轮式移动采摘机器人广泛应用于农业果蔬的采摘,其导航和果实的采摘控制一直是研究热点。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;面对复杂的环境时,以上未考虑的问题会导致采摘机器人移动避障的可行性差。于是有必要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。另一方面,精准完成果蔬采摘是轮式移动采摘机器人的最终目标,其采摘过程与导航是协同作业的。因此,同样需要开展轮式移动采摘机器人的果实识别、定位及采摘机械臂的规划控制研究。此外,在轮式移动采摘机器人的导航移动和采摘过程中,其移动底盘和采摘机械臂可能发生故障,从而影响机器人的正常工作及安全。鉴于此,有必要进一步开展轮式移动采摘机器人的故障检测工作,实时监测轮式移动采摘机器人的工作状态,确保机器人能顺利作业。因此,开展故障检测研究对于提升轮式移动采摘机器人自主安全工作具有重大意义。本文的主要工作和贡献如下:1.阐述了采摘机器人移动平台三种行走方式的特点,通过比较并结合国内种植园实际情况,考虑采用四轮轮式移动行走结构。简述了轮式移动采摘机器人的系统组成,对课题组搭建的轮式移动采摘机器人实验平台进行了描述。建立了基于四轮打滑转向移动机器人模型,对轮式移动采摘机器人的运动底盘进行了运动学分析。基于D-H坐标系,进行了采摘机械臂的运动学建模。2.针对轮式移动采摘机器人的局部规划与避障问题,设计了一种改进人工势场的导航控制方法,引入旋转力并运用细菌觅食混合粒子群算法（Bacterial foraging and particle swarm optimization,BF-PSO）对控制器参数及势场函数增益系数进行离线优化。面对采摘过程中未知复杂环境下的导航问题,提出了一种基于区间二型模糊神经网络（Interval type-2 fuzzy neural network,IT2FNN）及Q学习（Q-Learning）的导航算法。该算法解决了未知环境下Q学习算法从状态空间映射到行为空间的问题,机器人能够以较少的模糊规则完成路径规划,在复杂环境中以较少的步数实现自主导航。通过联合全局规划的试验,分别验证了两种算法在现实环境中的可行性。3.以火龙果为采摘对象,分别开展火龙果枝条剪切点和果实的识别定位算法研究。针对火龙果枝条剪切点,提出了一种基于类别激活-快速区域卷积神经网络（Class activation-faster regions with convolutional neural network,CA-Faster R-CNN）的检测和定位算法,该算法在不影响识别精度的情况下降低了定位误差。对于火龙果果实,设计一种改进的YOLO（即Pitaya-You only look once,P-YOLO）检测方法,在自然环境中能有效地识别和定位火龙果。最后,设计了采摘机械臂的运动规划方法及控制策略,结合视觉系统,进行了采摘机械臂的运动规划控制试验,验证了采摘机械臂运动规划控制的有效性。4.针对轮式移动采摘机器人行走系统的传感器和执行器故障,开展基于模型的区间观测器故障检测研究。首先设计了基于线性时变（Linear time varying,LTV）系统区间观测器的故障检测方法,并将区间观测器用于轮式移动机器人传感器的故障检测中,通过实验平台进行了传感器和执行器的故障检测试验,为机器人故障诊断理论提供了新思路。5.采摘机械臂可考虑为由状态和输入所描述的未知非线性函数的界不可测的一类非线性系统,现有的区间观测器方法并未有效地处理这种含有参数不确定性的未知非线性部分。为此,本文提出了神经网络自适应区间观测器设计方法,并用于采摘机械臂的传感器和执行器故障检测。最后,通过仿真实例验证了所提出的神经网络自适应区间观测器的有效性以及该故障检测方法的可行性。