周 俊 何永強

(南京農(nóng)業(yè)大學工學院， 南京 210031)

0 引言

20世紀80年代中期以來，傳感器與測控技術(shù)、通信技術(shù)和智能控制技術(shù)等先進科學技術(shù)的應(yīng)用，特別是GNSS技術(shù)在農(nóng)業(yè)領(lǐng)域的推廣應(yīng)用，共同推動了現(xiàn)代農(nóng)業(yè)生產(chǎn)過程向智能化、信息化、規(guī)?；途毣姆较蚩焖侔l(fā)展[1-2]。歐美、日本等發(fā)達國家的現(xiàn)代農(nóng)業(yè)起步較早，現(xiàn)已逐步形成了較為科學、系統(tǒng)的現(xiàn)代農(nóng)業(yè)技術(shù)體系。我國農(nóng)業(yè)生產(chǎn)智能化技術(shù)起步相對稍晚，但隨著全社會生產(chǎn)力的不斷提高、勞動力持續(xù)向非農(nóng)業(yè)生產(chǎn)門類轉(zhuǎn)移，現(xiàn)階段也逐漸出現(xiàn)將先進的科學技術(shù)成果結(jié)合農(nóng)業(yè)應(yīng)用場景轉(zhuǎn)化為現(xiàn)代農(nóng)業(yè)生產(chǎn)智能化技術(shù)，并衍生出一系列適用于我國農(nóng)業(yè)發(fā)展的新模式。

農(nóng)業(yè)機械自動導(dǎo)航技術(shù)是智能農(nóng)業(yè)裝備基礎(chǔ)技術(shù)之一，主要包括農(nóng)田環(huán)境和農(nóng)機位姿信息獲取、導(dǎo)航路徑規(guī)劃和導(dǎo)航控制等。其中，導(dǎo)航路徑規(guī)劃是實現(xiàn)農(nóng)機導(dǎo)航跟蹤控制的基礎(chǔ)，通常以作業(yè)成本(如總作業(yè)距離、作業(yè)時間、能耗等)最低為目標，在預(yù)作業(yè)區(qū)域內(nèi)為自動導(dǎo)航提供一條較優(yōu)的無障礙作業(yè)路徑，合理的導(dǎo)航路徑規(guī)劃可以減少總作業(yè)路徑[3]、降低多余覆蓋率[4]、提升農(nóng)機的作業(yè)效率[5-6]。農(nóng)業(yè)機械導(dǎo)航路徑規(guī)劃是智慧農(nóng)業(yè)實施過程中一項重要的基礎(chǔ)支撐技術(shù)，在復(fù)雜多變的農(nóng)業(yè)環(huán)境條件下，不僅可為農(nóng)機提供精準的導(dǎo)向信息，還有助于提高農(nóng)機作業(yè)質(zhì)量。而且，結(jié)合農(nóng)藝要求和農(nóng)業(yè)機械性能生成的導(dǎo)航路徑可顯著提升農(nóng)業(yè)生產(chǎn)方式標準化和規(guī)范化，促進智慧農(nóng)業(yè)的高效生產(chǎn)。

本文從全局路徑規(guī)劃和局部路徑規(guī)劃兩個角度對國內(nèi)外導(dǎo)航路徑規(guī)劃技術(shù)闡述分析，綜述農(nóng)業(yè)機械導(dǎo)航路徑規(guī)劃研究進展，并指出導(dǎo)航路徑規(guī)劃技術(shù)未來的研究重點，以期為農(nóng)業(yè)機械智能化發(fā)展提供參考。

1 全局路徑規(guī)劃研究進展

全局路徑規(guī)劃是在作業(yè)區(qū)域環(huán)境信息已知的前提下，基于先驗完全信息的路徑規(guī)劃方法[7]，環(huán)境信息包括作業(yè)區(qū)域和障礙物的位置、形狀和大小。根據(jù)作業(yè)場景的不同，全局路徑規(guī)劃可分為全局覆蓋路徑規(guī)劃和全局點到點路徑規(guī)劃兩種類型，均是以提高作業(yè)質(zhì)量、降低作業(yè)成本為規(guī)劃目標，尋求較優(yōu)的作業(yè)路徑。

1.1 全局覆蓋路徑規(guī)劃

1.1.1規(guī)則邊界地塊全覆蓋路徑規(guī)劃

規(guī)則邊界地塊全覆蓋路徑規(guī)劃通常有兩種方法：①基于基準線平移的方法，利用平行于地塊邊線(一般是較長的一邊)的基準線按作業(yè)幅寬等間距平移生成多條直線作業(yè)路徑直至覆蓋整個地塊，再根據(jù)實際作業(yè)情況選擇合適的地頭轉(zhuǎn)彎策略，此方法只需預(yù)先測量生成基準線的兩點坐標，計算過程簡單，但地頭轉(zhuǎn)彎處需利用傳感器進行地頭檢測或人工輔助轉(zhuǎn)彎。②采用局部坐標系法，預(yù)先測量地塊的4個頂點坐標，按照預(yù)定作業(yè)方式和地頭轉(zhuǎn)彎方式計算所有導(dǎo)航路徑特征點，再根據(jù)作業(yè)順序生成遍歷整個地塊的完整作業(yè)路徑，此方法計算過程相對復(fù)雜，但生成的導(dǎo)航路徑比較完整，作業(yè)過程中無需人工干預(yù)，常用的全覆蓋路徑規(guī)劃策略如圖1所示[8-9]。

圖1 全覆蓋路徑規(guī)劃策略Fig.1 Full coverage path planning strategy

美國伊利諾伊大學RYERSON等[10]將地塊柵格化后，利用遺傳算法規(guī)劃覆蓋面積最大、總作業(yè)長度最短的導(dǎo)航路徑。日本的NAGASAKA等[11]通過車載RTK-GPS測量矩形田塊4個頂點坐標，利用梭行法進行無人駕駛插秧機作業(yè)路徑規(guī)劃。BOCHTIS等[12]綜合考慮作業(yè)區(qū)域幾何形狀、作業(yè)幅寬和最小轉(zhuǎn)彎半徑等因素，通過算法自動規(guī)劃較優(yōu)的全覆蓋路徑，非作業(yè)距離可減少50%。CONESA-MUOZ等[13]提出了一種混合選擇算子用于提高啟發(fā)式算法的收斂速度，并融合模擬退火算法進行多作業(yè)車輛全覆蓋路徑規(guī)劃，作業(yè)時如有車輛發(fā)生故障，可實時調(diào)整全局作業(yè)路線，由其余車輛完成剩余任務(wù)。

圖2 規(guī)則邊界地塊全覆蓋路徑規(guī)劃[14]Fig.2 Full coverage path planning of regular field

國內(nèi)，羅錫文等[14]利用RTK-DGPS采集地塊四頂點坐標，根據(jù)作業(yè)行最大距離和地塊形狀規(guī)劃平行作業(yè)線，并采用跨行地頭轉(zhuǎn)向的方式換行作業(yè)(圖2)。黎永鍵等[15-16]通過測量矩形田塊頂點坐標規(guī)劃平行作業(yè)線，并根據(jù)拖拉機轉(zhuǎn)向半徑大小選擇跨行轉(zhuǎn)向的掉頭方式，利用作業(yè)線節(jié)點坐標生成作業(yè)路徑。孫月平等[17]采集河蟹養(yǎng)殖池塘作業(yè)區(qū)域頂點坐標，計算規(guī)劃軌跡特征點，生成往復(fù)遍歷式全覆蓋自動投料路徑。孟志軍等[18]提出一種農(nóng)機全覆蓋作業(yè)路徑優(yōu)化方法，可根據(jù)轉(zhuǎn)彎數(shù)最少、耗能最小、總作業(yè)路徑最短等目標計算得到作業(yè)方向，并生成較優(yōu)的作業(yè)路徑。劉剛等[19]以鏟車寬度作為正方形柵格邊長建立平地作業(yè)區(qū)域柵格地圖，融合K-均值和密度均值聚類柵格單元，根據(jù)挖高填低和局部搜索策略進行作業(yè)路徑規(guī)劃。蘆帥等[8]按照圖1a所示5種路徑規(guī)劃方法分別進行了播種試驗，發(fā)現(xiàn)套行法作業(yè)路徑最優(yōu)。李繼宇等[20]利用柵格法劃分無人機噴施作業(yè)區(qū)域，規(guī)劃全覆蓋導(dǎo)航路線。陳鵬[21]在園藝電動拖拉機的自主作業(yè)中，利用柵格法分別對無障礙規(guī)則作業(yè)區(qū)域、無障礙不規(guī)則作業(yè)區(qū)域和有障礙作業(yè)區(qū)域?qū)崿F(xiàn)全覆蓋路徑規(guī)劃。

國外約翰迪爾、愛科、凱斯、久保田等農(nóng)機企業(yè)推出了含路徑規(guī)劃、顯示和監(jiān)控功能的農(nóng)機自動導(dǎo)航系統(tǒng)交互顯示終端(圖3a、3b)，且符合ISO 11783標準，利于信息數(shù)據(jù)流的監(jiān)控和利用，廣泛應(yīng)用于拖拉機、播種機、植保機械和收獲機等農(nóng)業(yè)機械自動導(dǎo)航作業(yè)中。國內(nèi)農(nóng)機企業(yè)如豐疆、中聯(lián)重科、沃得、雷沃主要配套第三方如司南導(dǎo)航、聯(lián)適導(dǎo)航、碩博電子、Trimble等公司提供的交互顯示終端產(chǎn)品(圖3c、3d)。

圖3 農(nóng)機智能終端典型產(chǎn)品Fig.3 Agricultural machinery intelligent terminal typical products

目前國內(nèi)農(nóng)機自動導(dǎo)航系統(tǒng)交互顯示終端主要存在功能、界面、數(shù)據(jù)接口、通信協(xié)議非標準化和二次開發(fā)困難、成本高等問題，較難推廣應(yīng)用。各農(nóng)機企業(yè)在提升智能農(nóng)機品質(zhì)的同時，未來應(yīng)該重點提高產(chǎn)品標準化，促進農(nóng)機智能終端在不同種類、不同品牌農(nóng)機之間的互換應(yīng)用，進而有助于決策層對農(nóng)機數(shù)據(jù)流的監(jiān)控、整合、分析和決策。

綜上所述，目前規(guī)則邊界地塊全覆蓋路徑規(guī)劃技術(shù)已比較成熟，但存在同一地塊重復(fù)測量、數(shù)據(jù)利用率較低的問題，因此建立精準的地塊邊界位置信息數(shù)據(jù)庫及數(shù)據(jù)共享平臺，智能農(nóng)機按需自主調(diào)用是未來創(chuàng)新發(fā)展的一個方向。

1.1.2不規(guī)則邊界地塊全覆蓋路徑規(guī)劃

在不規(guī)則邊界地塊全覆蓋路徑規(guī)劃過程中，通常會將地塊分割成多個容易處理的單元分別進行路徑規(guī)劃，而且在邊界轉(zhuǎn)彎處需要特別規(guī)劃處理，以避免死區(qū)對路徑規(guī)劃過程的影響。美國FREITAS等[4]提出一種LKH算法，使植保無人機可以對任意形狀地塊進行全覆蓋路徑規(guī)劃，有效覆蓋面積提高了1.54%，作業(yè)效率提高了9.54%。日本北海道大學RAHMAN等[22]為了減小聯(lián)合收獲機田間作業(yè)損失，提出一種適用于N邊形地塊的路徑規(guī)劃算法，通過RTK-GPS和IMU傳感器精確測量地塊邊界輪廓點位置，再結(jié)合作業(yè)幅寬生成作業(yè)路徑。法國的TUAN[23]通過算法將不規(guī)則的作業(yè)區(qū)域自動分解為多個凸多邊形，并結(jié)合啟發(fā)式算法高效完成全覆蓋路徑規(guī)劃任務(wù)。OKSANEN等[24]對不規(guī)則邊界地塊分割為多個簡單地塊分別進行全覆蓋路徑規(guī)劃(圖4)。BOCHTIS等[25]以果園耕地機器人最優(yōu)覆蓋面積為作業(yè)目標，對果園行內(nèi)和行間進行路徑規(guī)劃，與傳統(tǒng)作業(yè)方法相比總行駛距離減少了2.2%～6.4%。HAMEED等[26]提出一種三維路徑規(guī)劃算法，通過估算多余覆蓋面積確定作業(yè)方向，有效減少了多余覆蓋面積。

圖4 不規(guī)則邊界地塊全覆蓋路徑規(guī)劃[24]Fig.4 Full coverage path planning of irregular field

國內(nèi)，徐博等[27]提出一種植保無人機作業(yè)航線規(guī)劃算法，可根據(jù)指定的作業(yè)方向在不規(guī)則作業(yè)區(qū)域規(guī)劃耗能較低、耗藥較少的全覆蓋作業(yè)航線，田間試驗得到最低多余覆蓋率為2.8%。王宇等[28]將高度起伏的作業(yè)環(huán)境地圖柵格化，對建立的三維環(huán)境模型進行三維路徑規(guī)劃，并通過引力搜索算法進行返航點尋優(yōu)，使作業(yè)更加精準、高效。郭九霄[29]通過柵格化不規(guī)則邊界田塊，并將邊界死區(qū)柵格剔除，保證了無人駕駛插秧機導(dǎo)航路徑規(guī)劃的順利進行。宮金良等[30]以多機協(xié)同作業(yè)整體效能最大為目標進行任務(wù)分配，在此基礎(chǔ)上以總遍歷面積覆蓋率最小為目標，結(jié)合改進的遺傳算法進行全局覆蓋路徑規(guī)劃。

不規(guī)則地塊邊界精準信息的獲取和以降低作業(yè)成本為導(dǎo)向的路徑規(guī)劃算法開發(fā)是當前研究的重點。結(jié)合農(nóng)機轉(zhuǎn)彎特點自適應(yīng)邊界形狀規(guī)劃較優(yōu)的作業(yè)路徑，有利于提高農(nóng)機對作業(yè)環(huán)境的適應(yīng)性。

1.1.3多作業(yè)區(qū)域全覆蓋路徑規(guī)劃

多作業(yè)區(qū)域全覆蓋路徑規(guī)劃是對在同一區(qū)域內(nèi)多個分散田塊連續(xù)作業(yè)的路徑規(guī)劃，包括小田塊內(nèi)全覆蓋路徑規(guī)劃和田塊間作業(yè)順序調(diào)度優(yōu)化兩部分，主要用于植保無人機跨地塊作業(yè)。VALENTE等[31]提出一種基于HS啟發(fā)式算法的無人機多區(qū)域作業(yè)路徑規(guī)劃方法，通過減小轉(zhuǎn)彎次數(shù)降低作業(yè)成本。SANDAMURTHY等[32]針對腰果果園作業(yè)區(qū)域離散問題，研究了一種全區(qū)域遍歷路徑規(guī)劃算法，最大面積覆蓋率為76%。國內(nèi)，黃小毛等[33]提出一種適用于多作業(yè)區(qū)域、復(fù)雜邊界田塊(凸多邊形、凹多邊形和帶孔多邊形等)的旋翼無人機作業(yè)路徑規(guī)劃算法，利用多邊形分組法區(qū)分不同形狀的地塊，結(jié)合航線排序和航向優(yōu)化可快速獲得飛行作業(yè)軌跡。徐博等[34]利用改進遺傳算法優(yōu)化了多區(qū)域間的作業(yè)順序和航線調(diào)度策略，實現(xiàn)了植保無人機多作業(yè)區(qū)域航線規(guī)劃，增加了作業(yè)效率(圖5)。

圖5 多作業(yè)區(qū)域全覆蓋路徑規(guī)劃[34]Fig.5 Multi area full coverage path planning

隨著無人機續(xù)航時間的延長和農(nóng)藥有效利用率的提高，多作業(yè)區(qū)域路徑規(guī)劃可有效增加作業(yè)效率、降低作業(yè)成本，是未來的發(fā)展方向。

1.2 全局點到點路徑規(guī)劃

全局點到點路徑規(guī)劃是在作業(yè)區(qū)域環(huán)境信息已知的前提下，規(guī)劃從起點到目標點可行的無碰撞路徑，在精準作業(yè)、農(nóng)業(yè)運輸和農(nóng)機跨地塊調(diào)度等方面有著非常廣泛的應(yīng)用。目前，比較成熟的算法有A*算法、蟻群優(yōu)化算法、遺傳算法、模擬退火算法和粒子群優(yōu)化算法等。

1.2.1A*算法

A*算法(A-Star)是一種適用于環(huán)境信息已知的“點對點”全局路徑規(guī)劃算法[35-36]，根據(jù)估價函數(shù)搜索最小代價節(jié)點，從而確定最優(yōu)路徑，估價函數(shù)為

F(n)=G(n)+H(n)

A*算法針對靜態(tài)作業(yè)場景可以有效地規(guī)劃出最優(yōu)作業(yè)路徑[37-38]，通過改進優(yōu)化，其在農(nóng)業(yè)機械導(dǎo)航領(lǐng)域得到了廣泛的應(yīng)用。DUCHO等[39]、HARABOR等[40]通過對比試驗發(fā)現(xiàn)通過跳點法(JPS)搜索策略改進A*算法，可有效縮短計算時間。AMMAR等[41]針對大規(guī)模柵格路徑規(guī)劃問題，通過改進實際代價函數(shù)G(n)的計算次數(shù)提高算法計算效率。張文等[42]針對溫室機器人在復(fù)雜作業(yè)環(huán)境中的路徑規(guī)劃問題，提出一種方向A*算法，通過“視野線”平滑、“圓弧-直線-圓弧”轉(zhuǎn)彎和二叉堆數(shù)據(jù)存儲方法實現(xiàn)了平滑路徑、減小碰撞幾率和提高算法效率的目的，如圖6所示。李云伍等[43]為解決自主行駛轉(zhuǎn)運車在丘陵山區(qū)田間道路網(wǎng)行駛路徑的規(guī)劃問題，對A*算法進行改進，采用歐幾里得距離作為啟發(fā)函數(shù)，且將路口道路曲率和道路起伏度引入到實際代價函數(shù)G(n)中，使算法更加適應(yīng)丘陵山地道路起伏變化的特征。李靖等[44]利用A*算法對植保無人機在含障礙物作業(yè)區(qū)域的軌跡進行修正。

圖6 方向A*算法路徑規(guī)劃[42]Fig.6 Directional A* algorithm path planning

當作業(yè)場景較大且導(dǎo)航精度要求較高時，創(chuàng)建的地圖柵格節(jié)點數(shù)量巨大，A*算法存在搜索計算耗時較長，占用計算機內(nèi)存資源較高的缺點，未來可以通過動態(tài)調(diào)整柵格地圖分辨率或利用圖像處理技術(shù)輔助引導(dǎo)搜索方向，增加路徑規(guī)劃的效率。

1.2.2蟻群優(yōu)化算法

蟻群優(yōu)化算法(Ant clony optimization, ACO)[45]通過模擬蟻群成員間信息正反饋交流搜索食物的過程，達到尋求較優(yōu)路徑的目的，搜索能力強且求解性能具有較好的魯棒性[46-48]，但收斂速度慢、容易陷入局部最優(yōu)，信息素結(jié)構(gòu)優(yōu)化是目前研究的重點[49-50]。

國內(nèi)外學者針對不同應(yīng)用場景對蟻群優(yōu)化算法進行了深入探究和改進優(yōu)化。EBADINEZHAD等[51]通過智能選擇搜索空間節(jié)點和改進信息素矩陣，達到避免局部最優(yōu)且降低計算時間的目的。LEE等[52]通過將目標點與起始點互換進行二次計算搜索，避免算法陷入局部最優(yōu)解。國內(nèi)，曹如月等[53]利用蟻群算法對多機協(xié)同作業(yè)任務(wù)序列進行優(yōu)化，有效降低了路徑代價。張強等[54]通過改進蟻群優(yōu)化算法中信息素更新策略，根據(jù)收斂次數(shù)的變化動態(tài)調(diào)整信息素的更新速度，保證了算法收斂性和搜索速度的統(tǒng)一。王宇等[55]提出了一種基于改進蟻群優(yōu)化算法的植保無人機路徑規(guī)劃方法，可以對多個作業(yè)區(qū)域的作業(yè)順序進行合理排序，減少飛行路徑總長度。景云鵬等[56]通過改進蟻群優(yōu)化算法提出一種適用于農(nóng)田平整作業(yè)的三維路徑規(guī)劃方法，適用于農(nóng)田平整的局部路徑規(guī)劃。黃辰等[57]利用簡化A*算法優(yōu)化蟻群優(yōu)化算法的初始信息素，以減少初次搜索的盲目性，并通過閉環(huán)反饋動態(tài)調(diào)節(jié)參數(shù)，提高最優(yōu)路徑搜索能力。劉建華等[58]利用人工勢場合力思想優(yōu)化蟻群優(yōu)化算法中信息素擴散方向，提高了算法收斂速度。

1.2.3遺傳算法

遺傳算法(Genetic algorithm，GA)[59]是一種模擬自然生物遺傳和進化過程搜索最優(yōu)解的算法，主要通過交叉、變異、選擇3種基本操作算子并行迭代求得優(yōu)化解，在組合優(yōu)化、機器學習等方面得到了廣泛的應(yīng)用[60-63]。HAMEED[64]利用遺傳算法將按作業(yè)幅寬分割好的條形地塊進行排序優(yōu)化，降低了作業(yè)重疊區(qū)域面積和非工作路徑長度。為了降低溫室機器人多目標農(nóng)藥噴灑作業(yè)成本，MAHMUD等[65]通過虛擬試驗對比發(fā)現(xiàn)第三代非支配排序遺傳算法(NSGA-Ⅲ)較第二代非支配排序遺傳算法(NSGA-Ⅱ)的作業(yè)路徑規(guī)劃效果更優(yōu)，如圖7所示。禹建麗等[66]利用遺傳算法對無人駕駛農(nóng)用運輸車在復(fù)雜環(huán)境中進行避障路徑規(guī)劃。為使多臺聯(lián)合收割機無沖突高效協(xié)同作業(yè)，姚竟發(fā)等[67]利用改進遺傳算法IGA進行路徑優(yōu)化，與傳統(tǒng)并排作業(yè)相比總作業(yè)時間降低了2.4%以上。賈全等[68]在拖拉機自動駕駛系統(tǒng)上線路徑規(guī)劃中，采用遺傳算法與量子計算相結(jié)合的方法對B樣條曲線控制點進行參數(shù)優(yōu)化，有效減小了上線距離。

圖7 遺傳算法路徑規(guī)劃[65]Fig.7 Genetic algorithm path planning

1.2.4模擬退火算法

模擬退火算法(Simulated annealing，SA)借鑒了固體冷卻時內(nèi)部粒子逐漸變?yōu)橛行虻臒崃W過程，是一種基于概率近似求解最優(yōu)化問題的方法，廣泛應(yīng)用于大規(guī)模組合優(yōu)化問題，魯棒性好且有較強的搜索能力[69-72]。CONESA-MUOZ等[73]利用模擬退火算法進行大田多機協(xié)同作業(yè)路徑優(yōu)化，有效減小了總作業(yè)路徑和總作業(yè)時間。MIAO等[74]為了提高機器人在動態(tài)障礙物環(huán)境中的路徑實時規(guī)劃能力，通過改進啟發(fā)函數(shù)選擇路徑，顯著提高了算法在動態(tài)路徑規(guī)劃中的性能，仿真結(jié)果如圖8所示。范葉滿等[75]通過模擬退火算法對山地作業(yè)環(huán)境下的植保無人機進行能耗最優(yōu)路徑規(guī)劃，負載實時變化的工況下能耗最優(yōu)路徑比常規(guī)路徑節(jié)約能耗32.04%，比最短路徑節(jié)約能耗11.72%。

圖8 動態(tài)障礙物環(huán)境中SA算法路徑規(guī)劃[74]Fig.8 Path planning of SA algorithm in dynamic obstacle environment

1.2.5粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle swarm optimization，PSO)[76]是一種模擬鳥群覓食過程中綜合個體經(jīng)驗和同伴經(jīng)驗動態(tài)調(diào)整最優(yōu)搜索策略的過程。由于PSO算法本身對目標函數(shù)沒有依賴性，計算過程簡潔且易實現(xiàn)的特點使其在智能車輛路徑尋優(yōu)與避障及多機群作業(yè)路徑規(guī)劃中被廣泛使用[77-81]。但傳統(tǒng)的PSO算法存在收斂精度低、停滯搜索等問題，后繼學者通過自適應(yīng)調(diào)整慣性權(quán)重因子和加速因子[82-83]優(yōu)化算法參數(shù)、增加粒子多樣性[84]的方式改進PSO算法。

LI等[85]提出一種基于PSO的混合算法，以農(nóng)業(yè)無人機群的調(diào)度距離最小為目標，利用變量鄰域下降法(VND)加速粒子群優(yōu)化的收斂速度，用于解決作業(yè)過程中多架無人機路徑尋優(yōu)問題。SETHANAN等[78]提出了一種基于多重社會結(jié)構(gòu)的多目標粒子群優(yōu)化算法(MO-GLNPSO)，增加粒子多樣性以提高全局及局部搜索能力。LI等[86]以無人機作業(yè)飛行時間和安全性能等級為約束目標，利用粒子群優(yōu)化算法進行路徑規(guī)劃。賈會群等[84]通過自適應(yīng)調(diào)整粒子群算法參數(shù)提高算法的搜索能力，利用更新方程對搜索停滯粒子進行擾動，并使其靠近全局最優(yōu)解。孟慶寬等[87]利用粒子群優(yōu)化算法求解作物行直線方程參數(shù)，進而得到導(dǎo)航路徑。

在面對復(fù)雜的農(nóng)田作業(yè)環(huán)境時，傳統(tǒng)粒子群優(yōu)化算法的缺陷進一步被放大，降低了路徑規(guī)劃的計算效率和可靠性。通過改進型粒子群優(yōu)化算法或采用多種人工智能算法(模糊神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法等)融合[88-91]的方式動態(tài)調(diào)整慣性權(quán)重等參數(shù)，提高算法的收斂性和改進算法更新方程是目前研究的重點。

2 局部路徑規(guī)劃研究進展

隨著先進傳感器技術(shù)的發(fā)展和信息處理技術(shù)的提高，農(nóng)業(yè)機械對外部環(huán)境信息的感知能力和解析能力也在逐漸提升。局部路徑規(guī)劃技術(shù)的出現(xiàn)使農(nóng)機作業(yè)自主性增強，降低了人工參與度。局部路徑規(guī)劃是在作業(yè)區(qū)域環(huán)境信息部分未知或完全未知的情況下，基于農(nóng)業(yè)機械外部傳感器感知作業(yè)區(qū)域環(huán)境信息進行的實時路徑規(guī)劃。由于農(nóng)業(yè)作業(yè)環(huán)境信息復(fù)雜、隨機性高[92-93]，因此對算法的實時性和魯棒性有很高的要求。單一傳感器較難在復(fù)雜農(nóng)業(yè)作業(yè)環(huán)境中完成既定任務(wù)，需通過多傳感器融合技術(shù)精準感知環(huán)境信息，從而提高自主導(dǎo)航的可靠性。目前，農(nóng)業(yè)環(huán)境條件下常見的局部路徑規(guī)劃有避障路徑規(guī)劃和局部跟蹤路徑規(guī)劃。

2.1 避障路徑規(guī)劃

自主避障是農(nóng)業(yè)機械智能化作業(yè)的基本要求，可保障農(nóng)機裝備在復(fù)雜農(nóng)田環(huán)境中安全作業(yè)[5,94-95]。農(nóng)業(yè)機械通過傳感器獲取作業(yè)環(huán)境中障礙物的方位和大小信息，經(jīng)計算分析后實時動態(tài)地規(guī)劃一條安全無碰撞路徑。較為成熟的避障路徑規(guī)劃方法有人工勢場法、模糊邏輯法、動態(tài)窗口法和幾何法。

2.1.1人工勢場法

人工勢場法(Artificial potential field，APF)由KHATIB[96]在1986年提出，并將其引入到移動機器人避障路徑規(guī)劃領(lǐng)域。人工勢場法將環(huán)境信息抽象為引力場和斥力場，目標點對移動機器人產(chǎn)生吸引力，障礙物對移動機器人產(chǎn)生排斥力，移動機器人受到的所有斥力和引力的合力決定了其移動方向，算法實時性較好，但容易陷入局部最優(yōu)解[97-100]。

WANG等[101]通過改進人工勢場法的排斥場函數(shù)且增加虛擬目標點，提高移動機器人對在含有動態(tài)障礙物環(huán)境中的避障路徑規(guī)劃能力。ROSTAMI等[102]通過改進引力場函數(shù)和和斥力場函數(shù)，避免陷入局部最優(yōu)解，仿真結(jié)果如圖9所示。張禮帥[103]在果園無人噴霧機的路徑規(guī)劃研究中，利用雙目視覺傳感器感知工作環(huán)境信息，并基于改進的人工勢場法在含有動態(tài)障礙物的作業(yè)環(huán)境中實時規(guī)劃避障路徑。王振武[104]通過在無人噴霧機上加裝激光傳感器來獲取作業(yè)過程中障礙物的位置信息，利用改進的人工勢場法進行局部避障路徑規(guī)劃，并實時更新全局路徑信息。彭湘等[105]利用改進勢場-蟻群融合算法解決全局路徑規(guī)劃與局部避障的路徑規(guī)劃問題，路徑拐點數(shù)明顯減少。

圖9 改進人工勢場法路徑規(guī)劃[102]Fig.9 APF algorithm path planning

2.1.2模糊邏輯法

模糊邏輯法(Fuzzy logic，F(xiàn)L)是根據(jù)專家的知識經(jīng)驗判斷制定控制規(guī)則，根據(jù)推理建立輸入和輸出關(guān)系，并結(jié)合傳感器感知的環(huán)境信息實現(xiàn)機器人實時路徑規(guī)劃的方法，算法實時性和控制效果較好。

ZAVLANGAS等[106]利用移動機器人與障礙物之間的距離和角度建立模糊邏輯規(guī)則進行實時路徑規(guī)劃。周俊等[107]利用雙目立體視覺傳感器獲取障礙物相對移動機器人的方向和距離信息，結(jié)合模糊邏輯設(shè)計了具有學習能力的自主導(dǎo)航移動機器人，可使機器人在未知復(fù)雜環(huán)境中積累學習經(jīng)驗，自主適應(yīng)農(nóng)業(yè)環(huán)境作業(yè)條件。謝守勇等[108]利用紅外測距傳感器測得的溫室移動機器人與障礙物的距離變化量和前進方向與障礙物的角度變化量作為模糊控制器的輸入量，以轉(zhuǎn)向角變化量作為輸出量，實現(xiàn)移動機器人根據(jù)作業(yè)環(huán)境選擇前進方向。郝冬等[109]提出一種將模糊邏輯控制和行為控制相結(jié)合，并通過目標導(dǎo)向和避障兩個基本行為進行路徑規(guī)劃的策略。郭娜等[110]在傳統(tǒng)模糊控制算法規(guī)劃路徑過程中加入了障礙逃脫策略，可使移動機器人走出陷阱區(qū)。謝永良等[111]針對輪式AGV循跡受阻問題，利用8路超聲波測距傳感器檢測葡萄園壟道和障礙物，結(jié)合模糊邏輯法進行避障軌跡規(guī)劃。

2.1.3動態(tài)窗口法

動態(tài)窗口法(Dynamic window approach，DWA)的主要思想是在包含線速度和角速度的速度空間內(nèi)采樣多組速度，在這些速度條件下結(jié)合運動學模型計算預(yù)測下一時間間隔內(nèi)的軌跡，再根據(jù)制定的評價規(guī)則選擇最優(yōu)的行走路徑[112-113]。動態(tài)窗口法是將位置控制轉(zhuǎn)化為速度控制的方法，有較好的實時避障路徑規(guī)劃能力。

SEDER等在動態(tài)窗口法的基礎(chǔ)上結(jié)合FD*算法，先后在含靜態(tài)障礙物[114]和含動態(tài)障礙物[115]的環(huán)境中進行實時路徑規(guī)劃研究，均取得了良好的效果。MOLINOS等[116]提出了兩種基于動態(tài)窗口法的局部路徑規(guī)劃算法(DW4DO、DW4DOT)，對動態(tài)障礙物的避障效果顯著。勞彩蓮等[117]利用超聲波傳感器檢測移動機器人的作業(yè)環(huán)境信息，通過動態(tài)窗口法對局部運動軌跡做出預(yù)測，由評價函數(shù)從預(yù)測的軌跡線簇中選擇最優(yōu)軌跡(圖10)。

圖10 溫室環(huán)境和路徑軌跡[117]Fig.10 Greenhouse environment and path trajectory diagram

2.1.4幾何法

幾何法是利用傳感器獲取農(nóng)機和障礙物的位置信息生成多個無障礙幾何曲線段，然后在一定約束條件下按順序連接形成避障代價最小路徑的方法，多用于含靜態(tài)障礙物的農(nóng)田作業(yè)環(huán)境中。

LIU等[118]通過分析直線作業(yè)路徑上障礙物的位置關(guān)系，提出了一種由3個圓弧構(gòu)成的小障礙物避障方法。呂恩利等[119]基于激光傳感器設(shè)立障礙物動態(tài)識別區(qū)，在轉(zhuǎn)彎半徑、曲率等約束下采用四次五階準均勻B樣條曲線分段合并生成避障路徑。劉宇峰等[120]通過雙目視覺傳感器定位障礙物位置，結(jié)合拖拉機運動學模型規(guī)劃避障圓弧，并采用分段圓弧連接的方法得到避障代價最小的路徑，如圖11所示。奚小波等[121]利用三階Bezier曲線優(yōu)化法對不連續(xù)的最短切線路徑優(yōu)化為連續(xù)平滑的避障路徑。

圖11 幾何法避障路徑規(guī)劃[120]Fig.11 Geometric obstacle avoidance path planning

利用幾何法進行避障路徑規(guī)劃簡單高效、易實現(xiàn)，難點是農(nóng)機在運動狀態(tài)下能夠利用傳感器精確獲取障礙物的位置，并結(jié)合自身位姿和運動狀態(tài)作為初始條件激活避障算法進行避障。未來研究重點應(yīng)為動態(tài)空間位姿解算和運動學模型優(yōu)化。

2.2 局部跟蹤路徑規(guī)劃

局部跟蹤路徑規(guī)劃是農(nóng)機在路徑跟蹤過程中，從當前位置向預(yù)設(shè)路徑靠近的局部路徑規(guī)劃策略，較大程度上決定了自動導(dǎo)航的跟蹤精度。局部跟蹤路徑規(guī)劃應(yīng)用最多的純追蹤模型是一種模擬人工駕駛過程的幾何方法，利用計算得到的圓弧連接車體與預(yù)瞄點。目前重點研究內(nèi)容是根據(jù)速度、橫向偏差和航向偏差動態(tài)調(diào)整模型前視距離，規(guī)劃出合適的局部跟蹤路徑。

魏爽等[122]建立了基于預(yù)瞄點搜索的純追蹤模型(圖12)，適用于直線和曲線預(yù)設(shè)路徑的局部跟蹤路徑規(guī)劃。李革等[123]根據(jù)插秧機車速和路徑彎曲程度調(diào)整前視距離，可實時更新車輛與預(yù)設(shè)路線之間的跟蹤路徑。王立輝等[124]以聯(lián)合收獲機速度、航向誤差和校正后的橫向誤差設(shè)計模糊控制器，動態(tài)調(diào)整純追蹤模型的前視距離。張華強等[125]利用粒子群優(yōu)化算法對純追蹤模型的前視距離動態(tài)調(diào)整。唐小濤等[126]以橫向偏差和車速為模糊邏輯控制器輸入、前視距離為輸出，進而動態(tài)調(diào)整跟蹤路徑。

圖12 基于預(yù)瞄點搜索的純追蹤模型[122]Fig.12 Pure pursuit model based on pre-point search

目前對局部跟蹤路徑規(guī)劃方法的研究較少，未來應(yīng)結(jié)合農(nóng)機自身特性和農(nóng)田作業(yè)環(huán)境探究實時性好、可靠性高的局部跟蹤路徑規(guī)劃策略，以滿足高精度路徑跟蹤的需求。

3 展望

導(dǎo)航路徑規(guī)劃是實現(xiàn)農(nóng)機導(dǎo)航跟蹤控制的前提，國內(nèi)外學者結(jié)合復(fù)雜農(nóng)業(yè)生產(chǎn)環(huán)境需要，對導(dǎo)航路徑規(guī)劃開展了較為深入的研究，以降低作業(yè)成本為目的，在預(yù)作業(yè)區(qū)域內(nèi)為自動導(dǎo)航規(guī)劃較優(yōu)的無障礙作業(yè)路徑。全局路徑規(guī)劃技術(shù)比較成熟，在精準作業(yè)、農(nóng)業(yè)運輸和農(nóng)機跨地塊調(diào)度等方面有著非常廣泛的應(yīng)用。由于農(nóng)業(yè)作業(yè)環(huán)境的復(fù)雜性和時空變異性，局部路徑規(guī)劃對算法的實時性、高效性、魯棒性和安全性有著較高的要求，作業(yè)環(huán)境感知、路徑優(yōu)化和算法改進是目前研究的重點。

未來可從以下方面進行理論創(chuàng)新和技術(shù)突破：

(1)數(shù)據(jù)資源標準化及規(guī)劃路徑共享：現(xiàn)在全局路徑規(guī)劃存在同一地塊重復(fù)測量規(guī)劃、數(shù)據(jù)利用率較低等問題，未來可通過高精度定位系統(tǒng)測繪農(nóng)田邊界信息，建立精確的地理信息數(shù)據(jù)庫、標準化數(shù)據(jù)接口和通信協(xié)議，提高數(shù)據(jù)資源利用率，促進規(guī)劃數(shù)據(jù)共享，增強農(nóng)業(yè)機械按作業(yè)環(huán)節(jié)、農(nóng)藝要求和機型參數(shù)自主規(guī)劃較優(yōu)作業(yè)路徑的能力。

(2)提高環(huán)境信息感知和解析能力：局部路徑規(guī)劃對環(huán)境信息依賴程度較高，目前主要存在傳感器單一、復(fù)雜環(huán)境中位姿解析能力不足等問題。未來可以利用多傳感器融合技術(shù)精準獲取環(huán)境信息，并通過改進優(yōu)化算法提高對環(huán)境的解析能力。

(3)增強實時動態(tài)規(guī)劃性能：目前局部路徑規(guī)劃在應(yīng)對農(nóng)業(yè)作業(yè)環(huán)境的復(fù)雜性和時空變異性方面尚有不足，與實際生產(chǎn)作業(yè)需求還有差距。未來可以通過融合人工智能等算法進一步減少計算時間、提高魯棒性，增強農(nóng)業(yè)機械實時動態(tài)規(guī)劃性能。

(4)路徑規(guī)劃與農(nóng)業(yè)機械自身特性適當結(jié)合：路徑規(guī)劃的主要目標是滿足作業(yè)任務(wù)需求，所以目前農(nóng)業(yè)機械導(dǎo)航路徑規(guī)劃大多只考慮作業(yè)幅寬和轉(zhuǎn)彎半徑等運動學參數(shù)，往往忽視了農(nóng)業(yè)機械自身動力學、控制系統(tǒng)響應(yīng)等特性差異引起的導(dǎo)航誤差。因此未來可以適當結(jié)合農(nóng)業(yè)機械自身特性進一步開展研究，增加規(guī)劃路徑對農(nóng)機的適應(yīng)性，從而提高導(dǎo)航精度和作業(yè)效率。