农业操作中抓取状态分类的传感器与方法探究
机器人学
2025-08-18 v1 机器学习
摘要
有效且高效的农业操作和收获依赖于准确理解当前抓取状态。农业环境因其复杂性、堆积情况以及遮挡，呈现出独特的挑战。此外，水果与植物相连，收获时需要精确的分离。选择合适的传感器和建模技术对于获取可靠的反馈和正确识别抓取状态至关重要。本工作探究了一组关键传感器，包括惯性测量单元 (IMU)、红外 (IR) 反射、张力、触觉传感器和 RGB 摄像头，这些传感器集成到一种顺从式夹爪中，用于分类抓取状态。我们评估了每个传感器的 individual 贡献，并比较了两种广泛使用的分类模型：随机森林和长短期记忆 (LSTM) 网络的性能。我们的结果表明，一个在受控实验室环境中训练并在真实樱桃番茄植物上测试的随机森林分类器，实现了对滑移、抓取失败和成功采摘的 100% 准确率，这在基准性能之上取得了实质性的提高。此外，我们识别出一种最小可行传感器组合，即 IMU 和张力传感器，能够有效分类抓取状态。这种分类器 enables 基于实时反馈规划纠正动作，从而提高了果品收获操作的效率和可靠性。
引用
@article{arxiv.2508.11588,
title = {Investigating Sensors and Methods in Grasp State Classification in Agricultural Manipulation},
author = {Benjamin Walt and Jordan Westphal and Girish Krishnan},
journal= {arXiv preprint arXiv:2508.11588},
year = {2025}
}