Um robô com vários braços para auxiliar nas tarefas agrícolas

Os humanos costumam usar uma mão para agarrar o galho para melhor acessibilidade, enquanto a outra mão é usada para realizar tarefas primárias como (a) poda de galhos e (b) polinização handbook da flor. (c) Uma visão geral da abordagem usada por Madhav e colegas, onde um robô manipula o galho para mover a flor para o campo de visão de outro robô, planejando um caminho com reconhecimento de força. Figura de Forçar a manipulação consciente de filiais para auxiliar nas tarefas agrícolas.

Em seu papel Forçar a manipulação consciente de filiais para auxiliar nas tarefas agrícolasque foi apresentado no IROS 2025, Madhav Rijal, Rashik Shrestha, Trevor Smithe Yu Gu propuseram uma metodologia para manipular galhos com segurança para auxiliar diversas tarefas agrícolas. Entrevistamos Madhav para saber mais.

Você poderia nos dar uma visão geral do problema que você estava abordando no artigo?

Madhav Rijal (MR): Nosso trabalho é motivado pelo StickBug (1), um sistema robótico multi-armado para polinização de precisão em ambientes de estufa. Um dos principais desafios que o StickBug enfrenta é que muitas flores ficam parcial ou totalmente escondidas dentro da copa da planta, tornando-as difíceis de detectar e alcançar diretamente para a polinização. Este desafio também surge noutras tarefas agrícolas, como a colheita de frutos, onde os frutos alvo podem ser obstruídos pelos ramos e folhagens circundantes.

Para resolver isso, estudamos como um braço robótico pode manipular galhos com segurança para que essas flores ocluídas possam ser trazidas para o campo de visão ou espaço de trabalho acessível de outro braço robótico. Este é um problema de manipulação desafiador porque os ramos das plantas são deformáveis, frágeis e variam significativamente de um ramo para outro. Além disso, ao contrário das tarefas de pegar e colocar, onde os objetos se movem livremente no espaço, os galhos permanecem presos à planta, o que impõe restrições adicionais de movimento durante a manipulação. Se o robô mover um galho sem levar em conta essas restrições e limites de segurança, ele poderá aplicar força excessiva e danificar o galho.

Portanto, o problema central que abordamos neste artigo é: como um robô pode manipular galhos com segurança para revelar flores escondidas, ao mesmo tempo que permanece consciente das forças de interação e minimiza os danos?

Como foi sua abordagem para lidar com o problema?

SENHOR: Nossa abordagem (2) combina planejamento de movimento que leva em conta as restrições de ramificação com suggestions de força em tempo actual.

Primeiro, geramos um caminho de manipulação viável usando um planejador baseado em algoritmo RRT* (rapidamente explorando árvore aleatória) no espaço de trabalho. O planejador respeita as restrições geométricas da filial e os requisitos da tarefa. Modelamos ramos como objetos lineares deformáveis ​​e usamos uma heurística geométrica para identificar configurações que são mais seguras de manipular.

Então, durante a execução, monitoramos a força de interação por meio de um sensor de força montado no manipulador. Se a força medida exceder um limite de segurança predefinido, o sistema não continuará no mesmo caminho. Em vez disso, ele replaneja o movimento on-line e procura um caminho alternativo ou configuração de meta que possa reduzir o estresse nos ramos e, ao mesmo tempo, realizar a tarefa.

Portanto, a ideia chave é que o robô não planeje apenas a acessibilidade. Também adapta seu movimento com base na resposta física do ramo durante a manipulação.

Madhav com o robô polinizador com vários braços, StickBug.

Quais são as principais contribuições do seu trabalho?

SENHOR: As principais contribuições do nosso trabalho são:

1. Um modelo heurístico geométrico para manipulação de ramificações que não requer ajuste de parâmetros específicos de ramificação ou sondagem física.
2. Uma estratégia de planejamento de movimento para manipulação de ramificações que respeita as restrições do espaço de trabalho e das ramificações, usando a heurística geométrica para guiar o RRT* e incorporando o replanejamento on-line baseado em suggestions de força.
3. Uma demonstração experimental que mostra que o planejamento de movimento baseado em suggestions de força pode proteger os ramos contra força excessiva durante a manipulação.
4. Generalização entre diferentes tipos de ramificação, uma vez que o método depende principalmente da geometria da ramificação e pode ser adaptado on-line para compensar imprecisões do modelo.

Você poderia falar sobre os experimentos que realizou para testar a abordagem?

SENHOR: Avaliamos o método proposto através de um conjunto de experimentos de manipulação de ramos usando cinco poses iniciais diferentes, todas visando uma região de objetivo comum. Cada configuração foi testada 10 vezes, resultando em um complete de 50 tentativas. Uma tentativa foi considerada bem-sucedida se o robô trouxesse o ponto de preensão até 5 cm do ponto objetivo. Para todos os testes, o limite de tempo de planejamento foi definido em 400 segundos e a faixa de força de interação permitida foi de -40 N a 40 N. Nos 50 testes, 39 foram bem-sucedidos e 11 falharam, correspondendo a uma taxa de sucesso de cerca de 78%. O número médio de tentativas de replanejamento em todos os cenários foi 20.

Em termos de redução de força, os resultados mostram uma clara progressão na segurança. O planejamento com reconhecimento de restrições reduziu a força de manipulação de acima de 100 N para menos de 60 N. Com base nisso, o replanejamento com reconhecimento de força on-line reduziu ainda mais a força de cerca de 60 N para abaixo do limite desejado de 40 N. Isto indica que a sensibilização para a segurança através de heurísticas geométricas, que modelam ramos como objetos lineares deformáveis, juntamente com o replaneamento on-line com reconhecimento de força, pode efetivamente reduzir as forças de interação durante a manipulação.

No geral, os experimentos demonstram que a estrutura proposta permite uma manipulação mais segura de ramificações, ao mesmo tempo que mantém a viabilidade da tarefa. Ao combinar o planejamento consciente das restrições dos ramos com suggestions de força em tempo actual, o robô pode adaptar seu movimento para reduzir a força excessiva e minimizar o risco de danos aos ramos. Estas descobertas destacam o valor do planejamento consciente da força para a manipulação robótica prática em ambientes agrícolas.

Você tem planos de ampliar ainda mais esse trabalho?

SENHOR: Sim, existem várias direções para ampliar este trabalho.

Uma limitação atual é a necessidade de definir antecipadamente um limite de força seguro. Na prática, diferentes tipos de ramos requerem diferentes limites de força para uma manipulação segura. Uma direção importante para trabalhos futuros é aprender ou estimar limites de força seguros automaticamente a partir da geometria do ramo ou de pistas visuais.

Outra extensão é melhorar a seleção do ponto de compreensão. Em vez de apenas replanejar após a preensão, o sistema também poderia raciocinar antecipadamente sobre o ponto de preensão mais adequado, de modo que a força de manipulação necessária seja reduzida desde o início.

Também estamos interessados ​​em projetar uma pinça compatível com sensor de força integrado que seja mais adequada para manipular galhos delicados. A longo prazo, pretendemos integrar este método num robô agrícola com vários braços, onde um braço manipula o ramo e outro realiza a polinização, poda ou colheita.

No geral, este trabalho avança no desenvolvimento de robôs agrícolas que podem manipular ativamente ramos para apoiar tarefas como colheita, poda e polinização. Ao expor frutas, pontos de corte e flores escondidas dentro da copa, esta capacidade pode ajudar a superar barreiras importantes para a adoção mais ampla de tecnologias agrícolas assistidas por robôs.

Referências

(1) Smith, Trevor, Madhav Rijal, Christopher Tatsch, R. Michael Butts, Jared Beard, R. Tyler Cook dinner, Andy Chu, Jason Gross e Yu Gu. Design do Stickbug: um robô de polinização de precisão de seis braços. Em 2024 Conferência Internacional IEEE/RSJ sobre Robôs e Sistemas Inteligentes (IROS), pp. IEEE, 2024.
(2) Rijal, Madhav, Rashik Shrestha, Trevor Smith e Yu Gu, Forçar a manipulação consciente de filiais para auxiliar nas tarefas agrícolas. Em 2025 Conferência Internacional IEEE/RSJ sobre Robôs e Sistemas Inteligentes (IROS), pp. IEEE, 2025.

Sobre Madhav

Madhav Rijal é Ph.D. candidato em Engenharia Mecânica na West Virginia College trabalhando em robótica agrícola. Sua pesquisa combina planejamento de movimento, otimização, colaboração multiagente e tomada de decisão distribuída para desenvolver sistemas robóticos para polinização de precisão e outras tarefas de interação com plantas. Seu trabalho atual concentra-se na manipulação de galhos e na operação segura de robôs em ambientes agrícolas.

tags: IROS