摘要：單一農(nóng)業(yè)機器人工作效率不足，難以有效解決農(nóng)業(yè)勞動力供應減少、勞動力成本增加等問題，智能化、高精度、低成本、強魯棒性及高抗干擾能力的多機器人協(xié)同技術，可以顯著提高整體機器人系統(tǒng)的作業(yè)效率，滿足精準農(nóng)業(yè)的發(fā)展需求。從農(nóng)業(yè)多機器人系統(tǒng)架構(gòu)的角度出發(fā)，梳理近年農(nóng)業(yè)多機器人在定位、任務分配、路徑規(guī)劃和多機通信四種協(xié)同技術的代表性研究成果，分析農(nóng)業(yè)多機器人協(xié)同的作業(yè)效率、通信受損、故障監(jiān)測、資源沖突等問題，并對其在集中和分布式相結(jié)合的協(xié)同技術、快速精準的環(huán)境感知、合理實時的任務分配、動態(tài)可靠的路徑規(guī)劃和多機器人通信技術等重點方向的未來發(fā)展進行展望。

關鍵詞：農(nóng)業(yè)機器人；定位技術；任務分配；路徑規(guī)劃；多機通信

中圖分類號：S126； TP242.3" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 10?0289?09

Research progress of agricultural multi?robot collaboration technology for

farmland environment

Deng Wenqian， Lai Yingjie， Zhang Shi'ang， Zhu Lixue

（School of Mechanical and Electrical Engineering， Zhongkai College of Agricultural Engineering， Guangzhou， 510225， China）

Abstract： Compared with the lack of work efficiency of a single agricultural robot， it is difficult to effectively solve the problems of reducing the supply of agricultural labor and increasing labor costs， the multi?robot collaborative technology with" intelligent， high?precision， low?cost， strong robustness and high anti?interference ability can significantly improve the operation efficiency of the overall robot system and meet the development needs of precision agriculture. From the perspective of agricultural multi?robot system architecture， this paper reviews the representative research results of four collaborative technologies of agricultural multi?robot positioning， task allocation， path planning and multi?robot communication in recent years， and analyzes the operation efficiency， communication damage， fault monitoring， resource conflict and other issues of agricultural multi?robot collaboration. The future development of key directions such as centralized and distributed collaborative technology， fast and accurate environmental perception， reasonable real?time task allocation， dynamic and reliable path planning and multi?robot communication technology is prospected.

Keywords： agricultural robot; positioning technology; task allocation; path planning; multi?machine communication

0 引言

隨著城市化和工業(yè)化的不斷發(fā)展，農(nóng)村青年勞動力的可持續(xù)轉(zhuǎn)移導致了農(nóng)業(yè)勞動力的下降。同時，農(nóng)業(yè)勞動力的老齡化問題導致農(nóng)村有效勞動力的供應顯著減少，季節(jié)性勞動力短缺的現(xiàn)象增加了農(nóng)業(yè)勞動力的成本。加強農(nóng)業(yè)科技創(chuàng)新，用智能農(nóng)業(yè)機械或機器人取代人工操作迫在眉睫。隨著計算機技術、傳感器技術和控制的日益成熟，涌現(xiàn)出不同類型的農(nóng)業(yè)機器人，如水果蔬菜采摘機器人、噴灑機器人和收割機器人。這些農(nóng)業(yè)機器人可以部分取代傳統(tǒng)的人力從事各種勞動密集型和復雜的農(nóng)業(yè)生產(chǎn)活動。然而，單一農(nóng)業(yè)機器人的運作業(yè)效率太低，在沒有人工輔助或其他機器人的協(xié)調(diào)配合的情況下，難以滿足繁忙季節(jié)的作業(yè)需求，因此多機器人協(xié)同技術應運而生。本文對農(nóng)業(yè)多機器人定位、任務分配、路徑規(guī)劃和多機通信四種協(xié)同技術的相關應用研究進行歸納總結(jié)，并對現(xiàn)有的技術進行分析，總結(jié)其存在的一些問題，并提出相應的解決方法。

1 農(nóng)業(yè)多機器系統(tǒng)架構(gòu)

合理的體系結(jié)構(gòu)可以保證農(nóng)業(yè)多機器人系統(tǒng)的信息流和控制流的穩(wěn)定性，使多機器人之間的有效合作成為可能[1]。目前，農(nóng)業(yè)多機器人的架構(gòu)可分為集中式架構(gòu)和分布式架構(gòu)。最早記錄的農(nóng)業(yè)多機器人系統(tǒng)結(jié)構(gòu)來自于農(nóng)田的干草收獲和運輸機器人，這些多機器人系統(tǒng)是在集中架構(gòu)的原則下運行的[2]。

1.1 集中式農(nóng)業(yè)多機器人系統(tǒng)架構(gòu)

集中式架構(gòu)多機器人又稱為引導跟隨模式，在引導—跟隨模式中，選擇一個主機器人執(zhí)行特定的運動規(guī)劃，剩余的機器人分析和處理感官信息，不會自主行動或相互協(xié)調(diào)。在該模式下的每個機器人都可以獨立執(zhí)行任務，并由中央控制器發(fā)出指令控制[3]，其中從機器人跟隨主動機器人的行進路徑。另一種引導跟隨模式則是從機器人被主機器人控制去另一條路。這種集中式架構(gòu)的優(yōu)點是實現(xiàn)方式直觀，但其靈活性、容錯性和適應性都較差[4]。

1.2 分布式農(nóng)業(yè)多機器人系統(tǒng)架構(gòu)

與Unmanned Ground Vehicle（無人地面機器人）的操作環(huán)境相比，無人機的操作區(qū)域具有沒有障礙的優(yōu)勢，因此這些系統(tǒng)一般采用分布式結(jié)構(gòu)。多機器人系統(tǒng)中的三架無人機分別在各個工作空間中進行農(nóng)業(yè)態(tài)勢監(jiān)測；每個機器人的系統(tǒng)具有較高的自主操作能力，能夠根據(jù)其目標完成總體任務；機器之間可以相互通信、交換信息、協(xié)調(diào)行為從而完成給定的任務[5]。該結(jié)構(gòu)具有較強的可擴展性，在實時運行、容錯性、可靠性等方面具有一定的優(yōu)勢，適合于處理與空間狀態(tài)相關的任務[6]，其中每個機器人都可與其他機器人交換信息，并自主做出決策。

集中式架構(gòu)可分為一個引導者和跟隨者機器人，適合于高度協(xié)調(diào)的任務，并且在一個完全已知的環(huán)境中具有優(yōu)勢。分布式架構(gòu)在機器人之間不存在關聯(lián)，適用于弱協(xié)調(diào)任務，在大規(guī)模、復雜和變化的環(huán)境中具有優(yōu)勢。

綜上所述，農(nóng)業(yè)多機器系統(tǒng)架構(gòu)是指通過將多個農(nóng)業(yè)機器和設備進行協(xié)同操作和數(shù)據(jù)交換，以提高農(nóng)業(yè)生產(chǎn)效率和加強農(nóng)田管理。需要將硬件設備、網(wǎng)絡通信、數(shù)據(jù)管理、協(xié)同算法、傳感器技術、機器視覺、云計算、自動化、用戶界面和安全性等方面進行整合并提供更精確、高效的農(nóng)業(yè)作業(yè)策略，減少資源浪費，為農(nóng)業(yè)生產(chǎn)提供可持續(xù)的解決方案。

2 農(nóng)業(yè)機器人定位技術

定位是多個農(nóng)業(yè)機器人協(xié)同運行的前提。農(nóng)業(yè)機器人可以使用自身攜帶的傳感器，包括內(nèi)部傳感器和外部傳感器，其中內(nèi)部傳感器包括里程表、磁羅盤、慣性導航和全球定位系統(tǒng)，用來確定機器人在環(huán)境中的速度、位置和方向；外部傳感器包括超聲、紅外、激光和視覺，用于感知周圍信息，獲取周圍環(huán)境信息，提取環(huán)境內(nèi)的有效特征信息進行處理和分析，并實時建立環(huán)境模型。該技術主要涉及協(xié)同定位、數(shù)據(jù)融合和環(huán)境建設[6]。共同定位是機器人“共享”其定位結(jié)果，其他移動機器人使用這個共享信息并整合信息結(jié)果來提高定位的準確性。根據(jù)協(xié)同定位方法，可分為主動定位技術和被動定位技術[7]。

2.1 主動定位技術

在沒有信息交換的情況下，機器人依靠其傳感器觀察相鄰的機器人來獲得相對的距離和角度，以實現(xiàn)自定位。由領頭機器人引導跟隨機器人的作業(yè)路線，例如可將黑白棋盤特征板固定在領頭機器人上，通過固定在跟隨機器人上的雙目視覺攝像機獲得黑白棋盤特征板上各角點的三維信息，分析信息，得到機器人相對于領頭機器人的縱向間距、橫向偏移和航向偏角。利用該導航信息實現(xiàn)對機器人的自動跟蹤。

2.2 被動定位技術

在信息交換的環(huán)境下，機器人通過相鄰機器人提供的“觀測”數(shù)據(jù)，間接獲得相對距離和角度，從而進行定位。

被動定位模式通常與運動學控制模型相結(jié)合，是主從機器人中最常用的定位模式之一。例如，借助北斗衛(wèi)星對多個機器人進行了定位，以領頭機器人的行走軌跡為主要軌跡。在可溝通的前提下，可以采用運動學模型估計機器人的運動軌跡，傳感器定位與估計定位值的差值由其他機器人計算，并根據(jù)差值調(diào)整每個機器人的橫向和縱向位移。上述定位方法高度依賴于領頭機器人的定位精度，這需要良好的穩(wěn)定性和魯棒性[8， 9]。當領頭機器人失敗時，很容易導致整個團隊的定位精度下降，甚至定位失敗[10， 11]。

由此可見農(nóng)業(yè)多機器人的協(xié)同定位技術主要采用主動定位和被動定位，計算量較小，易于實現(xiàn)。還有一種協(xié)同定位屬于交互式定位，通過機器人之間的通信，可以實現(xiàn)信息共享，從而糾正機器人的定位誤差，實現(xiàn)準確的定位。但該方法計算量大，算法復雜，難以實現(xiàn)。更實際的應用表明，農(nóng)業(yè)中多個機器人的協(xié)同定位被中央控制器或任務管理器協(xié)調(diào)機制所取代[12， 13]。每個機器人的工作區(qū)域和移動路徑都由任務管理器或中央控制器根據(jù)所建立的環(huán)境地圖進行規(guī)劃。這些多個機器人的工作區(qū)域和工作路徑通常不相交，每個機器人只需要基于其傳感器進行定位和導航。Hao等[2]根據(jù)任務管理器將葡萄園區(qū)域劃分為3個無人機監(jiān)控的葡萄園區(qū)域，并對單個無人機操作的子區(qū)域進行路徑規(guī)劃，每個無人機在不同的高度飛行，以避免無人機之間的碰撞。

綜上所述，農(nóng)業(yè)機器人定位技術能夠使機器人在農(nóng)業(yè)環(huán)境中實現(xiàn)精確定位和位置同步，以實現(xiàn)更高效、智能的農(nóng)業(yè)生產(chǎn)管理。主動定位的優(yōu)點是數(shù)據(jù)量相對較小，缺點是魯棒性和準確度較低，無信息交互。被動定位的優(yōu)點是有信息交互，缺點是數(shù)據(jù)量較大。除了以上兩種定位，還可通過增加網(wǎng)絡定位系統(tǒng)，在農(nóng)田或農(nóng)業(yè)環(huán)境中分布多個節(jié)點，通過機器之間的通信和測距，實現(xiàn)機器人的協(xié)同定位。這些節(jié)點可以是傳感器、攝像頭或其他具有定位功能的設備或是通過多傳感器融合（結(jié)合使用北斗系統(tǒng)、激光雷達、視覺識別和慣性導航等傳感器）來提供更全面和精確的定位信息。

3 多機器人任務分配

多機器人任務分配（Multi?robot task allocation），MRTA提供了多機器人系統(tǒng)、任務集和系統(tǒng)性能的評價指標，并為每個子任務找到合適的機器人來執(zhí)行，使機器人系統(tǒng)能夠完成大部分復雜任務。因此，MRTA結(jié)果的好壞直接影響到整個系統(tǒng)的效率，以及系統(tǒng)中每個機器人能否最大限度地發(fā)揮自己的能力[14]。解決MRTA問題涉及到系統(tǒng)成員的能力屬性、任務的結(jié)構(gòu)屬性、機器人的協(xié)調(diào)機制、任務分配策略等多個方面。該方法基于中央控制器的決策，將農(nóng)業(yè)多機器人的分配劃分多個集中組件[15， 16]。

3.1 集中式任務分配

集中式分配是指由系統(tǒng)的主導機器人或控制中心對全局任務進行分解，然后將分解后的子任務按照相應的分配方法發(fā)送給各個機器人[17]。

Moorehead等[18]研究了基于柑橘園地圖遠程監(jiān)控兩輛ugv（無人地面車輛）的工作區(qū)域劃分和任務分配。然而，隨著機器人數(shù)量的增加，當機器人撞到樹上或無法進行可靠的轉(zhuǎn)彎時，任務分配就會停止。Kim等[19]從劃分地圖的角度解決了人工將任務分配給多個機器人的問題，即需要多少個機器人就劃分多少個子區(qū)域。這些子區(qū)域的邊緣是由地圖邊界上的離散果樹點和k均值聚類點使用整數(shù)規(guī)劃方法生成的。但是，這種觀點過于理想，沒有考慮機器人數(shù)量大于或小于任務總數(shù)的情況。D'Urso等[20]提出關于機器人數(shù)量與任務數(shù)量的研究則是采用一種基于分支定界方法的近似任意時間算法，得到多機器人協(xié)同工作的任務序列，再根據(jù)機器人的行走規(guī)則和排隊等待的總時間成本函數(shù)，計算路徑長度距離的極限值作為算法節(jié)點的上下界，在迭代過程中刪除下限大于或等于最優(yōu)上限的子節(jié)點，得到最優(yōu)解。仿真試驗表明，該方法可以得到資源利用的最優(yōu)近似解，但難以應用于農(nóng)業(yè)的噴灑作業(yè)。張子迎等[21]利用Dyna-Q+算法尋找從當前點到終點的最優(yōu)搜索路徑，即多個機器人隨機選擇動作（前、后、左、右）并記錄每個動作，根據(jù)障礙物的存在與否對機器人選擇的動作進行獎勵和懲罰，從而獲得最優(yōu)路徑。然后使用加權(quán)圖來表示網(wǎng)格模型，包括機器當前位置、網(wǎng)格集合、網(wǎng)格間是否有路徑等參數(shù)。利用Dijkstra算法計算最優(yōu)路徑下的最小代價時間，最后根據(jù)最優(yōu)路徑和時間獲得搜索空間，并按空間大小比例分配給多個機器。Wan等[22]提出強化學習是一種馬爾可夫式?jīng)Q策過程，其基本思想都是關于使用函數(shù)對更復雜的決策問題建模或擬合策略。但該方法需要大量的樣品，需要運算的時間較長。

此外，在農(nóng)業(yè)環(huán)境中工作的多個機器人經(jīng)常會發(fā)生資源共享沖突[23]。對于可預測的沖突，僅依靠中央任務分配方法來避免沖突，多機器人的適應性非常有限，因而增加決策支持系統(tǒng)（Decision?making Support System，DSS）為多機器人協(xié)作提供選項，基于明確的目標，識別問題并建立或修改決策模型以避免資源沖突。Emmi等[3]在基于大型田野中靜態(tài)障礙物的位置、播種方法、種子密度、中央控制器的位置和機器人數(shù)量等輸入，構(gòu)建了一個多機器人播種地圖。根據(jù)該地圖，精確定位每顆種子的位置和密度，并將播種任務分配給多個機器人。當機器人完成工作后，記錄機器人路徑。特別是當一個或多個機器人故障時，需要將故障機器人的任務重新分配給其他機器人，并更新機器人播種路徑。還可以在多機器人即將發(fā)生碰撞時停止機器人的運動，并限制故障機器人的運動區(qū)域。但是，該任務分配方法是在仿真環(huán)境中實現(xiàn)的，還需要在實際應用中進一步驗證。

3.2 分布式任務分配

一般來說，分布式任務分配方法的特點是每個機器人不具備任務的全局知識，而是根據(jù)傳感器獲得的局部信息進行單獨的計算和規(guī)劃，同時采用中心化實體對整個播種過程進行監(jiān)控，避免機器人之間發(fā)生碰撞。如Khamis等[24]在模擬環(huán)境中，就是使用一個集中實體來規(guī)劃不同機器人的播種任務、播種模式和播種密度。整個系統(tǒng)的效果不僅與個體密切相關，而且取決于個體的綜合效應。李曉靜等[25]當任務數(shù)量大于農(nóng)機數(shù)量時，可以使用蟻群算法為多個機器人找到合適的任務序列。首先，根據(jù)每個地塊的指定坐標信息計算地塊之間的距離，并設置蟻群算法的相關參數(shù)，然后隨機生成多個路徑包的起點，根據(jù)狀態(tài)轉(zhuǎn)移概率式進行路徑選擇，并將生成的路徑包放入禁止表中。最后計算圖的路徑距離，并根據(jù)設定的規(guī)則不斷更新路徑上的信息素，重復迭代，直到找到多個機器人的最優(yōu)任務規(guī)劃。該方法主要應用于模擬農(nóng)田環(huán)境，尚未得到實際應用。Drenjanac等[26]采用語義空間在任務存儲中描述了一種基于資源描述框架（RDF）和SPARQL。RDF開發(fā)了一種查詢語言和數(shù)據(jù)采集協(xié)議的任務分配數(shù)據(jù)模型，其中RDF用于構(gòu)造嵌套空白節(jié)點，SPARQL用于條目的查詢、更新和交互。一個任務被映射到一個嵌套的空白節(jié)點，在任務分配模型中生成一個語義元組（條目）。該條目存儲在任務存儲區(qū)中，其內(nèi)部ID包含（uniform resource locator，URL統(tǒng)一資源定位器）。然后根據(jù)機器人的功能和任務需求的關系，使用URL選擇條目。仿真試驗結(jié)果表明，隨著任務數(shù)量的增加，執(zhí)行時間相應增加，生產(chǎn)效率逐漸降低，為保證生產(chǎn)率，需要臨時增加新的機器人，但生產(chǎn)成本也會增加，所以需要提前設定任務。

Barrientos等[5]提出系統(tǒng)中的每個機器人都是先初提出最大可能的任務分配，然后根據(jù)談判機制逐漸減少自己的提議，直到完成交易。研究者基于Rubinstein協(xié)商協(xié)議開發(fā)了基于市場和拍賣的任務細分和分配方法。這種協(xié)議的優(yōu)點是拍賣師機器人必須在談判過程中將任務拆分為子任務。在每一輪談判中，每個機器人最初開始為自己提出最大可能的任務分配，并在每一輪談判中根據(jù)成本函數(shù)（折扣因子）的談判降低其報價，直到另一方表示接受。在該協(xié)議下，通過分布式任務分配，每個機器人都有一個數(shù)據(jù)分發(fā)口，每個機器人可以根據(jù)實際情況動態(tài)調(diào)整以獲得合適的任務。但由于任務區(qū)域的面積、機器人離目標的距離、工作區(qū)域重疊等折現(xiàn)因素的影響，任務分配結(jié)果一般為近似最優(yōu)解。

結(jié)合以上農(nóng)業(yè)多機器人近年在任務分配技術方面的研究進展，可以得出目前農(nóng)業(yè)多機器人的任務分配方法以集中式為主，并在大部分仿真試驗中實現(xiàn)了。集中任務式分配主要采用整數(shù)規(guī)劃方法，通過建立目標函數(shù)和約束條件來描述任務分配問題。積分規(guī)劃（IP）和混合整數(shù)規(guī)劃（MIP）問題是運籌學領域的一個重要分支，它包括分支定界法、切割平面算法、圖論方法等[27]，其思想是確定從一個搜索點到另一個搜索點的傳遞方法和傳遞關系，得到唯一的最優(yōu)解，適用小規(guī)模。當規(guī)模擴大時，計算量以指數(shù)增長。通常情況下，在任務分配問題上很難滿足實時需求。分布式任務分配主要采用基于行為激勵的方法和基于市場的方法。前者適用于自主性強的多機器人系統(tǒng)，但系統(tǒng)分配效率低。后者基于經(jīng)濟學的資源優(yōu)化配置思想而應用廣泛，但該研究方法的難點在于如何設計協(xié)商機制，合理確定任務的成本收益模型[28]。

綜上所述，農(nóng)業(yè)多機器人任務分配技術應用于農(nóng)業(yè)領域中的不同任務和活動，如在土壤分析和作物評估、播種和種植、雜草識別和除草、病蟲害監(jiān)測和防治、收獲和采摘、灌溉和水資源管理、數(shù)據(jù)收集和分析、農(nóng)產(chǎn)品的倉儲和物流等領域應用廣泛。其中集中式任務分配的優(yōu)點在于算法更簡單，可求全局最優(yōu)解，缺點是通信集中，易出現(xiàn)數(shù)據(jù)堵塞，影響算法工作效率，實時性較差，適用于已知的靜態(tài)環(huán)境和小規(guī)模情景。而分布式任務分配的優(yōu)點在于通信更加分散，可以避免由于通信堵塞而影響算法效率的問題，缺點則是求解的結(jié)果很容易變成局部最優(yōu)，適用于未知的動態(tài)環(huán)境和中大規(guī)模情景。

4 路徑規(guī)劃

路徑規(guī)劃是多個機器人共同完成任務的根本保證。該技術是指利用已知的靜態(tài)環(huán)境信息，或傳感器獲得的動態(tài)環(huán)境信息，自主地為每個機器人規(guī)劃從已知起點到目標點的無碰撞最優(yōu)路徑，不僅需要單個機器人避障，還需要多個機器人之間有滿足避撞的方案。單機器人避障路徑規(guī)劃方法主要包括傳統(tǒng)方法、智能方法和其他方法。傳統(tǒng)的方法有構(gòu)造空間法、V-graphic（可見圖）、V-oronoi圖、網(wǎng)格法、A*算法、人工勢場[29]等。智能方法包括蟻群算法、粒子群算法（PSO）、強化學習算法、免疫算法、遺傳算法（GA）、神經(jīng)網(wǎng)絡和模糊邏輯算法等。其他方法包括動態(tài)規(guī)劃（DP）和最優(yōu)控制算法等。多機器人之間的避碰策略包括優(yōu)先級法、費率調(diào)整法、交通管理規(guī)則和咨詢法。其中路徑規(guī)劃又可分為集中式路徑規(guī)劃和分布式路徑規(guī)劃[30， 31]。

4.1 集中式路徑規(guī)劃

集中路徑式規(guī)劃方法是利用一個集中控制單元來規(guī)劃多機器人的最優(yōu)路徑。該方法可以提高機器人之間的緊密協(xié)調(diào)和最優(yōu)協(xié)調(diào)能力[32]。然而，隨著機器人數(shù)量、任務難度和空間復雜度的增加，還會遇到諸如“維數(shù)”“計算復雜度”“非確定性多項式問題（NP）困難”等問題。特別是“NP困難”問題，理論上還沒有得到簡單或快速的解決方案[33， 34]，將已知的路徑點連接成一條線，并模擬到拓撲模型中，讓多個機器人沿著各自的路徑行走，這是最簡單、最容易實現(xiàn)的路徑規(guī)劃方法之一。但該方法需要提前獲得準確的已知點信息，需要較大的前期工作，不適用于機器人數(shù)量較多或作業(yè)面積較大的情況。一種類似于點對點的方法是可見地圖法，其目的是減少碰撞，即提前獲取每個障礙物的邊緣投影點信息，分別用邊和節(jié)點表示機器人自由行走的路徑、可以組合或斷開的路徑點。然后將起始節(jié)點連接到目標節(jié)點，或者將起始節(jié)點連接到每個障礙物邊緣的凸起點，直到到達目標節(jié)點，形成多機器人行走路徑。最后，根據(jù)機器人的大小，適當增加或減少路徑寬度[35]。同樣，由于測量點的工作量較大，當障礙物較多時不適用。在映射上規(guī)劃多機器人路徑是全局路徑規(guī)劃的另一種方法。例如，在網(wǎng)格法中，將地圖劃分為多個網(wǎng)格單元，并以每個網(wǎng)格單元為中心向八個方向擴展路徑，將網(wǎng)格中心垂直呈對角地與其他網(wǎng)格單元的中心連接，形成路徑段。為了獲得網(wǎng)格內(nèi)的全局最優(yōu)路徑，采用A*算法搜索路徑段中行程成本最小的路徑段，其中自由空間單元格的行程成本設為0，有障礙物單元格的行程成本設為最大，行程成本為該路徑段上所有網(wǎng)格單元格的和，當和最小時，設為全局最優(yōu)路徑。

由于農(nóng)田信息是動態(tài)變化的，多個機器人需要每次根據(jù)不同的信息重新規(guī)劃多條路徑。該多機器人時間窗路徑規(guī)劃問題也屬于求解一個多目標優(yōu)化問題。西班牙Gonzalez?de?Santos等[36]聯(lián)合研制了包括2個空中機器人和3個地面機器人在內(nèi)的多機器人系統(tǒng)。該系統(tǒng)采用集中控制單元，在網(wǎng)格地圖上為多個機器人提供全局路徑規(guī)劃，并提供雜草信息，提前劃分多個機器人的操作順序。利用NSGA-II算法（No-劣勢排序遺傳算法）[37， 38]協(xié)調(diào)機器人行走路徑的距離、轉(zhuǎn)彎數(shù)、機器人數(shù)量、除草劑用量和能力函數(shù)之間的關系，得到多個機器人所花費的時間和金錢與雜草處理成本之間的近似最優(yōu)解。其主要是模擬自然選擇和遺傳過程中發(fā)生的交叉、變異和遺傳現(xiàn)象，結(jié)合自然的優(yōu)劣規(guī)律，根據(jù)結(jié)果推導出每代的候選解，最后得出最優(yōu)解。但該方法計算量較大，不適用于非結(jié)構(gòu)化字段。

4.2 分布式路徑規(guī)劃

分布式路徑規(guī)劃方法計算量小，魯棒性好，但效率低，只能得到次優(yōu)解。在完全已知的環(huán)境中，需要考慮每個機器人的避障方法和機器人之間的避撞策略，即首先選擇一個機器人進行路徑規(guī)劃，然后將其路徑廣播給其他機器人，最后自行規(guī)劃其他機器人的路徑。但是對于大量的機器人來說，這種方法很難實現(xiàn)。在未知環(huán)境下，首選的方法是在忽略環(huán)境中其他移動機器人運動的基礎上，為每個機器人規(guī)劃避開靜態(tài)障礙物的路徑，然后使用多機器人避碰策略來解決移動機器人之間的沖突問題[39]。

目前，關于農(nóng)業(yè)多機器人分布式路徑規(guī)劃的研究很少。Bouzouita等[5]開發(fā)了無人機監(jiān)測葡萄園的農(nóng)業(yè)信息，無人機的路徑規(guī)劃基于網(wǎng)格圖和A*算法。在地圖上根據(jù)無人機轉(zhuǎn)彎次數(shù)、覆蓋網(wǎng)格訪問次數(shù)、完成單個分區(qū)的時間等約束條件構(gòu)建UAV路徑規(guī)劃函數(shù)。使用A*算法，通過對每個節(jié)點的生成值進行分組來獲得下一個要擴展的最佳節(jié)點。然后，利用寬度優(yōu)先搜索算法，根據(jù)單元間的距離尋找函數(shù)的局部最大值，得出從環(huán)境中的任何起點到目標單元的路徑。實踐表明，該方法能找到近似最優(yōu)解，減少重復訪問同一單元的可能，便于避開已知障礙。但是要考慮當?shù)氐沫h(huán)境條件，才能找到廣泛的適用性。

近年來農(nóng)業(yè)多機器人在路徑規(guī)劃方法方面，主要是在已知條件下進行的，集中規(guī)劃下的網(wǎng)格法和V-Graphic法是最常用的方法。農(nóng)業(yè)機器人之間的避障策略通常不考慮路徑的變化，單個機器人的避障策略主要包括速度調(diào)整和優(yōu)先級原則，多機器人的路徑規(guī)劃一般不考慮農(nóng)業(yè)生產(chǎn)中存在的障礙[40?42]。

綜上所述，農(nóng)業(yè)多機器人路徑規(guī)劃是一個復雜的問題，需要綜合考慮農(nóng)場布局、機器人能力和任務需求等多個因素。其中集中式路徑規(guī)劃在環(huán)境信息完全已知情景下應用更為廣泛，而在環(huán)境情況不完全已知時，用分布式的路徑規(guī)劃效果更好。通過場景建模（對農(nóng)田或農(nóng)場進行建模，將其表示為一個離散或連續(xù)的空間?？梢允褂脰鸥竦貓D或連續(xù)空間的網(wǎng)格表示來模擬農(nóng)場的布局）、碰撞檢測（在路徑規(guī)劃過程中，需要避免機器人之間的碰撞。通過使用碰撞檢測算法和避障策略，確保機器人能夠安全地在農(nóng)場中移動）、實時更新（在實際執(zhí)行過程中，需要實時更新機器人的路徑，以應對變化的環(huán)境和任務需求。實時更新可以通過傳感器數(shù)據(jù)、地圖信息和任務變化等來實現(xiàn)）以及合適的路徑規(guī)劃算法和優(yōu)化策略，從而進一步提高農(nóng)業(yè)作業(yè)效率，減少資源浪費。

5 多機器人通信

通信是多個機器人之間進行信息交互和協(xié)作的基礎。在農(nóng)業(yè)生產(chǎn)中，影響農(nóng)業(yè)機器人精細操作的因素很多，為了保持多個機器人之間的協(xié)調(diào)合作，更全面地了解多個機器人執(zhí)行任務的環(huán)境，機器人之間需要通過信息進行交互，更好地完成給定的任務[43]。Arkin等[44]通過試驗得出結(jié)論，即使是少量的通信也能極大地提高多機器人系統(tǒng)的性能。目前，農(nóng)業(yè)多機器人通信技術主要涉及3部分：多機器人通信方式、通信網(wǎng)絡和通信協(xié)議。

5.1 多機器人通信方式

多機器人通信模式從宏觀上分為顯式通信、隱式通信、顯式與隱式通信。顯式通信是一種交互方式，通過通信作為媒介，要求交互各方之間有明確的通信協(xié)議。這種方法常用于機器人之間的協(xié)調(diào)通信，但其成本相當大。隱式通信是通過外部環(huán)境和內(nèi)部傳感器獲取所需的信息，而不進行顯式的數(shù)據(jù)交換，因此無法使用一些先進的協(xié)調(diào)策略，從而影響執(zhí)行某些復雜任務的能力。

由于顯式通信和隱式通信各有優(yōu)點[45]，上層采用顯式通信對機器人進行集成控制，底層可以考慮采用隱式通信對機器人進行集成控制。顯式通信是指機器人通過無線網(wǎng)絡直接或間接地與其他機器人通信。例如，在廣播通信中，機器人1向通信范圍內(nèi)的所有機器人發(fā)送了一條消息，即沒有指定特定的機器人，不需要該消息的機器人2也會接收該消息。在隱式通信中，機器人之間通信的中介往往是周圍環(huán)境。例如，無人機可以提前得知農(nóng)田情況，建立農(nóng)田環(huán)境模型，地面機器人根據(jù)該農(nóng)田模型在地面上作業(yè)[46]。將這兩種通信方式結(jié)合起來，可以發(fā)揮各自的優(yōu)勢，提高面對各種動態(tài)未知環(huán)境的靈活性，完成農(nóng)業(yè)生產(chǎn)中的許多復雜任務。在文獻[23]中，兩架空中無人機配備了GPS、可見光和近紅外光譜相機，在一組有序的路徑點拍攝農(nóng)田，并上傳到云端，后端將處理后的農(nóng)田雜草信息發(fā)送給地面機器人。地面機器人配備了RTK-GPS、RGB攝像機和激光雷達。RTK-GPS為地面機器人提供精確的方向，RGB攝像機檢測雜草和作物行，激光雷達檢測車輛軌跡上的障礙物。當?shù)孛鏅C器人沿著各自設定的路徑安全行走時，如果攝像機檢測到的雜草與農(nóng)田中的雜草信息相同，則開始除草操作。期間，空中無人機與地面機器人不直接通信，而是通過環(huán)境信息的交互完成協(xié)同操作。

5.2 多機器人無線通信網(wǎng)絡

農(nóng)業(yè)多機器人需要實時調(diào)整姿態(tài)。因此，在農(nóng)業(yè)生產(chǎn)中，多個機器人之間的通信數(shù)據(jù)交換主要基于無線通信技術。該技術主要涉及無線局域網(wǎng)（WLAN）和無線個人局域網(wǎng)（WPAN），如WI-FI、藍牙、ZigBee、IRDA（紅外數(shù)據(jù)關聯(lián)）等。其中，WI-FI技術在農(nóng)業(yè)多機器人中發(fā)展最為迅速。

5.3 多機器人的無線通信協(xié)議

無線通信協(xié)議主要是基于無線通信標準免許可頻段使用。以無線局域網(wǎng)為例，多采用IEEE 802.11系列標準和2.4 GHz或5 GHz頻段進行通信。WPAN采用IEEE 802.15系列傳輸技術協(xié)議。近10年來農(nóng)業(yè)多機器人在通信方面多以計算機作為中心控制器，通過通信發(fā)送ugv和UAv控制單元的初始路徑。感知數(shù)據(jù)在多個機器人和計算機之間交換，IEEE 802.11a標準工作在5 GHz頻段，數(shù)據(jù)傳輸速率為54 mb/s。IEEE 802.11b標準工作在2.4 GHz頻段，數(shù)據(jù)傳輸速率為11 mb/s，與IEEE 802.11a不兼容。IEEE 802.11g是將802.11b的傳輸速率由11 mb/s提升到54 mb/s的標準。IEEE 802.11p標準是由IEEE 802.11標準擴展而來的通信協(xié)議，主要應用于汽車電子的無線通信。

除了上述無線通信技術外，Albani等[47， 48]還采用了一種移動自組網(wǎng)（peer?to?peer）網(wǎng)絡，該網(wǎng)絡將無人機視為網(wǎng)絡中的通信節(jié)點，采用簡單、泛洪、地理感知三種通信策略解決了無人機飛行的通信問題。最簡單的通信策略是單廣播模式，即源節(jié)點向最近的節(jié)點發(fā)送信息，泛洪是一種多播模式，即源節(jié)點向多個代理發(fā)送信息。Geo?aware選擇利用率最高的源節(jié)點發(fā)送消息。這三種溝通策略都忽略了溝通錯誤，關注的是溝通范圍和協(xié)議對工作效率的影響。仿真結(jié)果表明，該方法能以最少的無人機數(shù)量傳遞有效的雜草監(jiān)測信息。但是，該通信策略會丟棄分布式架構(gòu)無人機獲取的新信息，在大范圍通信（如在大范圍的農(nóng)田上）時無法有效地傳輸信息。農(nóng)業(yè)多機器人在農(nóng)田工作時經(jīng)常遇到信號遮擋、非典型天氣等問題。在大田工作的大型農(nóng)業(yè)多機器人很少遇到信號遮擋和非典型天氣等問題。但在其他農(nóng)業(yè)環(huán)境中，如溫室、果園等，當多機器人的尺寸小于作物的高度時，其通信信號強度會受到作物種植、生長特性、種植規(guī)模、自然天氣等因素的影響。文獻[49， 50]表明，農(nóng)業(yè)多機器人WI-FI通信系統(tǒng)的測試結(jié)果在很大程度上因受到作物的反射散射效應影響，導致WI-FI信號強度衰減，在成熟麥田、玉米地、桃園等環(huán)境下，有效通信距離小于50 m（遠小于300 m的理論通信距離）。

綜上所述，農(nóng)業(yè)多機器人通信技術是一項關鍵技術，可以實現(xiàn)農(nóng)田中多個機器人之間的信息交流和協(xié)作，農(nóng)業(yè)多機器人通信技術的應用可以有效提高農(nóng)業(yè)生產(chǎn)效率、減輕農(nóng)民勞動負擔，并促進農(nóng)業(yè)的智能化發(fā)展。其中在機器通信過程中，紅外通信滿足不了農(nóng)業(yè)多機器人移動方面的需求，藍牙性能也低于ZigBee，而ZigBee和WiFi各有特色，可能更多應用于農(nóng)業(yè)多機器人領域，短距離類的通信技術依舊是農(nóng)業(yè)多機器人首選的通信方式。但隨著技術的發(fā)展和新一代通信標準的推出，各項技術也表現(xiàn)出了融合的趨勢，如何根據(jù)具體應用場景選擇合適的協(xié)議、建立高效的網(wǎng)絡拓撲、加強頻譜管理、提高安全性和隱私保護，從而使多機器人通信系統(tǒng)更加穩(wěn)定、數(shù)據(jù)傳輸更加高效顯得尤為關鍵。

6 存在問題

1） 當作業(yè)環(huán)境信息復雜時如何解決農(nóng)業(yè)多機器人協(xié)同中的作業(yè)效率問題。農(nóng)業(yè)多機器人協(xié)同決策需要考慮機器人所處的環(huán)境多變，信息不能充分收集利用以及通信系統(tǒng)受到影響的情況下，如何改善多機器人決策的智能化程度，從而提高機器人作業(yè)的效率。可通過引入角色概念的思路來解決：第一是通過利用部分可觀的馬爾科夫決策過程和對一些不確定環(huán)境信息及行為效果的分析構(gòu)建出多機器協(xié)同的決策角色模型；第二是通過隱式多機器人協(xié)同決策，當機器人的交互通信條件受到限制時，模仿人類協(xié)同的方式，通過一種基于角色的隱協(xié)同框架來實現(xiàn)決策；第三是提出一種控制思想驅(qū)動的多機器人協(xié)同決策優(yōu)化方法，采用輸出或?qū)?shù)反饋的手段來使算法收斂性更好。

2） 當機器人通信受影響時如何解決農(nóng)業(yè)多機器人分布式協(xié)同的控制問題。因系統(tǒng)模型是強非線性的，所以在農(nóng)業(yè)多機器人分布式協(xié)同控制時會存在通信受影響或通信不可測量的情況，針對此問題，可通過改變坐標和重構(gòu)的方法簡化系統(tǒng)模型，借助分布式框架來解決信息不全對多機器人協(xié)同任務的影響。也可用輸出反饋的狀態(tài)控制法，設計機器人的狀態(tài)觀測和控制器的架構(gòu)，使其具備控制跟蹤功能，從而增加整機的穩(wěn)定性。

3） 當監(jiān)測到某個農(nóng)業(yè)機器人出現(xiàn)故障時如何保證剩下的機器能否完成作業(yè)的問題。協(xié)同的故障監(jiān)測和診斷發(fā)現(xiàn)所構(gòu)成的多機器人網(wǎng)絡節(jié)點出現(xiàn)故障，導致網(wǎng)絡出現(xiàn)異常時，及時進行相應診斷。解決此問題的主要方法是協(xié)同檢測方法，簡單來說就是針對一個多節(jié)點的系統(tǒng)模型，通過得到的輸入輸出信號來進行檢測設計。例如當某個機器人出現(xiàn)問題時，整體的多機器人系統(tǒng)就要評估剩下的機器人能否完成原本指定的任務，并調(diào)整作業(yè)路線，保證作業(yè)任務的完成。

4） 當農(nóng)業(yè)機器人數(shù)量過多產(chǎn)生資源沖突導致系統(tǒng)工作效率不高的問題。多機器人在同一個環(huán)境下運行會產(chǎn)生資源沖突的問題，如果缺乏對應的解決策略會對系統(tǒng)效率產(chǎn)生影響，尤其是系統(tǒng)中機器人數(shù)量過多時，系統(tǒng)之間通信的頻率更高，單純靠機器之間的通信，系統(tǒng)工作效率不高，此時對機器人本身的傳感器信息的利用就至關重要。

7 展望

目前，農(nóng)業(yè)多機器人協(xié)同技術取得了一定的研究成果，在特定的農(nóng)業(yè)場景中實現(xiàn)多機器人協(xié)同作業(yè)。但隨著農(nóng)業(yè)作業(yè)需求的不斷增加，多機器人協(xié)同技術在農(nóng)業(yè)應用中未來仍有較大的發(fā)展空間。

7.1 集中式和分布式相結(jié)合的農(nóng)業(yè)多機器人協(xié)同技術是系統(tǒng)作業(yè)的基礎

農(nóng)業(yè)多機器人系統(tǒng)主要集中在集中式或分布式架構(gòu)上，以在預定義的條件下完成協(xié)同操作。這兩種架構(gòu)都有各自的優(yōu)缺點，但隨著機器人數(shù)量的增加（如多個空中機器人與多個地面機器人合作）和新的農(nóng)業(yè)操作需求的增加（如海洋環(huán)境中的采樣、丘陵山區(qū)的貨物裝卸、果園的害蟲控制等），僅依賴于一種架構(gòu)的多機器人系統(tǒng)的可擴展性和靈活性是有限的。將集中式架構(gòu)和分布式架構(gòu)的優(yōu)點結(jié)合起來，形成混合式架構(gòu)，或者根據(jù)任務屬性動態(tài)選擇應用架構(gòu)，可以克服分布式架構(gòu)中自中心導致的低性能，減少集中式架構(gòu)中缺乏控制靈活性的問題。

7.2 快速精確的環(huán)境感知是農(nóng)業(yè)多機器人協(xié)同作業(yè)的關鍵

在環(huán)境感知中，定位和傳感器融合回答了“我在哪里”的問題，構(gòu)建地圖回答了“我周圍有什么”的問題，而這兩個問題的答案是機器人開始行動的先決條件。農(nóng)業(yè)多機器人的定位與傳感器融合技術在室外信號暢通時可以根據(jù)傳感器獲得準確的定位、航向、速度、障礙物等信息。但機器人在丘陵山地和果園作業(yè)時，當機器人故障或通信受阻的情況下，如何保證機器人的準確定位，使多機器人系統(tǒng)具有良好的魯棒性，也是迫切需要解決的問題。

7.3 合理實時的任務分配是農(nóng)業(yè)多機器人作業(yè)的實際需要

任務分配與多機器人協(xié)調(diào)協(xié)作機制有關，簡單的機器人分區(qū)分配不能適應動態(tài)變化的作業(yè)任務。此外，機器人的數(shù)量、操作時間和機器人操作的成本需要根據(jù)操作任務進行動態(tài)調(diào)整。根據(jù)操作的目標進行不同的調(diào)整，即使依靠先驗知識，也不可能根據(jù)這些不確定性的變化得到快速合理的響應。如何通過與動態(tài)環(huán)境的實時交互，使多機器人能夠及時對動態(tài)任務變化進行自我調(diào)整，獲得合理的作業(yè)任務是農(nóng)業(yè)多機器人任務分配有待解決的關鍵問題。

7.4 動態(tài)可靠的農(nóng)業(yè)多機器人路徑規(guī)劃符合多場景需求

農(nóng)業(yè)多機器人作業(yè)路徑是為完成動態(tài)作業(yè)任務而設計的，機器人的行走規(guī)則通常是固定的。多機器人離線規(guī)劃的全局路徑只考慮了固定的行程規(guī)則，如點到點法、圖像法等，可以避開靜態(tài)障礙物，但無法推廣應用于非結(jié)構(gòu)化農(nóng)業(yè)場景。特別是在農(nóng)業(yè)環(huán)境動態(tài)變化較快（如雨季后田間有雜草生長）且農(nóng)業(yè)信息不充分（如構(gòu)建的映射通常不包含動態(tài)障礙）的情況下，固定路徑規(guī)劃無法滿足復雜任務的需求（如雜草不在規(guī)劃路徑上）。因此，如何基于時間特征明顯的操作任務，對多個機器人進行可靠的路徑規(guī)劃，是農(nóng)業(yè)多機器人路徑規(guī)劃需要解決的問題。

7.5 多機器人通信技術是農(nóng)業(yè)非結(jié)構(gòu)化環(huán)境作業(yè)的根本保證

可靠的通信是農(nóng)業(yè)多機器人協(xié)作的基礎，無論是多機器人定位、協(xié)同控制，還是遠程監(jiān)督，通信都不可或缺。農(nóng)業(yè)環(huán)境缺乏通信基礎設施，直接使用的工業(yè)通信系統(tǒng)大多沒有考慮室外植物生長與通信信號的關系，其通信范圍和信號在農(nóng)業(yè)環(huán)境中會有不同程度的衰減。因此，構(gòu)建適應農(nóng)業(yè)多機器人作業(yè)環(huán)境的通信系統(tǒng)是多機器人通信需要解決的問題。

參 考 文 獻

[ 1 ] 張子迎. 多機器人協(xié)作及環(huán)境建模技術研究[D]. 哈爾濱： 哈爾濱工程大學， 2009.

[ 2 ] Hao Y， Laxton B， Benson E R， et al. Differential flatness?based formation following of a simulated autonomous small grain harvesting system [J]. Transactions of the ASAE， 2004， 47（3）： 933-941.

[ 3 ] Emmi L， Gonzalez?de?Soto M， Pajares G， et al. New trends in robotics for agriculture： Integration and assessment of a real fleet of robots [J]. The Scientific World Journal， 2014（1）： 404059.

[ 4 ] 韓藝琳， 王麗麗， 楊洪勇， 等. 基于強化學習的多機器人系統(tǒng)的環(huán)圍編隊控制[J]. 復雜系統(tǒng)與復雜性科學， 2023， 20（3）： 97-102.

[ 5 ] Barrientos A， Colorado J， Cerro J， et al. Aerial remote sensing in agriculture： A practical approach to area coverage and path planning for fleets of mini aerial robots [J]. Journal of Field Robotics， 2011， 28（5）： 667-689.

[ 6 ] 蔣朝陽， 蘭天然， 鄭曉妮， 等. 分布式多車協(xié)同視覺SLAM系統(tǒng)[J]. 汽車工程， 2022， 44（12）： 1809-1817， 1833.

[ 7 ] 王耀南， 江一鳴， 姜嬌， 等. 機器人感知與控制關鍵技術及其智能制造應用[J]. 自動化學報， 2023， 49（3）： 494-513.

[ 8 ] Parker L E. Path planning and motion coordination in multiple mobile robot teams [J]. Encyclopedia of complexity and system science， 2009： 5783-5800.

[ 9 ] Du X， Tan K K. Vision?based approach towards lane line detection and vehicle localization [J]. Machine Vision and Applications， 2016， 27： 175-191.

[10] 胡釗政， 劉佳蕙， 黃剛， 等. 融合WiFi、激光雷達與地圖的機器人室內(nèi)定位[J]. 電子與信息學報， 2021， 43（8）： 2308-2316.

Hu Zhaozheng， Liu Jiahui， Huang Gang， et al. Integration of WiFi， laser， and map for robot indoor localization [J]. Journal of Electronics and Information Technology， 2021， 43（8）： 2308-2316.

[11] 董勝龍， 陳衛(wèi)東， 席裕庚. 多移動機器人編隊的分布式控制系統(tǒng)[J]. 機器人， 2000（6）： 433-438.

[12] 高繼勛， 黃全振， 趙媛媛. 基于領航跟隨的多機器人編隊控制方法[J]. 中國測試， 2021， 47（11）： 8-13.

[13] 張瑞雷， 李勝， 陳慶偉， 等. 復雜地形環(huán)境下多機器人編隊控制方法[J]. 控制理論與應用， 2014， 31（4）： 531-537.

[14] 韓青， 張常亮. Leader?Followers多機器人編隊控制方法[J]. 機床與液壓， 2017， 45（9）： 1-4， 22.

[15] Matari? M J， Sukhatme G S， ?stergaard E H. Multi?robot task allocation in uncertain environments [J]. Autonomous Robots， 2003， 14： 255-263.

[16] Guerrero J， Mi?ana J J， Valero O， et al. Indistinguishability operators applied to task allocation problems in multi?agent systems [J]. Applied Sciences， 2017， 7（10）： 963.

[17] 昝杰. 多自主移動機器人協(xié)作的關鍵技術研究[D]. 西安： 長安大學， 2014.

[18] Moorehead S J， Wellington C K， Gilmore B J， et al. Automating orchards： A system of autonomous tractors for orchard maintenance [C]. Proceedings of the IEEE International Conference of Intelligent Robots and Systems Workshop on Agricultural Robotics， 2012.

[19] Kim J， Son H I. A voronoi diagram?based workspace partition for weak cooperation of multi?robot system in orchard [J]. IEEE Access， 2020， 8： 20676-20686.

[20] D'Urso G， Smith S L， Mettu R， et al. Multi?vehicle refill scheduling with queueing [J]. Computers and Electronics in Agriculture， 2018， 144： 44-57.

[21] 張子迎， 陳云飛， 王宇華， 等. 基于啟發(fā)式深度Q學習的多機器人任務分配算法[J]. 哈爾濱工程大學學報， 2022， 43（6）： 857-864.

Zhang Ziying， Chen Yunfei， Wang Yuhua， et al. Multi?robot task allocation algorithm b Multirobot task allocation algorithm based on heuristically accelerated deep Q network [J]. Journal of Harbin Engineering University， 2022， 43（6）： 857-864.

[22] Wan L， Lan X， Zhang H， et al. A review of deep reinforcement learning theory and application [J]. Pattern Recognition and Artificial Intelligence， 2019， 32（1）： 67-81.

[23] Blender T， Buchner T， Fernandez B， et al. Managing a mobile agricultural robot swarm for a seeding task [C]. Conference of the IEEE Industrial Electronics Society. IEEE， 2016： 6879-6886.

[24] Khamis A， Hussein A， Elmogy A. Multi?robot task allocation： A review of the state?of?the?art [J]. Cooperative Robots and Sensor Networks， 2015： 31-51.

[25] 李曉靜， 余東滿. 基于自適應蟻群算法的農(nóng)用智能機器人路徑規(guī)劃[J]. 中國農(nóng)機化學報， 2019， 40（9）： 189-193.

Li Xiaojing， Yu Dongman. Path planning of agricultural intelligent robots based on an algorithm of self?adaptive ant colony [J]. Journal of Chinese Agricultural Mechanization， 2019， 40（9）： 189-193.

[26] Drenjanac D， Klausner L， Kühn E， et al. Semantic shared spaces for task allocation in a robotic fleet for precision agriculture [C]. 7th Metadata and Semantics Research Conference （MTSR）， 2013： 440-446.

[27] Sherali H D， Driscoll P J. Evolution and state?of?the?art in integer programming [J]. Journal of Computational amp; Applied Mathematics， 2000， 124（1-2）： 319-340.

[28] Guillet A， Lenain R， Thuilot B， et al. Formation control of agricultural mobile robots： A bidirectional weighted constraints approach [J]. Journal of Field Robotics， 2017， 34（7）： 1260-1274.

[29] 姚竟發(fā)， 劉靜， 滕桂法， 等. 機群協(xié)同作業(yè)路徑動態(tài)優(yōu)化[J]. 中國農(nóng)機化學報， 2021， 42（6）： 103-110.

Yao Jingfa， Liu Jing， Teng Guifa， et al. Dynamic optimization of cooperative operation path for agricultural fleet [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（6）： 103-110.

[30] 王志偉， 許江淳， 李玉惠， 等. 基于PSO-EACO的農(nóng)業(yè)機器人路徑規(guī)劃仿真研究[J]. 中國農(nóng)機化學報， 2018， 39（10）： 103-106.

Wang Zhiwei， Xu Jiangchun， Li Yuhui， et al. Simulation research on agricultural robot path planning based on PSO-EACO [J]. Journal of Chinese Agricultural Mechanization， 2018， 39（10）： 103-106.

[31] 雷艷敏. 多機器人系統(tǒng)的動態(tài)路徑規(guī)劃方法研究[D]. 哈爾濱： 哈爾濱工程大學， 2011.

[32] 高明， 唐洪， 張鵬. 機器人集群路徑規(guī)劃技術研究現(xiàn)狀[J]. 國防科技大學學報， 2021， 43（1）： 127-138.

[33] 張丹露， 孫小勇， 傅順， 等. 智能倉庫中的多機器人協(xié)同路徑規(guī)劃方法[J]. 計算機集成制造系統(tǒng)， 2018， 24（2）： 410-418.

[34] Kolendo P， ?mierzchalski R， Jaworski B. Fitness function scaling in the evolutionary method of path planning [C]. 2011 IEEE International Symposium on Industrial Electronics， 2011： 1989-1994.

[35] Chiddarwar S S， Babu N R. Conflict free coordinated path planning for multiple robots using a dynamic path modification sequence [J]. Robotics amp; Autonomous Systems， 2011， 59（7-8）： 508-518.

[36] Gonzalez?De?Santos P， Ribeiro A， Fernandez?Quintanilla C， et al. Fleets of robots for environmentally?safe pest control in agriculture [J]. Precision Agriculture， 2017.

[37] Conesa?Mu?oz J， Gonzalez?de?Soto M， Gonzalez?de?Santos P， et al. Distributed multi?level supervision to effectively monitor the operations of a fleet of autonomous vehicles in agricultural tasks [J]. Sensors， 2015， 15（3）： 5402-5428.

[38] Conesa?Mu?oz J， Ribeiro A， Andujar D， et al. Multi?path planning based on a NSGA-II for a fleet of robots to work on agricultural tasks [C]. 2012 IEEE Congress on Evolutionary Computation， 2012： 1-8.

[39] Hasegawa J， Kurihara K， Nishiuchi N. Collision?free path planning method for mobile robot [C]. IEEE International Conference on Systems， Man and Cybernetics， 2002， 3： 6.

[40] 李文鑫， 張璠， 姚竟發(fā)， 等. 聯(lián)合收割機與運糧車協(xié)同作業(yè)調(diào)度技術研究[J]. 中國農(nóng)機化學報， 2023， 44（2）： 119-125.

Li Wenxin， Zhang Fan， Yao Jingfa， et al. Research on the cooperative operation scheduling technology of combine harvester and grain truck [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（2）： 119-125.

[41] Noguchi N， Will J， Ishii K， et al. Development of master?slave robot system?obstacle avoidance algorithm [C]. Automation Technology for Off?Road Equipment Proceedings of the 2002 Conference， 2002： 432.

[42] 劉福琳， 李慶鑫. 多移動機器人混合避障算法的編隊策略[J]. 系統(tǒng)仿真學報， 2024， 36（3）： 726-734.

[43] 劉志杰， 劉恒， 毛文菊， 等. 面向多機器人的傳統(tǒng)蘋果園無線通信信號傳播特性研究[J]. 農(nóng)業(yè)機械學報， 2022， 53（8）： 283-293.

Liu Zhijie， Liu Heng， Mao Wenju， et al. Wireless signal propagation characteristics of traditional apple orchard for multi?robot [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（8）： 283-293.

[44] Arkin R C， Balch T， Nitz E. Communication of behavorial state in multi?agent retrieval tasks [C]. Proceedings IEEE International Conference on Robotics and Automation. IEEE， 1993： 588-594.

[45] Pitla S K， Luck J D， Shearer S A. Multi?robot system control architecture （MRSCA） for agricultural production [C]. 2010 Pittsburgh， Pennsylvania， 2010： 1.

[46] Ju C， Son H I. Modeling and control of heterogeneous agricultural field robots based on Ramadge?Wonham theory [J]. IEEE Robotics and Automation Letters， 2019， 5（1）： 48-55.

[47] Albani D， Ijsselmuiden J， Haken R， et al. Monitoring and map** with robot swarms for agricultural applications [C]. 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. IEEE， 2017： 1-6.

[48] Albani D， Nardi D， Trianni V. Field coverage and weed map** by UAV swarms [C]. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2017： 4319-4325.

[49] 周渝. 農(nóng)業(yè)多機器人系統(tǒng)無線通信技術研究[D]. 楊凌： 西北農(nóng)林科技大學， 2014.

[50] 朱海. 農(nóng)業(yè)多機器人無線通信平臺的研究與設計[D]. 楊凌： 西北農(nóng)林科技大學， 2015.