(fā)展力度，尤其是加大對(duì)丘陵山區(qū)果園管理裝備的改造已迫在眉睫。提高果園生產(chǎn)作業(yè)的自動(dòng)化水平，不僅可以提高水果產(chǎn)量，還能夠減少人工勞動(dòng)力，降低生產(chǎn)成本，對(duì)我國(guó)許多水果種植地區(qū)具有比較重要的現(xiàn)實(shí)意義，因此研究出一款應(yīng)用于果園的自主作業(yè)機(jī)器人勢(shì)在必行[1-5]。

智慧農(nóng)業(yè)是農(nóng)業(yè)信息化發(fā)展從數(shù)字化到網(wǎng)絡(luò)化再到智能化的高級(jí)階段,對(duì)農(nóng)業(yè)發(fā)展具有里程碑意義,已成為世界現(xiàn)代農(nóng)業(yè)發(fā)展的趨勢(shì)。為進(jìn)一步提高生產(chǎn)效率和水果品質(zhì),農(nóng)業(yè)機(jī)械裝備的智能化是未來(lái)發(fā)展的必然趨勢(shì)。隨著智慧農(nóng)業(yè)的不斷發(fā)展，智能化機(jī)器人技術(shù)被廣泛應(yīng)用于果園除草、剪枝、采摘等作業(yè)環(huán)節(jié)，有效地減輕了果農(nóng)的勞動(dòng)強(qiáng)度，提高了作業(yè)效率與質(zhì)量[6-9]。機(jī)器人在果園等非結(jié)構(gòu)化的環(huán)境下行間行駛的安全性是研究重點(diǎn)，合理、可靠、安全的導(dǎo)航路徑規(guī)劃方法是保證機(jī)器人安全行駛的重要手段之一[10-11]。傳統(tǒng)的GPS導(dǎo)航方案，在果園中由于受到果樹(shù)遮擋，衛(wèi)星信號(hào)弱，無(wú)法進(jìn)行高精度定位[12]。激光雷達(dá)作為一種新興的導(dǎo)航定位傳感器，具有精度高、掃描速度快和抗干擾能力強(qiáng)等特點(diǎn)，在果園環(huán)境感知中得到了越來(lái)越廣泛的應(yīng)用[13-15]。

本文提出一種果園機(jī)器人導(dǎo)航技術(shù)，基于三維激光雷達(dá)和慣性測(cè)量單元(Inertial measurement unit，IMU)等傳感器，采集果園三維點(diǎn)云數(shù)據(jù)，利用改進(jìn)的隨機(jī)采樣一致性 (Random sample consensus，RANSAC)算法，擬合推算得到導(dǎo)航線。根據(jù)三維點(diǎn)云信息，提出換行策略，實(shí)現(xiàn)換行作業(yè)?；诠麍@機(jī)器人的差速轉(zhuǎn)向結(jié)構(gòu)和純追蹤模型進(jìn)行軌跡跟蹤，實(shí)現(xiàn)果園機(jī)器人在非結(jié)構(gòu)化環(huán)境下的自主導(dǎo)航。

1 果園導(dǎo)航方法

首先使用16線激光雷達(dá)采集果園點(diǎn)云數(shù)據(jù)，在經(jīng)過(guò)點(diǎn)云濾波處理后，降低了點(diǎn)云密度。然后進(jìn)行地面點(diǎn)云的分割，去除地面點(diǎn)云后通過(guò)改進(jìn)的RANSAC擬合出果樹(shù)行直線，根據(jù)平行直線之間的關(guān)系，進(jìn)一步推算得到導(dǎo)航線，結(jié)合橫向偏差、航向偏差以及激光雷達(dá)IMU融合定位數(shù)據(jù)，通過(guò)純跟蹤控制算法調(diào)整機(jī)器人位姿。在行駛到行末觸發(fā)換行判定程序，確定機(jī)器人是否需要換行，完成換行后繼續(xù)執(zhí)行果樹(shù)行內(nèi)導(dǎo)航程序。如此，便實(shí)現(xiàn)果園機(jī)器人的自主導(dǎo)航，主要導(dǎo)航技術(shù)框架如圖1所示。

圖1 果園機(jī)器人導(dǎo)航技術(shù)框架Fig.1 Framework of orchard robot navigation technology

1.1 果樹(shù)行內(nèi)直線行駛

果樹(shù)行直線提取的方法通常是在獲取當(dāng)前幀的果樹(shù)點(diǎn)云后，將該幀點(diǎn)云投影到世界坐標(biāo)系中，然后將該幀點(diǎn)云分割成左右兩樹(shù)行的點(diǎn)云集，再?gòu)淖笥覙?shù)行點(diǎn)云集中擬合出兩側(cè)果樹(shù)行的直線，常用的獲取方法有RANSAC算法和最小二乘法(Least squares method，LSM)。

LSM算法是一種被普遍使用的數(shù)學(xué)優(yōu)化方法，該方法通過(guò)最小誤差平方和來(lái)求解點(diǎn)云數(shù)據(jù)中的最佳函數(shù)參數(shù)[16]。采用LSM算法擬合果樹(shù)行直線，當(dāng)點(diǎn)云坐標(biāo)滿足f(Q)取到最小值，即：

式中，Q=[k b]T為果樹(shù)行直線的參數(shù)矩陣，k為果樹(shù)行直線的斜率，b為果樹(shù)行直線的截距；X′為點(diǎn)云X軸坐標(biāo)值組成的矩陣，Y′為點(diǎn)云Y軸坐標(biāo)值組成的矩陣。

1981年有學(xué)者提出RANSAC算法，最初用于解決定位的問(wèn)題，用迭代法求解含有局部點(diǎn)的觀測(cè)數(shù)據(jù)的數(shù)學(xué)模型參數(shù)[17-18]。RANSAC算法通過(guò)對(duì)觀測(cè)值隨機(jī)抽樣估算參數(shù)，該算法的簡(jiǎn)要步驟為：

1)隨機(jī)從數(shù)據(jù)集中選取n個(gè)樣本數(shù)據(jù)，建立參數(shù)模型M；

2)計(jì)算數(shù)據(jù)集中所有數(shù)據(jù)與參數(shù)模型M的誤差，若誤差小于閾值，加入內(nèi)點(diǎn)集；

3)如果當(dāng)前內(nèi)點(diǎn)集元素個(gè)數(shù)大于最優(yōu)內(nèi)點(diǎn)集，則更新最優(yōu)內(nèi)點(diǎn)集，同時(shí)更新迭代次數(shù)h，h的表達(dá)式為：

式中，η為置信度，一般取0.995，λ為內(nèi)點(diǎn)的比例，m為計(jì)算模型所需要的最少樣本數(shù)；

4)如果迭代次數(shù)大于h，則退出，否則迭代次數(shù)加1，并重復(fù)上述步驟。

RANSAC算法較LSM算法具有較大的優(yōu)勢(shì)，尤其是在行距較大的果園中導(dǎo)航精度更高，魯棒性更好。本文基于傳統(tǒng)RANSAC算法，結(jié)合果園機(jī)器人的實(shí)際應(yīng)用場(chǎng)景，提出一種基于點(diǎn)云密度自適應(yīng)的RANSAC算法，即使存在部分點(diǎn)云缺失的情況，也能較好地?cái)M合出果樹(shù)行直線。傳統(tǒng)的RANSAC算法固定閾值，在擬合點(diǎn)云較為稀疏的地方可能會(huì)出現(xiàn)較大偏差。改進(jìn)后的RANSAC算法具體步驟為：

1)將當(dāng)前幀的左右兩側(cè)果樹(shù)行點(diǎn)云ξi進(jìn)行聚類(lèi)分割，并去除地面和雜草點(diǎn)云的干擾，得到左右兩側(cè)點(diǎn)云集合ξli和ξri；

2)一般果園都是按照平行直線種植，本文設(shè)定左、右2條平行直線分別為L(zhǎng)l和Lr：

式中，kl、kr為果樹(shù)行直線斜率，bl，br為果樹(shù)行直線截距；

3)分別從左右兩側(cè)點(diǎn)云集合ξli和ξri中隨機(jī)選取2點(diǎn)，確定構(gòu)成果樹(shù)行直線的參數(shù)；

4)根據(jù)點(diǎn)云密度設(shè)定不同初始閾值Ri，從而分割出內(nèi)外點(diǎn)，選取出內(nèi)點(diǎn)集合，將最大內(nèi)點(diǎn)集合的閾值設(shè)為最佳閾值Rbest，將其他內(nèi)點(diǎn)集合的閾值更新為Rbest，進(jìn)而確定與直線Li的幾何距離不大于Rbest的點(diǎn)云集合ξ(Li)，即為L(zhǎng)的最大一致集合。設(shè)定內(nèi)點(diǎn)(xi,yi)，擬合直線Ax+By+C=0，則有:

5)重復(fù)n次隨機(jī)選擇，得到直線L1，L2，…，Ln和相應(yīng)的一致集合ξ(L1)，ξ(L2)，…，ξ(Ln)；

6)確定最大一致集合，將最大一致集合中的點(diǎn)擬合成一條直線即為最佳直線L，通過(guò)ξli和ξri獲取的最佳直線分別為L(zhǎng)l和Lr，即獲取到最佳斜率kl和kr，最佳截距bl和br；

7)在獲取到左右兩側(cè)果樹(shù)行最佳直線后，根據(jù)平行直線關(guān)系，進(jìn)一步提取出導(dǎo)航線Lc，果園機(jī)器人通過(guò)純跟蹤算法沿導(dǎo)航線行駛，完成果樹(shù)行內(nèi)的自主導(dǎo)航。其中，Lc的計(jì)算公式為：

由于Ll、Lr和Lc為三條平行直線，故k=kl=kr。

1.2 行末換行策略

一般果園的樹(shù)行兩端的特征很明顯，即行首和行末都不存在果樹(shù)，因此存在一定的轉(zhuǎn)向空間。當(dāng)激光雷達(dá)檢測(cè)到果園機(jī)器人兩側(cè)大片點(diǎn)云數(shù)據(jù)缺失的時(shí)候，可以判定機(jī)器人已到達(dá)換行區(qū)域，工控機(jī)下發(fā)換行指令，給定機(jī)器人底盤(pán)特定的速度指令，保證每次換行轉(zhuǎn)彎動(dòng)作的準(zhǔn)確性，默認(rèn)左轉(zhuǎn)，可根據(jù)果園實(shí)際情況進(jìn)行調(diào)整。完成換行動(dòng)作后，繼續(xù)向前行駛一段距離dts，確保其完全進(jìn)入到下一行，然后繼續(xù)執(zhí)行樹(shù)行跟蹤的指令，具體過(guò)程如圖2。

圖2 果園機(jī)器人換行策略Fig.2 Line breaking strategy of orchard robot

設(shè)定轉(zhuǎn)彎半徑為Rt，換行時(shí)的路徑為Sth，則

2 運(yùn)動(dòng)控制

2.1 基本運(yùn)動(dòng)模型

本試驗(yàn)采用的是差速轉(zhuǎn)向機(jī)器人底盤(pán)，同側(cè)兩車(chē)輪通過(guò)鏈傳動(dòng)共用一個(gè)電機(jī)來(lái)驅(qū)動(dòng)，故同側(cè)前后兩輪輪速大小相等。可直接接收來(lái)自工控機(jī)發(fā)送的線速度v和角速度 ω(主要是指x軸方向上的線速度和z軸方向上的角速度)，實(shí)現(xiàn)機(jī)器人的各種運(yùn)動(dòng)。圖3中XOY為建立的大地坐標(biāo)系，v為機(jī)器人瞬時(shí)線速度，機(jī)器人正前方為正；vr為右側(cè)輪速度；vl為左側(cè)輪速度；ω為瞬時(shí)角速度，逆時(shí)針?lè)较驗(yàn)檎?；θ為姿態(tài)角；￡為輪距；p為機(jī)器人中心位置；Ll、Lr為左、右兩側(cè)果樹(shù)行；機(jī)器人的位姿可用矢量P=[x,y,θ]T表示。其中：

圖3 運(yùn)動(dòng)模型Fig.3 Motion model

機(jī)器人主要有3種運(yùn)動(dòng)狀態(tài)：

1)vl≠vr，方向相同且均不為0時(shí)，機(jī)器人做圓周運(yùn)動(dòng)，此時(shí)

2)vl=-vr時(shí) ，機(jī)器人原地轉(zhuǎn)動(dòng)，此時(shí)v=0；

3)vr=vl時(shí)，機(jī)器人直線行駛，此時(shí) ω =0。

在驅(qū)動(dòng)輪與地面接觸運(yùn)動(dòng)為純滾動(dòng)的情況下，機(jī)器人的運(yùn)動(dòng)學(xué)模型可以表示為：

2.2 融合定位

IMU以100 Hz的頻率輸出加速度和角速度數(shù)據(jù),激光雷達(dá)以10 Hz的頻率輸出點(diǎn)云數(shù)據(jù)。每收到一幀點(diǎn)云數(shù)據(jù),系統(tǒng)首先擴(kuò)增一個(gè)代表當(dāng)前激光雷達(dá)位姿初始估計(jì)的狀態(tài)向量,然后使用優(yōu)化后的點(diǎn)云觀測(cè)模型對(duì)特征進(jìn)行提取和跟蹤;每收到一幀IMU數(shù)據(jù),根據(jù)運(yùn)動(dòng)模型對(duì)IMU狀態(tài)進(jìn)行估計(jì),同時(shí)更新系統(tǒng)狀態(tài)的協(xié)方差矩陣;最終通過(guò)擴(kuò)展卡爾曼濾波算法融合IMU與激光雷達(dá)的觀測(cè)數(shù)據(jù)更新位姿狀態(tài),以100 Hz的頻率輸出結(jié)果。相鄰測(cè)量時(shí)刻間的狀態(tài)量定義如下：

式中：w表示世界坐標(biāo)系；u表示IMU坐標(biāo)系；i表示測(cè)量時(shí)刻；S為系統(tǒng)狀態(tài)量；Sut為t時(shí)刻IMU狀態(tài)量，包括相對(duì)于世界坐標(biāo)系的平移、速度和旋轉(zhuǎn)，分別以p、v和四元數(shù)q表示；ua和ug分別為加速度計(jì)和陀螺儀的零偏。

本文提出的以激光雷達(dá)為主，融合IMU信息的定位方案，可實(shí)現(xiàn)果園機(jī)器人的厘米級(jí)定位，對(duì)非結(jié)構(gòu)化環(huán)境下的導(dǎo)航十分重要。

2.3 軌跡跟蹤

果園機(jī)器人通過(guò)純跟蹤算法結(jié)合傳感器數(shù)據(jù)確定前視距離，最終將機(jī)器人位姿信息上傳至工控機(jī)，通過(guò)對(duì)比當(dāng)前幀與前一幀位姿變化，確定橫向偏差和航向偏差是否超過(guò)設(shè)定閾值，工控機(jī)下發(fā)速度指令給單片機(jī)，驅(qū)動(dòng)左右兩側(cè)電機(jī)，保證機(jī)器人能夠按照預(yù)定導(dǎo)航線軌跡行駛，完成樹(shù)行跟蹤的目標(biāo)。

純追蹤算法是一種模擬人類(lèi)駕駛習(xí)慣的幾何追蹤模型，根據(jù)車(chē)輛的行駛速度和路徑信息設(shè)定軌跡上的一個(gè)路徑點(diǎn)，計(jì)算車(chē)輛當(dāng)前位置距離預(yù)設(shè)目標(biāo)點(diǎn)所需轉(zhuǎn)過(guò)的角度，控制車(chē)輛向路徑點(diǎn)行駛[19]。具體跟蹤方法是：在目標(biāo)軌跡K上選擇一個(gè)點(diǎn)B作為跟蹤點(diǎn)，則機(jī)器人從當(dāng)前位置到達(dá)點(diǎn)B的軌跡可以視為一段半徑為R的圓弧軌跡，對(duì)點(diǎn)B跟蹤的關(guān)鍵在于對(duì)圓弧軌跡半徑R的求解，圖4中 α為航向偏差，f為前視距離，d為橫向偏差。綜合各參數(shù)，可計(jì)算得到軌跡半徑R。

圖4 果園機(jī)器人軌跡跟蹤示意圖Fig.4 Orchard robot trajectory tracking diagram

具體計(jì)算步驟為：

在求得軌跡半徑R之后、線速度v給定的情況下可以求解出角速度 ω，計(jì)算公式為:

2.4 路徑跟蹤仿真結(jié)果分析

純追蹤算法中前視距離的大小將會(huì)直接影響機(jī)器人的軌跡跟蹤效果，前視距離較大時(shí)，機(jī)器人將會(huì)以較小的曲率向路徑行駛，但系統(tǒng)響應(yīng)較慢，可能會(huì)產(chǎn)生“抄近路”的問(wèn)題，影響控制精度；當(dāng)前視距離較小時(shí)，機(jī)器人將會(huì)以較大曲率向路徑行駛，機(jī)器人會(huì)因此頻繁轉(zhuǎn)向，產(chǎn)生較大的振蕩，降低機(jī)器人的穩(wěn)定性。因此，前視距離的大小對(duì)導(dǎo)航十分重要。

通過(guò)Python3.5 IDLE進(jìn)行路徑跟蹤仿真，結(jié)合果園機(jī)器人差速運(yùn)動(dòng)模型和純跟蹤算法，初始位姿設(shè)置為 (0，-1，0)，前視距離分別設(shè)置為 2、3、4 m，在0.8 m/s速度下進(jìn)行仿真，結(jié)果如圖5所示。

圖5 不同前視距離(f )下路徑跟蹤仿真結(jié)果Fig.5 Path tracking results at different forward-viewing distances(f)

從仿真結(jié)果中可以看出，前視距離為2 m時(shí)，機(jī)器人在曲率較大的路徑處的實(shí)際運(yùn)動(dòng)軌跡較為曲折，實(shí)際運(yùn)動(dòng)軌跡和目標(biāo)軌跡出現(xiàn)明顯偏差；前視距離為4 m時(shí)，機(jī)器人雖然會(huì)以平滑的運(yùn)動(dòng)軌跡行駛，但也出現(xiàn)了實(shí)際軌跡與目標(biāo)軌跡存在較大偏差的問(wèn)題；只有當(dāng)前視距離為3 m時(shí)，機(jī)器人能夠較好地追蹤目標(biāo)軌跡，故設(shè)定機(jī)器人前視距離為 3 m。

3 試驗(yàn)驗(yàn)證及結(jié)果

3.1 硬件系統(tǒng)組成

圖6a為果園機(jī)器人整體框架，由機(jī)器人底盤(pán)、工控機(jī)、Velodyne 16線激光雷達(dá)和9軸IMU組成。機(jī)器人長(zhǎng)、寬和高分別為60、45和25 cm，整體采用差速轉(zhuǎn)向的結(jié)構(gòu)設(shè)計(jì)，使其在果園中具有良好的通行能力。機(jī)器人左右兩側(cè)各安裝一個(gè)驅(qū)動(dòng)電機(jī)，通過(guò)鏈傳動(dòng)的方式帶動(dòng)四輪轉(zhuǎn)動(dòng)。圖6b為果園機(jī)器人實(shí)物圖，除導(dǎo)航所必須的硬件結(jié)構(gòu)，還配備了高清攝像頭，可以實(shí)時(shí)獲取果園真實(shí)畫(huà)面。為方便各感器融合，定義果園機(jī)器人坐標(biāo)系，以IMU中心為坐標(biāo)原點(diǎn)，機(jī)器人正前方為x軸方向，平行于車(chē)軸且指向左側(cè)的方向?yàn)閥軸正方向，過(guò)坐標(biāo)原點(diǎn)垂直指向正上方為z軸正方向。

圖6 果園機(jī)器人基本組成Fig.6 Basic composition of orchard robot

3.2 試驗(yàn)方案

為了驗(yàn)證果園機(jī)器人自主導(dǎo)航系統(tǒng)的實(shí)際效果，在山東理工大學(xué)蘭玉彬教授團(tuán)隊(duì)與淄博市沂源縣山東中以現(xiàn)代智慧農(nóng)業(yè)有限公司共建的智慧化無(wú)人果園試驗(yàn)基地進(jìn)行了試驗(yàn)。該果園果樹(shù)行距約為 4 m，果樹(shù)高約 3.5 m，行距約 4 m。圖7a為果園真實(shí)環(huán)境，可以看到果樹(shù)枝葉茂盛，對(duì)GPS信號(hào)遮擋十分嚴(yán)重。

圖7 點(diǎn)云預(yù)處理Fig.7 Point cloud pretreatment

通過(guò)三維激光雷達(dá)獲取點(diǎn)云數(shù)據(jù)(圖7b)后，首先進(jìn)行預(yù)處理降低點(diǎn)云密度，借助濾波算法去除地面和雜草的干擾，采用平面模型擬合當(dāng)前的地面。由于現(xiàn)實(shí)的地面并不是一個(gè)“完美的”平面，尤其是在果園這種環(huán)境中，地面非常不平整，要很好地完成地面分割，就必須要處理存在一定坡度變化的地面情況,即不能將這種坡度的變化視為非地面，不能因?yàn)槠露鹊拇嬖诙朐肼?。一種簡(jiǎn)單的處理方法就是沿著x方向(車(chē)頭的方向)將空間分割成若干個(gè)子平面，然后對(duì)每個(gè)子平面使用地面平面擬合算法從而得到能夠處理陡坡的地面分割方法。對(duì)于給定的點(diǎn)云集合設(shè)為P，最終將會(huì)被分割為地面點(diǎn)云集Pg和非地面點(diǎn)云集合Png，如圖7c所示。

分割出地面點(diǎn)云后，利用濾波算法將其過(guò)濾掉，處理后的結(jié)果如圖8a。通過(guò)聚類(lèi)算法將果樹(shù)行點(diǎn)云簇進(jìn)行聚類(lèi)，最終會(huì)形成一個(gè)將點(diǎn)云包裹的三維Bounding Box，其主要使用了一種基本的數(shù)據(jù)結(jié)構(gòu)KD樹(shù)，它是在一個(gè)歐幾里德空間中組織點(diǎn)的基本數(shù)據(jù)結(jié)構(gòu)，本質(zhì)上是一個(gè)每個(gè)節(jié)點(diǎn)都為k對(duì)應(yīng)維點(diǎn)的二叉樹(shù)，聚類(lèi)后的效果如圖8b。

基于傳統(tǒng)的RANSAC算法，提出一種密度自適應(yīng)的改進(jìn)方法，根據(jù)不同點(diǎn)云集設(shè)置不同初始閾值，篩選出最大內(nèi)點(diǎn)集合，更新并確定最佳閾值，經(jīng)過(guò)多次迭代，更高效且更準(zhǔn)確地?cái)M合出果樹(shù)行直線，根據(jù)平行直線關(guān)系，推算導(dǎo)航線(圖8c)。由圖8d可以看到，即使在部分點(diǎn)云缺失和存在離群果樹(shù)點(diǎn)云的情況下，該算法還是能較好地推算出導(dǎo)航線。

圖8 擬合導(dǎo)航線Fig.8 Fitting navigation lines

通過(guò)多次試驗(yàn)，統(tǒng)計(jì)果園機(jī)器人實(shí)際行駛軌跡與導(dǎo)航線之間的橫向偏差和航向偏差，驗(yàn)證本方案的可行性。對(duì)比LSM算法、傳統(tǒng)RANSAC算法和改進(jìn)后的RANSAC算法分別在0.8和1.0 m/s的不同速度下產(chǎn)生的橫向偏差和航向偏差，每隔10 m進(jìn)行一次記錄，進(jìn)行5次記錄，并取平均值。

3.3 試驗(yàn)結(jié)果

綜合多次試驗(yàn)結(jié)果，對(duì)比LSM算法、傳統(tǒng)RANSAC算法和改進(jìn)RANSAC算法，當(dāng)機(jī)器人以0.8 m/s的速度行駛，改進(jìn)后的RANSAC算法產(chǎn)生的橫向偏差的最大值和平均值分別為0.10 m和0.084 m，航向偏差的最大值和平均值分別為1.5°和1.34°，相較LSM算法和傳統(tǒng)RANSAC算法均為最小，具體結(jié)果見(jiàn)表1。但當(dāng)機(jī)器人以1.0 m/s的速度行駛時(shí)，各項(xiàng)偏差均明顯增大，具體結(jié)果見(jiàn)表2。

表1 速度0.8 m/s下3種算法產(chǎn)生的偏差結(jié)果Table 1 The deviation results generated by the three algorithms under the speed of 0.8 m/s

表2 速度1.0 m/s下3種算法產(chǎn)生的偏差結(jié)果Table 2 The deviation results generated by the three algorithms under the speed of 1.0 m/s

4 結(jié)論

果園機(jī)器人通過(guò)激光雷達(dá)采集點(diǎn)云數(shù)據(jù)，經(jīng)過(guò)點(diǎn)云降噪、分割地面與非地面點(diǎn)云和果樹(shù)行點(diǎn)云聚類(lèi)等一系列處理后，依靠改進(jìn)的RANSAC算法擬合果樹(shù)行最佳直線，根據(jù)平行直線關(guān)系，推算得到導(dǎo)航線。通過(guò)純跟蹤算法對(duì)果園機(jī)器人進(jìn)行運(yùn)動(dòng)控制，實(shí)現(xiàn)果園機(jī)器人的自主導(dǎo)航?；诒疚奶岢龅男心Q行策略，實(shí)現(xiàn)機(jī)器人換行作業(yè)。通過(guò)咨詢果園管理專業(yè)人員，了解到果園機(jī)器人在行距為4 m的果園進(jìn)行巡檢、除草等作業(yè)時(shí)，橫向偏差不得大于0.15 m、航向偏差不得大于2°。本研究試驗(yàn)結(jié)果顯示：當(dāng)機(jī)器人以0.8 m/s的速度在果園行駛作業(yè)時(shí)，改進(jìn)后的RANSAC算法產(chǎn)生的橫向偏差不超過(guò)0.10 m，航向偏差不超過(guò)1.5°。因此，本文提出的導(dǎo)航方法基本滿足生產(chǎn)要求，能夠極大地提高果園管理的自動(dòng)化水平，具有比較重要的現(xiàn)實(shí)意義。

未來(lái)將在保證定位導(dǎo)航精度的前提下，穩(wěn)步提升果園機(jī)器人的行駛速度，提高作業(yè)效率。融合視覺(jué)算法，提高果園機(jī)器人的環(huán)境感知能力，實(shí)現(xiàn)對(duì)雜草和障礙物的識(shí)別，進(jìn)而提高控制精度，使機(jī)器人在非標(biāo)準(zhǔn)化果園也能夠正常行駛。