不確定場景下無人農機多機動態路徑規劃方法

梁亞杰，楊麗麗，徐媛媛，陳智博，馮雅蓉，吳才聰,2

·智慧農業技術與裝備·

不確定場景下無人農機多機動態路徑規劃方法

梁亞杰1，楊麗麗1，徐媛媛1，陳智博1，馮雅蓉1，吳才聰1,2※

（1. 中國農業大學信息與電氣工程學院，北京 100083； 2. 農業農村部農業信息獲取技術重點實驗室，北京 100083）

在現代化農業中，越來越多的龍頭企業或農村合作社提供一系列的農業作業專業化服務，引入多臺農機進行規模化作業，不僅提高了效率，而且可以實現搶種搶收，減少自然災害的風險。目前，多臺農機并行作業仍以預先計劃的固定農機和靜態的固定路線為主，但在實際耕種、收割等作業中，常會出現農機突發故障、農機臨時增加、農機工作效率不一致等不確定場景，這些不確定性給多臺農機集群控制帶來巨大挑戰。因此，研究不確定場景下多機動態路徑規劃方法具有十分重要的理論意義和實用價值。該研究以總作業時長為綜合優化目標，綜合各種不確定場景，針對輪式自動駕駛拖拉機，提出了改進的迭代貪婪（Improved Iterated Greedy, IIG）方法進行多機動態路徑規劃，解決以往傳統方法在不確定情況發生后路徑規劃結果低效甚至失效的問題。試驗表明，該方法在不確定場景下可及時、高效的動態調整路徑規劃方案，能夠為不同數量、不同性能的農機迭代找到當前最優路徑。與傳統的并排作業方法相比，IIG優化的矩形農田作業路徑總作業時間平均下降約35%，且隨著農機性能差異越大，節省時間越多；與迭代貪婪（Iterated Greedy, IG）方法相比，IIG在一般播種作業中總掉頭時間平均減少約17%。該方法在不確定場景下路徑優化效果較好，且具有很好的魯棒性及環境適應性，可為農田無人作業多機路徑規劃提供參考。

農業機械；自動化；無人駕駛；多機協同作業；動態路徑規劃

0 引 言

在現代化農業中，越來越多的龍頭企業或農村合作社提供一系列的農業作業專業化服務[1-2]，提高農業機械的利用率和作業效率是重中之重[3-7]。單機作業[8]若出現故障，將會影響作業進度，而引入多臺農機進行規模化作業[9-11]，可以更高效完成農田的作業任務，并且對實現搶種搶收、減少自然災害風險意義重大。因此，如何有效組織多臺農機共同作業，節省作業成本，縮短作業時間是實現無人駕駛作業亟待解決的主要問題[12-14]。

2008年，Bochtis提出一種B-patterns農機作業模式，將農田劃分為若干平行、等寬的作業行，使用旅行商問題來優化農機作業路徑，即加權圖中尋找最優遍歷序列的問題，并且每個作業行只能遍歷一次[15]。同年，又將其轉化為二進制整數規劃問題，提出一種計算平行遍歷序列算法[16]，相比并排作業方法，非作業成本可減少50%以上。2009年Bochtis 等[17]將多臺農機作業問題定義為車輛路徑問題（Vehicle Routing Problem, VRP），求解農業大田作業最優作業路徑。2010年Jin等[18]通過將農田分解為子區域并確定每個子區域作業方向，建立農田幾何模型求解最優覆蓋路徑規劃。2011年Hameed等[19]根據農田幾何形狀計算出農機作業最優方向來優化農機作業路徑。2013年Bakhtiari等[20]提出了蟻群優化的聯合收割田間覆蓋方案生成方法，與常規方案進行比較，節省非工作距離18%～43%。2016年Conesa-Mu?oz等[21]基于模擬退火算法計算具有不同特性的車輛覆蓋作物軌跡。同年，又提出將Mix-opt算子集成到該算法來優化多臺農機作業路徑[22]。2017年Seyyedhasani等[23]使用改進的Clark-Wright算法和禁忌搜索算法優化多臺農機作業路徑，使作業完成時間減少了32%。2019年，姚竟發等[24]提出了多臺聯合收割機無沖突協同作業路徑優化算法，通過避免沖突，有效提高了田間作業能力。Utamima 等[25]提出進化混合鄰域搜索方法解決農機田間最優路徑問題。Zou等[26]把迭代貪婪算法引入到解決矩陣制造車間多艙室自動引導車調度問題，使總成本最小化。該方法的靈活特性在解決不確定場景下的多機任務分配問題有著天然的優勢，但其應用在具體路徑規劃問題中優化效果并不理想。本文將迭代貪算法與具體農業播種作業場景相結合，以總作業時長（包括作業時間及掉頭時間）為綜合優化目標，提出了基于改進迭代貪婪算法的無人農機多機路徑規劃方法，根據環境變化動態調整無人農機作業路徑，避免不確定場景帶來的規劃失效問題。同時，考慮輪式農機作業掉頭模式特點，設計路徑優化策略，為組織無人農機機群規模化作業提供參考。

1 作業場景及問題描述

1.1 大田多機作業不確定場景分析

隨著農機規模的擴大，不同農機中品牌、型號、新舊程度各有不同[27-28]，農機性能存在一定的差異，并且在多機作業中由于自然環境的變化也會產生多種不確定場景，導致以往固定路徑規劃難以順利進行，這就迫切需要適應不確定場景的路徑規劃方法來及時動態調整路徑規劃方案。

基于Wu等[29]總結的6類因素導致的不確定場景，為提升農機作業質量、效率、安全等主要目標，本文主要考慮機械及自然環境這2類關鍵的不確定因素導致的農機數量、任務數量及作業效率的動態變化，主要歸納為6類不確定場景，如表1所示。

表1 不確定場景分類

1.2 問題分析

1.2.1 問題描述

考慮農業大田作業一般場景，農田分為規則農田（如矩形）和不規則農田（如梯形及其他多邊形），主要研究對象為帶有可提升機具的輪式自動駕駛拖拉機，作業類型主要有犁地、耕地、耙地、或播種等，根據作業類型及機具幅寬將農田分為若干個等寬的條帶作業行，如圖1。設每臺農機從同一出發點開始作業，作業完不需要返回初始或某個特定的位置。

目前，按照經驗作業，多臺自動駕駛農機一般采用并排套圈作業方式[24,30]，即相鄰的多臺農機并排逐行作業，每個條帶只能由一臺農機作業，每臺農機同一時間只能作業一個條帶，完成當前條帶后，需要沿掉頭區域行駛較長距離進入下一行。

注：圖中數字表示條帶編號，紅、綠、黑顏色有向線段分別表示第1～3號農機路徑。下同。

Note: The numbers in the figure indicatesthe strip No., the red, green and black directed line segment represents the corresponding path ofthe 1st to 3rd agricultural machinery respectively. Same as below.

圖1 基于經驗的多機路徑規劃示意圖

Fig.1 Schematic diagram of multiple machines path planning by experience

為了在不確定場景下更安全、高效完成作業，本文針對以上6種不確定場景提出路徑規劃方法，根據環境的變化實現路徑的動態規劃，從而確保作業不間斷進行，最大程度減少作業時間及掉頭時間等。

1.2.2 多機動態路徑規劃模型

本文以最小化總作業時長為目標，提出改進迭代貪婪算法解決不確定場景下多機作業路徑規劃問題。

為了在數學上表述該問題，本文定義了一組輛自動駕駛農機=[1,…,V]，一塊農田劃分為個作業條帶=[1,…,S]，每個條帶幅寬為。為所有農機作業路徑集合，其中=[1,…,|R|]為第臺農機作業路徑集合。f為第臺農機結束第行的時刻，e為第臺農機從第行進入第行的時刻。

本文基于改進迭代貪婪算法為農機每輪迭代選擇從當前位置最快到達的條帶進行作業，見式（1）。

式（3）表示農機作業路徑集合中農機的數量閾值，即至少1臺農機作業，最多不能超過個農機；式（4）表示每臺農機作業的條帶數量閾值，即每臺農機至少作業1個條帶，最多不能超過個條帶；式（5）表示每個條帶只能被1臺農機作業1次；式（6）表示第臺農機結束第行的時刻一定早于第臺農機從第行進入第行的時刻。

2 多機動態規劃路徑規劃算法

基于上述構建的多機動態路徑規劃模型，本文采用改進的迭代貪婪算法IIG（Improved Iterated Greedy）解決大田作業不確定場景中的路徑規劃問題。

2.1 參數設定

由于不同農機性能存在差異，假設第臺農機到達最近的條帶需要的總時間T，設農機工作狀態屬性W，當農機空閑時，W=0，農機在第條帶作業時，W=，第條帶狀態屬性分為作業狀態屬性O和配車狀態屬性A。其中條帶作業狀態分為可作業、不可作業，可作業時O=0，不可作業時O=1；當條帶已分配給第臺農機，配車狀態屬性A=，反之，A=0，見表2。

表2 路徑規劃參數設置

2.2 改進的迭代貪婪算法

首先，基于農田信息、農機信息及作業信息進行參數設置，農田信息包括農田位置、尺寸、邊界，農機信息包括數量、速度、機具幅寬、最小轉彎半徑，作業信息包括作業類型、作業名稱。然后將農田根據作業機具幅寬劃分為若干等寬平行的條帶，生成農機列表及條帶列表。進而基于以上信息初始化相關參數。設所有農機初始狀態均為空閑狀態，所有條帶初始化為未作業且未分配農機，即W=0，O=0，A=0，通過調用改進迭代貪婪算法生成初始路徑規劃方案。

如果發生不確定場景，路徑規劃結果將被動態調整。當農機增加，將其加入到空閑農機列表，等待系統迭代調用；當農機發生故障，將其移除農田，并將正在作業的條帶作業狀態置為可作業；當農田條帶被占用導致暫時無法被作業，將條帶狀態置為不可作業，并將正在作業的農機置為空閑狀態；當條帶解除占用，將條帶作業狀態置為可作業，等待被其他農機作業；當農機提速或降速，比預計時間提前完成作業或延期完成作業，則按照時間先后、先進先出的原則將農機依次加入到空閑農機列表，等待系統迭代遍歷。

3 算例分析

3.1 試驗數據

3.2 結果與分析

3.2.1 不確定場景下多機動態路徑規劃

基于以上試驗數據，根據本文提出的改進迭代貪婪算法得出初始路徑規劃方案，如圖3所示。其中每臺農機的作業路徑集合分別為1=[1, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24]，2=[2, 5, 7, 11, 13, 17 19, 23]，3=[3, 9, 15, 21]。

當不確定場景發生后，算法自適應調整規劃路線，具體路徑規劃結果如圖4所示。

圖4a模擬按照初始路徑規劃方案作業250 s后，農機3發生排種器損壞，動態調整路徑規劃方案后，農機路徑集合由1=[14, 16, 18, 20, 22, 24]，2=[13, 17, 19, 23]，3=[15, 21]，調整為1=[14, 16, 18, 20, 22, 24, 21]，2=[13, 15, 17, 19, 23]。試驗結果表明，當農機發生故障后，該農機未作業的條帶可由其他農機高效、順利完成作業。

圖4b模擬按照初始路徑規劃方案作業210 s后，新增農機4，其作業速度為4=6 m/s，動態調整路徑規劃方案后每臺農機的路徑集合由1=[12, 14, 16, 18, 20, 22, 24]，2=[11, 13, 17, 19, 23]，3=[15, 21]，調整為1=[13, 15, 19, 22]，2=[12, 16, 21]，3=[17, 24]，4=[11, 14, 18, 20, 23]。試驗結果表明，當新增農機后，該農機能夠分配到合適的作業任務，與原有農機共同完成剩余作業。

圖4c模擬按照初始路徑規劃方案作業255 s后，由于土質變差宜密植，農機1減速，其作業速度由1=6 m/s降為1=2 m/s，動態調整路徑規劃方案后每臺農機的路徑集合由1=[14, 16, 18, 20, 22, 24]，2=[11, 13, 17, 19, 23]，3=[15, 21]，調整為1=[15, 17, 20, 22]，2=[11, 13, 16, 18, 21, 23]，3=[14, 19, 24]。試驗結果表明，當農機減速后，該農機作業能力下降，其原有部分任務被及時分配給其他農機作業，避免了因農機降速導致的部分條帶被延期作業的問題。

圖4d模擬按照初始路徑規劃方案作業250 s后，由于土質改善宜稀植，農機3提速，其作業速度由3=2 m/s加速為3=8 m/s，動態調整路徑規劃方案后每臺農機的路徑集合由1=[12, 14, 16, 18, 20, 22, 24]，2=[13, 17, 19, 23]，3=[9, 15, 21]，調整為1=[12, 14, 16, 19, 21, 24]，2=[15, 18, 22]，3=[13, 17, 20, 23]。試驗結果表明，當農機提速后，該農機能夠分配更多的作業任務，適量減少其他農機任務，使總作業效率更高。

圖4e模擬按照初始路徑規劃方案作業55 s后，農田條帶5，6，7，8被臨時占用，禁止農機進入，動態調整路徑規劃方案后每臺農機的路徑集合由1=[6, 8, 10, 12, 14, 16, 18, 20, 22, 24]，2=[5, 7, 11, 13, 17, 19, 23]，3=[9, 15, 21]，調整為1=[10, 12, 14, 16, 18, 20, 22, 24]，2=[9, 11, 15, 17, 21, 23]，3=[13, 19]。試驗結果表明，當部分條帶被臨時占用時，原計劃執行這些條帶的農機能夠順利參與剩余條帶作業。

圖4f模擬按照圖4e 所示的任務減少場景繼續作業250 s 后，農田條帶5，6，7，8解除占用，動態調整路徑規劃方案后每臺農機的路徑集合由1=[16, 18, 20, 22, 24]，2=[17, 21, 23]，3=[19]，調整為1=[5, 7, 16, 18, 20, 22, 24]，2=[6, 17, 19, 23]，3=[8, 21]。試驗表明，當被占用的條帶解除占用或新增了作業條帶時，這些條帶被增加到剩余未作業任務中，分配給合適的農機。

基于以上分析，本文提出的改進迭代貪婪算法能夠很好的解決不確定場景下的多機動態路徑規劃問題，具有很好的環境適應性及魯棒性，可支持農業大田無人作業，實現多機高效精準作業。

3.2.2 算法性能分析

本文提出的改進迭代貪婪算法IIG分別與傳統方法TM（按經驗并排作業方法）、迭代貪婪算法IG在總作業時間、總掉頭時間進行算法性能比較。為便于試驗結果分析，對比方法計算的總作業時間記為OTX；IIG 計算得到的時間記為OT；OT比OTX總作業時間下降率記為OTDR，具體定義如下：

對比方法計算的總掉頭時間記為TTX；IIG 計算得到的總掉頭時間記為TT；TT比TTX總掉頭時間下降率記為TTDR，具體定義如下：

分析表3可知，農機速度標準差（記為SD）從0增加到4，3臺農機在300 m×135 m矩形農田并排作業的總作業時間OTX均為900 s。IIG方法與并排作業方法相比，由算法策略決定了在總掉頭時間上二者差異較小，作業時間差異較大。因此，本試驗中總作業時間指標間接反映了總作業時長的優化效果。試驗結果表明，在3臺農機速度相等或差異很小時，總作業時間相等，即OTDR=0。隨著農機速度差異的增加，IIG比TM計算 的總作業時間下降率呈階梯遞增趨勢，平均下降率約35%。

表3 作業時間優化結果

注：1、2、3分別為農機1、2、3的作業速度，m·s-1；SD為農機速度標準差，m·s-1；OT為IIG方法計算的總作業時間，s；OTDR為IIG比按經驗并排作業方法總作業時間下降率，%。

Note:1,2,3are the operating speeds of agricultural machinery 1, 2 and 3 respectively, m·s-1; SD is the standard deviation of agricultural machinery speed, m·s-1;OT is the total operation time calculated by IIG(Improved Iterated Greedy) method, s; OTDR is the decline rate of total operation time of IIG compared with that of side by side operation method according to experience, %.

通過上述分析可得，當農機性能存在差異時，IIG方法路徑優化后可比傳統方法減少總作業時間，并且隨著農機性能差異越大，總作業時間下降率越大。

通過3組試驗分析不同機具幅寬的掉頭時間優化結果。可用農機共有5臺，農機初始速度序列為=[6, 4, 2, 2, 6] (m/s)，每臺農機轉向半徑均為7.15 m。設試驗初始規模為4臺農機，3組試驗農田大小分別300 m×96 m、 300 m×144 m、300 m×216 m，每塊農田對應幅寬分別為4、6、9 m。每組試驗分別在6種不確定場景下計算總掉頭時間，見表4。由于本文提出的改進迭代貪婪方法IIG與傳統迭代貪婪方法IG均適用于解決不確定場景問題，在算法改進策略上主要考慮的是對掉頭時間的節約，2種方法所得的作業時間相等。因此，總掉頭時間指標可間接反映總作業時長的優化效果。試驗對比分析可得，作業幅寬分別為4、6、9 m時，IIG方法相對于IG方法總掉頭時間平均下降了20.91%、20.64%、9.15%。

表4 掉頭時間優化結果

注：-V1表示移除農機V1，+V5表示增加農機V5，S-4表示減少4個條帶，S+4表示增加4個條帶，V1ˉ表示農機V1速度由6 m·s-1降至4 m·s-1、V4-表示農機V4速度由2 m·s-1提速至4 m·s-1。TTX、TT分別為IG、IIG方法計算的總掉頭時間，s；TTDR為IIG比IG總掉頭時間下降率，%。

Note: -V1 indicates the removal of the agricultural machinery V1, +V5 indicates the increase of the agricultural machinery V5, S-4 indicates the decrease of 4 strips, S+4 indicates the increase of 4 strips, V1ˉindicates the deceleration of the agricultural machinery V1 from 6 m·s-1to 4 m·s-1, V4-indicates the acceleration of the agricultural machinery V4 from 2 m·s-1to 4 m·s-1. TTX and TT are the total turning time calculated by IG(Iterated Greedy) and IIG methods respectively, s; and TTDR is the decline rate of total turning time of IIG compared with IG, %.

試驗表明，作業幅寬小于農機轉向半徑時，節約掉頭時間較多，反之節約時間相對較少。通常在實際大田播種機具幅寬主要為4～9 m，試驗數據表明通過本文提出的方法可平均節省總掉頭時間約17%。

4 結 論

為提高農業大田作業效率，本文以總作業時長為目標，提出了一種不確定場景下多臺農機作業路徑規劃算法，并以矩形農田進行了不確定場景路徑規劃試驗及算法性能對比試驗。試驗結果表明，在6種常見的不確定場景中，該方法能夠及時高效地調整路徑規劃方案，始終能為不同數量、不同性能的農機找到更優的作業路徑。

改進的迭代貪婪（Improved Iterated Greedy, IIG）方法可比傳統并排作業方法平均可減少總作業時間約35%，并且隨農機性能差異越大，總作業時間下降率越大；此外，針對一般播種作業，在不確定場景中，該方法比迭代貪婪（Iterated Greedy, IG）方法可減少總掉頭時間達17%。

綜上，在不確定場景下，本文提出的改進迭代貪婪算法始終能以最短的掉頭時間為多臺農機找到最優作業路徑，動態規劃策略可確保所有作業連續、高效地完成，提高機群作業效率，降低作業成本。

[1] 吳才聰，方向明．基于北斗系統的大田智慧農業精準服務體系構建[J]. 智慧農業，2019，1(4)：83-90．

Wu Caicong, Fang Xiangming. Construction of precision service system of field smart agriculture based on Beidou system[J]. Smart Agriculture, 2019, 1(4): 83-90. (in Chinese with English abstract)

[2] Sorensen C G, Bochtis D D. Conceptual model of fleet management in agriculture[J]. Biosystems Engineering, 2010, 105(1): 41-50.

[3] Santos L C, Santos F N, Pires E J S, et al. Path planning for ground robots in agriculture: A short review[C]//2020 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC).IEEE, 2020: 61-66.

[4] Wang J, Zhu Y T, Chen Z B, et al. Auto-steering based precise coordination method for in-field multi-operation of farm machinery[J]. International Journal of Agricultural and Biological Engineering, 2018, 11(5): 174-181.

[5] Zhu Y T, Wang J, Wu C C. Cloud based precise coordination system for multi-machinery of single-operation[J]. IFAC-PapersOnLine, 2018, 51(17): 626-630.

[6] Zhou K, Jensen A L, Bochtis D D, et al. Simulation model for the sequential in-field machinery operations in a potato production system[J]. Computers and Electronics in Agriculture, 2015, 116: 173-186.

[7] Rodias E, Berruto R, Busato P, et al. Energy savings from optimised in-field route planning for agricultural machinery[J]. Sustainability, 2017, 9(11): 1956.

[8] 張漫，季宇寒，李世超，等．農業機械導航技術研究進展[J]．農業機械學報，2020，51(4)：1-18.

Zhang Man, Ji Yuhan, Li Shichao, et al. Research progress of agricultural machinery navigation technology[J]. Transactions of Chinese Society for Agricultural Machinery, 2020, 51(4): 1-18. (in Chinese with English abstract)

[9] Bechar A, Vigneault C. Agricultural robots for field operations. Part 2: Operations and systems[J]. Biosystems Engineering, 2017, 153: 110-128.

[10] 曹如月，李世超，季宇寒，等．多機協同導航作業遠程管理平臺開發[J]．中國農業大學學報，2019，24(10)：92-99．

Cao Ruyue, Li Shichao, Ji Yuhan, et al. Development of remote monitoring platform for multi-machine cooperative navigation operation[J]. Journal of China Agricultural University, 2019, 24(10): 92-99. (in Chinese with English abstract)

[11] Bsaybes S, Quilliot A, Wagler A K. Fleet management for autonomous vehicles: Online PDP under special constraints[J]. RAIRO-Operations Research, 2019, 53(3): 1007-1031.

[12] Hameed I A. A coverage planner for multi-robot systems in agriculture[C]//2018 IEEE International Conference on Real-time Computing and Robotics (RCAR). IEEE, 2018: 698-704.

[13] Wu C C, Chen Z B, Wang D X, et al. A cloud-based in-field fleet coordination system for multiple operations[J]. Energies, 2020, 13(4): 775.

[14] Zhou K, Jensen A L, Bochtis D D, et al. Quantifying the benefits of alternative fieldwork patterns in a potato cultivation system[J]. Computers and Electronics in Agriculture, 2015, 119: 228-240.

[15] Bochtis D D. Planning and control of a fleet of agricultural machines for optimal management of field operations[D]. Greece: Aristotle University, 2008.

[16] Bochtis D D, Vougioukas S G. Minimising the non-working distance travelled by machines operating in a headland field pattern[J]. Biosystems Engineering, 2008, 101(1): 1-12.

[17] Bochtis D D, Sorensen C G. The vehicle routing problem in field logistics part I[J]. Biosystems Engineering, 2009, 104(4): 447-457.

[18] Jin J, Tang L. Optimal coverage path planning for arable farming on 2D surfaces[J]. Transactions of the ASABE, 2010, 53(1): 283-295.

[19] Hameed I A, Bichtis D D, Sorensen C G. Driving rangle and track sequence optimization for operational path planning using genetic algorithms[J]. Applied Engineering in Agriculture, 2011, 27(6): 1077-1086.

[20] Bakhtiari A, Navid H, Mehri J, et al. Operations planning for agricultural harvesters using ant colony optimization[J]. Spanish Journal of Agricultural Research, 2013, 11(3): 652-660.

[21] Conesa-Mu?oz J, Bengochea-guevara J M, Andujar D, et al. Route planning for agricultural tasks: A general approach for fleets of autonomous vehicles in site-specific herbicide applications[J]. Computers and Electronics in Agriculture, 2016, 127: 204-220.

[22] Conesa-munoz J, Pajares G, Ribeiro A. Mix-opt: A new route operator for optimal coverage path planning for a fleet in an agricultural environment[J]. Expert Systems with Applications, 2016, 54: 364-378.

[23] Seyyedhasani H, Dvorak J S. Using the vehicle routing problem to reduce field completion times with multiple machines[J]. Computers and Electronics in Agriculture, 2017, 134: 142-150.

[24] 姚竟發，滕桂法，霍利民，等. 聯合收割機多機協同作業路徑優化[J]. 農業工程學報，2019，35(17)：12-18.

Yao Jingfa, Teng Guifa, Huo Limin, et al. Path optimization of multi machine cooperative operation of combine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 12-18. (in Chinese with English abstract)

[25] Utamima A, Reiners T, Ansaripoor A H. Optimisation of agricultural routing planning in field logistics with evolutionary hybrid neighbourhood search[J]. Biosystems Engineering, 2019, 184: 166-180.

[26] Zou W Q, Pan Q K, Tasgetiren M F. An effective iterated greedy algorithm for solving a multi-compartment AGV scheduling problem in a matrix manufacturing workshop[J]. Applied Soft Computing, 2021, 99(3): 106945.

[27] Han Shufeng, He Yong, Fang Hui. Overview of the development of automatic navigation and driverless vehicles for agricultural machinery[J]. Journal of Zhejiang University (Agriculture and Life Sciences Edition), 2018, 44(4): 381-391, 515.

韓樹豐，何勇，方慧. 農機自動導航及無人駕駛車輛的發展綜述[J]. 浙江大學學報：農業與生命科學版，2018，44(4)：381-391，515. (in English with Chinese abstract)

[28] 冷博峰，馮中朝，周曉時，等. 農機購置補貼對農戶購機投入模型與影響分析[J]. 農業工程學報，2020，36(23)：324-334.

Leng Bofeng, Feng Zhongchao, Zhou Xiaoshi, et al. Model and impact analysis of agricultural machinery purchase subsidy on farmers' purchase input [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 324-334. (in Chinese with English abstract)

[29] Wu C C, Cai Y P, Hu B B, et al. Classification and evaluation of uncertain influence factors for farm machinery service[J]. International Journal of Agricultural and Biological Engineering, 2017, 10(6): 164-174.

[30] Zhang C, Noguchi N. Development of a multi-robot tractor system for agriculture field work[J]. Computers and Electronics in Agriculture, 2017, 142: 79-90.

[31] Zhou K. Simulation Modelling for In-field Planning of Sequential Machinery Operations in Cropping Systems[D]. Denmark: Aarhus University, 2015.

Dynamic path planning method for multiple unmanned agricultural machines in uncertain scenarios

Liang Yajie1, Yang Lili1, Xu Yuanyuan1, Chen Zhibo1, Feng Yarong1, Wu Caicong1,2※

(1100083; 2100083)

Most machinery can be hands-free and remotely operated in modern agriculture. Almost all tractors are equipped with some sort of GPS technology in recent years, indicating a step on the way to fully autonomous farms in the future. A series of multiple agricultural machinery have also been introduced to realize highly efficient plant and harvest, while reducing the risk of natural disasters for large-scale production in China. Particularly, the vehicle can travel on pre-mapped roads, even to move around the obstacle. However, the parallel operation is still widely used in current multiple machinery, indicating the fixed agricultural machinery and static fixed route in advance. Furthermore, there are often most uncertain scenarios, such as a sudden failure, temporary increase, and inconsistent work efficiency of agricultural machinery in the actual farming and harvesting. These uncertainties have also posed great challenges to the operation of multiple agricultural machinery. Therefore, it is necessary to explore the multi-machine dynamic path planning, whenever the information is accessible about the barrier, particularly when the environment tends to be unpredictable and changeable. Moreover, the future unmanned farm is highly requiring the large-scale operation of multiple agricultural machinery. In this study, a multi-machine dynamic path planning was proposed for the wheeled autonomous tractors in various uncertain scenarios using an Improved Iterative Greedy (IIG) algorithm. The total completion time was also taken as the comprehensive optimization objective. More importantly, an attempt was made to deal with the inefficient or even invalid path planning after the occurrence of uncertain scenarios. The experimental results show that the scheme of path planning was timely and efficiently adjusted in uncertain scenarios. An optimal path was also found for the different numbers and performances of agricultural machinery during an iterative process. The total operation time of IIG optimized operation path in rectangular farmland decreased by 35%, compared with the traditional side-by-side operation. Specifically, there was a significant optimization effect, as the performance of agricultural machinery varied greatly. Additionally, the total turning time was reduced by 17% after IIG optimization, compared with the original. Consequently, the optimization algorithm presented a remarkable performance in uncertain scenarios, indicating excellent robustness and environmental adaptability. The finding can also provide a strong reference for the path planning of multiple autonomous machinery in unmanned farmland.

agricultural machinery; automation; driverless; multi-machine cooperative operation; dynamic path planning

10.11975/j.issn.1002-6819.2021.21.001

S24

A

1002-6819(2021)-21-0001-08

梁亞杰，楊麗麗，徐媛媛，等.不確定場景下無人農機多機動態路徑規劃方法[J]. 農業工程學報，2021，37(21)：1-8.doi：10.11975/j.issn.1002-6819.2021.21.001 http://www.tcsae.org

Liang Yajie, Yang Lili, Xu Yuanyuan, et al. Dynamic path planning method for multiple unmanned agricultural machines in uncertain scenarios[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 1-8. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.001 http://www.tcsae.org

2021-07-14

2021-10-20

北京市科技計劃項目（Z201100008020008）

梁亞杰，博士生，研究方向為無人農機路徑規劃、導航控制。Email：liangyajie@cau.edu.cn.

吳才聰，副教授，博士生導師，研究方向為農機導航與位置服務。Email：wucc@cau.edu.cn.