Anglicky: A multi-arm robot system for efficient apple harvesting: Perception, task plan and control
Zdroj: Li, T, Xie, F, Zhao, Z, Zhao, H, Guo, X, Feng, Q. 2023. A multi-arm robot system for efficient apple harvesting: Perception, task plan and control. Computers and Electronics in Agriculture 211, 107979.
Klíčová slova: "sklizňový robot; víceramenný robotický systém; hloubková kamera; robotika; detekce objektů; plánování úkolů;"
Dostupný z: https://doi.org/10.1016/j.compag.2023.107979
Pokles prudký počtu pracujících v zemědělství a vysoká cena jejich práce vyvolaly naléhavou potřebu robotické sklizně jablek. U sklizňových robotů je věnována vysoká pozornost možnosti použití více robotických ramen, což vede ke zlepšení efektivity provozu. I přes výrazný pokrok dosažený u víceramenných sklízecích robotů v posledních letech stále brání jejich širokému nasazení v sadech nedostatečná efektivita jejich provozu a nedostatečná přesnost určování polohy plodů. Příspěvek se proto zaměřuje na přesné rozpoznávání a otázky kolaborativního řízení víceramenných sklizňových robotů a navrhuje víceramenný robotický systém pro sklizeň jablek. Příspěvek nejprve představuje metodu hardwarové a softwarové integrace a kinematickou konfiguraci robota a představuje rozdělení jeho pracovního prostoru a asynchronní sekvenční provozní režim. Dále je navržen algoritmus pro rozpoznávání a lokalizaci ovoce pomocí stereo vidění založený na více úlohovém hlubokém učení, který vytváří ohraničující rámečky ovoce a segmentační masky pro zvýšení přesnosti určování polohy plodů jablek a také je představena metoda kombinování více perspektiv za účelem získání globální mapy polohy ovoce. Nakonec příspěvek představuje metodu plánování úkolů s více rameny založenou na Markovově herním rámci za účelem optimalizace cílového pořadí sklizně každého ramene a zlepšení efektivity spolupráce. Efektivita robota a jeho metody rozpoznávání a ovládání byly ověřovány několika polními experimenty v sadech. Polní zkoušky ukázaly, že navrhovaný systém vidění snížil střední chybu lokalizace robotického systému v typických denních a nočních provozních podmínkách až o 44,43 %; a maximální chyba polohování byla snížena až o 50,26 % ve srovnání s tradičními metodami detekce založenými na vizuálním polohování. Navrhovaný algoritmus plánování úloh založený na multiagentním posilovacím učení (MARL) může snížit průměrnou dobu cyklu přibližně o 33,3 % ve srovnání s heuristickými algoritmy a výrazně snižuje dobu výpočtu plánování úloh na přibližně 1 s. V testovacím sadu se průměrná úspěšnost sběru robota pohybovala od 71,28 % do 80,45 % s průměrnou dobou cyklu přibližně 5,8 s. Kromě toho byly identifikovány také některé problémy. Tvar stromů v sadu nebyl vždy optimální, výkon robotických senzorů stejně jako algoritmy vizuálního vnímání byly omezené či stupně volnosti robotické paže nebyly dostatečné. Tyto faktory přispěly k neúspěšnému uchopení ovoce během procesu sklizně, což vedlo ke snížení provozní efektivity. Budoucí studie se proto zaměří na zlepšení fází předběžného a následného zpracování systému vizuálního vnímání tak, aby se zvýšila přesnost určení umístění ovoce. Kromě toho bude proveden výzkum flexibilnějších kinematických konfigurací pro robotické rameno, které umožní lepší přizpůsobení tvarům stromů a dosažení příznivější rovnováhy mezi provozním výkonem a náklady na celý systém.
