丘陵区果园履带式自适应割草机器人的路径规划与避障算法优化

引言：丘陵区作为我国重要的果园种植区域，其地形起伏大、地表不平整，且果园内存在果树、石块、灌溉设施等多种障碍物，给果园杂草清理带来极大挑战。传统人工割草不仅劳动强度大、效率低下，还受地形限制存在安全隐患；现有机械化割草设备多适用于平地，在丘陵区的适应性和智能化程度不足。

履带式自适应割草机器人凭借履带式行走机构的地形适应性和智能化控制系统，能够在丘陵区果园完成自主割草作业，是实现果园精细化管理的关键装备。而路径规划与避障算法作为机器人自主作业的核心技术，直接影响作业效率、能耗及安全性。当前，主流路径规划算法（如A*算法、Dijkstra算法）在复杂地形中易出现路径冗余、平滑性差等问题；避障算法多依赖单一传感器，在丘陵区遮挡多、光照变化大的环境下稳定性不足。

一、丘陵区果园环境特征与机器人作业需求

（一）环境特征分析

1.地形复杂性：丘陵区果园地势起伏明显，坡度多在10°-30°之间，地表存在沟壑、土坡等不平整区域，导致机器人行走时重心易偏移，路径规划需兼顾地形坡度与稳定性。

2.障碍物多样性：果园内障碍物包括固定障碍物（果树、树干、支架）和动态障碍物（石块、杂草堆、临时工具），且部分障碍物（如低矮树枝）存在遮挡，增加了避障检测的难度。

3.环境动态性：光照强度随时间变化显著，雨天或露水天气会导致地面湿滑，影响传感器（如视觉传感器）的检测精度，对避障算法的鲁棒性提出更高要求。

（二）机器人作业需求

1.路径规划需求：路径需满足“全覆盖、高效率、低能耗”原则，既要覆盖所有待割草区域，又要尽量缩短路径长度，减少转向次数；同时需避开地形陡峭区域，确保机器人行走安全。

2.避障需求：能快速检测并识别直径≥5cm的障碍物，在距离障碍物1.5-2m时启动避障动作，避障过程中需保持机身稳定，避免因转向或减速导致侧翻。

3.自适应需求：履带式机器人需根据地形坡度调整行驶速度（坡度越大速度越低），割草装置需适应地面起伏，确保割草高度一致（误差≤3cm）。

二、履带式割草机器人路径规划算法设计

（一）传统算法局限性分析

1.A*算法：在平面环境中路径搜索效率高，但在丘陵区地形中，未考虑坡度对机器人能耗和稳定性的影响，易规划出“陡峭爬坡”路径，导致能耗增加或侧翻风险。

2.RRT*算法：适用于高维空间路径规划，但在果园规则化种植区域（如行列状果树）中，路径随机性强，存在大量冗余转向，作业效率低。

3.人工势场法：对动态障碍物反应灵敏，但在多障碍物密集区域易陷入“局部最优”，出现停滞或绕障失败的情况。

（二）改进A*算法的路径规划策略

1.代价函数优化：在传统A*算法的启发函数中引入地形坡度因子和路径平滑因子，构建新的代价函数：

（1）坡度因子：根据地形坡度θ设置惩罚值，当θ＞20°时，惩罚值随θ增大而线性增加，避免路径经过高坡度区域。

（2）平滑因子：通过计算相邻路径点的转向角度，对角度＞30°的转向设置额外代价，减少急转动作，提升路径平滑性。

2. 分层路径搜索：

（1）全局路径规划：基于果园数字高程模型（DEM），规划从起点到终点的大致路径，避开坡度＞25°的区域和大型固定障碍物。

（2）局部路径调整：在全局路径基础上，结合实时地形数据（由机器人搭载的IMU和激光雷达采集），对路径进行局部优化，如将“折线爬坡”调整为“螺旋式缓坡”路径。

（3）全覆盖路径优化：采用“分区-填充”策略，将果园划分为多个矩形子区域（根据果树行距划分），子区域内采用“往复式”路径，区域间通过平滑过渡路径连接，减少区域间的空驶距离。

三、履带式割草机器人避障算法优化

（一）多传感器信息融合方案

1.传感器选型：

（1）激光雷达：用于检测10m范围内的障碍物，精度±2cm，不受光照影响。

（2）视觉传感器（RGB-D相机）：识别障碍物类型（如果树、石块），辅助判断避障优先级。

（3）超声波传感器：用于近距离（＜2m）障碍物检测，弥补激光雷达在低矮障碍物（如杂草堆）检测上的不足。

2. 信息融合策略：采用“加权平均-决策树”融合算法：

（1）低层数据融合：对激光雷达和超声波传感器的障碍物距离数据进行加权平均，降低测量误差。

（2）高层决策融合：基于视觉传感器识别的障碍物类型，通过决策树判断避障策略（如遇果树采用“绕侧避障”，遇石块采用“直接跨越”或“减速绕行”）。

（二）动态窗口避障算法改进

1. 速度窗口约束：根据地形坡度和障碍物距离，动态调整机器人的速度范围：

当坡度θ≤10°且障碍物距离＞5m时，速度保持0.8-1.2m/s；

当10°＜θ≤20°或障碍物距离2-5m时，速度降至0.4-0.8m/s；

当θ＞20°或障碍物距离＜2m时，速度≤0.4m/s，同时启动转向避障。

2.避障轨迹优化：引入“安全距离缓冲区”，在障碍物周围设置0.5m的安全范围，避障轨迹需从缓冲区外侧绕行，确保机身与障碍物的最小距离≥0.3m；采用B样条曲线对避障轨迹进行平滑处理，减少速度突变。

（三）算法性能测试

在真实丘陵区果园环境中（包含8棵果树、3个石块障碍物，平均坡度18°），对比单一传感器避障算法与多传感器融合算法：

避障成功率：融合算法为96.7%，高于单一激光雷达算法的82.3%。

避障响应时间：融合算法平均响应时间0.32s，优于视觉传感器单独使用的0.58s。

轨迹平滑性：融合算法避障轨迹的最大转向角为25°，小于传统算法的40°，机身稳定性更好。

结语：本文针对丘陵区果园履带式自适应割草机器人的路径规划与避障问题，结合丘陵区地形复杂、障碍物多样的环境特征，提出了改进A*路径规划算法和多传感器融合避障算法。通过引入地形坡度因子和路径平滑因子，优化了路径的安全性与效率；通过融合激光雷达、视觉传感器和超声波传感器信息，提升了避障的稳定性与准确性。

实验验证显示，优化后的算法在作业覆盖率、避障成功率等关键指标上均有显著提升，能满足丘陵区果园割草作业需求。未来研究可进一步结合机器学习算法，提升机器人对动态障碍物（如突然出现的动物）的预测能力。

刘永朝. 丘陵区果园篱壁栽植行向与冠间距研究[J]. 河北工程大学学报（自然科学版），2011（2）. DOI：10.3969/j.issn.1673-9469.2011.02.023.

刘知宇. 履带式机器人控制系统研究[D]. 中北大学，2023.

李安醍，李诚龙，郑远. 感知系统受限下的城市低空无人机避障算法[J]. 电子科技大学学报，2025（2）. DOI：10.12178/1001-0548.2024003.

作者简介：朱传荣，女，1987年12月3日，山东康花生物开发有限公司，无职称，天津大学，本科。