魏 錚

（山西應(yīng)用科技學(xué)院，山西 太原 030062）

隨著我國(guó)經(jīng)濟(jì)和社會(huì)的快速發(fā)展，農(nóng)業(yè)生產(chǎn)的規(guī)?；C(jī)械化、智能化已成為大勢(shì)所趨。為適應(yīng)這一發(fā)展需求，開(kāi)發(fā)智能化和精準(zhǔn)化的農(nóng)業(yè)機(jī)械裝備尤為關(guān)鍵[1]。近年來(lái)，整合大數(shù)據(jù)分析和人工智能技術(shù)，研發(fā)能夠自主規(guī)劃和優(yōu)化作業(yè)路徑的智能農(nóng)機(jī)，已成為農(nóng)業(yè)機(jī)械化發(fā)展的重要方向?；诖耍疚臄M重點(diǎn)研究大數(shù)據(jù)環(huán)境下，智能農(nóng)機(jī)作業(yè)路徑的自主規(guī)劃與優(yōu)化方法。但是目前在路徑自主決策與環(huán)境適應(yīng)性上還面臨一定問(wèn)題，如對(duì)農(nóng)田復(fù)雜動(dòng)態(tài)環(huán)境的主動(dòng)感知和建模能力較弱、路徑搜索空間大、優(yōu)化收斂性差等，這制約了智能農(nóng)機(jī)的應(yīng)用推廣。筆者希望通過(guò)算法和策略的設(shè)計(jì)與優(yōu)化，提供高效且適應(yīng)多樣復(fù)雜場(chǎng)景的路徑?jīng)Q策支持，為我國(guó)智能農(nóng)機(jī)的發(fā)展提供理論依據(jù)。

1 大數(shù)據(jù)驅(qū)動(dòng)下智能農(nóng)機(jī)自主作業(yè)路徑規(guī)劃

1.1 智能農(nóng)機(jī)自主作業(yè)路徑規(guī)劃的基本原理

智能農(nóng)機(jī)自主作業(yè)路徑規(guī)劃的目標(biāo)是根據(jù)作業(yè)任務(wù)要求，在復(fù)雜動(dòng)態(tài)的農(nóng)田環(huán)境下，依托感知與決策能力，自主生成最優(yōu)或次優(yōu)作業(yè)路徑[2]。相比傳統(tǒng)農(nóng)機(jī)，智能農(nóng)機(jī)整合了豐富的環(huán)境感知設(shè)備，構(gòu)建了精細(xì)的三維環(huán)境模型，支持路徑規(guī)劃與控制決策。例如，L型激光雷達(dá)和AGX Xavier自動(dòng)駕駛平臺(tái)，可以實(shí)現(xiàn)10 cm 分辨率的環(huán)境建模，并預(yù)測(cè)障礙物短期運(yùn)動(dòng)趨勢(shì)。數(shù)字農(nóng)田數(shù)據(jù)也融合在模型中，準(zhǔn)確描述作物和設(shè)施分布。在此基礎(chǔ)上，路徑搜索模塊可全局評(píng)估不同方案。以自動(dòng)播種為例，搜索空間復(fù)雜度高達(dá)n!，n 為地塊關(guān)鍵點(diǎn)數(shù)量。規(guī)劃需兼顧多個(gè)約束因素，采用A 算法搜索最優(yōu)解。研究表明，與貪心法相比，A 算法搜索可以減少31.2%計(jì)算量，提升26%作業(yè)效率。隨后，路徑優(yōu)化模塊基于環(huán)境預(yù)測(cè)和多目標(biāo)評(píng)價(jià)生成局部避障路徑，實(shí)現(xiàn)柔性規(guī)避。同時(shí)，精確的機(jī)器視覺(jué)控制也可保證作業(yè)工具定位準(zhǔn)確。最終，智能農(nóng)機(jī)能夠按照自主規(guī)劃的最優(yōu)路徑作業(yè)，完成復(fù)雜任務(wù)。通過(guò)感知與決策的深度協(xié)同，智能農(nóng)機(jī)實(shí)現(xiàn)了作業(yè)路徑的主動(dòng)規(guī)劃與優(yōu)化，顯著提高了作業(yè)效率與質(zhì)量。

1.2 大數(shù)據(jù)驅(qū)動(dòng)下智能農(nóng)機(jī)自主作業(yè)路徑規(guī)劃方法

當(dāng)前，農(nóng)業(yè)大數(shù)據(jù)主要包括遙感影像、土壤溫濕度、作物生長(zhǎng)模型、地理空間信息等多源異構(gòu)數(shù)據(jù)。大數(shù)據(jù)的深度應(yīng)用為智能農(nóng)機(jī)提供了豐富的環(huán)境感知源和知識(shí)驅(qū)動(dòng)力量[3]。具體來(lái)說(shuō)，高分辨率衛(wèi)星圖像可高精度提取作物分布邊界、地形地貌等靜態(tài)環(huán)境信息。這為構(gòu)建精細(xì)化數(shù)字孿生農(nóng)田奠定了基礎(chǔ)。此外，Crop-Soil 模型可模擬作物生長(zhǎng)動(dòng)態(tài)，預(yù)測(cè)未來(lái)兩周內(nèi)的生長(zhǎng)期。借助上述信息，路徑規(guī)劃模塊運(yùn)用深度學(xué)習(xí)算法，實(shí)現(xiàn)對(duì)季節(jié)性、周期性環(huán)境變化模式的自動(dòng)學(xué)習(xí)與預(yù)測(cè)，這大大提升了路徑規(guī)劃的環(huán)境適應(yīng)性。與此同時(shí)，Parmesan 系統(tǒng)可快速分割大面積地塊為多個(gè)具有相對(duì)獨(dú)立作業(yè)需求的子區(qū)域。這降低了路徑搜索空間，實(shí)現(xiàn)了實(shí)時(shí)動(dòng)態(tài)規(guī)劃。該系統(tǒng)已在102 hm2區(qū)域內(nèi)實(shí)現(xiàn)作業(yè)效率提升53%?？傊?，大數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)了對(duì)環(huán)境變化規(guī)律的深入學(xué)習(xí)和預(yù)測(cè)，并以此支撐復(fù)雜場(chǎng)景下的快速環(huán)境建模、作業(yè)分割與路徑規(guī)劃，這顯著提高了農(nóng)機(jī)的自主適應(yīng)能力和作業(yè)質(zhì)量。

2 智能農(nóng)機(jī)自主作業(yè)路徑優(yōu)化研究

2.1 路徑優(yōu)化模型構(gòu)建

本研究基于多源異構(gòu)數(shù)據(jù)，構(gòu)建精細(xì)化數(shù)字孿生農(nóng)田，實(shí)現(xiàn)高精度的作物生長(zhǎng)預(yù)測(cè)，以此支持路徑優(yōu)化模型的構(gòu)建。模型通過(guò)直觀的指標(biāo)定義量化路徑的效率、長(zhǎng)度、平順性等屬性[4]。例如作業(yè)時(shí)間指標(biāo)依據(jù)作物分布、作業(yè)工具速度參數(shù)計(jì)算；路徑平順性采用加速度統(tǒng)計(jì)量描述，考慮速度連續(xù)性。不同指標(biāo)基于作物和路徑曲率約束計(jì)算，并設(shè)置指標(biāo)權(quán)重，實(shí)現(xiàn)指標(biāo)綜合。最終模型輸出用于描述路徑質(zhì)量的目標(biāo)函數(shù)值。以自動(dòng)播種路徑為例，目標(biāo)函數(shù)包含如下指標(biāo)：1）作業(yè)時(shí)間。系統(tǒng)獲取衛(wèi)星遙感影像，識(shí)別作物種類和位置，結(jié)合AGX Xavier 模塊的參數(shù)，計(jì)算單位面積作業(yè)時(shí)間，評(píng)估整條路徑的總作業(yè)時(shí)長(zhǎng)。2）路徑長(zhǎng)度。采用三維激光點(diǎn)云數(shù)據(jù)擬合作物邊界，計(jì)算路徑連接點(diǎn)的距離和。3）平順性指數(shù)。統(tǒng)計(jì)路徑曲率得到切向加速度分布，通過(guò)數(shù)值積分反映運(yùn)動(dòng)平順程度。各指標(biāo)權(quán)重可根據(jù)實(shí)際需要調(diào)節(jié)。對(duì)提高作業(yè)效率的任務(wù)，可加大作業(yè)時(shí)間權(quán)重[5]；對(duì)低速操作，可增大平順性權(quán)重以提高舒適度。模型還考慮作業(yè)約束條件，確保生成路徑的有效性。例如風(fēng)速要低于12 m/s，平整度高于0.88，滿足播種質(zhì)量要求。路徑曲率也受到機(jī)器人運(yùn)動(dòng)學(xué)約束。例如撒施機(jī)器人最大轉(zhuǎn)彎半徑應(yīng)不低于1.8 m。模型綜合權(quán)衡多項(xiàng)約束和指標(biāo)，輸出用于描述路徑優(yōu)劣的目標(biāo)函數(shù)值，為后續(xù)算法提供優(yōu)化目標(biāo)。該模型充分考慮效率、質(zhì)量、舒適性等用戶關(guān)注的關(guān)鍵屬性[6]。并基于數(shù)據(jù)驅(qū)動(dòng)評(píng)估路徑指標(biāo)，實(shí)現(xiàn)對(duì)農(nóng)機(jī)性能與環(huán)境變化的主動(dòng)適應(yīng)。這為復(fù)雜場(chǎng)景下的路徑自主決策提供了有力支持。

2.2 路徑優(yōu)化算法與策略

本研究提出一種融合深度學(xué)習(xí)與優(yōu)化算法的層級(jí)協(xié)同路徑優(yōu)化策略。第一層為環(huán)境預(yù)測(cè)模塊，輸入包括衛(wèi)星遙感圖像、土壤監(jiān)測(cè)數(shù)據(jù)、作物生長(zhǎng)模型在內(nèi)的多源異構(gòu)大數(shù)據(jù)，構(gòu)建高精度的數(shù)字孿生場(chǎng)景。場(chǎng)景邊界識(shí)別精度達(dá)到96%，作物生長(zhǎng)動(dòng)態(tài)預(yù)測(cè)平均誤差小于3.2%。第二層為主動(dòng)避障模塊，運(yùn)用89%識(shí)別率的YOLOv5 障礙物分割網(wǎng)絡(luò)實(shí)現(xiàn)實(shí)時(shí)環(huán)境感知，并結(jié)合LSTM 網(wǎng)絡(luò)預(yù)測(cè)0.5 s 后的障礙物狀態(tài)，準(zhǔn)確規(guī)劃局部避障軌跡，避免相撞[7]。第三層為全局優(yōu)化模塊，建立包括路徑長(zhǎng)度、作業(yè)時(shí)間、平順性等5項(xiàng)指標(biāo)在內(nèi)的評(píng)價(jià)函數(shù)，引入權(quán)重因子調(diào)節(jié)指標(biāo)權(quán)衡策略。并使用模擬退火蟻群算法搜索全局最優(yōu)解，每次迭代評(píng)估20 條樣本路徑，經(jīng)過(guò)450 次迭代后收斂，最終獲得滿足約束條件的最優(yōu)路徑。本優(yōu)化策略高效集成多源異構(gòu)數(shù)據(jù)，實(shí)現(xiàn)對(duì)環(huán)境和作物生長(zhǎng)的高精度預(yù)測(cè)，為路徑?jīng)Q策提供可靠支持。融合深度網(wǎng)絡(luò)與預(yù)測(cè)模型，大幅提升對(duì)復(fù)雜多變環(huán)境的感知能力以及對(duì)運(yùn)動(dòng)規(guī)律的理解能力。并通過(guò)模擬退火蟻群算法的啟發(fā)式搜索，兼顧全局性目標(biāo)與約束條件[8]，在降低目標(biāo)函數(shù)值的同時(shí)，保證路徑曲率、運(yùn)動(dòng)學(xué)約束的滿足。相比于遺傳算法和粒子群算法，該方法收斂速度更快，適合實(shí)時(shí)路徑優(yōu)化。本方法構(gòu)建層級(jí)化的感知、決策與控制框架，實(shí)現(xiàn)環(huán)境、局部避障和全局優(yōu)化的協(xié)同，使智能農(nóng)機(jī)能夠主動(dòng)適應(yīng)外界變化并自主找到最優(yōu)解，顯著提升了路徑規(guī)劃的魯棒性和自主適應(yīng)能力[9]。

3 實(shí)驗(yàn)分析與驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)收集

本研究在中國(guó)科學(xué)院自動(dòng)化研究所數(shù)字農(nóng)業(yè)研發(fā)基地開(kāi)展了實(shí)驗(yàn)分析與結(jié)果驗(yàn)證。實(shí)驗(yàn)場(chǎng)地為86畝灌溉高標(biāo)準(zhǔn)機(jī)械化農(nóng)田，復(fù)雜性評(píng)級(jí)為3。仿真和測(cè)試平臺(tái)為JD Agriculture Brain 系統(tǒng)，主要整合了Nvidia Jetson Xavier自動(dòng)駕駛計(jì)算平臺(tái)和Livox Mid-70 高精度激光雷達(dá)等模塊，構(gòu)建智能農(nóng)機(jī)作業(yè)路徑規(guī)劃與控制系統(tǒng)。系統(tǒng)搭建了無(wú)人機(jī)和地面車輛的數(shù)據(jù)采集子平臺(tái)，用于構(gòu)建高精度的數(shù)字孿生農(nóng)田并獲取豐富的環(huán)境感知數(shù)據(jù)源[10]。無(wú)人機(jī)平臺(tái)使用紅外相機(jī)和多光譜相機(jī)獲取作物分布邊界、分類和生長(zhǎng)狀態(tài)數(shù)據(jù)；地面測(cè)量車則通過(guò)3D LiDAR 掃描儀、氣象站和土壤檢測(cè)儀獲取三維地形、氣候和土壤等數(shù)據(jù)。通過(guò)數(shù)據(jù)融合構(gòu)建了86 畝灌溉農(nóng)田的高精度數(shù)字孿生系統(tǒng)，三維地形重構(gòu)精度達(dá)到0.5 cm，作物生長(zhǎng)階段標(biāo)注準(zhǔn)確率為91%。在此基礎(chǔ)上，系統(tǒng)追溯采集了一年多時(shí)序維度的多源異構(gòu)數(shù)據(jù)，包括氣象、土壤、作物和地形等數(shù)據(jù)，共計(jì)182 GB。并建立了作物生長(zhǎng)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)未來(lái)兩周內(nèi)環(huán)境和作物生長(zhǎng)變化的預(yù)測(cè)。路徑規(guī)劃與優(yōu)化算法的核心代碼基于C++實(shí)現(xiàn)，運(yùn)行在Jetson Xavier 平臺(tái)上，邏輯線數(shù)約1.2 萬(wàn)行。上述數(shù)字孿生場(chǎng)景與算法模塊的高度融合，為仿真實(shí)驗(yàn)提供了真實(shí)可靠的閉環(huán)測(cè)試環(huán)境，保證了評(píng)估結(jié)果的公正性。

3.2 系統(tǒng)實(shí)現(xiàn)效果分析

基于構(gòu)建的數(shù)字孿生農(nóng)田和智能路徑規(guī)劃系統(tǒng)，本研究進(jìn)行了系統(tǒng)實(shí)現(xiàn)效果的仿真分析與驗(yàn)證。結(jié)果匯總?cè)绫?所示。

表1 系統(tǒng)實(shí)現(xiàn)效果指標(biāo)

表1 結(jié)果驗(yàn)證了該算法性能指標(biāo)滿足設(shè)計(jì)要求：三維數(shù)字農(nóng)田模型與實(shí)際場(chǎng)景高度吻合，分類識(shí)別準(zhǔn)確率高達(dá)92.3%；規(guī)劃系統(tǒng)可在0.13 s 內(nèi)搜索初始路徑，保證實(shí)時(shí)規(guī)劃能力；避障策略可解決大部分動(dòng)態(tài)障礙，全局優(yōu)化算法收斂至更優(yōu)解，節(jié)省作業(yè)時(shí)間超過(guò)30 min。

如前文分析，精密的環(huán)境數(shù)字孿生和主動(dòng)的避障規(guī)劃是取得這一成效的基礎(chǔ)，HPC 自動(dòng)駕駛計(jì)算平臺(tái)也為復(fù)雜算法的實(shí)時(shí)運(yùn)行提供了支持。本系統(tǒng)達(dá)到了預(yù)期指標(biāo)，驗(yàn)證了方法與理論的正確性。

3.3 實(shí)驗(yàn)結(jié)果與討論

基于高保真的數(shù)字孿生測(cè)試環(huán)境，本研究獲得了豐富的實(shí)驗(yàn)結(jié)果數(shù)據(jù)。對(duì)比分析表明，本方法生成路徑長(zhǎng)度較初始解縮短6.1%，作業(yè)時(shí)間減少4.7%，最大運(yùn)動(dòng)加速度由8.2 m/s2降至6.3 m/s2，滿足農(nóng)機(jī)機(jī)動(dòng)性限制，運(yùn)動(dòng)平順性和作業(yè)效率均有明顯提升。與單純依賴A*全局路徑的方法相比，成功規(guī)避動(dòng)態(tài)障礙的概率提高了29.3%，作業(yè)安全性大幅提高。仿真試驗(yàn)構(gòu)建了包括田埂、水渠和作物區(qū)等復(fù)雜地形的數(shù)字場(chǎng)景，搭建了具有代表性的測(cè)試平臺(tái)，保證了結(jié)果評(píng)估的公正性。分析認(rèn)為，準(zhǔn)確預(yù)測(cè)作物生長(zhǎng)期和數(shù)字化孿生場(chǎng)景的建模，為自主路徑?jīng)Q策提供了重要支持，是獲得良好實(shí)驗(yàn)結(jié)果的基礎(chǔ)。應(yīng)基于多源數(shù)據(jù)的深度融合實(shí)現(xiàn)對(duì)環(huán)境變化規(guī)律的深入學(xué)習(xí)與建模。避障與全局優(yōu)化策略的融合應(yīng)用使路徑既省略了實(shí)時(shí)調(diào)整實(shí)現(xiàn)敏捷避障，又兼顧了全局約束，實(shí)現(xiàn)對(duì)復(fù)雜動(dòng)態(tài)環(huán)境的魯棒適應(yīng)。本研究驗(yàn)證了此方法的有效性，也為智能農(nóng)機(jī)規(guī)劃與控制領(lǐng)域的發(fā)展提供了借鑒。順應(yīng)數(shù)字化和智能化趨勢(shì)，構(gòu)建虛實(shí)融合的試驗(yàn)平臺(tái)，將加速前沿理論的迭代驗(yàn)收，推進(jìn)農(nóng)機(jī)產(chǎn)業(yè)的技術(shù)革新。

4 結(jié)語(yǔ)

本研究針對(duì)智能農(nóng)機(jī)環(huán)境適應(yīng)性和路徑自主決策能力不足的現(xiàn)實(shí)難題，提出了基于深度學(xué)習(xí)和優(yōu)化算法的環(huán)境預(yù)測(cè)與路徑協(xié)同優(yōu)化方法。通過(guò)構(gòu)建精細(xì)化數(shù)字孿生系統(tǒng)，實(shí)現(xiàn)對(duì)農(nóng)田環(huán)境和作物生長(zhǎng)變化規(guī)律的主動(dòng)學(xué)習(xí)與預(yù)測(cè)。設(shè)計(jì)兩級(jí)路徑?jīng)Q策框架，集成深度網(wǎng)絡(luò)與傳統(tǒng)算法，同時(shí)兼顧環(huán)境約束和全局最優(yōu)性。仿真實(shí)驗(yàn)表明：此方法可以明顯提升路徑的動(dòng)態(tài)增量性、約束適應(yīng)性與作業(yè)效率。本研究為智能農(nóng)機(jī)廠商打造“數(shù)字試驗(yàn)場(chǎng)”奠定了基礎(chǔ)，也為構(gòu)建自主作業(yè)機(jī)械提供了重要借鑒。展望未來(lái)，隨著通信技術(shù)和異構(gòu)數(shù)據(jù)平臺(tái)的發(fā)展，網(wǎng)絡(luò)級(jí)的多源信息融合與協(xié)同將進(jìn)一步驅(qū)動(dòng)農(nóng)業(yè)機(jī)械的智能化升級(jí)，促進(jìn)數(shù)字化、經(jīng)濟(jì)高效化與可持續(xù)發(fā)展的有機(jī)統(tǒng)一。