CN117406753A - 一种面向不规则环境的无人农机全局路径规划方法 - Google Patents
一种面向不规则环境的无人农机全局路径规划方法 Download PDFInfo
- Publication number
- CN117406753A CN117406753A CN202311616882.XA CN202311616882A CN117406753A CN 117406753 A CN117406753 A CN 117406753A CN 202311616882 A CN202311616882 A CN 202311616882A CN 117406753 A CN117406753 A CN 117406753A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- agricultural machinery
- energy consumption
- path
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001788 irregular Effects 0.000 title claims abstract description 15
- 238000005265 energy consumption Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- SNDPXSYFESPGGJ-UHFFFAOYSA-N L-norVal-OH Natural products CCCC(N)C(O)=O SNDPXSYFESPGGJ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向不规则环境的无人农机全局路径规划方法,包括以下步骤:步骤S1、数据收集:收集农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据;步骤S2、深度学习模型训练:使用步骤S1收集的数据,训练深度学习模型,以农机能耗为目标函数,训练模型以学习最优路径规划;步骤S3、农田环境感知:使用传感器和视觉系统对当前农田环境进行感知,获取农田环境数据;步骤S4、农机协同作业路径规划:利用训练好的深度学习模型,根据当前农田环境数据,规划农机协同作业的最优路径;步骤S5、农机作业:按照规划的最优路径,执行农机协同作业,同时,收集农机作业数据和能耗数据,用于深度学习模型的进一步训练和优化。
Description
技术领域
本发明涉及路径规划技术领域,具体涉及一种面向不规则环境的无人农机全局路径规划方法。
背景技术
当前,农机自动驾驶技术作为智慧农业和无人农场的基础技术,已被广泛应用于智能农机装备中。其中,路径规划算法是农机自动驾驶系统中的核心技术,能够帮助农机装备实现路径跟踪和车辆控制。该算法通常以最小化作业成本为目标,如最小总行驶距离、总作业时间,作业时的油耗等,通过输入农机的作业参数,根据不同作业环节,自动为目标农田区域规划出一条缺失最少、无重复的作业路径,从而减少总作业路径和总作业时间,降低作业的重复和遗漏,最终达到降低农机作业消耗的目的。
降低农机能耗不仅可以提高农业生产效率,也有助于减少碳排放,从而对环境保护产生积极影响。在当前全球面临严重的气候变化挑战的背景下,开发和应用能够降低能耗的农机设备具有重要的意义。因此,深入研究和开发一种基于深度学习的农机低能耗协同路径优化的方法及系统,不仅可以提高农业生产效率,更可以为环保做出贡献,这是我们需要深入研究和发展的方向。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种面向不规则环境的无人农机全局路径规划方法。
本发明解决上述问题的技术方案为:一种面向不规则环境的无人农机全局路径规划方法,包括以下步骤:
步骤S1、数据收集:收集农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据,作为深度学习模型的输入数据;
步骤S2、深度学习模型训练:使用步骤S1收集的数据,训练深度学习模型,以农机能耗为目标函数,训练模型以学习最优路径规划;
步骤S3、农田环境感知:使用传感器和视觉系统对当前农田环境进行感知,获取农田环境数据,该数据用于实时更新深度学习模型;
步骤S4、农机协同作业路径规划:利用训练好的深度学习模型,根据当前农田环境数据,规划农机协同作业的最优路径,即能耗最低的路径;
步骤S5、农机作业:按照规划的最优路径,执行农机协同作业,同时,收集农机作业数据和能耗数据,用于深度学习模型的进一步训练和优化。
进一步的,步骤S2具体包括以下步骤:
步骤S2.1、数据预处理:在进行深度学习模型训练前,需要对收集的农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据进行预处理;
步骤S2.2、模型选择:选择合适的深度学习模型进行训练;深度学习模型包括卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM、强化学习模型RL、深度学习模型DQN中的一种或几种,模型的选择应根据具体任务的特性和需求来确定;
步骤S2.3、模型训练:利用预处理后的数据,以农机能耗为目标函数,进行模型的训练;
步骤S2.4、模型验证和优化:在模型训练完成后,通过使用验证数据集测试模型的表现,评估模型在未见过的数据上的泛化能力;根据验证结果,对模型进行必要的优化;
步骤S2.5、模型保存:当模型达到满意的效果后,将模型保存。
进一步的,步骤S2.2具体为:
步骤S2.2.1、CNN特征提取:将农田环境数据、农作物种植模式数据和农机作业数据进行联合,形成一个多通道的图像,然后通过CNN来提取这个图像的特征,假设我们的CNN模型为φ,输入图像I,则CNN提取的特征为φ(I);
步骤S2.2.2、DQN模型训练:使用DQN来进行农机作业路径的规划;在DQN中,首先定义一个行动值函数Q(s,a;θ),其中s表示状态,a表示行为,θ表示模型的参数;在我们的问题中,状态s就是CNN提取的特征φ(I),行动a就是农机的下一个行动;DQN的目标是通过训练来找到一个最优的行动值函数Q(s,a),使得对于每一个状态s,选择行动a使得Q(s,a)最大的策略π*(a|s)是最优策略,所以需要解决以下的优化
其中ri是执行行动ai在状态si下得到的奖励,γ是折扣因子,si+1是执行行动ai后到达的新状态;
步骤S2.2.3、DQN模型使用:在使用DQN模型进行农机作业路径的规划时,我们首先使用CNN模型φ提取当前状态的特征s=φ(I),然后选择使得$Q(s,a;θ)最大的行动a,执行这个行动,并更新状态;重复这个过程,直到农机作业完成。
进一步的,步骤S3具体包括以下步骤:
步骤S3.1、传感器数据采集:使用各类传感器获取农田环境的传感器数据;
步骤S3.2、视觉系统数据采集:使用无人机航拍和地面摄像头等视觉系统获取农田的实时图像数据I;图像数据I包括农田的地形、农作物种植状态等信息;
步骤S3.3、数据处理和特征提取:对步骤S3.1、步骤S3.2获取的数据进行预处理和特征提取,可以通过图像处理算法提取出图像数据I的图像特征-向量FI,通过信号处理算法提取出传感器数据的传感器特征-向量FS;
步骤S3.4、数据融合:将图像特征和传感器特征进行融合,得到最终的农田环境特征向量F=[FI,FS];
步骤S3.5、数据输入模型:将农田环境特征向量F作为深度学习模型的输入,用于实时更新模型。
进一步的,步骤S4具体步骤如下:
步骤S4.1、环境特征输入:将农田环境特征向量F输入到深度学习模型中;
步骤S4.2、路径预测、深度学习模型根据输入的环境特征,预测农机协同作业的最优路径;
步骤S4.3、能耗计算,对于每个位置,计算农机在该位置的能耗Ei,总能耗E可以表示为所有位置能耗的和
步骤S4.4、路径优化,如果总能耗E未达到预定的阈值,或者达到预设的优化步数,则需要进行路径优化。这个过程可以迭代地进行,直到满足停止条件。
进一步的,步骤S4.4路径优化的具体方法为:进行梯度计算,首先需要计算总能耗E对路径坐标的梯度;然后使用梯度下降法,以学习率α更新路径坐标;更新路径坐标后,需要重新计算路径的总耗能E,然后与旧的能耗E进行比较,看是否有所减少。停止条件是如果总能耗E未达到预定的阈值,或者达到预期的优化步数,最后输出最优路径。
进一步的,步骤S5具体步骤如下:
步骤S5.1、农机作业执行,按照规划的最优路径执行农机协同作业;
步骤S5.2、在作业过程中,实时收集农机的作业数据以及能耗数据;
步骤S5.3、数据预处理,对步骤S5.2收集的作业数据和能耗数据进行预处理;
步骤S5.4、模型训练,使用步骤S5.3预处理后的数据作为训练数据,对深度学习模型进行进一步训练;
步骤S5.5、模型验证和优化:使用一部分数据作为验证集,验证模型的预测性能。如果性能未达到预设的标准,需要进一步调整模型参数或者调整预处理步骤,然后重新训练模型。
本发明具有有益效果:
本发明提供了一种面向不规则环境的无人农机全局路径规划方法,通过收集农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据,使用深度学习模型自动学习和规划最优路径,从而实现农机协同作业的最优能耗路径规划,提高农机作业效率,节约能源。
附图说明
图1为本发明的流程图。
具体实施方式
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
一种面向不规则环境的无人农机全局路径规划方法,包括以下步骤:
步骤S1、数据收集:收集农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据,作为深度学习模型的输入数据。
农田环境数据采用无人机航拍技术和地面传感器等设备收集农田的地形、土质、湿度、温度等环境参数,收集农田周围的地理信息,如道路、河流、建筑物等;
这些数据可以表示为一个多维向量
E=(e1,e2,...,en)
其中ei表示一个特定的环境参数,n代表环境参数的总数;
农作物种植模式数据包括农作物种植的种类、分布、生长周期等信息;
这些信息可以表示为一个多维向量
C=(c1,c2,...,cm)
其中ci代表一个特定的种植模式参数,m表种植模式参数的总数;
农机作业数据包括农机的作业类型、作业速度、作业宽度、作业深度、实时位置信息等参数;
这些信息可以表示为一个多维向量
O=(o1,o2,...,op)
其中oi代表一个特定的作业参数,p代表作业参数的总数;
农机能耗数据包括农机在不同作业条件下的能耗情况,如在不同地形、土质、湿度、温度环境下的能耗,以及在不同作业速度、作业宽度、作业深度等参数下的能耗;
这些数据可以表示为一个多维向量
E=(e1,e2,...,eq)
其中ei代表一个特定的能耗参数,q代表能耗参数的总数;
通过收集这四种类型的数据,最终得到一个大的数据集
其中N代表数据集的大小,该数据集是深度学习模型进行农机协同作业路径规划的基础。
步骤S2、深度学习模型训练:使用上述收集的数据,训练深度学习模型,以农机能耗为目标函数,训练模型以学习最优路径规划。具体包括以下步骤:
步骤S2.1、数据预处理:在进行深度学习模型训练前,需要对收集的农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据进行预处理,预处理包括清洗、归一化、特征提取等,以便提高模型训练的效率和准确性;假设原始数据为xi,预处理后的数据xi
步骤S2.2、模型选择:选择合适的深度学习模型进行训练。深度学习模型包括卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM、强化学习模型RL、深度学习模型DQN中的一种或几种,模型的选择应根据具体任务的特性和需求来确定;
步骤S2.2.1、CNN特征提取:将农田环境数据、农作物种植模式数据和农机作业数据进行联合,形成一个多通道的图像,然后通过CNN来提取这个图像的特征,假设我们的CNN模型为φ,输入图像I,则CNN提取的特征为φ(I)。
步骤S2.2.2、DQN模型训练:使用DQN来进行农机作业路径的规划。在DQN中,首先定义一个行动值函数Q(s,a;θ),其中s表示状态,a表示行为,θ表示模型的参数。在我们的问题中,状态s就是CNN提取的特征φ(I),行动a就是农机的下一个行动,比如向前走、向后走、向左转、向右转等。DQN的目标是通过训练来找到一个最优的行动值函数Q(s,a),使得对于每一个状态s,选择行动a使得Q(s,a)最大的策略π*(a|s)是最优策略,所以需要解决以下的优化
其中ri是执行行动ai在状态si下得到的奖励,γ是折扣因子,si+1是执行行动ai后到达的新状态。
步骤S2.2.3、DQN模型使用:在使用DQN模型进行农机作业路径的规划时,我们首先使用CNN模型φ提取当前状态的特征s=φ(I),然后选择使得$Q(s,a;θ)最大的行动a,执行这个行动,并更新状态。重复这个过程,直到农机作业完成。
步骤S2.3、模型训练:利用预处理后的数据,以农机能耗为目标函数,进行模型的训练。训练的过程中,模型会通过反向传播和梯度下降等算法,不断调整模型参数,以使得模型的预测能耗和实际能耗之间的差距最小;
其中L是损失函数,f(Ei,Ci,Oi;θ)是深度学习模式,θ是模型的参数,yi是第i个样本的实际能耗,N是训练样本的数量。
步骤S2.4、模型验证和优化:在模型训练完成后,通过使用验证数据集测试模型的表现,评估模型在未见过的数据上的泛化能力;假设验证数据集为
Dval=(Ei,Ci,Oi,yi)i=1Nval
模型在验证数据集上的表现可以通过以下公式计算
根据验证结果,可以对模型进行必要的优化,如调整学习率、修改损失函数、增加正则化等。
步骤S2.5、模型保存:当模型达到满意的效果后,将模型保存,以便后续进行农机作业路径的规划。
步骤S3、农田环境感知:使用传感器和视觉系统对当前农田环境进行感知,获取农田环境数据,该数据用于实时更新深度学习模型。具体包括以下步骤:
步骤S3.1、传感器数据采集:使用各类传感器获取农田环境的传感器数据。采用土壤湿度传感器获取当前土壤的湿度值H,采用温度传感器获取当前环境的温度值T,采用GPS传感器获取农机的当前位置(x,y);以上信息可以组合成一个传感器数据向量S=[H,T,x,y]。
步骤S3.2、视觉系统数据采集:使用无人机航拍和地面摄像头等视觉系统获取农田的实时图像数据I。图像数据I包括农田的地形、农作物种植状态等信息;
步骤S3.3、数据处理和特征提取:对步骤S3.1、步骤S3.2获取的数据进行预处理和特征提取,可以通过图像处理算法提取出图像数据I的图像特征-向量FI,通过信号处理算法提取出传感器数据的传感器特征-向量FS;具体来说,假设信号处理算法为φS,那么传感器数据的特征向量
FS=φS(S)
对于图像数据,可以通过图像处理算法提取出特征。具体来说,假设图像处理算法为φI,那么图像数据的特征向量
FI=φI(I)
步骤S3.4、数据融合:将图像特征和传感器特征进行融合,得到最终的农田环境特征向量F=[FI,FS],数据融合可以提高农田环境感知的准确性和鲁棒性;
步骤S3.5、数据输入模型:将农田环境特征向量F作为深度学习模型的输入,用于实时更新模型。假设深度学习模型为
O=M(F)
这个输出O可以用于决定农机的下一步行动,比如向前走、向后走、向左转、向右转等。
步骤S4、农机协同作业路径规划:利用训练好的深度学习模型,根据当前农田环境数据,规划农机协同作业的最优路径,即能耗最低的路径。具体步骤如下:
步骤S4.1、环境特征输入:将农田环境特征向量F输入到深度学习模型中;
步骤S4.2、路径预测、深度学习模型根据输入的环境特征,预测农机协同作业的最优路径,这个路径可以表示为一系列的位置坐标
(xi,yi)=M(F)
i=1,2,...,n
其中n是路径的长度;
步骤S4.3、能耗计算,对于每个位置(xi,yi),计算农机在该位置的能耗Ei,总能耗E可以表示为所有位置能耗的和:
步骤S4.4、路径优化,如果总能耗E未达到预定的阈值,或者达到预设的优化步数,则需要进行路径优化。这个过程可以迭代地进行,直到满足停止条件;
具体方法为:进行梯度计算,首先需要计算总能耗E对路径坐标(xi,yi)的梯度这个梯度表示了在位置(xi,yi),如何改变路径坐标,以减少能耗的目的。然后使用梯度下降法,以学习率α更新路径坐标:
其中α是学习率,是总耗能E对路径坐标(xi,yi)的梯度;
更新路径坐标后,需要重新计算路径的总耗能E,然后与旧的能耗E进行比较,看是否有所减少。停止条件是如果总能耗E未达到预定的阈值,或者达到预期的优化步数,最后输出最优路径:
步骤S5、农机作业:按照规划的最优路径,执行农机协同作业,同时,收集农机作业数据和能耗数据,用于深度学习模型的进一步训练和优化。具体步骤如下:
步骤S5.1、农机作业执行,按照规划的最优路径执行农机协同作业;
步骤S5.2、作业数据和能耗数据收集,在作业过程中,实时收集农机的作业数据
D=(di)i=1m
以及能耗数据
E=(ei)i=1m
其中di代表第i次作业的数据,ei代表第i次作业的能耗,m代表总的作业次数;
步骤S5.3、数据预处理,对步骤S5.2收集的作业数据和能耗数据进行预处理,预处理包括归一化、去噪等,归一化是将数据缩放到一个小的特定区间(如0到1),去噪是减少数据中的随机误差或无关变量的影响,得到预处理后的数据
步骤S5.4、模型训练,使用步骤S5.3预处理后的数据作为训练数据,对深度学习模型进行进一步训练。将能耗数据ei作为目标值,作业数据di作为输入,训练模型以预测能耗。训练过程使用梯度下降法,以均方差误差作为损失函数:
其中f(d′i)是模型对第i次作业的能耗的预测值。通过优化这个损失函数,可以让模型的预测值尽可能接近真实的能耗数据。
步骤S5.5、模型验证和优化:使用一部分数据作为验证集,验证模型的预测性能。如果性能未达到预设的标准,需要进一步调整模型参数或者调整预处理步骤,然后重新训练模型。这一步是为了确保模型的泛化性能,防止过拟合或者欠拟合。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种面向不规则环境的无人农机全局路径规划方法,其特征在于:包括以下步骤:
步骤S1、数据收集:收集农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据,作为深度学习模型的输入数据;
步骤S2、深度学习模型训练:使用步骤S1收集的数据,训练深度学习模型,以农机能耗为目标函数,训练模型以学习最优路径规划;
步骤S3、农田环境感知:使用传感器和视觉系统对当前农田环境进行感知,获取农田环境数据,该数据用于实时更新深度学习模型;
步骤S4、农机协同作业路径规划:利用训练好的深度学习模型,根据当前农田环境数据,规划农机协同作业的最优路径,即能耗最低的路径;
步骤S5、农机作业:按照规划的最优路径,执行农机协同作业,同时,收集农机作业数据和能耗数据,用于深度学习模型的进一步训练和优化。
2.如权利要求1所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S2具体包括以下步骤:
步骤S2.1、数据预处理:在进行深度学习模型训练前,需要对收集的农田环境数据、农作物种植模式数据、农机作业数据和农机能耗数据进行预处理;
步骤S2.2、模型选择:选择合适的深度学习模型进行训练;深度学习模型包括卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM、强化学习模型RL、深度学习模型DQN中的一种或几种,模型的选择应根据具体任务的特性和需求来确定;
步骤S2.3、模型训练:利用预处理后的数据,以农机能耗为目标函数,进行模型的训练;
步骤S2.4、模型验证和优化:在模型训练完成后,通过使用验证数据集测试模型的表现,评估模型在未见过的数据上的泛化能力;根据验证结果,对模型进行必要的优化;
步骤S2.5、模型保存:当模型达到满意的效果后,将模型保存。
3.如权利要求2所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S2.2具体为:
步骤S2.2.1、CNN特征提取:将农田环境数据、农作物种植模式数据和农机作业数据进行联合,形成一个多通道的图像,然后通过CNN来提取这个图像的特征,假设我们的CNN模型为φ,输入图像I,则CNN提取的特征为φ(I);
步骤S2.2.2、DQN模型训练:使用DQN来进行农机作业路径的规划;在DQN中,首先定义一个行动值函数Q(s,a;θ),其中s表示状态,a表示行为,θ表示模型的参数;在我们的问题中,状态s就是CNN提取的特征φ(I),行动a就是农机的下一个行动;DQN的目标是通过训练来找到一个最优的行动值函数Q(s,a),使得对于每一个状态s,选择行动a使得Q(s,a)最大的策略π*(a|s)是最优策略,所以需要解决以下的优化
其中ri是执行行动ai在状态si下得到的奖励,γ是折扣因子,si+1是执行行动ai后到达的新状态;
步骤S2.2.3、DQN模型使用:在使用DQN模型进行农机作业路径的规划时,我们首先使用CNN模型φ提取当前状态的特征s=φ(I),然后选择使得$Q(s,a;θ)最大的行动a,执行这个行动,并更新状态;重复这个过程,直到农机作业完成。
4.如权利要求1所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S3具体包括以下步骤:
步骤S3.1、传感器数据采集:使用各类传感器获取农田环境的传感器数据;
步骤S3.2、视觉系统数据采集:使用无人机航拍和地面摄像头等视觉系统获取农田的实时图像数据I;图像数据I包括农田的地形、农作物种植状态等信息;
步骤S3.3、数据处理和特征提取:对步骤S3.1、步骤S3.2获取的数据进行预处理和特征提取,可以通过图像处理算法提取出图像数据I的图像特征-向量FI,通过信号处理算法提取出传感器数据的传感器特征-向量FS;
步骤S3.4、数据融合:将图像特征和传感器特征进行融合,得到最终的农田环境特征向量F=[FI,FS];
步骤S3.5、数据输入模型:将农田环境特征向量F作为深度学习模型的输入,用于实时更新模型。
5.如权利要求1所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S4具体步骤如下:
步骤S4.1、环境特征输入:将农田环境特征向量F输入到深度学习模型中;
步骤S4.2、路径预测、深度学习模型根据输入的环境特征,预测农机协同作业的最优路径;
步骤S4.3、能耗计算,对于每个位置,计算农机在该位置的能耗Ei,总能耗E可以表示为所有位置能耗的和
步骤S4.4、路径优化,如果总能耗E未达到预定的阈值,或者达到预设的优化步数,则需要进行路径优化;这个过程可以迭代地进行,直到满足停止条件。
6.如权利要求5所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S4.4路径优化的具体方法为:进行梯度计算,首先需要计算总能耗E对路径坐标的梯度;然后使用梯度下降法,以学习率α更新路径坐标;更新路径坐标后,需要重新计算路径的总耗能E,然后与旧的能耗E进行比较,看是否有所减少;停止条件是如果总能耗E未达到预定的阈值,或者达到预期的优化步数,最后输出最优路径。
7.如权利要求1所述的一种面向不规则环境的无人农机全局路径规划方法,其特征在于:步骤S5具体步骤如下:
步骤S5.1、农机作业执行,按照规划的最优路径执行农机协同作业;
步骤S5.2、在作业过程中,实时收集农机的作业数据以及能耗数据;
步骤S5.3、数据预处理,对步骤S5.2收集的作业数据和能耗数据进行预处理;
步骤S5.4、模型训练,使用步骤S5.3预处理后的数据作为训练数据,对深度学习模型进行进一步训练;
步骤S5.5、模型验证和优化:使用一部分数据作为验证集,验证模型的预测性能;如果性能未达到预设的标准,需要进一步调整模型参数或者调整预处理步骤,然后重新训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616882.XA CN117406753A (zh) | 2023-11-29 | 2023-11-29 | 一种面向不规则环境的无人农机全局路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616882.XA CN117406753A (zh) | 2023-11-29 | 2023-11-29 | 一种面向不规则环境的无人农机全局路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406753A true CN117406753A (zh) | 2024-01-16 |
Family
ID=89487287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616882.XA Pending CN117406753A (zh) | 2023-11-29 | 2023-11-29 | 一种面向不规则环境的无人农机全局路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092290A (zh) * | 2024-04-22 | 2024-05-28 | 同济大学 | 基于路径规划的多种植车辆协同控制系统 |
-
2023
- 2023-11-29 CN CN202311616882.XA patent/CN117406753A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092290A (zh) * | 2024-04-22 | 2024-05-28 | 同济大学 | 基于路径规划的多种植车辆协同控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Navarro-Hellín et al. | A decision support system for managing irrigation in agriculture | |
CN117406753A (zh) | 一种面向不规则环境的无人农机全局路径规划方法 | |
WO2014073985A1 (en) | A method and system for automated differential irrigation | |
CN104866820A (zh) | 一种基于遗传算法的农机导航线提取方法及装置 | |
Radha et al. | A polyhouse: plant monitoring and diseases detection using CNN | |
CN110568140B (zh) | 一种基于机器仿生鱼的污染源探查定位方法 | |
CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及系统 | |
CN114239756B (zh) | 一种虫害检测方法及系统 | |
CN115376008A (zh) | 病虫害识别方法、装置、电子设备和存储介质 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
CN117148857A (zh) | 一种应用于复杂环境检测的无人机路径规划巡检方法 | |
Jimenez et al. | Artificial neural networks for irrigation management: a case study from southern Alabama, USA | |
CN113960921A (zh) | 果园履带车辆视觉导航控制方法与系统 | |
CN116883221B (zh) | 一种流域生态监测方法 | |
Shadrin et al. | Kalman Filtering for Accurate and Fast Plant Growth Dynamics Assessment | |
CN118314443A (zh) | 露地蔬菜无人拖拉机作业垄间路径提取方法及装置 | |
CN117669008B (zh) | 一种基于深度学习的地基沉降预测方法及系统 | |
Deshmukh et al. | Crop Yield Prediction Using Various Feature Selection Techniques and Classifier | |
CN117575174B (zh) | 智能农业监测与管理系统 | |
CN116076339B (zh) | 一种田间智能灌溉系统 | |
CN115861827B (zh) | 作物水肥胁迫的决策方法、装置及手机终端 | |
CN117854029A (zh) | 一种基于机器视觉的智慧农业作物根行预测方法 | |
Tageldin | Integration of machine learning and predictive analytics in agriculture to optimize plant disease detection and treatment in Egypt | |
CN117350449A (zh) | 当茬作物施肥控制方法、装置、存储介质 |
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 |