基于改进人工势场-快速随机树算法的林果采摘机械臂避障路径规划

Path Planning for Obstacle Avoidance in Forest Fruit-Harvesting Robotic Arm Based on Improved APF-RRT Algorithm

摘要

当下林果采摘大量采用人工作业的方式，其采摘效率低、生产成本高，且具有一定危险性，林果采摘机械臂的发展和应用势在必行，避障路径规划是机械臂作业的关键。快速随机扩展树（rapidly-exploring random tree，RRT）算法作为常用的路径规划方法，存在搜索效率低、规划成本高和规划路径曲折冗长等问题。为此提出一种基于多策略融合的改进APF-RRT算法，APF（artificial potential field）为人工势场法，在RRT算法中引入动态目标偏置策略，融合改进后的人工势场法，引导随机树朝着目标点方向扩展，结合步长自适应调整策略，提升算法的性能；对初始路径进行剪枝和平滑优化，剔除冗余节点，提升路径质量。利用Matlab进行对比仿真试验的三维空间仿真结果显示，相较于RRT算法、RRT*算法和文献［8］算法，改进APF-RRT算法的搜索时间分别下降90.91%、96.92%、77.78%，路径长度分别缩短33.22%、22.52%、25.94%，随机树中节点分别减少92.58%、96.23%、83.33%。机械臂采摘试验结果表明，改进APF-RRT算法下机械臂采摘时间为18.9 s，采摘成功率为92%。改进的APF-RRT算法可应用于林果采摘作业，提高林果采摘效率。

Abstract

Forest fruit harvesting still relies heavily on manual labor， which suffers from low efficiency， high production costs， and certain safety risks. The development and application of forest fruit-harvesting robotic arms are therefore imperative. Obstacle avoidance path planning is a critical aspect of robotic arm operations. The RRT algorithm， as a commonly used path planning method， suffers from issues such as low search efficiency， high planning costs， and excessively convoluted and lengthy planned paths. This paper proposes an improved APF-RRT algorithm based on a multi-strategy fusion approach. The approach introduces a dynamic target bias strategy into the RRT algorithm， integrates an improved artificial potential field method to guide the random tree expansion toward the target point， and combines an adaptive step-size adjustment strategy to improve algorithm performance. Additionally， the initial path is optimized through pruning and smoothing to eliminate redundant nodes and enhance path quality. Using Matlab for comparative simulation experiments，the three-dimensional space simulation results demonstrate that the improved APF-RRT algorithm reduces search time by 90.91%， 96.92%， and 77.78% compared to RRT， RRT*， and the algorithm in reference ［8］ respectively， while shortening path lengths by 33.22%， 22.52%， and 25.94%， and decreasing nodes in the random tree by 92.58%， 96.23%， and 83.33%. The experimental results of robotic arm harvesting demonstrate that under the improved APF-RRT algorithm， the harvesting time is 18.9 seconds with a success rate of 92%. This shows that the improved APF-RRT algorithm can be applied to forest fruit harvesting operations， improving harvesting efficiency.

Graphical abstract

关键词

林果采摘机械臂 / 避障路径规划 / 改进APF-RRT算法 / 动态目标偏置 / 路径剪枝

Key words

Forest fruit-harvesting robotic arms / obstacle avoidance path planning / improved APF-RRT algorithm / dynamic target biasing / path pruning

0 引言

林果产业作为现代林业体系的重要组成部分，在促进农村经济转型、助农脱贫等方面发挥着巨大作用^［1］。我国自20世纪90年代起就已在全球林果市场中占据主导地位，截至2024年，林果生产总量已突破1.9亿t，种植面积逾1 333.33万hm²，逐年增长^［2］。随着林果产量的不断提升，因人工采摘效率低下导致种植生产成本高，同时高空作业还存在一定危险性，为此，优化林果采收机器人避障路径规划，以提升林果采摘效率，降低林果采收成本，加速国产林果采摘机器人发展进程意义重大^［3-4］。

当下常用的路径规划方法包括基于图搜索的A*算法^［5］和基于采样的快速随机扩展树（rapidly-exploring random tree，RRT）算法。由Lavalle^［6］提出的RRT算法搜索快速、概率完备，但在复杂环境中搜索效率低，生成的路径并不是最优解，国内外学者对RRT算法进行了诸多改进^［7-9］。Karaman等^［10］提出了RRT*算法，该算法通过重选父节点获取渐进最优路径，但计算成本较高。Kuffner等^［11］提出双向RRT（RRT-connect）算法，该算法极大地提高了搜索速度，但随机性强，规划的路径不一定是最优解。Tahir等^［12］提出了双向RRT*算法（RRT*-connect），提高了算法的收敛速度，减少了算法的内存占用。黄杰等^［13］提出了预置树的概念，将探索区域均匀地分布到整个空间，提高了搜索效率。李子建等^［14］在基本RRT基础上提出目标偏置和剪枝优化策略，降低采样点随机性，减少路径长度。栾庆磊等^［15］通过引入全局自适应步长策略对基本RRT算法地图探索能力进行提升，基于节点附近障碍物信息动态调整搜索步长。王杲等^［16］和万程龙等^［17］使用人工势场法与基本RRT算法相融合的方法，通过人工势场引导随机树进行采样，提高了避障性能。

国内外学者对RRT算法已进行诸多改进，但仍存在路径拓展方向受限，引入的传统人工势场法可能导致目标点不可达，整体路径成本偏高等问题，为此，本研究提出一种多策略融合的改进APF-RRT算法，引入动态目标偏置策略，减少搜索随机性同时提升收敛速度；引入改进的人工势场法和步长自适应调整策略，解决RRT算法缺乏目的性和方向性和传统人工势场法目标点不可达的问题，降低路径规划成本；结合路径剪枝策略和三次B样条曲线对初始路径进行优化，剔除冗余节点，提升路径平滑性，确保林果采摘机械臂平稳作业。

1 机械臂建模及碰撞检测

1.1 机械臂建模

本研究对象为6自由度FR3-HB机械臂，图1为机械臂结构图，FR3-HB机械臂由末端执行器1、腕关节2、小臂组件3、大臂组件4和底座5等部件组成，具有6个自由度。为分析机械臂运动轨迹规划路径，采用改进D-H参数法对机械臂进行运动学建模，得到机械臂的改进D-H参数见表1，机械臂连杆坐标系\left\{A_i\right\}与坐标系\left\{A_{i+\mathrm{1}}\right\}之间的齐次变换矩阵为

{}_i{}^{i-\mathrm{1}}\mathrm{T}=\left(\begin{array}{cccc}\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{i-\mathrm{1}}& -\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{i-\mathrm{1}}& \mathrm{0}& {\alpha }_{i-\mathrm{1}}\\ \mathrm{s}\mathrm{i}\mathrm{n}{\theta }_i\mathrm{c}\mathrm{o}\mathrm{s}{\alpha }_{i-\mathrm{1}}& \mathrm{c}\mathrm{o}\mathrm{s}{\theta }_i\mathrm{c}\mathrm{o}\mathrm{s}{\alpha }_{i-\mathrm{1}}& -\mathrm{s}\mathrm{i}\mathrm{n}{\alpha }_{i-\mathrm{1}}& -\mathrm{s}\mathrm{i}\mathrm{n}{\alpha }_{i-\mathrm{1}}{d}_i\\ \mathrm{s}\mathrm{i}\mathrm{n}{\theta }_i\mathrm{s}\mathrm{i}\mathrm{n}{\alpha }_{i-\mathrm{1}}& \mathrm{c}\mathrm{o}\mathrm{s}{\theta }_i\mathrm{s}\mathrm{i}\mathrm{n}{\alpha }_{i-\mathrm{1}}& \mathrm{c}\mathrm{o}\mathrm{s}{\alpha }_{i-\mathrm{1}}& \mathrm{c}\mathrm{o}\mathrm{s}{\alpha }_{i-\mathrm{1}}{d}_i\\ \mathrm{0}& \mathrm{0}& \mathrm{0}& \mathrm{1}\end{array}\right)。（1）

式中：\mathit{T}{}_i{}^{i-\mathrm{1}}为相邻连杆i-1到i的齐次变换矩阵；{\theta }_i为关节转角，rad；{\alpha }_i为连杆扭转角，rad；d_i为连杆偏距，mm。

通过Matlab机器人工具箱建立FR3-HB机械臂的D-H参数模型，并通过蒙特卡洛法生成机械臂的工作空间，见图2。

1.2 碰撞检测

碰撞检测是判断机械臂能否完成避障路径规划的关键环节。在进行碰撞检测前，需要对机械臂进行模型简化，本研究采用包围盒法来表示机械臂的几何形状。由图1可知，FR3-HB机械臂的各连杆均近似圆柱体，因此通过圆柱体包围盒法将机械臂连杆简化为半径R_{\mathrm{o}}的圆柱体；采用球包围盒法对空间中的不规则障碍物进行包络，将障碍物简化为半径R_{\mathrm{q}}的球体，假设球心到圆柱体中心轴线最短距离为d，碰撞检测公式可表示为

\left\{\begin{array}{l}d>R_{\mathrm{o}}+R_{\mathrm{q}},p=\mathrm{1}\\ d\le R_{\mathrm{o}}+R_{\mathrm{q}},p=\mathrm{0}\end{array}\right.。（2）

式中，p为碰撞检测参数，p=\mathrm{1}时，不发生碰撞，p=\mathrm{0}时，发生碰撞。

2 改进APF-RRT算法

2.1 动态目标偏置策略

针对RRT算法随机采样搜索效率低、收敛速度慢的问题，本研究引入目标偏置策略来重新制定采样规则，目标偏置策略原理公式可表示为

。（3）

式中：X_rand为搜索过程中的采样点；X_goal为通过动态目标偏置生成的采样点；X_sample为通过随机采样生成的采样点；p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}为目标偏置概率；p_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}为每次采样前按均匀分布的\mathrm{0}~\mathrm{1}随机数。

当时，则令最终的采样点X_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}=X_{\mathrm{g}\mathrm{o}\mathrm{a}\mathrm{l}}；当p_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}\ge p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}时，在空间中通过随机采样生成X_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}}，设置最终采样点X_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}=X_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}}。

按照预设的固定目标偏置概率进行采样，会降低路径拓展方向的多样性，导致出现节点拓展陷入局部极值的问题。本研究提出根据当前迭代次数k和预设最大迭代次数K的比值\frac{k}{K}动态调整偏置概率p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}的方法，偏置概率动态调整法可表示为

。（4）

式中：p_{\mathrm{m}\mathrm{i}\mathrm{n}}为预设最小目标偏置概率；p_{\mathrm{m}\mathrm{a}\mathrm{x}}为最大目标偏置概率；\alpha为指数调节因子，本研究取2。

当\frac{k}{K}\le \mathrm{0.3}时，p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}以对数增长形式进行调整，增加前期对地图的探索能力；当时，p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}以线性增长形式进行动态调整，加速地图探索的同时保证算法能够正常收敛；当\frac{k}{K}\ge \mathrm{0.7}时，p_{\mathrm{b}\mathrm{i}\mathrm{a}\mathrm{s}}以指数增长形式进行调整，加速规划路径向目标点收敛。

2.2 改进人工势场法

针对因RRT算法缺乏目标导向而导致在配置空间中随机探索时可能会产生大量无效节点的问题，本研究引入人工势场法，对RRT算法生成的采样点进行调整，计算节点合力场，引导路径向着目标点调整，提升路径避障能力。传统人工势场法可表示为

U_{\mathrm{a}\mathrm{t}\mathrm{t}}=\frac{\mathrm{1}}{\mathrm{2}}{K}_{\mathrm{a}\mathrm{t}\mathrm{t}}{d}_{\mathrm{g}}^{\mathrm{2}}。（5）

式中：U_{\mathrm{a}\mathrm{t}\mathrm{t}}为引力势场函数；K_{\mathrm{a}\mathrm{t}\mathrm{t}}为引力常系数；d_{\mathrm{g}}为搜索树当前节点与目标点的相对距离，mm。

。（6）

式中：U_{\mathrm{r}\mathrm{e}\mathrm{p}}为斥力势场函数；K_{\mathrm{r}\mathrm{e}\mathrm{p}}为斥力常系数；d_{\mathrm{r}\mathrm{e}\mathrm{p}}为斥力场的作用范围半径，mm；d_{\mathrm{o}}为障碍物中心坐标到当前节点X_{\mathrm{n}\mathrm{e}\mathrm{a}\mathrm{r}}的距离，mm。

U=U_{\mathrm{a}\mathrm{t}\mathrm{t}}+U_{\mathrm{r}\mathrm{e}\mathrm{p}}。（7）

式中：U为合力势场函数。

当d_{\mathrm{g}}\to \mathrm{0}时，U_{\mathrm{a}\mathrm{t}\mathrm{t}}\to \mathrm{0}，若在目标点附近存在障碍物，产生的斥力U_{\mathrm{r}\mathrm{e}\mathrm{p}}将使目标点处的合力U\ne \mathrm{0}，导致目标点不可达，本研究分别对引力场函数和斥力场函数进行优化改进，改进人工势场法可表示为

。（8）

式中：d_{\mathrm{s}}为距离阈值，mm。

。（9）

式中：n为斥力调节因子。

本研究提出分段函数对引力场进行改进，预设距离阈值d_{\mathrm{s}}，当d_{\mathrm{g}}\ge d_{\mathrm{s}}时，采用传统人工势场法进行引导，保证算法快速趋近目标点；当时，通过线性函数进行引导，保证近距离处引力U_{\mathrm{a}\mathrm{t}\mathrm{t}}\ne \mathrm{0}，减少振荡。通过引入当前节点与目标点的相对距离d_{\mathrm{g}}和斥力调节因子n对斥力场进行改进，当d_{\mathrm{g}}\to \mathrm{0}时，斥力U_{\mathrm{r}\mathrm{e}\mathrm{p}}\to \mathrm{0}，保证搜索树能够到达目标点。

2.3 步长自适应调整策略

针对固定步长采样，步长过大降低对障碍物密集区的探索能力，过小增加路径规划成本的问题，本研究采用了步长自适应调整策略，即在明确搜索方向后，根据生成树节点与障碍物之间的预设安全距离d_{\mathrm{s}\mathrm{a}\mathrm{f}\mathrm{e}}和实际距离d_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}的大小关系，对搜索步长S进行动态调整，步长动态调整法可表示为

。（10）

式中：d_{\mathrm{s}\mathrm{a}\mathrm{f}\mathrm{e}}为生成树节点与障碍物之间的预设安全距离，mm；d_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}为生成树节点与障碍物之间的实际距离，mm；S_{\mathrm{m}\mathrm{a}\mathrm{x}}为最大自适应步长参数，mm；S_{\mathrm{m}\mathrm{i}\mathrm{n}}为最小自适应步长参数，mm；S为不同情况下搜索节点的实际步长，mm。

当d_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}\ge d_{\mathrm{s}\mathrm{a}\mathrm{f}\mathrm{e}}时，搜索步长S取设置的最大自适应步长S_{\mathrm{m}\mathrm{a}\mathrm{x}}，提升算法在空旷区域的搜索效率；当时，搜索步长S通过计算S_{\mathrm{m}\mathrm{i}\mathrm{n}}+\left(S_{\mathrm{m}\mathrm{a}\mathrm{x}}-S_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)\times \frac{d_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}}{d_{\mathrm{s}\mathrm{a}\mathrm{f}\mathrm{e}}}得到，保证算法在障碍物密集区具有较高搜索精度的同时，最大限度降低路径规划成本。

2.4 路径剪枝

针对因初步规划路径存在大量冗余节点而导致路径轨迹平滑性差的问题，本研究采用路径剪枝策略来剔除路径中冗余节点，提升路径质量。由图3可见，路径剪枝原理为：从起点X_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{t}}开始，依次检查当前节点X_n是否与后续的某个非相邻节点X_{n+\mathrm{2}}发生碰撞；若未碰撞，则剔除这2个节点之间的所有节点，连接这2个节点，并以该节点作为新起点进行检查；重复上述过程直至无法进一步简化。

2.5 路径平滑化

针对剪枝路径仍存在较多拐点，路径波折导致机械臂运行不平稳的问题，本研究采用三次B样条曲线进行路径平滑优化，三次B样条曲线可只对局部路径进行优化而不改变整体路径，原理公式可表示为

c(t)={\displaystyle \sum _{i=\mathrm{0}}^{\mathrm{3}}}{c}_i{F}_{i,k}(\mathit{t})。（11）

式中：c_i为曲线的控制点；F_{i,k}(\mathit{t})表示三次B样条的基函数，组成三次B样条的4种基函数可表示为

\left\{\begin{array}{cc}\begin{array}{l}{F}_{\mathrm{0,3}}(\mathit{t})=\frac{\mathrm{1}}{\mathrm{6}}{(\mathrm{1}-\mathit{t})}^{\mathrm{3}},\\ F_{\mathrm{1,3}}(\mathit{t})=\frac{\mathrm{1}}{\mathrm{6}}(\mathrm{3}{\mathit{t}}^{\mathrm{3}}-\mathrm{6}{\mathit{t}}^{\mathrm{2}}+\mathrm{4})\\ F_{\mathrm{2,3}}(\mathit{t})=\frac{\mathrm{1}}{\mathrm{6}}(-\mathrm{3}{\mathit{t}}^{\mathrm{3}}+\mathrm{3}{\mathit{t}}^{\mathrm{2}}+\mathrm{3}\mathit{t}+\mathrm{1})\\ F_{\mathrm{3,3}}(\mathit{t})=\frac{\mathrm{1}}{\mathrm{6}}{\mathit{t}}^{\mathrm{3}}\end{array}& \mathit{t}\in [\mathrm{0,1}]\mathrm{。}\end{array}\right.（12）

式中，\mathit{t}为节点向量。

根据改进ARF-RRT算法规划的路径点，作为控制点，得到符合三次B样条定义的曲线优化路径，见图4。

2.6 算法整体实现

改进APF-RRT算法流程见图5。

由图5可知，其实现步骤如下。

1）初始化工作空间，给定相关地图信息，设定相关参数。

2）基于动态目标偏置策略进行采样，引入改进的人工势场法，并结合自适应步长策略生成新节点X_new。

3）对新节点X_{\mathrm{n}\mathrm{e}\mathrm{w}}和父节点X_{\mathrm{n}\mathrm{e}\mathrm{a}\mathrm{r}}之间进行碰撞检测；若未发生碰撞，则将X_{\mathrm{n}\mathrm{e}\mathrm{w}}作为有效搜索节点加入随机树进行下一轮采样；若发生碰撞，动态调整目标偏置概率，重新进行采样。

4）循环上述步骤，直至到达目标点，规划出初始路径，若循环次数小于迭代次数，对初始路径进行剪枝和平滑优化处理，生成最终路径，路径规划成功。

3 仿真试验

为验证改进APF-RRT算法的性能，基于Matlab2024a对RRT算法、RRT*算法、文献［8］算法和改进APF-RRT算法进行二维和三维地图下的仿真试验，以规划路径长度，规划时间和搜索树节点数为对比因素，对改进APF-RRT算法的优越性进行验证分析。

3.1 二维空间中的仿真试验

二维地图场景设置为200 mm×200 mm，起始点坐标为（20，20），目标点坐标为（180，180），在空间内设置圆形障碍物，RRT算法、RRT*算法、文献［8］算法的扩展步长均设置为10 mm，目标阈值均设置为15 mm，改进APF-RRT算法最小自适应步长设置为5 mm，最大自适应步长设置为20 mm，预设安全距离和目标阈值均设置为15 mm。将4种算法各运行50次，结果取平均值，结果见图6，各算法运行数据见表2。

由表2可知，对比RRT算法、RRT*算法、文献［8］算法，改进APF-RRT算法在设置圆形障碍物的二维地图中避障路径的规划时间分别下降58.33%、87.71%、28.57%，算法收敛的速度有较大程度的提升；路径长度分别缩短24.01%、5.04%、11.57%，路径成本有所降低；随机树中节点分别减少69.40%、81.11%、21.15%，节点利用率有显著提升。

3.2 三维空间中的仿真试验

三维仿真设置地图为1 000 mm×1 000 mm×1 000 mm，设置初始位置为（50，50，50），目标点设置为（950，950，950），并在空间中设置球体障碍物，由于三维地图空间远大于二维地图空间，为提升算法搜索效率，将RRT算法、RRT*算法、文献［8］算法的扩展步长均设置为100 mm，目标阈值均设置为150 mm，改进APF-RRT算法最小自适应步长设置为50 mm，最大自适应步长设置为200 mm，预设安全距离和目标阈值均设置为150 mm。将4种算法各运行50次，结果取平均值，其结果见图7，各算法运行数据见表3。

由图7可见，对比基本RRT算法、RRT*算法、文献［8］算法，改进APF-RRT算法引入动态目标偏置策略和改进人工势场法后，搜索过程具有一定的方向性，产生的冗余节点较少，经过剪枝处理和平滑优化后的路径质量有明显的改善。

由表3可知，对比RRT算法、RRT*算法、文献［8］算法，改进APF-RRT算法在设置球体障碍物的三维地图中避障路径的规划时间分别下降90.91%、96.92%、77.78%，路径长度分别缩短33.22%、22.52%、25.94%，随机树中节点分别减少92.58%、96.23%、83.33%。试验结果表明，改进APF-RRT算法在三维空间中的路径规划效果同样显著。

3.3 虚拟样机仿真试验

为验证改进算法和机械臂整机结合的可行性，将上文建立的机械臂D-H参数模型与改进APF-RRT算法联合进行虚拟样机仿真试验，仿真结果见图8。

分析图8得到，机械臂以一条平滑路径从起点运行至目标点，且运行过程未和障碍物发生碰撞，验证了改进APF-RRT算法应用于机械臂避障路径规划的可行性。

分析图9得到，机械臂运动过程中各关节转角都在关节极限内，且关节角度总体保持着连续、平稳变化，保证FR3-HB机械臂整体运行的稳定性，同样表明了改进APF-RRT算法规划路径对于机械臂运动的适用性和合理性。

3.4 机械臂采摘试验

为验证改进APF-RRT算法在林果采摘作业的可行性，对林果采摘机器人进行苹果采摘试验，见图10，试验中分别采用RRT算法、RRT*算法、文献［8］算法和改进APF-RRT算法，规划A₁，A₂，A₃，…，A_n 等n个路径点，每种算法试验5次，每次试验对苹果采摘20次，记录成功采摘苹果个数、采摘时间、采摘成功率，获取试验原始数据，对试验原始数据进行处理得到不同算法下的试验结果，见表4。

对表4试验结果分析得到，改进APF-RRT算法相较于RRT算法、RRT*算法和文献［8］算法，采摘成功率分别提升了16%、4%、12%，平均采摘时间分别缩短了8.8%、11.3%、3.4%，改进APF-RRT算法下机械臂采摘时间为18.9 s，采摘成功率为92%，满足采摘设计要求，该算法可应用于林果采摘作业，提高林果采摘效率。

4 结论

为提升林果采摘机械臂避障的效率，本研究提出了一种改进APF-RRT算法。该算法在RRT算法基础上引入动态目标偏置策略，保证改进算法在地图探索各个阶段均具有较高的搜索效率；结合改进的人工势场法，解决了人工势场法目标点不可达的问题，为搜索树的生长提供导向，提高避障能力；加入步长自适应调整策略，保证算法有较高地图探索能力的同时降低搜索成本；对初始路径进行剪枝和平滑优化，提高节点利用率和林果采摘机械臂的运行稳定性。仿真试验结果表明，改进APF-RRT算法相较于RRT算法、RRT*算法和文献［8］算法在规划路径长度，路径规划时间和节点利用率上均有大幅提升，规划路径轨迹可有效应用于机械臂虚拟样机。机械臂采摘试验结果表明，改进APF-RRT算法下机械臂采摘时间为18.9 s，采摘成功率为92%，可为林果采摘机器人避障路径规划提供技术支撑。

参考文献

[1] 于贵瑞，郭珂歆，郝天象.新时期林业生态经济体系构建的初步探索［J］.林业科学，2025，61（7）：8-22.

[2] YU G R， GUO K X， HAO T X.Preliminary exploration on the construction of forestry ecological economic system in the new era［J］.Scientia Silvae Sinicae，2025，61（7）：8-22.

[3] 黄青云，姚立健，张文福，等.便携式林果修剪装备的研究现状与趋势［J］.世界林业研究，2024，37（6）：59-65.

[4] HUANG Q Y， YAO L J， ZHANG W F，et al.Research state and trends of portable pruning equipment for fruit forest［J］.World Forestry Research，2024，37（6）：59-65.

[5] 杨松，洪涛，朱良宽.改进蚁群算法的森林防火移动机器人路径规划［J］.森林工程，2024，40（1）：152-159.

[6] YANG S， HONG T， ZHU L K.Forest fire prevention mobile robot path planning based on improved ant colony algorithm［J］.Forest Engineering，2024，40（1）：152-159.

[7] 胡峻峰，朱昊，黄晓文，等.基于深度学习的森林移动机器人树干检测［J］.森林工程，2024，40（4）：109-114.

[8] HU J F， ZHU H， HUANG X W，et al.Trunk detection for forest mobile robots based on deep learning［J］.Forest Engineering，2024，40（4）：109-114.

[9] XIONG X Y， MIN H T， YU Y B，et al.Application improvement of A* algorithm in intelligent vehicle trajectory planning［J］.Mathematical Biosciences and Engineering，2020，18（1）：1-21.

[10] LAVALLE S M.Rapidly exploring random trees：A new tool for path planning［J］.Algorithmic & Computational Robotics New Directions，1999，1（1）：293-308.

[11] 施成龙，行鸿彦，王水璋，等.融合三步平滑与改进RRT算法的无人机路径规划［J］.电子测量技术，2023，46（23）：43-49.

[12] SHI C L， XING H Y， WANG S Z，et al.UAV path planning combing three-step smoothing and improved RRT algorithm［J］.Electronic Measurement Technology，2023，46（23）：43-49.

[13] 顾谦，安琪，张妙恬，等.基于改进RRT算法的机器人路径规划研究［J］.组合机床与自动化加工技术，2025（3）：204-208.

[14] GU Q， AN Q， ZHANG M T，et al.Research on robot path planning based on improved RRT algorithm［J］.Modular Machine Tool & Automatic Manufacturing Technique，2025（3）：204-208.

[15] 卢德俊，孟庆国.一种基于改进RRT的起重机路径规划算法［J］.兵工自动化，2025，44（7）：1-4.

[16] LU D J， MENG Q G.A crane path planning algorithm based on improved RRT［J］.Ordnance Industry Automation，2025，44（7）：1-4.

[17] KARAMAN S， FRAZZOLI E.Sampling-based algorithms for optimal motion planning［J］.The International Journal of Robotics Research，2011，30（7）：846-894.

[18] KUFFNER J J， LAVALLE S M.RRT-connect：an efficient approach to single-query path planning［C］//Proceedings 2000 ICRA.Millennium Conference.IEEE International Conference on Robotics and Automation.Symposia Proceedings.April 24-28，2000，San Francisco，CA，USA.IEEE，2000：995-1001.

[19] TAHIR Z， QURESHI A H， AYAZ Y，et al.Potentially guided bidirectionalized RRT* for fast optimal path planning in cluttered environments［J］.Robotics and Autonomous Systems，2018，108：13-27.

[20] 黄杰，潘丰.基于改进RRT的路径规划算法［J］.计算机与数字工程，2025，53（4）：948-953.

[21] HUANG J， PAN F.Path planning algorithm based on improved RRT［J］.Computer & Digital Engineering，2025，53（4）：948-953.

[22] 李子建，高焕兵，王雪秋.改进RRT算法的机械臂避障路径规划研究［J］.计算机工程与应用，2025，61（8）：307-314.

[23] LI Z J， GAO H B， WANG X Q.Research on obstacle avoidance path planning for robotic arms using improved RRT algorithm［J］.Computer Engineering and Applications，2025，61（8）：307-314.

[24] 栾庆磊，郭继智，屈紫浩，等.改进RRT算法的机械臂路径规划［J］.组合机床与自动化加工技术，2024（5）：60-64，70.

[25] LUAN Q L， GUO J Z， QU Z H，et al.Improved RRT algorithm for manipulator path planning［J］.Modular Machine Tool & Automatic Manufacturing Technique，2024（5）：60-64，70.

[26] 王杲，库祥臣，吴鸿宇，等.基于改进APF-RRT的6R机械臂避障路径规划［J］.机床与液压，2024，52（11）：27-32.

[27] WANG G， KU X C， WU H Y，et al.6R manipulator obstacle avoidance path planning based on improved APF-RRT［J］.Machine Tool & Hydraulics，2024，52（11）：27-32.

[28] 万程龙，周焕银，刘凯伦，等.基于自适应分段步长RRT-APF的水下机器人三维路径规划算法［J］.机床与液压，2025，53（9）：31-37.

[29] WAN C L， ZHOU H Y， LIU K L，et al.3D path planning of underwater vehicle based on adaptive segmented step RRT-APF algorithm［J］.Machine Tool & Hydraulics，2025，53（9）：31-37.

基金资助

国家重点研发计划(2023YFF1304001-02)