神经网络在果蔬收获机器人机械臂避障路径中的应用

ωij—从细胞j到细胞i的连接权值；

f(zi)—传递函数。

等式限制条件，底层和中间层连接权系数等于不等式中x,y,z前面的系数，中间层到顶层的连接权均为1，顶层节点的阀值取为不等式个数减去0.5后的负数。该连续NN的运算关系为

C=f(Ti) Ti=∑OMm+θT

OMn=f(IMm)IMm=ωxmxi+ωymyi+ωzmzi+θMm

式中 C—顶层结点输出；

Ti—顶层结点输入；

一般传递函数f(x)为S状的曲线函数

1

f(x)=(β>0)

1+e βx

2 神经网络在果蔬收获机器人路径规划中

的应用分析

果蔬收获机器人由于工作环境的复杂性和非结构性，传统的环境建模方法对其描述十分复杂。神经网络应用于避障环境模型的描述主要基于：障碍例如，16个不等式的约束条件如图2所示。

图2 单个障碍物的模型

Fig.2 Model of single obstacle

θT—顶层结点阀值；

OMm—中间层第m个结点的输出；

IMm—中间层第m个结点的输入；

θMm—中间层第m个结点的阀值；

ωxm,ωym,ωzm—第m个不等式的限制条件的

系数。

x+2 0 y+5 0 z+4 0

一般取激发函数f(x)=

1

，这样C值大小将

1+e xT

在0～1之间单调递增地连续变化，反映出给定点(x,y,z)与障碍物的碰撞程度。C值越小，该点越远离障碍物。

孙增圻等[3]利用神经网络对障碍物环境进行描述，将迭代路径点集的碰撞能量函数与距离函数的

和作为优化目标函数，通过求优化目标函数的极值，确定点集的运动方程，最终使迭代路径点集趋向于最优规划路径。朱咏杰等[4]在此基础上将迭代路径点集的碰撞能量函数与距离函数的和作为优化目标函数，采用了一种离散化的方法逼近能量的负梯度方向，从而确定点集运动趋向，完成路径规划的任务。陈华华等[8]将机器人工作空间动态环境信息采用神经网络模型来描述，建立动态避障与神经网络输出的关系，并把这种函数关系与最短路径要求融合成遗传算法所需要的一个简单的适应度函数，有效地提高了遗传算法寻优能力和计算效率。

由图2可知，通过判断空间中的一个点的坐标是否同时满足6个不等式的条件，即可判断此点是否位于障碍物内。

空间点与障碍物长方体的位置可以用图3所示的神经网络模型来表示。

O3 实例

果蔬收获机器人采摘黄瓜过程的示意图[6]如图4所示。

为使描述问题简单，假定目标黄瓜前面障碍物此时只有两根撑杆，撑杆边界根据最大机械手臂的尺寸在长、宽方向适当扩展，则各机械手臂可以视为直径可以忽略的线段，并通过一定方式寻找线段上的特征点，用特征点的运动来近似代替线段在路径中的运动，接着用长方体包络扩展以后的撑杆；然后利用上述提出的神经网络建立环境模型的基本思路，具体建立针对黄瓜采摘的果蔬收获机器人避障模型。

I

f

图3 单个障碍物的神经网络模型

Fig.3 Neural network model of single obstacle

图3中，底层3个节点分别表示给定路径点坐

标x,y,z，中间层的每个节点对应于障碍物的一个不