基于3D点云分析的果园行间穿梭机器人路径规划方法学术报告

一、主要作者与发表信息
本研究由北方工业大学电气与控制工程学院的毕松（副教授，博士）与余鑫合作完成，发表于《农业机械学报》2024年10月第55卷第10期，DOI编号10.6041/j.issn.1000-1298.2024.10.004。研究得到国家重点研发计划项目（2018YFC1602701）和北方工业大学1138工程项目（110051360022XN108）支持。

二、学术背景与研究目标
科学领域：本研究属于农业机器人导航与路径规划领域，结合计算机视觉、点云处理与深度学习技术。
研究背景：我国果园生产规模大，但植保、采收等环节依赖人工，自动化需求迫切。现有果园导航方法受冠层密度、光照、种植不规整等因素影响，树行方向估计和行尾识别的稳定性不足。卫星导航在密植果园中因遮挡问题失效，而传统基于视觉或点云的自主导航方法在复杂环境下鲁棒性较差。
研究目标：提出一种基于3D点云分析的路径规划方法，解决树行定位、场景识别和动态路径规划的难题，实现果园机器人的连续自主穿梭。

三、研究方法与流程
研究包含三大核心模块：树行识别定位、场景识别、路径规划。

1. 树行识别定位

   • 点云预处理：通过直通滤波、地面分割、降采样（最远点采样法）去除无关点云，保留ROI（感兴趣区域）内的有效数据。
     
   • 树干点云分割：改进PointNet++网络，融入CoordAttention（CA）注意力机制（CA_SA模块），增强树干特征提取能力。训练时采用齐次变换数据增强（式2-3）提升模型泛化性。
     
   • 树干聚类与中心点提取：采用DBSCAN算法（邻域半径ε=(d_plant+d_row)/2）聚类树干点云，解决果树动态遮挡问题。
     
   • 树行方向估计：提出基于最近邻点角度核密度分析（KDE）的方法（式4-5），通过角度密度峰值确定树行方向，避免偏航姿态影响。
     

2. 场景识别

   • 特征提取：利用ScanContext算法将无序点云转换为极坐标下的二维特征图（含高度、密度等通道），具备旋转不变性。
     
   • 分类网络设计：提出X轴平移不变卷积网络（TIxF），通过环形卷积（cirXconv2d）和最大池化处理特征图的周期性边界，实现行外、行头、行内场景的稳定分类（准确率96%）。
     

3. 路径规划

   • 状态管理：设计有限状态机（FSM）划分行外、入行、行内、出行四种状态，由场景识别结果触发切换。
     
   • 全局路径规划：基于Reeds-Shepp（RS）曲线生成符合运动学约束的最短平滑路径，结合树行方向动态调整目标点姿态。
     
   • 局部轨迹优化：改进动态窗口法（DWA），在速度约束（式7-12）下优化轨迹评价函数（式13），同时跟踪位置与姿态，解决地面不平整导致的偏差问题。
     

四、主要实验结果
1. 树干分割性能：平均交并比（IoU）达88.3%，树干定位误差为X方向2.04%、Y方向1.54%。
2. 树行方向估计：平均误差仅1.11°，优于传统依赖偏航姿态的方法。
3. 场景识别：行尾识别正确率96%，行内中线行走平均偏差0.08米。
4. 路径规划效果：在缺树、大偏航角等极端场景下仍能生成平滑路径（图21-22），验证了算法的鲁棒性。

五、研究价值与结论
科学价值：
- 提出融合CA注意力机制的改进PointNet++网络，为复杂遮挡场景下的点云分割提供新思路。
- 设计平移不变卷积网络（TIxF）和环形卷积运算，解决了ScanContext特征图的周期边界问题。
应用价值：
- 方法在盛叶期与枯叶期均表现稳定，为果园机器人全季节自主导航提供技术支撑。
- 系统集成激光雷达与低算力平台，具备田间部署可行性。

六、研究亮点
1. 创新算法：KDE树行方向估计方法无需依赖偏航角，鲁棒性显著提升。
2. 多模态融合：结合语义分割（树干）、场景识别（全局）、运动规划（局部）三层架构，实现端到端导航。
3. 工程验证：在真实果园中完成跨季节实验，数据与代码开源推动领域发展。

七、其他价值
研究提出的RS曲线与DWA协同规划框架，可扩展至其他非结构化环境（如温室、林地）的机器人导航任务。