大數(shù)據(jù)驅動下的智能農機自主作業(yè)路徑規(guī)劃與優(yōu)化研究

魏 錚

（山西應用科技學院，山西 太原 030062）

隨著我國經濟和社會的快速發(fā)展，農業(yè)生產的規(guī)?；?、機械化、智能化已成為大勢所趨。為適應這一發(fā)展需求，開發(fā)智能化和精準化的農業(yè)機械裝備尤為關鍵[1]。近年來，整合大數(shù)據(jù)分析和人工智能技術，研發(fā)能夠自主規(guī)劃和優(yōu)化作業(yè)路徑的智能農機，已成為農業(yè)機械化發(fā)展的重要方向?；诖?，本文擬重點研究大數(shù)據(jù)環(huán)境下，智能農機作業(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)境適應性上還面臨一定問題，如對農田復雜動態(tài)環(huán)境的主動感知和建模能力較弱、路徑搜索空間大、優(yōu)化收斂性差等，這制約了智能農機的應用推廣。筆者希望通過算法和策略的設計與優(yōu)化，提供高效且適應多樣復雜場景的路徑決策支持，為我國智能農機的發(fā)展提供理論依據(jù)。

1 大數(shù)據(jù)驅動下智能農機自主作業(yè)路徑規(guī)劃

1.1 智能農機自主作業(yè)路徑規(guī)劃的基本原理

智能農機自主作業(yè)路徑規(guī)劃的目標是根據(jù)作業(yè)任務要求，在復雜動態(tài)的農田環(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)農機，智能農機整合了豐富的環(huán)境感知設備，構建了精細的三維環(huán)境模型，支持路徑規(guī)劃與控制決策。例如，L型激光雷達和AGX Xavier自動駕駛平臺，可以實現(xiàn)10 cm 分辨率的環(huán)境建模，并預測障礙物短期運動趨勢。數(shù)字農田數(shù)據(jù)也融合在模型中，準確描述作物和設施分布。在此基礎上，路徑搜索模塊可全局評估不同方案。以自動播種為例，搜索空間復雜度高達n!，n 為地塊關鍵點數(shù)量。規(guī)劃需兼顧多個約束因素，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)境預測和多目標評價生成局部避障路徑，實現(xiàn)柔性規(guī)避。同時，精確的機器視覺控制也可保證作業(yè)工具定位準確。最終，智能農機能夠按照自主規(guī)劃的最優(yōu)路徑作業(yè)，完成復雜任務。通過感知與決策的深度協(xié)同，智能農機實現(xiàn)了作業(yè)路徑的主動規(guī)劃與優(yōu)化，顯著提高了作業(yè)效率與質量。

1.2 大數(shù)據(jù)驅動下智能農機自主作業(yè)路徑規(guī)劃方法

當前，農業(yè)大數(shù)據(jù)主要包括遙感影像、土壤溫濕度、作物生長模型、地理空間信息等多源異構數(shù)據(jù)。大數(shù)據(jù)的深度應用為智能農機提供了豐富的環(huán)境感知源和知識驅動力量[3]。具體來說，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。這為構建精細化數(shù)字孿生農田奠定了基礎。此外，Crop-Soil 模型可模擬作物生長動態(tài)，預測未來兩周內的生長期。借助上述信息，路徑規(guī)劃模塊運用深度學習算法，實現(xiàn)對季節(jié)性、周期性環(huán)境變化模式的自動學習與預測，這大大提升了路徑規(guī)劃的環(huán)境適應性。與此同時，Parmesan 系統(tǒng)可快速分割大面積地塊為多個具有相對獨立作業(yè)需求的子區(qū)域。這降低了路徑搜索空間，實現(xiàn)了實時動態(tài)規(guī)劃。該系統(tǒng)已在102 hm2區(qū)域內實現(xiàn)作業(yè)效率提升53%?？傊?，大數(shù)據(jù)驅動實現(xiàn)了對環(huán)境變化規(guī)律的深入學習和預測，并以此支撐復雜場景下的快速環(huán)境建模、作業(yè)分割與路徑規(guī)劃，這顯著提高了農機的自主適應能力和作業(yè)質量。

2 智能農機自主作業(yè)路徑優(yōu)化研究

2.1 路徑優(yōu)化模型構建

本研究基于多源異構數(shù)據(jù)，構建精細化數(shù)字孿生農田，實現(xiàn)高精度的作物生長預測，以此支持路徑優(yōu)化模型的構建。模型通過直觀的指標定義量化路徑的效率、長度、平順性等屬性[4]。例如作業(yè)時間指標依據(jù)作物分布、作業(yè)工具速度參數(shù)計算；路徑平順性采用加速度統(tǒng)計量描述，考慮速度連續(xù)性。不同指標基于作物和路徑曲率約束計算，并設置指標權重，實現(xiàn)指標綜合。最終模型輸出用于描述路徑質量的目標函數(shù)值。以自動播種路徑為例，目標函數(shù)包含如下指標：1）作業(yè)時間。系統(tǒng)獲取衛(wèi)星遙感影像，識別作物種類和位置，結合AGX Xavier 模塊的參數(shù)，計算單位面積作業(yè)時間，評估整條路徑的總作業(yè)時長。2）路徑長度。采用三維激光點云數(shù)據(jù)擬合作物邊界，計算路徑連接點的距離和。3）平順性指數(shù)。統(tǒng)計路徑曲率得到切向加速度分布，通過數(shù)值積分反映運動平順程度。各指標權重可根據(jù)實際需要調節(jié)。對提高作業(yè)效率的任務，可加大作業(yè)時間權重[5]；對低速操作，可增大平順性權重以提高舒適度。模型還考慮作業(yè)約束條件，確保生成路徑的有效性。例如風速要低于12 m/s，平整度高于0.88，滿足播種質量要求。路徑曲率也受到機器人運動學約束。例如撒施機器人最大轉彎半徑應不低于1.8 m。模型綜合權衡多項約束和指標，輸出用于描述路徑優(yōu)劣的目標函數(shù)值，為后續(xù)算法提供優(yōu)化目標。該模型充分考慮效率、質量、舒適性等用戶關注的關鍵屬性[6]。并基于數(shù)據(jù)驅動評估路徑指標，實現(xiàn)對農機性能與環(huán)境變化的主動適應。這為復雜場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習與優(yōu)化算法的層級協(xié)同路徑優(yōu)化策略。第一層為環(huán)境預測模塊，輸入包括衛(wèi)星遙感圖像、土壤監(jiān)測數(shù)據(jù)、作物生長模型在內的多源異構大數(shù)據(jù)，構建高精度的數(shù)字孿生場景。場景邊界識別精度達到96%，作物生長動態(tài)預測平均誤差小于3.2%。第二層為主動避障模塊，運用89%識別率的YOLOv5 障礙物分割網絡實現(xiàn)實時環(huán)境感知，并結合LSTM 網絡預測0.5 s 后的障礙物狀態(tài)，準確規(guī)劃局部避障軌跡，避免相撞[7]。第三層為全局優(yōu)化模塊，建立包括路徑長度、作業(yè)時間、平順性等5項指標在內的評價函數(shù)，引入權重因子調節(jié)指標權衡策略。并使用模擬退火蟻群算法搜索全局最優(yōu)解，每次迭代評估20 條樣本路徑，經過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數(shù)據(jù)，實現(xiàn)對環(huán)境和作物生長的高精度預測，為路徑決策提供可靠支持。融合深度網絡與預測模型，大幅提升對復雜多變環(huán)境的感知能力以及對運動規(guī)律的理解能力。并通過模擬退火蟻群算法的啟發(fā)式搜索，兼顧全局性目標與約束條件[8]，在降低目標函數(shù)值的同時，保證路徑曲率、運動學約束的滿足。相比于遺傳算法和粒子群算法，該方法收斂速度更快，適合實時路徑優(yōu)化。本方法構建層級化的感知、決策與控制框架，實現(xiàn)環(huán)境、局部避障和全局優(yōu)化的協(xié)同，使智能農機能夠主動適應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能力[9]。

3 實驗分析與驗證

3.1 實驗環(huán)境與數(shù)據(jù)收集

本研究在中國科學院自動化研究所數(shù)字農業(yè)研發(fā)基地開展了實驗分析與結果驗證。實驗場地為86畝灌溉高標準機械化農田，復雜性評級為3。仿真和測試平臺為JD Agriculture Brain 系統(tǒng)，主要整合了Nvidia Jetson Xavier自動駕駛計算平臺和Livox Mid-70 高精度激光雷達等模塊，構建智能農機作業(yè)路徑規(guī)劃與控制系統(tǒng)。系統(tǒng)搭建了無人機和地面車輛的數(shù)據(jù)采集子平臺，用于構建高精度的數(shù)字孿生農田并獲取豐富的環(huán)境感知數(shù)據(jù)源[10]。無人機平臺使用紅外相機和多光譜相機獲取作物分布邊界、分類和生長狀態(tài)數(shù)據(jù)；地面測量車則通過3D LiDAR 掃描儀、氣象站和土壤檢測儀獲取三維地形、氣候和土壤等數(shù)據(jù)。通過數(shù)據(jù)融合構建了86 畝灌溉農田的高精度數(shù)字孿生系統(tǒng)，三維地形重構精度達到0.5 cm，作物生長階段標注準確率為91%。在此基礎上，系統(tǒng)追溯采集了一年多時序維度的多源異構數(shù)據(jù)，包括氣象、土壤、作物和地形等數(shù)據(jù)，共計182 GB。并建立了作物生長預測模型，實現(xiàn)對未來兩周內環(huán)境和作物生長變化的預測。路徑規(guī)劃與優(yōu)化算法的核心代碼基于C++實現(xiàn)，運行在Jetson Xavier 平臺上，邏輯線數(shù)約1.2 萬行。上述數(shù)字孿生場景與算法模塊的高度融合，為仿真實驗提供了真實可靠的閉環(huán)測試環(huán)境，保證了評估結果的公正性。

3.2 系統(tǒng)實現(xiàn)效果分析

基于構建的數(shù)字孿生農田和智能路徑規(guī)劃系統(tǒng)，本研究進行了系統(tǒng)實現(xiàn)效果的仿真分析與驗證。結果匯總如表1所示。

表1 系統(tǒng)實現(xiàn)效果指標

表1 結果驗證了該算法性能指標滿足設計要求：三維數(shù)字農田模型與實際場景高度吻合，分類識別準確率高達92.3%；規(guī)劃系統(tǒng)可在0.13 s 內搜索初始路徑，保證實時規(guī)劃能力；避障策略可解決大部分動態(tài)障礙，全局優(yōu)化算法收斂至更優(yōu)解，節(jié)省作業(yè)時間超過30 min。

如前文分析，精密的環(huán)境數(shù)字孿生和主動的避障規(guī)劃是取得這一成效的基礎，HPC 自動駕駛計算平臺也為復雜算法的實時運行提供了支持。本系統(tǒng)達到了預期指標，驗證了方法與理論的正確性。

3.3 實驗結果與討論

基于高保真的數(shù)字孿生測試環(huán)境，本研究獲得了豐富的實驗結果數(shù)據(jù)。對比分析表明，本方法生成路徑長度較初始解縮短6.1%，作業(yè)時間減少4.7%，最大運動加速度由8.2 m/s2降至6.3 m/s2，滿足農機機動性限制，運動平順性和作業(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。仿真試驗構建了包括田埂、水渠和作物區(qū)等復雜地形的數(shù)字場景，搭建了具有代表性的測試平臺，保證了結果評估的公正性。分析認為，準確預測作物生長期和數(shù)字化孿生場景的建模，為自主路徑決策提供了重要支持，是獲得良好實驗結果的基礎。應基于多源數(shù)據(jù)的深度融合實現(xiàn)對環(huán)境變化規(guī)律的深入學習與建模。避障與全局優(yōu)化策略的融合應用使路徑既省略了實時調整實現(xiàn)敏捷避障，又兼顧了全局約束，實現(xiàn)對復雜動態(tài)環(huán)境的魯棒適應。本研究驗證了此方法的有效性，也為智能農機規(guī)劃與控制領域的發(fā)展提供了借鑒。順應數(shù)字化和智能化趨勢，構建虛實融合的試驗平臺，將加速前沿理論的迭代驗收，推進農機產業(yè)的技術革新。

4 結語

本研究針對智能農機環(huán)境適應性和路徑自主決策能力不足的現(xiàn)實難題，提出了基于深度學習和優(yōu)化算法的環(huán)境預測與路徑協(xié)同優(yōu)化方法。通過構建精細化數(shù)字孿生系統(tǒng)，實現(xiàn)對農田環(huán)境和作物生長變化規(guī)律的主動學習與預測。設計兩級路徑決策框架，集成深度網絡與傳統(tǒng)算法，同時兼顧環(huán)境約束和全局最優(yōu)性。仿真實驗表明：此方法可以明顯提升路徑的動態(tài)增量性、約束適應性與作業(yè)效率。本研究為智能農機廠商打造“數(shù)字試驗場”奠定了基礎，也為構建自主作業(yè)機械提供了重要借鑒。展望未來，隨著通信技術和異構數(shù)據(jù)平臺的發(fā)展，網絡級的多源信息融合與協(xié)同將進一步驅動農業(yè)機械的智能化升級，促進數(shù)字化、經濟高效化與可持續(xù)發(fā)展的有機統(tǒng)一。