目录
①在导航方面，当前研究未考虑农业的复杂环境和轮式移动采摘机器人自身运动能力对路径实际可行性的限制，这会导致采摘机器人移动避障的可行性差。所以针对农业的复杂环境，研究轮式移动采摘机器人的局部规划与避障控制。
②要通过协同作业精准采摘果蔬，所以要进行果实识别，定位及采摘机械臂的规划控制研究。
③移动底盘和采摘机械臂可能发生故障，所以开展轮式移动采摘机器人的故障检测工作。
解决方向及新的问题：
对于导航任务，强化学习在不需要先验知识的基础上就可以建立精确的数学模型，但面对外部环境的状态和动作空间连续或过多时，会导致强化学习的训练时间变长、收敛速度变慢。
常用解决方法：
使用函数逼近实现从状态空间映射到动作空间，如模糊推理系统（FIS）、神经网络（NN）。
作者解决方法：
提出了一种基于区间二型模糊神经网络拟合 Q 学习算法，用于实现未知复杂环境下轮式移动采摘机器人导航避障。
具体思路：将二型模糊系统与神经网络相结合，形成 T2FNN。该算法具有文献中提到的优点，可以逼近任何非线性和不确定系统。本文提出了 IT2FNN，它可以快速生成模糊规则，调整内部结构和参数
总结：本质上是将模糊系统和神经网络结合，用于拟合Q表，解决的是导航问题，并未应用于机械臂。
创新点：一般拟合Q表是用神经网络（深度学习），此处属于改进了神经网络。
作者的实验：
对 IT2FNN-Q、FNN-Q和 BP-Q三种算法进行了对比实验（都是拟合Q表的方法），在室外对其避障功能和自主规划路径进行测试。通过在轮式移动采摘机器人的行驶路径随机出现行人，观察轮式移动采摘机器人在行驶过程中的避障效果，从结果上看轮式移动机采摘器与行人障碍物之间的最小距离为 0.3m，避障中出现了较小的抖动，但最终成功避障并到达了目标位置。
可改动的点：
①对比其他算法的效果
②除行人外再放置一些障碍物，例如椅子，纸箱，或者小动物，猫和狗等。
解决方向：
①基于 CA-Faster R-CNN 的火龙果枝条剪切点检测；
②基于 P-YOLO 的火龙果果实识别与定位；
③面向火龙果枝条剪切与果实
采摘的机械臂运动规划。
解决方法：
①CA-Faster R-CNN 方法是解决火龙果枝条剪切点的检测与定位问题（引入了CA ）。
②改进的 YOLOv3 ，采用 SE_ResGNet34 来代替 DarkNet53作为特征提取器，并在检测块中增加 SE_ResNet 块，三个 SE_ResNe模块替代卷积层(改进了卷积层)。
总结：本质上还是不同算法的结合，或者网络结构的改变。
创新点：Faster R-CNN 结合了CA，YOLOv3中用 SE_ResGNet34 来代替 DarkNet53，并用SE_ResNe模块替代卷积层。
作者的实验：
基于SE_ResGNet34 网络和 DarkNet53 网络，对火龙果分类，在此基础上，研究 SE_ResGNet34 体系下增加的 SE_ResNet模块对分类结果的影响，进一步和其他算法对比，包括SSD、RetinaNet、Efficientdet-D0、YOLOv4、Faster R-CNN等。
可改进的点：
①与另外的算法对比，但要求有较高的复现算法能力。
②检测其他水果，因为不同种类的水果，大小，形状不同，算法的效果也会有所不同。
改进之处集中于目标检测，注意到机械臂轨迹规划方面，作者使用了RRT算法，未来可以在控制上有更大的尝试。