本發(fā)明涉及采摘機(jī)器人，具體涉及一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法及采摘機(jī)器人。

背景技術(shù)：

1、隨著時(shí)代的發(fā)展，各行各業(yè)自動(dòng)化的程度不斷增長(zhǎng)，而現(xiàn)有的農(nóng)業(yè)在一些領(lǐng)域下機(jī)械化、智能化程度較低，如果實(shí)的采摘，在果實(shí)成熟后，大部分的果實(shí)需要人工來完成，人工勞動(dòng)強(qiáng)度大，采摘效率低，無法滿足日益增長(zhǎng)的需求。

2、因此，現(xiàn)有提出了自動(dòng)化的采摘機(jī)器人，如專利號(hào)為202210311178.2公開了一種基于雙目視覺的草莓采摘方法、機(jī)器人系統(tǒng)，根據(jù)預(yù)設(shè)識(shí)別模型對(duì)預(yù)處理圖像進(jìn)行草莓果實(shí)識(shí)別，根據(jù)草莓果實(shí)識(shí)別結(jié)果通過草莓的最低點(diǎn)以及草莓的質(zhì)心確定采摘點(diǎn)位置，從而提高識(shí)別精度和定位測(cè)距的問題，以及專利號(hào)202210936842.2公開了一種基于視覺技術(shù)的全自動(dòng)水果采摘機(jī)器人及采摘方法，采用雙目相機(jī)與慣導(dǎo)模塊相結(jié)合的模式來構(gòu)建果園地圖，通過算法確定了每次采摘時(shí)升降平臺(tái)的高度以及機(jī)械臂的初始位姿，能夠增加采摘成功率和采摘范圍。

3、然而，上述現(xiàn)有技術(shù)仍存在以下缺陷：

4、(1)深度學(xué)習(xí)模型在面對(duì)高分辨率圖像時(shí)推理速度較為緩慢，無法滿足目標(biāo)檢測(cè)的實(shí)時(shí)性能要求，若直接提升檢測(cè)性能將帶來資源消耗提升的問題，對(duì)于采摘機(jī)器人這類小型工具存在較大的負(fù)擔(dān)；

5、(2)目標(biāo)檢測(cè)算法在面對(duì)復(fù)雜場(chǎng)景時(shí)容易受到光照、遮擋物等因素的影響，導(dǎo)致目標(biāo)檢測(cè)結(jié)果準(zhǔn)確性和穩(wěn)定性不足；

6、(3)通過升降平臺(tái)和機(jī)械臂末端配合使得采摘過程的自由度和靈活度較低，尤其是在面對(duì)復(fù)雜的采摘場(chǎng)景，無法滿足目標(biāo)采摘位置的精確定位和姿態(tài)控制。

7、因此，亟需一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法以解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法及采摘機(jī)器人。

2、本發(fā)明第一方面公開了一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法，包括：

3、搭建果園模擬環(huán)境，生成目標(biāo)采摘任務(wù)確定機(jī)器人的目標(biāo)路徑，通過傳感器實(shí)時(shí)檢測(cè)機(jī)器人移動(dòng)路徑同所述目標(biāo)路徑的誤差值，根據(jù)誤差值計(jì)算比例參數(shù)p，并通過pid控制器反饋所述比例參數(shù)p的控制信號(hào)調(diào)整機(jī)器人的運(yùn)動(dòng)狀態(tài)；

4、采用視頻流處理框架加載yolov5算法模型構(gòu)建視頻處理通道，對(duì)所述視頻處理通道配置推理引擎執(zhí)行推理加速任務(wù)；

5、采集目標(biāo)視頻流作為所述yolov5算法模型的輸入，分別采用轉(zhuǎn)置卷積、全局上下文塊以及c3ghost卷積優(yōu)化所述yolov5算法模型，輸出所述目標(biāo)視頻流中采摘目標(biāo)的識(shí)別結(jié)果、像素坐標(biāo)以及測(cè)量像素距離與實(shí)際距離的比例關(guān)系，根據(jù)坐標(biāo)轉(zhuǎn)換獲取所述像素坐標(biāo)的相對(duì)坐標(biāo)；

6、通過運(yùn)動(dòng)學(xué)逆解計(jì)算所述相對(duì)坐標(biāo)對(duì)應(yīng)的機(jī)械臂靜態(tài)運(yùn)動(dòng)參數(shù)，采用五次多項(xiàng)式插補(bǔ)求解機(jī)械臂的動(dòng)態(tài)運(yùn)動(dòng)參數(shù)，基于靜態(tài)運(yùn)動(dòng)參數(shù)、動(dòng)態(tài)運(yùn)動(dòng)參數(shù)以及相對(duì)坐標(biāo)控制采摘機(jī)器人執(zhí)行目標(biāo)采摘任務(wù)。

7、在一個(gè)可選的實(shí)施例中，所述搭建果園模擬環(huán)境，生成目標(biāo)采摘任務(wù)確定機(jī)器人的目標(biāo)路徑包括：

8、通過采集果園前期圖像獲取果園地圖信息以模擬果園地圖環(huán)境，根據(jù)采摘需求規(guī)劃目標(biāo)采摘任務(wù)的起始點(diǎn)位置信息和終點(diǎn)位置信息，根據(jù)所述起始點(diǎn)位置信息和終點(diǎn)位置信息生成一個(gè)或多個(gè)目標(biāo)路徑。

9、在一個(gè)可選的實(shí)施例中，所述通過傳感器實(shí)時(shí)檢測(cè)機(jī)器人移動(dòng)路徑同所述目標(biāo)路徑的誤差值，根據(jù)誤差值計(jì)算比例參數(shù)p，并通過pid控制器反饋所述比例參數(shù)p的控制信號(hào)調(diào)整機(jī)器人的運(yùn)動(dòng)狀態(tài)，包括：

10、機(jī)器人加載目標(biāo)路徑，根據(jù)目標(biāo)采摘任務(wù)的起始點(diǎn)-終點(diǎn)地圖軌跡行走，通過實(shí)時(shí)檢測(cè)并反饋實(shí)際移動(dòng)路徑參數(shù)，實(shí)時(shí)計(jì)算每個(gè)單位時(shí)間內(nèi)目標(biāo)路徑與所述實(shí)際移動(dòng)路徑的誤差值，通過每個(gè)單位時(shí)間的誤差值和目標(biāo)路徑實(shí)時(shí)更新比例參數(shù)p的賦值以輸出當(dāng)前時(shí)間的運(yùn)動(dòng)控制參數(shù)，通過運(yùn)動(dòng)控制參數(shù)調(diào)整機(jī)器人當(dāng)前的運(yùn)動(dòng)狀態(tài)直至所述比例參數(shù)p調(diào)節(jié)為最優(yōu)賦值，根據(jù)最優(yōu)賦值的比例參數(shù)p結(jié)合當(dāng)前時(shí)間的誤差值持續(xù)輸出運(yùn)動(dòng)控制參數(shù)控制機(jī)器人的運(yùn)動(dòng)狀態(tài)直至抵達(dá)終點(diǎn)。

11、在一個(gè)可選的實(shí)施例中，所述采用視頻流處理框架加載yolov5算法模型構(gòu)建視頻處理通道，對(duì)所述視頻處理通道配置推理引擎加速目標(biāo)檢測(cè)任務(wù)，包括：

12、采用deepstream視頻流處理框架在機(jī)器人配置的jetson?nano嵌入式開發(fā)板上搭建視頻處理通道，并為所述視頻處理通道配置tensorrt推理引擎的依賴，將yolov5算法模型加載到deepstream視頻流處理框架內(nèi)；

13、通過云服務(wù)器對(duì)yolov5算法模型進(jìn)行訓(xùn)練輸出.pt權(quán)重文件，采用winscp圖形化客戶端將.pt權(quán)重文件傳輸至jetson?nano嵌入式開發(fā)板上，采用tensorrt推理引擎的轉(zhuǎn)換程序?qū)?pt權(quán)重文件轉(zhuǎn)換為.wts權(quán)重文件以優(yōu)化yolov5算法模型的模型參數(shù)，通過編譯.wts權(quán)重文件轉(zhuǎn)換為.engine文件導(dǎo)入deepstream視頻流處理框架的目標(biāo)路徑內(nèi)，以將所述yolov5算法模型轉(zhuǎn)換為推理引擎配置于視頻處理通道并用于進(jìn)行數(shù)據(jù)輸入、數(shù)據(jù)預(yù)處理、推理加速、后處理以及輸出結(jié)果中的一種任務(wù)或幾種任務(wù)，所述輸出結(jié)果為yolov5算法模型對(duì)數(shù)據(jù)輸入的視頻流中每一幀圖像進(jìn)行目標(biāo)檢測(cè)和跟蹤識(shí)別，所述jetson?nano嵌入式開發(fā)板的gpu通過所述tensorrt推理引擎執(zhí)行yolov5算法模型的推理加速任務(wù)。

14、在一個(gè)可選的實(shí)施例中，所述轉(zhuǎn)置卷積優(yōu)化所述yolov5算法模型，包括：

15、采用nn.convtranspose2d類在所述yolov5算法模型的頭部結(jié)構(gòu)定義一個(gè)轉(zhuǎn)置卷積層transposed_con，采用torch.randn函數(shù)生成用于模擬輸入圖像的隨機(jī)張量作為yolov5算法模型上采樣操作的輸入，通過轉(zhuǎn)置卷積層transposed_con的反向卷積核對(duì)輸入的隨機(jī)張量執(zhí)行轉(zhuǎn)置卷積操作生成輸出張量，以作為目標(biāo)視頻流中每一幀圖像的特征圖空間維度擴(kuò)展訓(xùn)練，所述隨機(jī)張量的形狀表示為(batch_size,input_channels,input_height,input_width)，其中batch_size表示輸入的批次大小、input_channels表示輸入的通道數(shù)、input_height表示輸入的高度、input_width表示輸入的寬度。

16、在一個(gè)可選的實(shí)施例中，所述采用全局上下文塊優(yōu)化所述yolov5算法模型，包括：

17、global?context?block全局上下文塊依次定義1x1卷積層、softmax層以及特征變換模塊，所述特征變化模塊包括多個(gè)卷積層、歸一化層以及激活函數(shù)；

18、提取目標(biāo)視頻流的每一幀圖像中輸入特征圖的輸入尺寸，通過所述1x1卷積層將輸入特征圖轉(zhuǎn)換為單通道特征圖以獲得輸入特征圖的全局上下文信息，所述輸入尺寸包括輸入特征圖的批次大小、通道數(shù)、高度h和寬度w，所述單通道特征圖進(jìn)行展平操作，形狀表示為(batch，1，h，w)，其中1表示通道數(shù)、batch表示批次大小、h表示高度、w表示寬度；

19、通過所述softmax層將所述單通道特征圖進(jìn)行歸一化處理以用于計(jì)算權(quán)重分布，將展平操作后用于表示全局上下文信息的單通道特征圖同所述權(quán)重分布通過通道乘法的融合方式計(jì)算全局上下文向量，所述全局上下文向量的形狀為(batch,c,1,1)；

20、通過所述特征變換模塊對(duì)所述全局上下文向量采用線性變換和非線性激活生成同所述輸入特征圖形狀相同的特征圖，將輸入特征圖同所述全局上下文向量變換后的特征圖逐點(diǎn)相加，獲得所述輸入特征圖的經(jīng)所述全局上下文塊增強(qiáng)后的特征表示。

21、在一個(gè)可選的實(shí)施例中，所述c3ghost卷積優(yōu)化所述yolov5算法模型，包括：

22、通過ghostbottleneck在所述yolov5算法模型的主干特征提取網(wǎng)絡(luò)中應(yīng)用ghost卷積構(gòu)建輕量化模型，ghostbottleneck類定義一個(gè)包括ghostconv類、dwconv類以及直連路徑殘差連接的殘差塊；

23、基于ghostconv類的卷積結(jié)構(gòu)采用1x1卷積核將輸入通道數(shù)轉(zhuǎn)換為隱藏通道數(shù)的一半，通過5x5卷積核進(jìn)行特征提取后將兩個(gè)卷積核階段的特征輸出在通道維度上進(jìn)行拼接，以對(duì)每一個(gè)輸入通道添加一個(gè)由原輸入通道線性組合產(chǎn)生的ghost?channel表示原輸入通道的特征信息；

24、通過dwconv類根據(jù)步幅參數(shù)執(zhí)行下采樣操作，并通過深度可分離卷積同時(shí)進(jìn)行模型計(jì)算和特征提??；

25、通過ghostconv類和dwconv類的直連路徑殘差連接構(gòu)建模型內(nèi)的信息流以及特征復(fù)用。

26、在一個(gè)可選的實(shí)施例中，所述根據(jù)坐標(biāo)轉(zhuǎn)換獲取所述像素坐標(biāo)的相對(duì)坐標(biāo)，包括：

27、根據(jù)識(shí)別結(jié)果確定的像素坐標(biāo)(x,y,w,h),分別計(jì)算識(shí)別結(jié)果對(duì)應(yīng)的圖像中點(diǎn)坐標(biāo)(cx，cy)以及目標(biāo)中點(diǎn)坐標(biāo)(zx,zy),其中圖像中點(diǎn)坐標(biāo)和目標(biāo)中點(diǎn)坐標(biāo)的計(jì)算公式如下：

28、

29、將所述圖像中點(diǎn)坐標(biāo)設(shè)置為原點(diǎn)，通過測(cè)量像素距離與實(shí)際距離的比例關(guān)系(bx,by)將目標(biāo)中點(diǎn)坐標(biāo)(zx,zy)相對(duì)所述原點(diǎn)轉(zhuǎn)移生成目標(biāo)坐標(biāo)(nx,ny),根據(jù)所述比例關(guān)系(bx,by)將目標(biāo)坐標(biāo)(nx,ny)轉(zhuǎn)換為厘米計(jì)量的相對(duì)坐標(biāo)(rx，ry)，其中目標(biāo)坐標(biāo)和相對(duì)坐標(biāo)的計(jì)算公式為：

30、

31、基于所述相對(duì)坐標(biāo)幫助機(jī)器人對(duì)采摘目標(biāo)進(jìn)行定位導(dǎo)航。

32、在一個(gè)可選的實(shí)施例中，所述通過運(yùn)動(dòng)學(xué)逆解計(jì)算所述相對(duì)坐標(biāo)對(duì)應(yīng)的機(jī)械臂靜態(tài)運(yùn)動(dòng)參數(shù)，包括：

33、構(gòu)建機(jī)器人三自由度機(jī)械臂的關(guān)節(jié)角度與機(jī)械臂底座的映射關(guān)系，采集所述機(jī)械臂的底部高度h1、大臂長(zhǎng)度l1、小臂長(zhǎng)度l2以及臂向補(bǔ)償b；

34、根據(jù)所述相對(duì)坐標(biāo)(rx，ry)計(jì)算采摘目標(biāo)與機(jī)械臂底座間的厘米坐標(biāo)(x，y)，基于機(jī)械臂參數(shù)以及厘米坐標(biāo)(x1,y1)計(jì)算機(jī)械臂的靜態(tài)運(yùn)動(dòng)參數(shù)，所述靜態(tài)運(yùn)動(dòng)參數(shù)的計(jì)算公式為：

35、

36、其中，所述靜態(tài)運(yùn)動(dòng)參數(shù)包括垂直投影t、底座角j0、大臂角j1、小臂角j2、短邊d以及斜邊x0。

37、在一個(gè)可選的實(shí)施例中，所述采用五次多項(xiàng)式插補(bǔ)求解機(jī)械臂的動(dòng)態(tài)運(yùn)動(dòng)參數(shù)，包括：

38、定義機(jī)械臂舵機(jī)動(dòng)態(tài)運(yùn)動(dòng)的起始角度init、目標(biāo)角度target、初始角速度w0、目標(biāo)角速度w1、初始角加速度ac0、目標(biāo)角加速度ac1、總運(yùn)動(dòng)時(shí)間tf、時(shí)間步長(zhǎng)ts以及運(yùn)動(dòng)時(shí)間點(diǎn)t，通過定義參數(shù)計(jì)算舵機(jī)的初始角度a0、初始角速度a1、初始角速度一半a2、加速度a3、加速度的平方a4、加速度的立方a5，基于機(jī)械臂舵機(jī)角度theta、wc0、acc0分別計(jì)算舵機(jī)在不同時(shí)間點(diǎn)的角度、角速度和角加速度位置以提供舵機(jī)平滑運(yùn)動(dòng)的動(dòng)態(tài)運(yùn)動(dòng)參數(shù)，其計(jì)算公式為：

39、a0＝init

40、a1＝w0

41、

42、a3＝(20*target-20*init-(8*w1+12*w0)*tf-(3*ac0-ac1)*tf2/(2*tf3)

43、a4＝(30*target-30*init+(14*w1+16*w0)*tf-(3*ac0-2*ac1)*tf2/(2*tf4)

44、a5＝(12*target-12*init-(6*w1+6*w0)*tf-(ac0-ac1)*tf2/(2*tf5)

45、theta＝a0+a1*t+a2*t2+a3*t3+a4*t4+a5*t5

46、wc0＝a1+2*a2*t+3*a3*t2+4*a4*t3+5*a5*t4

47、acc0＝2*a2+6*a3*t+12*a4*t2+20*a5*t3

48、本發(fā)明第二方面公開了一種采摘機(jī)器人，用于執(zhí)行如本發(fā)明第一方面公開的一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法的步驟，包括：

49、移動(dòng)平臺(tái)組件、搭載于所述移動(dòng)平臺(tái)上的機(jī)械臂組件以及搭載于所述移動(dòng)平臺(tái)內(nèi)控制系統(tǒng)；

50、所述移動(dòng)平臺(tái)組件包括由頂板、底板和第一支柱組成底盤、設(shè)置于底板底部的麥克納姆輪以及驅(qū)動(dòng)所述麥克納姆輪的減速電機(jī)；

51、所述機(jī)械臂組件包括托盤、手臂部、手腕部、夾爪部、驅(qū)動(dòng)手臂部伸縮運(yùn)動(dòng)的絲桿、驅(qū)動(dòng)手腕部旋轉(zhuǎn)的舵機(jī)、驅(qū)動(dòng)夾爪部作業(yè)的驅(qū)動(dòng)電機(jī)以及搭載于夾爪部后端用于采集目標(biāo)視頻流的攝像頭；

52、所述控制系統(tǒng)包括主控模塊、無線控制模塊、傳感器模塊、電機(jī)驅(qū)動(dòng)模塊以及電源模塊，所述主控模塊包括用于控制機(jī)器人運(yùn)動(dòng)軌跡和無線控制的stm32rct6單片機(jī)、用于控制目標(biāo)視頻流圖像處理的jetson?nano嵌入式開發(fā)板以及用于根據(jù)jetson?nano嵌入式開發(fā)板的圖像處理結(jié)果控制機(jī)械臂的pca9685模塊，所述pca9685模塊采用i2c接口對(duì)機(jī)械臂舵機(jī)進(jìn)行角度控制，所述jetson?nano嵌入式開發(fā)板通過deepstream視頻流處理框架和tensorrt推理引擎對(duì)yolov5算法模型進(jìn)行推理加速，所述stm32rct6單片機(jī)和jetson?nano嵌入式開發(fā)板通過tx引腳和rx引腳互連以使主控模塊進(jìn)行信息的雙向傳輸；

53、所述無線控制模塊配置為hc-05藍(lán)牙模塊，基于藍(lán)牙模塊同移動(dòng)端設(shè)備通信連接，以遠(yuǎn)程控制所述采摘機(jī)器人；

54、所述傳感器模塊配置為集成三軸陀螺儀和三軸加速度計(jì)的mpu6050模塊，以用于測(cè)量機(jī)械臂的旋轉(zhuǎn)角度以及旋轉(zhuǎn)加速度；

55、所述電機(jī)驅(qū)動(dòng)模塊配置為tb6612雙h橋驅(qū)動(dòng)器，以用于控制一個(gè)或多個(gè)所述采摘機(jī)器人搭載的電機(jī)進(jìn)行電機(jī)驅(qū)動(dòng)；

56、所述電源模塊包括通過dc插座為stm32rct6單片機(jī)提供12v的電源、配置于jetsonnano嵌入式開發(fā)板的5v4a?dc電源以及對(duì)hc-05藍(lán)牙模塊、mpu6050模塊以及pid尋跡模塊提供穩(wěn)定5v電源的lm2596穩(wěn)壓模塊，所述jetson?nano嵌入式開發(fā)板與pca9685模塊之間通過降壓模塊輸出5v降壓至pca9685模塊執(zhí)行機(jī)械臂舵機(jī)控制。

57、在一個(gè)可選的實(shí)施例中，所述控制系統(tǒng)還包括顯示模塊，配置為oled顯示屏對(duì)機(jī)器人的狀態(tài)信息進(jìn)行可視化顯示以及為所述pid尋跡模塊提供調(diào)節(jié)尋跡參數(shù)的點(diǎn)擊按鍵，所述狀態(tài)信息包括機(jī)器人的仰角角度、俯角角度、偏航角度、采摘目標(biāo)類別以及采摘目標(biāo)數(shù)量。

58、本發(fā)明第三方面公開了一種基于改進(jìn)yolov5算法的采摘機(jī)器人控制設(shè)備，包括：

59、至少一個(gè)處理器，以及，

60、與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

61、所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如本發(fā)明第一方面公開的任一項(xiàng)所述的基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法。

62、本發(fā)明第四方面公開了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，所述計(jì)算機(jī)可執(zhí)行指令用于使計(jì)算機(jī)執(zhí)行如本發(fā)明第一方面公開的任一項(xiàng)所述的基于改進(jìn)yolov5算法的采摘機(jī)器人控制方法。

63、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

64、(1)本發(fā)明通過采用高性能、低延遲的實(shí)時(shí)視頻流流處理框架deepstream，結(jié)合tensorrt推理引擎(深度學(xué)習(xí)推理加速庫)，對(duì)yolov5等模型進(jìn)行高效推理。tensorrt利用gpu加速推理過程，提升了模型的推理速度，滿足目標(biāo)檢測(cè)的實(shí)時(shí)性能要求，同時(shí)減少目標(biāo)檢測(cè)的資源消耗，尤其在采摘機(jī)器人等小型設(shè)備上更為適用。

65、(2)本發(fā)明通過全局上下文塊引入全局上下文信息來增強(qiáng)模型的感知能力和分類準(zhǔn)確性，通過在模型頭部結(jié)構(gòu)中使用轉(zhuǎn)置卷積來提高目標(biāo)檢測(cè)的準(zhǔn)確性和穩(wěn)定性以及通過在模型的neck部分引入ghost卷積，以減少模型參數(shù)量和計(jì)算量，提高特征提取能力對(duì)yolov5算法模型進(jìn)行優(yōu)化，提高模型的感知能力、準(zhǔn)確性和計(jì)算效率，降低復(fù)雜場(chǎng)景下的干擾因素對(duì)目標(biāo)檢測(cè)結(jié)果的影響。

66、(3)本發(fā)明通過三軸機(jī)械臂運(yùn)動(dòng)學(xué)逆解和多項(xiàng)式插補(bǔ)共同優(yōu)化機(jī)械臂的運(yùn)動(dòng)控制，其中逆解算法根據(jù)機(jī)械臂的運(yùn)動(dòng)學(xué)特性和目標(biāo)位置的情況計(jì)算公式得到最終的關(guān)節(jié)角度，幫助三軸機(jī)械臂實(shí)現(xiàn)對(duì)目標(biāo)位置的準(zhǔn)確定位和姿態(tài)控制，從而實(shí)現(xiàn)復(fù)雜采摘任務(wù)的執(zhí)行，而多項(xiàng)式插值利用局部插值多項(xiàng)式的連續(xù)性和一階導(dǎo)數(shù)連續(xù)性來實(shí)現(xiàn)平滑曲線的擬合，可以有效逼近舵機(jī)控制系統(tǒng)中的目標(biāo)運(yùn)動(dòng)軌跡，可以得到連續(xù)且光滑的舵機(jī)軌跡，使得舵機(jī)運(yùn)動(dòng)更加平穩(wěn)。