一种杆状作物收割机器人控制方法技术

本发明专利技术涉及一种杆状作物收割机器人控制方法，属于农业自动化领域。包括杆状作物的自主识别、机器人控制方法、设计夹持机构、设计捆缚机构、设计运送机构和多电机检测故障诊断。设计了一种机器人的整体硬件结构，在保持成本低廉的前提前下，解决了杆状作物的收割问题，通过对算法的优化和多传感器的融合使系统更稳定且精准。设计了一种卷积神经网络对目标进行识别，并使用简单的识别算法进行识别以提高实时性，并对两种算法得到的数据进行数据融合，得到一致性解释。本发明专利技术使用一种对超声波数据进行优化的算法，在低成本的超声波上通过算法优化得到更为准确的数据。并使用一种自适应加权融合估计算法，优化数据得到对环境的一致性解释。

【技术实现步骤摘要】
一种杆状作物收割机器人控制方法
本专利技术属于农业自动化领域，涉及一种杆状作物收割机器人控制方法。
技术介绍
农业机器人根本上还是属于机器人的范畴，不仅仅是机械结构和控制算法的简单融合，而且还涉及了多传感器融合技术，信息处理技术，自动控制技术、计算机技术、多系统控制等诸多技术。是一个综合交叉学科。机器人系统的一般结构包括机械结构、感知系统、控制系统三部分；包含驱动系统、机械结构系统、感受系统、机器人-环境交互系统、人机交互系统、控制系统六大子系统。农业机器人与工业机器人的应用是存在较大区别的及农业机器人的特点：(1)工业机器人操作的对象一般比较确定、规则、可知性较大，应用环境也是确定的，具备机械性持续重复操作的可能性，且操作的目标物体一般不宜损伤。而农业机器人操作的对象一般更不规则，应用环境也更复杂多变，不具备机械性持续重复操作的条件，且操作的目标物容易被机械机构损伤，且这种损伤是不可逆的。所以相对于工业机器人，农业机器人一定程度上更为复杂。(2)工业机器人可以机械重复操作，在一定程度上说，其不需要传感器做支撑。但农业机器人由于环境的复杂性，和目标位置的不确定性，就必须具备一定的感知能力。所以仅从这两方面说，农业机器人想做到像工业机器人一样普及和大范围投入使用是更加困难的。(3)工业机器人的操作人员一般是工科出身的技术人员或者是经过系统技术培训的人员，是有一定的机电操作基础的人员，而农业机器人所应用的领域就注定了操作人员是农民，他们在农业种植方面具备丰富的经验，但却缺乏相应的技术操作经验，所以这就需要在研发农业机器人的时候更多的要考虑到人机交互的问题，人机交互要更简洁易懂。一方面是技术的复杂度所造成的壁垒；另一方面是其投入和产出不协调导致的经济壁垒；最后还有对人机交互较高的需求。所以本专利技术需要在前两方面做出协调平衡，在最后一方面深入研究。在保证功能的基础上，需要尽可能的降低硬件成本，在功能与成本之上还要完善人机交互。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种杆状作物收割机器人控制方法。为达到上述目的，本专利技术提供如下技术方案：一种杆状作物收割机器人控制方法，包括杆状作物的自主识别、机器人控制方法、设计夹持机构、设计捆缚机构、设计运送机构和多电机检测故障诊断。可选的，所述杆状作物的自主识别为三个部分：第一部分：(1)采集目标杆状作物的图像，构建杆状作物的数据集，对数据集进行初步的处理和标注，按照3：1：1的比例准备训练集、验证集和测试集；(2)选择包括10个卷积层和5个全连接层的神经网络，通过卷积运算对目标进行层次逐步升高的特征提取；采用迁移学习的方法，将卷积神经网络的最后一层去掉，在不同的数据集上重新训练模型的最后一层，通俗的说就是重新训练模型的最后一层来识别不同的高级特征，减少对不同杆状作物的训练时间；(3)使用模拟退火算法，调整学习率，使训练刚开始时有较大的学习率，随着时间的推移降低学习率，以保证模型能够找到最优值；第二部分：设计一种简单的识别算法，以弥补在成本受限情况下，深度卷积神经网络识别算法无法做到实时检测的缺陷；采用自适应光照的色块分割方法，降低阳光的影响；第三部分：(1)一种针对超声波测距的滤波处理算法：a、连续采集8个点；b、记录能成功采集到的点数m；c、若m>2，使用冒泡法对m个点进行排序，否则数据有误调a继续执行循环；d、去除相邻一对值的两两之差，并记录其中差值最大的一组位置e、最大组若位于前半部分进行下一步，否则数据有误调a继续执行循环；f、取该位置后半部分的值为有效值；g、对有效值取平均值为最终值；h、结束或返回a继续循环；(2)一种多传感器融合的算法：采用分布式的多传感器融合体系结构，逐一将传感器数据纳入到系统中进行逐步融合，得到最终的结果；采用多传感器融合算法，对两种数据进行融合；然后将融合后的数据看作一种数据，继续加入其他数据进行融合，直至输出最终结果；自适应加权融合估计算法：基于总均方误差最小的前提下，依据每个传感器实时测量到的数据，动态为各传感器分配所对应的最优加权因子Wi(i＝1,2,...n)，其中传感器的方差越大，对应所分配的权值越小，以求得最终的估计值贴近真实值Z；假设：采用n个传感器测量某事物的同一特性参数，σ1,σ2,σ3,...,σn是n个传感器的方差，测量的理论值为Z，每个传感器的检测数据为Zi，i＝1,2,...n，各检测数据彼此相互独立且是Z的无偏估计，估计后的参数就是最终所求的融合结果；其中和Wi必须满足：由上式推导出总均方误差σ2为：根据多元函数求极值理论，求得在总均方误差σ2最小的条件，各传感器所对应的权值为Wi(i＝1,2,...n)，当方差越小时，其对应的权值越大；最小总均方误差σ2为：其对应的每个传感器的加权因子Wi为：通过(1.5)式对多个传感器相应权值Wi的计算，代入式(1.7)，进而得到最终融合结果并对融合结果进行评估，判断其是否可信；和Zt分别是融合后的传感器的检测数据和理论最优值，假设服从高斯分布，那么是其概率分布曲线且可作为各传感器的特性函数，σi是其方差，引用e用以反映和理论最优值之间的偏差；设置可信上限η，取可信系数δ的值为：当δit＝1，融合结果得到理论最优值Zt的支持，融合结果可信，反之，δij＝0，融合结果被理论最优值Zt否定，融合结果不可信；若可信则采纳数据融合结果，若不可信则考虑使用单一传感器的数据，同理按一定顺序对单一传感器数据进行评估，找到偏差最小的传感器，将其作为最优检测数据使用。可选的，所述机器人控制方法为：一种状态反馈优化控制器设计，所设计的控制器是一种通用型控制器，并非只针对静态目标，亦适用于动态目标物；机器人的动态模型为：通过机器人的感知系统观测目标的状态和位置，设计状态观测器为：局部误差为ei＝xi-ωi1(2.3)利用式(2.1)和(2.3)，得局部跟踪误差ei的动态模型为性能函数式为控制目标为：对于机器人，设计控制器ui使：1)局部跟踪误差ei动态模型(2.4)渐近稳定；2)性能函数Vi(xi,ωi1,ui)(2.5)达到最小值；定义由局部跟踪误差ei和待跟踪状态ωi1组成的增广系统状态由式(2.2)和(2.4)得增广系统动态模型为其中基于增广系统动态模型(2.7)，性能函数(2.5)写为其中式(2.9)对时间t求导得下列贝尔曼方程其中，令Vi*为贝尔曼方程(2.11)的最优解，则由最优性必要条件得最优控制器为将式(2.12)带入贝尔曼方程(2.本文档来自技高网...

【技术保护点】
1.一种杆状作物收割机器人控制方法，其特征在于：包括杆状作物的自主识别、机器人控制方法、设计夹持机构、设计捆缚机构、设计运送机构和多电机检测故障诊断。/n

【技术特征摘要】
1.一种杆状作物收割机器人控制方法，其特征在于：包括杆状作物的自主识别、机器人控制方法、设计夹持机构、设计捆缚机构、设计运送机构和多电机检测故障诊断。


2.根据权利要求1所述的一种杆状作物收割机器人控制方法，其特征在于：所述杆状作物的自主识别为三个部分：
第一部分：
(1)采集目标杆状作物的图像，构建杆状作物的数据集，对数据集进行初步的处理和标注，按照3：1：1的比例准备训练集、验证集和测试集；
(2)选择包括10个卷积层和5个全连接层的神经网络，通过卷积运算对目标进行层次逐步升高的特征提取；采用迁移学习的方法，将卷积神经网络的最后一层去掉，在不同的数据集上重新训练模型的最后一层，通俗的说就是重新训练模型的最后一层来识别不同的高级特征，减少对不同杆状作物的训练时间；
(3)使用模拟退火算法，调整学习率，使训练刚开始时有较大的学习率，随着时间的推移降低学习率，以保证模型能够找到最优值；
第二部分：
设计一种简单的识别算法，以弥补在成本受限情况下，深度卷积神经网络识别算法无法做到实时检测的缺陷；采用自适应光照的色块分割方法，降低阳光的影响；
第三部分：
(1)一种针对超声波测距的滤波处理算法：
a、连续采集8个点；
b、记录能成功采集到的点数m；
c、若m>2，使用冒泡法对m个点进行排序，否则数据有误调a继续执行循环；
d、去除相邻一对值的两两之差，并记录其中差值最大的一组位置；
e、最大组若位于前半部分进行下一步，否则数据有误调a继续执行循环；
f、取该位置后半部分的值为有效值；
g、对有效值取平均值为最终值；
h、结束或返回a继续循环；
(2)一种多传感器融合的算法：
采用分布式的多传感器融合体系结构，逐一将传感器数据纳入到系统中进行逐步融合，得到最终的结果；采用多传感器融合算法，对两种数据进行融合；然后将融合后的数据看作一种数据，继续加入其他数据进行融合，直至输出最终结果；
自适应加权融合估计算法：基于总均方误差最小的前提下，依据每个传感器实时测量到的数据，动态为各传感器分配所对应的最优加权因子Wi(i＝1,2,...n)，其中传感器的方差越大，对应所分配的权值越小，以求得最终的估计值贴近真实值Z；假设：采用n个传感器测量某事物的同一特性参数，σ1,σ2,σ3,...,σn是n个传感器的方差，测量的理论值为Z，每个传感器的检测数据为Zi，i＝1,2,...n，各检测数据彼此相互独立且是Z的无偏估计，估计后的参数就是最终所求的融合结果；其中和Wi必须满足：






由上式推导出总均方误差σ2为：



根据多元函数求极值理论，求得在总均方误差σ2最小的条件，各传感器所对应的权值为Wi(i＝1,2,...n)，当方差越小时，其对应的权值越大；最小总均方误差σ2为：



其对应的每个传感器的加权因子Wi为：



通过(1.5)式对多个传感器相应权值Wi的计算，代入式(1.7)，进而得到最终融合结果并对融合结果进行评估，判断其是否可信；

和Zt分别是融合后的传感器的检测数据和理论最优值，假设服从高斯分布，那么是其概率分布曲线且可作为各传感器的特性函数，σi是其方差，引用e用以反映和理论最优值之间的偏差；



设置可信上限η，取可信系数δ的值为：



当δit＝1，融合结果得到理论最优值Zt的支持，融合结果可信，反之，δij＝0，融合结果被理论最优值Zt否定，融合结果不可信；若可信则采纳数据融合结果，若不可信则考虑使用单一传感器的数据，同理按一定顺序对单一传感器数据进行评估，找到偏差最小的传感器，将其作为最优检测数据使用。


3.根据权利要求1所述的一种杆状作物收割机器人控制方法，其特征在于：所述机器人控制方法为：
一种状态反馈优化控制器设计，所设计的控制器是一种通用型控制器，并非只针对静态目标，亦适用于动态目标物；
机器人的动态模型为：



通过机器人的感知系统观测目标的状态和位置，设计状态观测器为：



局部误差为
ei＝xi-ωi1(2.3)
利用式(2.1)和(2.3)，得局部跟踪误差ei的动态模型为



性能函数式为



控制目标为：对于机器人，设计控制器ui使：
1)局部跟踪误差ei动态模型(2.4)渐近稳定；
2)性能函数Vi(xi,ωi1,ui)(2.5)达到最小值；
定义由局部跟踪误差ei和待跟踪状态ωi1组成的增广系统状态



由式(2.2)和(2.4)得增广系统动态模型为



其中



基于增广系统动态模型(2.7)，性能函数(2.5)写为



其中



式(2.9)对时间t求导得下列贝尔曼方程



其中，令Vi*为贝尔曼方程(2.11)的最优解，则由最优性必要条件得最优控制器为



将式(2.12)带入贝尔曼方程(2.11)得如下跟踪HamiltonJacobiBellman，即HJB方程



若式(2.13)存在一个连续半正定解Vi*，则由式(2.12)得到的最优控制器使性能函...

【专利技术属性】
技术研发人员：陈刚，李超，李涛，王卓麟，张筱婕，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50