CN117146832B - 融合无线通信和人工智能的农机自动驾驶控制方法及系统 - Google Patents

融合无线通信和人工智能的农机自动驾驶控制方法及系统 Download PDF

Info

Publication number
CN117146832B
CN117146832B CN202311423608.0A CN202311423608A CN117146832B CN 117146832 B CN117146832 B CN 117146832B CN 202311423608 A CN202311423608 A CN 202311423608A CN 117146832 B CN117146832 B CN 117146832B
Authority
CN
China
Prior art keywords
path
target
automatic driving
initial
cultivation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311423608.0A
Other languages
English (en)
Other versions
CN117146832A (zh
Inventor
杨锐
杨文治
高强
张弓
顾竹
张文鹏
张艳忠
吴众望
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiage Tiandi Technology Co ltd
Original Assignee
Beijing Jiage Tiandi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiage Tiandi Technology Co ltd filed Critical Beijing Jiage Tiandi Technology Co ltd
Priority to CN202311423608.0A priority Critical patent/CN117146832B/zh
Publication of CN117146832A publication Critical patent/CN117146832A/zh
Application granted granted Critical
Publication of CN117146832B publication Critical patent/CN117146832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，公开了一种融合无线通信和人工智能的农机自动驾驶控制方法及系统，用于实现农机的自动驾驶控制并提高农机的耕种效率。方法包括：对目标耕种区域进行路径规划，生成第一自动驾驶路径；通过目标农机进行当前轮次的耕种操作并采集目标环境参数；将目标环境参数输入环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；将编码环境参数信号输入初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；进行路径调整，得到第二自动驾驶路径并生成第一路径规划指令集合；若当前轮次的耕种操作执行完毕，则进行路径操作转换，生成第二路径规划指令集合并进行下一轮次的耕种操作。

Description

融合无线通信和人工智能的农机自动驾驶控制方法及系统
技术领域
本发明涉及人工智能领域，尤其涉及一种融合无线通信和人工智能的农机自动驾驶控制方法及系统。
背景技术
随着科技的不断进步和农业现代化的推进，农业生产也正逐渐转向更智能、高效的方向。自动驾驶技术和人工智能在农业领域的应用成为了一个备受关注的研究领域。传统的农业作业，特别是耕种操作，通常需要农民花费大量时间和精力，且存在着效率低、劳动强度大等问题。因此，如何通过融合无线通信和人工智能的农机自动驾驶控制方法，实现农机的自主运行和智能农业操作，成为了一个重要的研究方向。
在传统农机自动化技术中，路径规划和环境感知是关键的技术挑战。然而，传统的路径规划算法往往缺乏对复杂环境的适应性，不能有效应对不同地形和作业需求。同时，农业作业中的环境参数，如土壤湿度、作物生长状态等，也对农机的作业效果产生影响，但这些参数的准确获取和分析也是一项挑战。
发明内容
本发明提供了一种融合无线通信和人工智能的农机自动驾驶控制方法及系统，用于实现农机的自动驾驶控制并提高农机的耕种效率。
本发明第一方面提供了一种融合无线通信和人工智能的农机自动驾驶控制方法，所述融合无线通信和人工智能的农机自动驾驶控制方法包括：
获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合；
控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径，包括：
获取目标耕种区域的区域范围坐标，并获取目标农机的工作宽度参数，同时，根据所述工作宽度参数计算所述目标农机的有效耕种面积；
根据所述有效耕种面积对所述目标耕种区域进行网格划分，生成二维网格图，并对所述二维网格图进行节点提取，得到多个网格节点；
根据所述区域范围坐标，对所述多个网格节点进行坐标映射，得到多个节点坐标，并根据所述多个节点坐标设置每个网格节点的节点权重；
通过预置的路径规划算法，根据所述节点权重对所述多个网格节点进行节点路径分析，生成原始自动驾驶路径；
对所述原始自动驾驶路径进行样条插值计算和路径平滑分析，得到第一自动驾驶路径。
结合第一方面，在本发明第一方面的第二种实现方式中，所述通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数，包括：
通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作；
通过预置的传感器组采集初始环境参数，其中，所述传感器组包括摄像头传感器、激光雷达传感器及土壤湿度传感器；
将所述初始环境参数输入预置聚类分析模型，并调用聚类分析模型的初始移动密度函数对所述初始环境参数进行聚类中心计算，得到初始聚类中心；
对所述初始聚类中心与所述初始环境参数进行距离计算，得到多个特征中心距，并对所述多个特征中心距进行平均值计算，得到平均中心距；
通过所述平均中心距对所述初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述初始移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述初始环境参数进行聚类中心计算，得到对应的目标聚类中心，并通过所述目标聚类中心对所述初始环境参数进行聚类分析，得到目标环境参数。
结合第一方面，在本发明第一方面的第三种实现方式中，所述将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号，包括：
将所述目标环境参数输入预置的环境参数处理模型，其中，所述环境参数处理模型包括多个参数处理子模型，所述参数处理子模型包括：卷积层和池化层、全连接层、LSTM层、Softmax层及输出层；
通过所述多个参数处理子模型中的卷积层和池化层，分别对所述目标环境参数进行参数特征提取，得到每个参数处理子模型对应的参数特征向量；
通过所述多个参数处理子模型中的全连接层和LSTM层，分别对所述参数特征向量进行特征编码，得到编码特征向量；
通过所述多个参数处理子模型中的Softmax层及输出层，分别对所述编码特征向量进行环境参数信号转换，得到编码环境参数信号。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型，包括：
将所述编码环境参数信号输入预置的初始路径优化模型，其中，所述初始路径优化模型包括：融合进化策略层、初始策略网络及安全奖励函数；
通过所述融合进化策略层构建所述编码环境参数信号对应的网络进化策略；
基于所述网络进化策略，对所述初始策略网络进行策略网络参数进化，得到初始策略网络参数；
根据所述安全奖励函数计算所述初始策略网络参数的安全奖励数据，并根据所述安全奖励数据对所述初始策略网络参数进行优化，得到目标策略网络参数；
根据所述目标策略网络参数对所述初始策略网络进行策略网络参数更新，得到目标路径优化模型。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合，包括：
通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到调整后的自动驾驶路径；
对所述调整后的自动驾驶路径进行分段，得到多个节段自动驾驶路径；
分别对每个节段自动驾驶路径进行曲率变化计算，得到每个节段自动驾驶路径的曲率变化率；
对每个节段自动驾驶路径的曲率变化率进行相加，得到所述调整后的自动驾驶路径的曲率变化率；
根据所述曲率变化率对所述调整后的自动驾驶路径进行路径调优，得到第二自动驾驶路径；
根据所述第二自动驾驶路径的路径起点，对所述第二自动驾驶路径进行路径特征提取，得到多个第一路径特征，并分别对每个第一路径特征进行特征编码，得到每个第一路径特征的第一编码向量；
对所述第一编码向量和预置的候选指令编码集合进行指令匹配，生成对应的第一路径规划指令集合。
结合第一方面，在本发明第一方面的第六种实现方式中，所述控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作，包括：
控制所述目标农机执行所述第一路径规划指令集合，并检测所述第一路径规划指令集合是否执行完毕；
若当前轮次的耕种操作执行完毕，则根据所述第二自动驾驶路径的路径终点，对所述第二自动驾驶路径进行路径特征提取，得到多个第二路径特征；
分别对每个第二路径特征进行特征编码，得到每个第二路径特征的第二编码向量；
对所述第二编码向量和所述候选指令编码集合进行指令匹配，生成对应的第二路径规划指令集合；
根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
本发明第二方面提供了一种融合无线通信和人工智能的农机自动驾驶控制系统，所述融合无线通信和人工智能的农机自动驾驶控制系统包括：
获取模块，用于获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
采集模块，用于通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
转换模块，用于将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
分析模块，用于将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
调整模块，用于通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合；
生成模块，用于控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
本发明第三方面提供了一种融合无线通信和人工智能的农机自动驾驶控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述融合无线通信和人工智能的农机自动驾驶控制设备执行上述的融合无线通信和人工智能的农机自动驾驶控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的融合无线通信和人工智能的农机自动驾驶控制方法。
本发明提供的技术方案中，对目标耕种区域进行路径规划，生成第一自动驾驶路径；通过目标农机进行当前轮次的耕种操作并采集目标环境参数；将目标环境参数输入环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；将编码环境参数信号输入初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；进行路径调整，得到第二自动驾驶路径并生成第一路径规划指令集合；若当前轮次的耕种操作执行完毕，则进行路径操作转换，生成第二路径规划指令集合并进行下一轮次的耕种操作，本发明通过自动驾驶和智能路径规划，使农机能够在耕种过程中更加准确地行驶，避免了重复性操作和浪费，从而大幅提高了作业效率。农机的自主运行还能够实现连续作业，减少了停歇时间，从而更快地完成耕种任务，通过智能路径规划和环境感知，农机能够更准确地按照预定路径和深度进行作业，从而实现了农机的自动驾驶控制，并提高了农机的耕种效率。
附图说明
图1为本发明实施例中融合无线通信和人工智能的农机自动驾驶控制方法的一个实施例示意图；
图2为本发明实施例中环境参数信号转换的流程图；
图3为本发明实施例中网络参数优化分析的流程图；
图4为本发明实施例中路径调整的流程图；
图5为本发明实施例中融合无线通信和人工智能的农机自动驾驶控制系统的一个实施例示意图；
图6为本发明实施例中融合无线通信和人工智能的农机自动驾驶控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种融合无线通信和人工智能的农机自动驾驶控制方法及系统，用于实现农机的自动驾驶控制并提高农机的耕种效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中融合无线通信和人工智能的农机自动驾驶控制方法的一个实施例包括：
S101、获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
可以理解的是，本发明的执行主体可以为融合无线通信和人工智能的农机自动驾驶控制系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标耕种区域的区域范围坐标以及目标农机的有效耕种面积。这些信息将为路径规划提供基础。例如，可以获取目标耕种区域的经纬度坐标为(35.123,-120.456)，并获知目标农机的工作宽度参数为2.5米。根据目标农机的工作宽度参数，可以计算出有效耕种面积。假设计算后的有效耕种面积为5000平方米。随后，利用网格划分技术，将有效耕种区域划分成一个二维网格图。假设划分为一个50x100的网格。从这个二维网格图中提取出多个网格节点，形成一个节点集合。每个节点都会映射到实际地理坐标上，这样可以确保路径规划在实际地理环境中准确进行。例如，如果从网格中提取了5000个节点，每个节点都被映射到了实际地理坐标上。为每个节点设置节点权重，这些权重可以根据目标农机的工作宽度和其他因素进行调整。这些节点的权重将用于路径规划算法中，以影响路径的生成方向。这些权重的设置可以根据节点与作物之间的距离、地形情况等因素来决定。通过预设的路径规划算法，利用节点权重进行路径分析，生成初始的自动驾驶路径。这个初始路径仍然可能是离散的，可能包含不必要的转折点。在生成的初始路径基础上，进行样条插值计算以获得平滑的曲线路径。同时，对插值后的路径进行路径平滑处理，以消除过于急促的转折点。这样，就得到了第一自动驾驶路径。
S102、通过目标农机，根据第一自动驾驶路径对目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
具体的，服务器目标农机按照第一自动驾驶路径在目标耕种区域执行当前轮次的耕种操作。通过自动控制系统，农机可以沿着路径正确行驶，确保耕地覆盖。预置的传感器组包括摄像头传感器、激光雷达传感器和土壤湿度传感器。这些传感器工作协同，提供了丰富的环境信息。摄像头传感器可以捕捉周围景象，激光雷达传感器可以检测障碍物和地形，而土壤湿度传感器可以测量土壤湿度。例如，在一块小麦田里，农机配备了摄像头传感器来获取地面情况，激光雷达传感器来测量地面高度和障碍物，土壤湿度传感器则测量土壤湿度。这些传感器为自动驾驶系统提供了关键的环境信息。接着，采集到的初始环境参数输入预置的聚类分析模型。传感器数据将被处理，以便更好地理解环境特征和变化。通过聚类分析，相似的数据点将被归为一类，揭示出环境中的不同特征和模式。例如，摄像头捕获的图像数据、激光雷达测量的高度数据以及土壤湿度数据被传输到聚类分析模型中，从而识别出地块内的不同特征，比如不同的土地高低和湿度分布区域。随后，调用聚类分析模型的初始移动密度函数，计算初始环境参数的聚类中心。这些聚类中心代表了环境中的主要特征。它们可以帮助服务器更好地理解环境并做出决策。通过计算初始聚类中心与初始环境参数之间的距离，获得多个特征中心距。这些距离可以揭示不同特征之间的相对关系，有助于更准确地捕捉环境变化。计算多个特征中心距的平均值，得到平均中心距。这个平均值将被用来调整初始移动密度函数的搜索半径参数，以更好地适应不同环境的变化。利用平均中心距对初始移动密度函数的搜索半径参数进行调整，从而得到目标搜索半径参数。这个参数的调整将确保聚类分析更精确地捕捉环境特征。通过应用目标搜索半径参数，初始移动密度函数被调整为目标移动密度函数。这个函数用于计算环境参数的目标聚类中心，进一步分析环境参数，从而更好地理解环境变化。
S103、将目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
需要说明的是，目标环境参数（例如，图像、传感器测量值等）被输入到预置的环境参数处理模型中。这个模型旨在将复杂的原始环境数据转化为更具有表示能力和适用性的编码形式。环境参数处理模型包含多个参数处理子模型。卷积层和池化层用于从原始环境数据中提取特征，如图像中的纹理、物体边界等。全连接层用于整合不同特征，LSTM层用于捕捉序列性数据的时间依赖性。Softmax层和输出层则将编码特征转化为最终的编码环境参数信号。通过将不同参数处理子模型的输出连接在一起，目标环境参数被逐步转化为编码特征。这个过程会捕捉环境参数中的有用信息，使其更适合用于自动驾驶决策。例如，假设一个农机正在进行自动驾驶耕作，其配备了图像传感器、激光雷达传感器和土壤湿度传感器。图像传感器用于获取田地的图像，激光雷达用于测量地面高度，土壤湿度传感器用于测量土壤湿度。在环境参数处理模型中，卷积层和池化层会从图像数据中提取出不同特征，例如检测到的植被、土地质地等。全连接层会将这些特征与激光雷达和土壤湿度传感器的测量值整合起来，LSTM层则可以捕捉到土壤湿度在时间上的变化趋势。接着，Softmax层和输出层将最终的编码特征转化为编码环境参数信号。这个编码信号可以包含不同特征的权重和关系，为自动驾驶决策提供更加准确的输入。本实施例中，通过将目标环境参数输入到深度学习模型中，利用卷积层、池化层、全连接层、LSTM层、Softmax层和输出层，可以将原始环境数据转化为编码环境参数信号。这种编码将有助于农机自动驾驶系统更好地理解环境，从而做出更智能的决策
S104、将编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
具体的，编码环境参数信号被输入到预置的初始路径优化模型中。这个模型是一个复杂的计算框架，由三个关键部分构成：融合进化策略层、初始策略网络和安全奖励函数。融合进化策略层是整个路径规划过程的核心。它借助进化算法，将编码环境参数信号映射到一个网络进化策略，以便在路径规划中引入环境适应性和智能性。这个策略将指导后续的网络参数优化过程，确保生成更适应当前农田环境的路径。接着，基于构建的网络进化策略，对初始策略网络进行参数进化。初始策略网络是一个神经网络，用于生成路径。通过进化算法，网络的权重和参数会不断调整，以获得更符合当前环境和需求的路径。在进化的过程中，安全奖励函数会评估生成路径的安全性，其中包括避开障碍物、不越界等因素。根据安全奖励函数的评估，初始策略网络参数会得到对应的安全奖励数据。这个安全奖励数据用来优化初始策略网络参数，以获得目标策略网络参数。通过调整网络参数，路径优化模型将生成更安全、更智能的路径规划，使农机能够在自动驾驶过程中遵守安全准则和农田条件。利用得到的目标策略网络参数，对初始策略网络进行参数更新，从而生成目标路径优化模型。这个模型将输出优化后的路径，以确保农机在耕作过程中可以智能、安全地行驶。例如，假设农机需要在一片小麦田里进行自动驾驶的耕作。通过环境传感器，获取了图像数据、土壤湿度信息以及地形高度数据。将这些编码环境参数信号输入到初始路径优化模型中。融合进化策略层会根据这些参数构建网络进化策略。例如，图像数据将指导决定路径避开图像中检测到的植被区域，土壤湿度信息可能会影响路径规划以确保在湿地和干地之间进行合适的分配。这个策略会考虑这些参数，以生成智能的路径规划。接着，进化算法会对初始策略网络进行参数调整。例如，网络可能会学习到如何在不同土地类型之间切换，如何适应地形的起伏，以及如何避开检测到的障碍物。在进化过程中，安全奖励函数会评估生成路径的安全性。如果路径避开了障碍物、不越界，并且遵循了预设的安全准则，那么初始策略网络参数将获得相应的安全奖励数据。通过利用安全奖励数据优化初始策略网络参数，得到目标策略网络参数。这些参数将用于更新初始策略网络，生成目标路径优化模型。这个模型将生成更智能、更安全的路径规划，以确保农机在自动驾驶过程中可以高效地耕作。
S105、通过目标路径优化模型对第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据第二自动驾驶路径生成对应的第一路径规划指令集合；
具体的，服务器借助目标路径优化模型，对第一自动驾驶路径进行调整。目的是通过考虑环境参数和目标优化标准，使路径更适应农田的实际情况。对调整后的自动驾驶路径进行分段，将其划分为多个节段的自动驾驶路径。这样的分段有助于更精细地分析和优化路径特性。针对每个节段的自动驾驶路径，计算其曲率变化率。曲率变化率表示路径弯曲程度的变化情况，有助于了解路径的平滑性和驾驶的舒适性。将每个节段的曲率变化率相加，得到调整后的自动驾驶路径的总体曲率变化率。这个指标可以帮助确定路径的平滑性和路径调优的需求。基于曲率变化率，对调整后的自动驾驶路径进行路径调优。这可能涉及到路径的平滑化、减小急转弯等，以确保路径更适应农田的地形和环境。根据第二自动驾驶路径的起点，提取多个第一路径特征。这些特征可以是路径的方向变化、地形高度变化、植被分布等。将每个第一路径特征进行特征编码，生成对应的第一编码向量。这个向量将反映每个路径特征的关键信息，有助于后续的指令匹配。将第一编码向量与预设的候选指令编码集合进行匹配，生成相应的第一路径规划指令集合。这些指令将指导农机在自动驾驶过程中采取的动作，如前进、转弯、停止等。例如，考虑一个农机正在自动驾驶进行耕作，在一块不平坦的农田上。通过目标路径优化模型，对初始自动驾驶路径进行调整。这个优化过程考虑了地形高度、土壤湿度和植被分布等因素。随后，将调整后的路径分为几个节段，如前进、左转、右转等。每个节段的曲率变化率被计算，以评估路径的平滑性。将各节段的曲率变化率相加，得到总体曲率变化率。基于这个指标，路径调优会减小急转弯的情况，确保路径更平稳。根据第二自动驾驶路径的起点，提取路径特征，如地形的高低变化、路径的方向变化等。这些特征被编码成第一编码向量。将第一编码向量与预设的候选指令编码集合进行匹配，生成第一路径规划指令集合。例如，如果路径特征显示前方有较大的地形高度变化，服务器会生成相应的指令，要求农机减速。
S106、控制目标农机执行第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据第二路径规划指令集合对目标耕种区域进行下一轮次的耕种操作。
具体的，控制目标农机执行第一路径规划指令集合，并同时监测这些指令是否已经全部执行完毕。这些指令包括了农机的行驶、转向、停止等动作，以确保农机能够按照规划的路径进行自动驾驶耕种。当当前轮次的耕种操作执行完毕时，服务器会根据第二自动驾驶路径的路径终点，提取多个第二路径特征。这些特征可能涉及路径的长度、方向变化、地形变化等。对每个第二路径特征进行特征编码，生成对应的第二编码向量。这个向量将包含关键的路径特征信息，有助于后续的指令匹配。将第二编码向量与预设的候选指令编码集合进行匹配，生成对应的第二路径规划指令集合。这些指令将指导农机在第二自动驾驶路径上的动作，确保农机能够在路径中行驶、转向或停止。基于第二路径规划指令集合，对目标耕种区域进行下一轮次的耕种操作。农机将根据这些指令执行相应的动作，以完成下一轮的耕种任务。例如，假设一台农机正在一块小麦田中进行自动驾驶耕作。初始阶段，根据第一路径规划指令集合，农机被指示前进一段距离，然后左转，接着沿着曲线行驶，最后停在一个特定位置。一旦农机完成了第一路径规划指令集合中的所有动作，服务器会检测当前耕种操作是否已完成。如果是，服务器会根据第二自动驾驶路径的终点提取路径特征，比如路径长度、地形高度变化等。这些第二路径特征将被编码成第二编码向量，每个向量捕捉了特定路径特征的关键信息。将第二编码向量与预设的候选指令编码集合进行匹配，生成第二路径规划指令集合。例如，如果第二路径特征显示路径较长且存在地形高度变化，服务器可能会生成指令，要求农机适度降低速度，以确保在不平坦的地形上稳定行驶。基于第二路径规划指令集合，农机将进行下一轮次的耕种操作。它可能会按照规划好的路径进行前进、转弯，或者在指定位置停下，完成接下来的耕作任务。
本发明实施例中，对目标耕种区域进行路径规划，生成第一自动驾驶路径；通过目标农机进行当前轮次的耕种操作并采集目标环境参数；将目标环境参数输入环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；将编码环境参数信号输入初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；进行路径调整，得到第二自动驾驶路径并生成第一路径规划指令集合；若当前轮次的耕种操作执行完毕，则进行路径操作转换，生成第二路径规划指令集合并进行下一轮次的耕种操作，本发明通过自动驾驶和智能路径规划，使农机能够在耕种过程中更加准确地行驶，避免了重复性操作和浪费，从而大幅提高了作业效率。农机的自主运行还能够实现连续作业，减少了停歇时间，从而更快地完成耕种任务，通过智能路径规划和环境感知，农机能够更准确地按照预定路径和深度进行作业，从而实现了农机的自动驾驶控制，并提高了农机的耕种效率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标耕种区域的区域范围坐标，并获取目标农机的工作宽度参数，同时，根据工作宽度参数计算目标农机的有效耕种面积；
（2）根据有效耕种面积对目标耕种区域进行网格划分，生成二维网格图，并对二维网格图进行节点提取，得到多个网格节点；
（3）根据区域范围坐标，对多个网格节点进行坐标映射，得到多个节点坐标，并根据多个节点坐标设置每个网格节点的节点权重；
（4）通过预置的路径规划算法，根据节点权重对多个网格节点进行节点路径分析，生成原始自动驾驶路径；
（5）对原始自动驾驶路径进行样条插值计算和路径平滑分析，得到第一自动驾驶路径。
具体的，服务器为了规划农机的自动驾驶路径，需要获取目标耕种区域的区域范围坐标。这些坐标可以通过GPS定位系统或其他位置信息技术获得。同时，获取目标农机的工作宽度参数，该参数指示了农机在一次工作中能够耕种的宽度范围。根据工作宽度参数，可以计算目标农机的有效耕种面积。这个面积是指在一次工作中，农机实际耕种的地块面积，通常是工作宽度乘以行进距离。基于有效耕种面积，可以对目标耕种区域进行网格划分，生成一个二维网格图。这个图将耕种区域划分成若干个小区域，以便更好地进行路径规划和分析。从二维网格图中提取多个网格节点。这些节点代表了耕种区域内的不同区块，每个区块可以被视为一个潜在的路径点。将这些网格节点与目标耕种区域的区域范围坐标进行坐标映射，以确定每个节点在实际农田中的位置。这些节点坐标将成为路径规划的关键依据。为每个节点设置节点权重，这些权重可以基于节点位置、土壤质量、植被分布等因素进行设置。节点权重反映了在路径规划中节点的重要性和优先级。通过预置的路径规划算法，根据节点权重对多个网格节点进行路径分析。这个算法会考虑节点之间的距离、权重等因素，生成一条初步的自动驾驶路径，连接不同的节点。接着，对原始自动驾驶路径进行样条插值计算和路径平滑分析。样条插值可以使路径更加平滑，减少路径的急剧转弯。路径平滑分析确保路径在农机自动驾驶过程中更加稳定和舒适。例如，考虑一块长方形的农田，服务器使用一台农机进行耕种操作。通过GPS定位，服务器获取了农田的四个角的坐标信息。假设农机的工作宽度为2米，行进距离为50米，根据计算，有效耕种面积为100平方米。基于有效耕种面积，服务器将农田划分为一个10x10的二维网格图，共有100个网格节点。这些节点代表不同的小区块，可以看作是潜在的路径点。将这些网格节点与农田的区域范围坐标进行坐标映射，确定每个节点在实际农田中的位置。根据农田地形、土壤质量等因素，设置每个节点的节点权重。节点权重反映了路径规划中的优先级和重要性。通过路径规划算法，服务器根据节点权重分析这些节点，生成初步的自动驾驶路径。这些节点之间的连接将决定农机的行驶路线。对初步路径进行样条插值和平滑分析，以确保路径的稳定性和舒适性。这将生成第一自动驾驶路径，农机将按照这条路径进行自动驾驶耕作。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）通过目标农机，根据第一自动驾驶路径对目标耕种区域进行当前轮次的耕种操作；
（2）通过预置的传感器组采集初始环境参数，其中，传感器组包括摄像头传感器、激光雷达传感器及土壤湿度传感器；
（3）将初始环境参数输入预置聚类分析模型，并调用聚类分析模型的初始移动密度函数对初始环境参数进行聚类中心计算，得到初始聚类中心；
（4）对初始聚类中心与初始环境参数进行距离计算，得到多个特征中心距，并对多个特征中心距进行平均值计算，得到平均中心距；
（5）通过平均中心距对初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数；
（6）通过目标移动密度函数对初始环境参数进行聚类中心计算，得到对应的目标聚类中心，并通过目标聚类中心对初始环境参数进行聚类分析，得到目标环境参数。
具体的，服务器通过目标农机，根据第一自动驾驶路径进行当前轮次的耕种操作。农机会按照路径指令执行相应的动作，确保在耕种区域内完成当前轮次的耕作任务。为了获取环境参数，预置了一个传感器组，其中包括摄像头传感器、激光雷达传感器以及土壤湿度传感器。这些传感器将采集与农机周围环境有关的数据，例如图像、距离信息以及土壤湿度。将初始环境参数输入预置聚类分析模型。聚类分析是一种将数据分组为具有相似特征的群组的技术，用于理解数据的结构和模式。服务器将使用聚类分析来处理传感器采集到的环境参数数据。调用聚类分析模型的初始移动密度函数对初始环境参数进行聚类中心计算，得到初始聚类中心。聚类中心是聚类分析中每个聚类群组的中心点，代表了该群组的特征。对初始聚类中心与初始环境参数进行距离计算，得到多个特征中心距。这些距离表示每个环境参数与不同聚类中心之间的相似性。对多个特征中心距进行平均值计算，得到平均中心距。这个平均值将作为调整搜索半径参数的依据。通过平均中心距对初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数。这个参数决定了在聚类分析中的数据点在搜索过程中的影响范围。将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数。这个函数将更好地适应环境参数的分布情况。通过目标移动密度函数对初始环境参数进行聚类中心计算，得到对应的目标聚类中心。这些目标聚类中心代表了不同的环境特征群组。通过目标聚类中心对初始环境参数进行聚类分析，得到目标环境参数。这些参数将更准确地描述当前农田环境的特征，为后续决策和优化提供基础。例如，假设农机正在自动驾驶耕种一个不规则形状的小麦田。传感器组中的摄像头传感器捕捉了周围地貌的图像，激光雷达传感器测量了周围障碍物的距离，土壤湿度传感器记录了当前土壤湿度。这些数据被传输到处理系统。聚类分析模型接收传感器数据并计算初始聚类中心。假设根据图像、距离和湿度等因素，服务器将数据分成两个聚类，分别代表干燥区域和湿润区域。通过计算初始聚类中心和环境参数之间的距离，得到多个特征中心距。然后计算这些距离的平均值，作为搜索半径参数的参考。通过调整搜索半径参数，目标移动密度函数被重新定义。假设目标搜索半径参数更小，使得聚类更加准确。经过这些步骤，服务器计算出目标聚类中心，这些中心代表了不同的环境特征。例如，可能有一个代表干燥土壤，另一个代表湿润土壤。通过目标聚类中心，服务器得出目标环境参数。这些参数将更准确地描述当前农田环境的特征，为农机的自动驾驶控制提供更精确的参考。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、将目标环境参数输入预置的环境参数处理模型，其中，环境参数处理模型包括多个参数处理子模型，参数处理子模型包括：卷积层和池化层、全连接层、LSTM层、Softmax层及输出层；
S202、通过多个参数处理子模型中的卷积层和池化层，分别对目标环境参数进行参数特征提取，得到每个参数处理子模型对应的参数特征向量；
S203、通过多个参数处理子模型中的全连接层和LSTM层，分别对参数特征向量进行特征编码，得到编码特征向量；
S204、通过多个参数处理子模型中的Softmax层及输出层，分别对编码特征向量进行环境参数信号转换，得到编码环境参数信号。
具体的，服务器在农机自动驾驶控制系统中，目标环境参数是指从传感器采集的关于农田环境的各种数据，如土壤湿度、温度、植被分布等。这些数据需要经过处理，以便为决策提供有用信息。服务器将引入一个环境参数处理模型，它由多个参数处理子模型组成。卷积层和池化层能够从目标环境参数中提取出特征。卷积层可以识别图像中的模式和结构，而池化层则可以对卷积层的输出进行下采样，减少数据量同时保留重要特征。例如，假设农田中的摄像头传感器捕捉到了一张图像，卷积层可以识别出植被和土地的特征，而池化层则可以将图像的细节降采样，提取重要的信息。全连接层能够将之前提取的特征映射到更高维度的空间。全连接层有助于理解不同特征之间的关系，并为后续的编码和信号转换做准备。以土壤湿度数据为例，全连接层可以将湿度值与其他环境参数进行关联，形成更丰富的信息。LSTM层（长短时记忆网络）是一种能够捕捉时序信息的神经网络层。它在处理序列数据时非常有效，可以学习数据中的时间依赖关系。在农机自动驾驶中，如果服务器考虑环境参数随时间的变化，LSTM层可以捕捉到这种变化并对其进行编码。例如，温度的变化可能影响农机的作业效果，LSTM层可以帮助服务器预测这种影响。Softmax层和输出层负责将编码特征向量转化为环境参数信号。Softmax层将编码特征向量映射为概率分布，用于表示不同参数值的可能性。输出层将概率分布映射为实际的环境参数信号，为后续的决策提供输入。例如，假设服务器想要预测下一个时刻的土壤湿度，Softmax层可以给出不同湿度值的概率分布，输出层则会给出最可能的湿度值。通过将目标环境参数输入环境参数处理模型中的多个参数处理子模型，可以逐步提取、编码和转换数据，使其变为有用的信号。这些信号可以用于后续的路径规划、决策制定等步骤，从而实现更智能和高效的农机自动驾驶控制。例如，假设农机自动驾驶系统需要根据当前土壤湿度、植被密度和温度等环境参数来决定农机的作业方式。服务器收集了传感器数据，并将这些数据输入到预置的环境参数处理模型中。卷积层和池化层分别从图像传感器的数据中提取了植被分布的特征，然后池化层对特征进行了降采样，保留了重要信息。全连接层将植被特征与土壤湿度、温度等其他参数进行关联，形成一个更综合的特征向量。LSTM层捕捉了温度和湿度随时间的变化，以及这些变化可能对植被的影响。Softmax层将这些编码特征向量转化为不同作业方式的概率分布，例如“耕种”和“喷洒”。输出层将概率分布映射为最终的决策，例如决定农机是否进行耕种作业。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、将编码环境参数信号输入预置的初始路径优化模型，其中，初始路径优化模型包括：融合进化策略层、初始策略网络及安全奖励函数；
S302、通过融合进化策略层构建编码环境参数信号对应的网络进化策略；
S303、基于网络进化策略，对初始策略网络进行策略网络参数进化，得到初始策略网络参数；
S304、根据安全奖励函数计算初始策略网络参数的安全奖励数据，并根据安全奖励数据对初始策略网络参数进行优化，得到目标策略网络参数；
S305、根据目标策略网络参数对初始策略网络进行策略网络参数更新，得到目标路径优化模型。
具体的，服务器在农机自动驾驶系统中，路径优化是确保农机在耕种过程中高效、安全运行的关键环节。该方法引入了初始路径优化模型，通过融合进化策略、策略网络参数优化和安全奖励函数，实现了路径规划的智能优化。融合进化策略层是优化过程的基础，通过进化算法来优化初始策略网络。进化策略是一种优化方法，它通过不断演化产生新的策略，并根据性能评估来选择最佳策略。在这个步骤中，编码环境参数信号会被转化为一组网络进化策略，这些策略会被用于对初始策略网络进行进化。接着，在基于网络进化策略的基础上，对初始策略网络进行参数进化。初始策略网络通常是一个神经网络，它将编码环境参数信号映射到路径规划的决策。进化算法通过多次迭代，逐步优化神经网络的参数，使其能够更好地适应不同的环境和情况。安全奖励函数是确保农机操作安全性的关键。该函数根据当前环境参数和路径规划的结果，评估农机的操作是否存在安全隐患。例如，如果路径规划将农机引导至陡峭的地形，安全奖励函数可能会给予较低的奖励。通过计算安全奖励数据，服务器量化路径规划的安全性，为后续的参数优化提供指导。将安全奖励数据应用于初始策略网络参数的优化。这意味着在进化的过程中，服务器会更加偏好那些在安全性方面表现良好的策略。这可以通过在进化算法中引入奖励或惩罚来实现，从而影响策略网络参数的优化方向。最终，基于目标策略网络参数，对初始策略网络进行参数更新，得到目标路径优化模型。这个模型将会用于最终的路径规划决策，确保农机在耕种过程中能够根据环境参数智能地调整路径，同时保持安全。例如，假设农机自动驾驶系统需要在不同地形和植被密度下进行耕种作业。服务器首先将编码后的环境参数信号输入初始路径优化模型。融合进化策略层开始工作，生成一组网络进化策略，这些策略会影响初始策略网络的参数。基于网络进化策略，服务器对初始策略网络进行参数进化，逐步优化网络参数，使其能够更好地适应不同的环境变化。安全奖励函数评估路径规划的安全性。如果路径规划将农机引导至陡峭地形，安全奖励函数可能会给予较低的奖励。根据安全奖励数据，服务器调整初始策略网络参数的优化方向，更倾向于生成安全性更高的路径规划策略。基于目标策略网络参数，初始策略网络进行参数更新，形成目标路径优化模型。这个模型会考虑了安全性和环境变化，以确保农机在不同条件下能够智能地规划路径。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、通过目标路径优化模型对第一自动驾驶路径进行路径调整，得到调整后的自动驾驶路径；
S402、对调整后的自动驾驶路径进行分段，得到多个节段自动驾驶路径；
S403、分别对每个节段自动驾驶路径进行曲率变化计算，得到每个节段自动驾驶路径的曲率变化率；
S404、对每个节段自动驾驶路径的曲率变化率进行相加，得到调整后的自动驾驶路径的曲率变化率；
S405、根据曲率变化率对调整后的自动驾驶路径进行路径调优，得到第二自动驾驶路径；
S406、根据第二自动驾驶路径的路径起点，对第二自动驾驶路径进行路径特征提取，得到多个第一路径特征，并分别对每个第一路径特征进行特征编码，得到每个第一路径特征的第一编码向量；
S407、对第一编码向量和预置的候选指令编码集合进行指令匹配，生成对应的第一路径规划指令集合。
具体的，服务器目标路径优化模型是在之前生成的，它可以根据环境参数和安全性等因素对自动驾驶路径进行优化调整。利用目标路径优化模型对第一自动驾驶路径进行路径调整。这个过程中，模型会考虑环境参数、安全性等因素，使得路径更加适应实际情况。例如，如果模型发现当前的路径规划会导致农机通过一个狭窄的通道，而安全性较低，模型可能会调整路径以避免该通道。调整后的自动驾驶路径会被分成多个节段。每个节段都代表了路径中的一个连续段落，这有助于更精细地分析路径特性。为了进一步优化路径，服务器会计算每个节段自动驾驶路径的曲率变化率。曲率变化率可以帮助判断路径的弯曲程度，从而对路径的平滑性和舒适性进行评估。将每个节段自动驾驶路径的曲率变化率相加，得到整个调整后路径的曲率变化率。这个值可以作为路径平滑性的指标。根据曲率变化率对调整后的自动驾驶路径进行路径调优。这意味着服务器会尝试调整路径中的一些小细节，使得整体路径更加平滑和舒适，以提高农机自动驾驶的性能。服务器从第二自动驾驶路径的路径起点开始，对其进行路径特征提取。这些特征可以包括路径的形状、长度、角度变化等，用于进一步分析路径的特性。针对提取的每个第二路径特征，服务器会进行特征编码。这可以是将特征映射为一个向量或一组数值，以便计算机可以更好地处理和匹配这些特征。候选指令编码集合是预先定义的一组可能的操作指令，这些指令会影响农机的运动。服务器将第一编码向量和候选指令编码集合进行匹配，以确定哪些指令在当前路径情况下是合适的。通过指令匹配，服务器生成对应的第一路径规划指令集合。这些指令会告诉农机如何在第二自动驾驶路径上移动，以完成农田耕作任务。例如，假设农机自动驾驶系统需要在一个不规则的农田区域内进行耕作。目标路径优化模型通过考虑地形和植被情况，调整了第一自动驾驶路径，使其更适应实际情况。调整后的路径被分成了三个节段：A段，B段和C段。针对每个节段，服务器计算了其曲率变化率，得到相应的值。将三个节段的曲率变化率相加，得到整体调整后路径的曲率变化率。根据这个值，服务器对路径进行了微调，使其更平滑。从第二自动驾驶路径的起点开始，服务器提取了路径的长度、角度变化等特征。这些特征会被转化为相应的编码向量。服务器预先定义了候选指令编码集合，比如"前进"、"左转"、"右转"等。通过匹配第一编码向量和候选指令编码集合，服务器生成了对应的第一路径规划指令集合，如"沿直线前进"、"左转90度"等。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）控制目标农机执行第一路径规划指令集合，并检测第一路径规划指令集合是否执行完毕；
（2）若当前轮次的耕种操作执行完毕，则根据第二自动驾驶路径的路径终点，对第二自动驾驶路径进行路径特征提取，得到多个第二路径特征；
（3）分别对每个第二路径特征进行特征编码，得到每个第二路径特征的第二编码向量；
（4）对第二编码向量和候选指令编码集合进行指令匹配，生成对应的第二路径规划指令集合；
（5）根据第二路径规划指令集合对目标耕种区域进行下一轮次的耕种操作。
具体的，农机自动驾驶系统会将第一路径规划指令集合转化为具体的操作指令，例如"前进10米"、"左转90度"等。服务器会控制农机按照这些指令执行移动和转向操作。服务器会实时监测农机的状态，包括位置、方向、速度等。通过比较当前状态和指令集合中的操作要求，服务器判断是否完成了第一路径规划指令集合。如果所有指令都执行完毕，服务器会进入下一步。当当前轮次的耕种操作执行完毕时，服务器会切换到第二自动驾驶路径。为了开始第二路径的规划和操作，首先需要对第二自动驾驶路径进行路径特征提取。服务器会从第二自动驾驶路径的起点开始，提取路径的长度、角度变化、坡度等特征。这些特征有助于服务器更好地了解第二路径的特性。每个提取的第二路径特征会被转化为相应的编码向量。这些编码向量将被用于后续的指令匹配。服务器预先定义了候选指令编码集合，其中包括一系列可能的操作指令，如"前进"、"后退"、"左转"、"右转"等。通过将第二编码向量与候选指令编码集合进行匹配，服务器确定哪些指令在当前第二路径的情况下是合适的。通过指令匹配，服务器生成了对应的第二路径规划指令集合。这些指令集合将告诉农机如何在第二自动驾驶路径上移动，以完成下一轮次的耕种操作。例如，农机自动驾驶系统正在耕作一个大型农田。根据第一路径规划指令集合，服务器将农机引导到指定的区域，并在途中执行了一系列的前进、左转、右转等操作。服务器实时监测农机的位置和状态，判断第一路径规划指令集合是否执行完毕。当所有操作都完成后，服务器会检测到当前轮次的耕种操作已经完成。服务器会根据第二自动驾驶路径的路径终点开始提取路径特征，例如路径的长度、角度变化等。这些特征会被转化为对应的编码向量。服务器根据预置的候选指令编码集合，将第二编码向量与候选指令编码进行匹配，生成了第二路径规划指令集合。这些指令集合会告诉农机如何在第二路径上继续耕作，完成下一轮次的操作。
上面对本发明实施例中融合无线通信和人工智能的农机自动驾驶控制方法进行了描述，下面对本发明实施例中融合无线通信和人工智能的农机自动驾驶控制系统进行描述，请参阅图5，本发明实施例中融合无线通信和人工智能的农机自动驾驶控制系统一个实施例包括：
获取模块501，用于获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
采集模块502，用于通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
转换模块503，用于将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
分析模块504，用于将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
调整模块505，用于通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合；
生成模块506，用于控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
通过上述各个组成部分的协同合作，对目标耕种区域进行路径规划，生成第一自动驾驶路径；通过目标农机进行当前轮次的耕种操作并采集目标环境参数；将目标环境参数输入环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；将编码环境参数信号输入初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；进行路径调整，得到第二自动驾驶路径并生成第一路径规划指令集合；若当前轮次的耕种操作执行完毕，则进行路径操作转换，生成第二路径规划指令集合并进行下一轮次的耕种操作，本发明通过自动驾驶和智能路径规划，使农机能够在耕种过程中更加准确地行驶，避免了重复性操作和浪费，从而大幅提高了作业效率。农机的自主运行还能够实现连续作业，减少了停歇时间，从而更快地完成耕种任务，通过智能路径规划和环境感知，农机能够更准确地按照预定路径和深度进行作业，从而实现了农机的自动驾驶控制，并提高了农机的耕种效率。
上面图5从模块化功能实体的角度对本发明实施例中的融合无线通信和人工智能的农机自动驾驶控制系统进行详细描述，下面从硬件处理的角度对本发明实施例中融合无线通信和人工智能的农机自动驾驶控制设备进行详细描述。
图6是本发明实施例提供的一种融合无线通信和人工智能的农机自动驾驶控制设备的结构示意图，该融合无线通信和人工智能的农机自动驾驶控制设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processingunits，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对融合无线通信和人工智能的农机自动驾驶控制设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在融合无线通信和人工智能的农机自动驾驶控制设备600上执行存储介质630中的一系列指令操作。
融合无线通信和人工智能的农机自动驾驶控制设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的融合无线通信和人工智能的农机自动驾驶控制设备结构并不构成对融合无线通信和人工智能的农机自动驾驶控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种融合无线通信和人工智能的农机自动驾驶控制设备，所述融合无线通信和人工智能的农机自动驾驶控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述融合无线通信和人工智能的农机自动驾驶控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述融合无线通信和人工智能的农机自动驾驶控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述融合无线通信和人工智能的农机自动驾驶控制方法包括：
获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合；
控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
2.根据权利要求1所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径，包括：
获取目标耕种区域的区域范围坐标，并获取目标农机的工作宽度参数，同时，根据所述工作宽度参数计算所述目标农机的有效耕种面积；
根据所述有效耕种面积对所述目标耕种区域进行网格划分，生成二维网格图，并对所述二维网格图进行节点提取，得到多个网格节点；
根据所述区域范围坐标，对所述多个网格节点进行坐标映射，得到多个节点坐标，并根据所述多个节点坐标设置每个网格节点的节点权重；
通过预置的路径规划算法，根据所述节点权重对所述多个网格节点进行节点路径分析，生成原始自动驾驶路径；
对所述原始自动驾驶路径进行样条插值计算和路径平滑分析，得到第一自动驾驶路径。
3.根据权利要求1所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数，包括：
通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作；
通过预置的传感器组采集初始环境参数，其中，所述传感器组包括摄像头传感器、激光雷达传感器及土壤湿度传感器；
将所述初始环境参数输入预置聚类分析模型，并调用聚类分析模型的初始移动密度函数对所述初始环境参数进行聚类中心计算，得到初始聚类中心；
对所述初始聚类中心与所述初始环境参数进行距离计算，得到多个特征中心距，并对所述多个特征中心距进行平均值计算，得到平均中心距；
通过所述平均中心距对所述初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述初始移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述初始环境参数进行聚类中心计算，得到对应的目标聚类中心，并通过所述目标聚类中心对所述初始环境参数进行聚类分析，得到目标环境参数。
4.根据权利要求1所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号，包括：
将所述目标环境参数输入预置的环境参数处理模型，其中，所述环境参数处理模型包括多个参数处理子模型，所述参数处理子模型包括：卷积层和池化层、全连接层、LSTM层、Softmax层及输出层；
通过所述多个参数处理子模型中的卷积层和池化层，分别对所述目标环境参数进行参数特征提取，得到每个参数处理子模型对应的参数特征向量；
通过所述多个参数处理子模型中的全连接层和LSTM层，分别对所述参数特征向量进行特征编码，得到编码特征向量；
通过所述多个参数处理子模型中的Softmax层及输出层，分别对所述编码特征向量进行环境参数信号转换，得到编码环境参数信号。
5.根据权利要求1所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型，包括：
将所述编码环境参数信号输入预置的初始路径优化模型，其中，所述初始路径优化模型包括：融合进化策略层、初始策略网络及安全奖励函数；
通过所述融合进化策略层构建所述编码环境参数信号对应的网络进化策略；
基于所述网络进化策略，对所述初始策略网络进行策略网络参数进化，得到初始策略网络参数；
根据所述安全奖励函数计算所述初始策略网络参数的安全奖励数据，并根据所述安全奖励数据对所述初始策略网络参数进行优化，得到目标策略网络参数；
根据所述目标策略网络参数对所述初始策略网络进行策略网络参数更新，得到目标路径优化模型。
6.根据权利要求1所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合，包括：
通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到调整后的自动驾驶路径；
对所述调整后的自动驾驶路径进行分段，得到多个节段自动驾驶路径；
分别对每个节段自动驾驶路径进行曲率变化计算，得到每个节段自动驾驶路径的曲率变化率；
对每个节段自动驾驶路径的曲率变化率进行相加，得到所述调整后的自动驾驶路径的曲率变化率；
根据所述曲率变化率对所述调整后的自动驾驶路径进行路径调优，得到第二自动驾驶路径；
根据所述第二自动驾驶路径的路径起点，对所述第二自动驾驶路径进行路径特征提取，得到多个第一路径特征，并分别对每个第一路径特征进行特征编码，得到每个第一路径特征的第一编码向量；
对所述第一编码向量和预置的候选指令编码集合进行指令匹配，生成对应的第一路径规划指令集合。
7.根据权利要求6所述的融合无线通信和人工智能的农机自动驾驶控制方法，其特征在于，所述控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作，包括：
控制所述目标农机执行所述第一路径规划指令集合，并检测所述第一路径规划指令集合是否执行完毕；
若当前轮次的耕种操作执行完毕，则根据所述第二自动驾驶路径的路径终点，对所述第二自动驾驶路径进行路径特征提取，得到多个第二路径特征；
分别对每个第二路径特征进行特征编码，得到每个第二路径特征的第二编码向量；
对所述第二编码向量和所述候选指令编码集合进行指令匹配，生成对应的第二路径规划指令集合；
根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
8.一种融合无线通信和人工智能的农机自动驾驶控制系统，其特征在于，所述融合无线通信和人工智能的农机自动驾驶控制系统包括：
获取模块，用于获取目标耕种区域的区域范围坐标和目标农机的有效耕种面积，并基于预置的路径规划算法对目标耕种区域进行路径规划，生成第一自动驾驶路径；
采集模块，用于通过所述目标农机，根据所述第一自动驾驶路径对所述目标耕种区域进行当前轮次的耕种操作，并通过预置的传感器组采集目标环境参数；
转换模块，用于将所述目标环境参数输入预置的环境参数处理模型进行环境参数信号转换，得到编码环境参数信号；
分析模块，用于将所述编码环境参数信号输入预置的初始路径优化模型进行网络参数优化分析，得到目标路径优化模型；
调整模块，用于通过所述目标路径优化模型对所述第一自动驾驶路径进行路径调整，得到第二自动驾驶路径，并根据所述第二自动驾驶路径生成对应的第一路径规划指令集合；
生成模块，用于控制所述目标农机执行所述第一路径规划指令集合，若当前轮次的耕种操作执行完毕，则对所述第二自动驾驶路径进行路径操作转换，生成对应的第二路径规划指令集合，并根据所述第二路径规划指令集合对所述目标耕种区域进行下一轮次的耕种操作。
9.一种融合无线通信和人工智能的农机自动驾驶控制设备，其特征在于，所述融合无线通信和人工智能的农机自动驾驶控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述融合无线通信和人工智能的农机自动驾驶控制设备执行如权利要求1-7中任一项所述的融合无线通信和人工智能的农机自动驾驶控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的融合无线通信和人工智能的农机自动驾驶控制方法。
CN202311423608.0A 2023-10-31 2023-10-31 融合无线通信和人工智能的农机自动驾驶控制方法及系统 Active CN117146832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311423608.0A CN117146832B (zh) 2023-10-31 2023-10-31 融合无线通信和人工智能的农机自动驾驶控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311423608.0A CN117146832B (zh) 2023-10-31 2023-10-31 融合无线通信和人工智能的农机自动驾驶控制方法及系统

Publications (2)

Publication Number Publication Date
CN117146832A CN117146832A (zh) 2023-12-01
CN117146832B true CN117146832B (zh) 2024-01-02

Family

ID=88901150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311423608.0A Active CN117146832B (zh) 2023-10-31 2023-10-31 融合无线通信和人工智能的农机自动驾驶控制方法及系统

Country Status (1)

Country Link
CN (1) CN117146832B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111189444A (zh) * 2020-03-26 2020-05-22 洛阳智能农业装备研究院有限公司 一种自动驾驶农机田间作业路径规划系统及规划方法
CN115497067A (zh) * 2022-10-28 2022-12-20 浙江科技学院 一种苗圃巡检智能车的路径识别与规划方法
WO2023020084A1 (zh) * 2021-08-20 2023-02-23 中国华能集团清洁能源技术研究院有限公司 海上无人机巡检飞行路径生成方法、装置及无人机
WO2023060586A1 (zh) * 2021-10-15 2023-04-20 浙江吉利控股集团有限公司 自动驾驶指令生成模型优化方法、装置、设备及存储介质
CN116380095A (zh) * 2023-03-03 2023-07-04 嬴彻星创智能科技(上海)有限公司 自动驾驶车辆的路径规划方法、装置、设备、车辆及介质
CN116448118A (zh) * 2023-04-17 2023-07-18 深圳市华辰信科电子有限公司 一种扫地机器人的工作路径优化方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111189444A (zh) * 2020-03-26 2020-05-22 洛阳智能农业装备研究院有限公司 一种自动驾驶农机田间作业路径规划系统及规划方法
WO2023020084A1 (zh) * 2021-08-20 2023-02-23 中国华能集团清洁能源技术研究院有限公司 海上无人机巡检飞行路径生成方法、装置及无人机
WO2023060586A1 (zh) * 2021-10-15 2023-04-20 浙江吉利控股集团有限公司 自动驾驶指令生成模型优化方法、装置、设备及存储介质
CN115497067A (zh) * 2022-10-28 2022-12-20 浙江科技学院 一种苗圃巡检智能车的路径识别与规划方法
CN116380095A (zh) * 2023-03-03 2023-07-04 嬴彻星创智能科技(上海)有限公司 自动驾驶车辆的路径规划方法、装置、设备、车辆及介质
CN116448118A (zh) * 2023-04-17 2023-07-18 深圳市华辰信科电子有限公司 一种扫地机器人的工作路径优化方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
农田作业机械路径优化方法;孟志军;刘卉;王华;付卫强;;农业机械学报(第06期);全文 *

Also Published As

Publication number Publication date
CN117146832A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
US11030804B2 (en) System and method of virtual plant field modelling
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
CN110544296B (zh) 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法
US20200319609A1 (en) Action Control Method and Apparatus
CN110806585B (zh) 一种基于树干聚类跟踪的机器人定位方法及系统
CN113219506A (zh) 一种多模融合无缝切换的定位方法
CN116954233A (zh) 一种巡检任务与航线自动匹配方法
CN116972854B (zh) 基于gps定位的农机导航路径规划方法及系统
CN113342029B (zh) 基于无人机群的最大传感器数据采集路径规划方法及系统
CN117146832B (zh) 融合无线通信和人工智能的农机自动驾驶控制方法及系统
CN117243539A (zh) 人工智能越障脱困方法、装置及控制系统
CN116907510A (zh) 一种基于物联网技术的智能化运动识别方法
CN115454061B (zh) 一种基于3d技术的机器人路径避障方法及系统
CN116630403A (zh) 一种用于割草机器人的轻量级语义地图构建方法及系统
Chen et al. Design and implementation of a novel internet of things irrigation system with a precision irrigation robot
CN110125945B (zh) 一种收获机器人的植株行跟随方法
Xu et al. Research on monocular vision distance measurement algorithm based on reference target
Uzawa et al. Dataset Generation for Deep Visual Navigation in Unstructured Environments
CN117146831B (zh) 基于机器学习和无人机的果树生长状态评估方法及系统
Moslah et al. Democratic inspired particle swarm optimization for multi-robot exploration task
CN117635719B (zh) 基于多传感器融合的除草机器人定位方法、系统及装置
Soliman et al. Aireye: Uav-based intelligent drl mobile target visitation
CN116945167A (zh) 足式机器人的控制方法、装置、足式机器人及介质
Ou et al. SG-ISBP: Orchard Robots Localization and Mapping with Ground Optimization and Loop Closure Detection Integration
Nair Development of a laser-guided variable-rate sprayer with improved canopy estimations for greenhouse spray applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant