基于BD-RRT算法的动态路径规划研究

针对Bi-RRT算法规划路径不平滑、路径生成冗余、规划时间长和动态环境不适用等问题,展开了基于BD-RRT(bidirectional-dynamic-RRT)算法的动态路径规划研究,以解决实际场景中障碍物变化时的避障问题。在路径生长方面,提出动态步长增长策略提高对障碍物附近点的采样精度,减少采样点以增强算法的探索能力;在环境发生改变时,引入动态RRT算法,可以修剪首次规划路径中有碰撞的节点,在无碰撞的节点的基础上继续重规划;采取B样条曲线平滑生成的路径以达到减少能耗的目的。仿真结果表明,在静态环境中,BD-RRT算法较其它传统算法能生成更简短有效的路径,路径规划的时间更短,生成的路径更加平滑,且平均路径规划长度与时间分别为Bi-RRT算法的21.1%和95.3%,证明了改进的有效性;在动态环境中,BD-RRT算法的平均重规划时间和路径长度都短于Extended-RRT,仅为该算法的5.2%和95.8%,有着更好的动态环境实用性。

基于改进YOLOv5s的轻量化金银花识别方法

为提高金银花采摘机器人的工作效率和采摘精度,实现将模型方便快速部署到移动端,该研究提出一种基于改进YOLOv5s的轻量化金银花识别方法。用EfficientNet的主干网络替换YOLOv5s的Backbone层,并在改进之后的Backbone层加入原YOLOv5s的SPPF特征融合模块,减少了模型的参数量和计算量,同时降低模型权重的大小,便于之后移动端的部署;其次,为提高模型对于金银花的识别效果,该研究在Neck层中用CARAFE上采样模块替换原始模型中的上采样模块,在略微提高参数量的前提下提高了模型识别金银花的精确度和平均精度,提高了采摘效率。试验结果显示,改进后的轻量化模型参数量仅为3.89×10^(6) M,为原始YOLOv5s模型的55.5%;计算量仅为7.8 GFLOPs,为原始模型的49.4%;权重仅为7.8 MB,为原始模型的57.4%,并且精确度和平均精度达到了90.7%和91.8%,相比原始YOLOv5s模型分别提高1.9和0.6个百分点。改进后的轻量化模型与当前主流的Faster-RCNN、SSD、YOLO系列目标检测模型相比,不但提高了检测精度,还大幅减少了模型的参数量、计算量和权重大小,研究结果为后续金银花采摘机器人的识别和移动端的部署提供了参考和依据。