Para abordar los desafíos de la evasión de obstáculos y la baja eficiencia de los brazos robóticos durante la recolección de manzanas, este documento propone un algoritmo de planificación de movimiento RRT* informado mejorado para mejorar el rendimiento de la planificación de trayectorias. Al integrar el método del campo de potencial artificial, se identifican los puntos de ubicación únicos dentro del espacio de planificación. La segmentación de la planificación de trayectorias acelera aún más la eficiencia de búsqueda de trayectorias. El algoritmo incluye estrategias de sesgo de objetivo y desplazamiento de coseno, junto con planificación bidireccional para mejorar la eficiencia de planificación, mejorando la intencionalidad del muestreo informado-RRT*. La expansión espacial del muestreo mediante un tamaño de paso dinámico mejora la robustez de la indexación de trayectorias en entornos de obstáculos complejos. El algoritmo se compara con RRT* y en-formation-RRT* en varios escenarios. Los resultados experimentales muestran que en comparación con RRT* e IRRT*, el costo promedio de la trayectoria del algoritmo de optimización se reduce en 31,565 mm y 14,935 mm, y el tiempo medio de búsqueda se reduce en 7,18 s y 4,33 s. En el experimento de simulación bidimensional complejo, en comparación con RRT* e IRRT*, el costo promedio de la trayectoria del algoritmo de optimización se reduce en 362,4 mm y 343,5 mm, y el tiempo medio de búsqueda se reduce en 5,49 s y 1,54 s. En la simulación 3D, en comparación con RRT* e IRRT*, el costo promedio de la trayectoria se reduce en 1110,17 mm y 469,97 mm, y el tiempo medio de búsqueda se reduce en 37,82 s y 11,26 s. El algoritmo de optimización reduce efectivamente la longitud total de la trayectoria de recolección y el tiempo de planificación de trayectorias. Los resultados de la investigación proporcionan una referencia para que los robots recolectores de manzanas realicen tareas de recolección sin colisiones.