Obstacle-Avoidance Path Planning for a Basket-Carrying Robotic Arm Based on an Improved APF-RRT Algorithm

Resumo Técnico: Planejamento de Trajetória com Desvio de Obstáculos para um Braço Robótico de Transporte de Cestas Baseado em um Algoritmo APF-RRT Aperfeiçoado

Definição do Problema
O artigo aborda o desafio crítico do planejamento de trajetória para braços robóticos de manipulação de materiais em ambientes agrícolas não estruturados. Especificamente, foca na tarefa de agarrar e transportar cestas de campo de forma autônoma em meio a obstáculos complexos e distribuídos aleatoriamente (ex: ramos de culturas) e poses de cestas altamente variáveis. Algoritmos convencionais de Árvore de Exploração Aleatória Rápida (RRT) enfrentam dificuldades em espaços de junta de alta dimensionalidade (6-DOF) devido à fraca orientação ao objetivo, baixa eficiência de convergência e geração de trajetórias redundantes e não suaves. Além disso, os métodos padrão de Campo de Potencial Artificial (APF) sofrem com armadilhas de mínimos locais e problemas de impossibilidade de alcance do objetivo quando os alvos estão próximos a obstáculos. Essas limitações prejudicam a responsividade em tempo real e a estabilidade do movimento necessárias para operações seguras de transporte agrícola.

Metodologia
Os autores propõem um algoritmo RRT aperfeiçoado que integra profundamente um método APF modificado ao mecanismo de expansão de nós. Os componentes técnicos centrais incluem:

1. Expansão de Nó com Acoplamento de Campo Múltiplo: Em vez de depender apenas de amostragem aleatória, o algoritmo calcula um vetor de força resultante para a expansão do nó combinando três componentes:
   • Atração ao Objetivo: Um vetor unitário ponderado por um coeficiente de ganho de atração.
   • Repulsão de Obstáculo: Baseada no gradiente de um campo de potencial repulsivo.
   • Exploração Aleatória: Um vetor unitário em direção a um ponto de amostragem aleatória para manter a cobertura global.
2. Ganho Repulsivo de Decaimento de Lei de Potência: Para resolver o problema da impossibilidade de alcance do objetivo (onde a repulsão impede que o braço alcance um alvo próximo a um obstáculo), os autores substituem o decaimento exponencial padrão por um modelo de decaimento de lei de potência para o coeficiente de ganho repulsivo ($k_r$). Isso garante que a força repulsiva diminua a uma taxa de ordem superior ($O(d_{goal}^\beta)$) à medida que o nó se aproxima do objetivo, permitendo a convergência em espaços estreitos.
3. Mecanismo de Escape Progressivo de Três Níveis: Para abordar mínimos locais onde as forças de atração e repulsão se cancelam, o algoritmo emprega um contador de falhas ($f$) e uma estratégia de escape de três níveis:
   • Modo Normal: Expansão padrão.
   • Escape Suave: Adiciona perturbações aleatórias distribuídas gaussianamente na direção de expansão quando uma estagnação menor é detectada.
   • Escape Pesado: Quando ocorre uma estagnação profunda, o algoritmo suprime a orientação do campo de potencial, gera múltiplas direções candidatas e seleciona aquela com o maior vão de travessia livre de colisões.
4. Métrica de Distância Ponderada por Penalidade: Para evitar que a busca pelo vizinho mais próximo selecione repetidamente nós presos em mínimos locais, um termo de penalidade baseado na contagem cumulativa de falhas é adicionado à métrica de distância euclidiana.
5. Estratégias Adaptativas:
   • Tamanho de Passo Adaptativo: Ajusta dinamicamente o tamanho do passo de expansão com base na proximidade de obstáculos e do objetivo, equilibrando velocidade de exploração com segurança de colisão.
   • Probabilidade de Viés de Objetivo Dinâmica: Ajusta a probabilidade de amostragem da configuração do objetivo com base no progresso iterativo, usando uma função suave por partes (interpolação Hermite cúbica seguida de crescimento linear) para transitar de uma exploração ampla para uma convergência direcionada.
6. Pós-processamento: A trajetória inicial passa por uma poda gulosa de múltiplas passagens para remover nós redundantes, seguida por um suavizamento de B-spline cúbica para garantir continuidade $C^2$ (curvatura e aceleração angular contínuas) para um movimento robótico suave.

Principais Contribuições

• Integração Algorítmica: Uma nova fusão de APF aperfeiçoado e RRT especificamente adaptada para os espaços de junta de alta dimensionalidade e densos em obstáculos de braços robóticos agrícolas.
• Solução para Impossibilidade de Alcance do Objetivo: A introdução de um coeficiente de ganho repulsivo de decaimento de lei de potência elimina efetivamente o dilema da impossibilidade de alcance do objetivo comum em métodos APF tradicionais.
• Escape Ativo de Mínimos Locais: O desenvolvimento de um mecanismo de escape progressivo de três níveis combinado com uma métrica de distância ponderada por penalidade permite que a árvore aleatória contorne ativamente regiões de impasse em vez de ficar presa.
• Otimização Orientada à Engenharia: A inclusão de estratégias de tamanho de passo adaptativo e viés de objetivo dinâmico, juntamente com um pós-processamento rigoroso (poda e suavização B-spline), garante que as trajetórias geradas sejam não apenas livres de colisões, mas também computacionalmente eficientes e cinematicamente suaves.

Resultados Experimentais
O algoritmo foi validado através de simulações comparativas em espaços de configuração 2D e 3D e experimentos com robô real em um braço colaborativo Siasun GCR25-1800 de 6-DOF.

• Simulações 2D: Comparado ao RRT convencional, o algoritmo aperfeiçoado reduziu as contagens médias de iteração em 85,8%–89,7% e o tempo de planejamento em 42,1%–56,4% em ambientes de obstáculos esparsos, de corredores estreitos e densos/complexos. Os comprimentos de trajetória foram reduzidos em 18,6%–19,6% em comparação ao RRT e RRT-Connect.
• Simulações 3D: Em um espaço 3D com obstáculos esféricos, o algoritmo completou o planejamento em uma média de 17,1 iterações (uma redução de 99,3% vs. RRT e RRT*) e encurtou o comprimento da trajetória em 31,4% em comparação ao RRT.
• Experimentos com Braço Robótico de 6-DOF: No planejamento de espaço de junta para transporte de cestas, o algoritmo proposto reduziu o custo da trajetória em 38,9% (vs. RRT), 43,9% (vs. RRT-Connect) e 32,9% (vs. RRT*). O tempo de planejamento foi reduzido em 10,1%–20,9% em relação às bases de comparação.
• Validação com Robô Real: Testes físicos confirmaram que as trajetórias planejadas resultaram em movimentos suaves e sem trepidações em todas as juntas, sem colisões, validando a estabilidade e aplicabilidade de engenharia do algoritmo.

Significância e Alegações
O artigo afirma que o algoritmo proposto satisfaz efetivamente os requisitos de engenharia para responsividade de planejamento e estabilidade de movimento em ambientes agrícolas complexos. Ao abordar as limitações específicas do RRT padrão (ineficiência, redundância) e do APF (mínimos locais, impossibilidade de alcance do objetivo), o método fornece uma solução robusta para a manipulação automatizada de materiais em cenários agrícolas não estruturados. Os autores observam que, embora o algoritmo tenha bom desempenho em cenários semiestruturados e relativamente estáticos (conforme testado em laboratório), ele atualmente depende de obstáculos estáticos pré-modelados e ainda não incorpora replanejamento online para condições de campo dinâmicas e imprevisíveis (ex: ramos oscilantes ou pessoal em movimento). O estudo posiciona o trabalho como um passo significativo para a automação agrícola prática, oferecendo uma base algorítmica viável para operações de transporte de braço robótico.