CN117490703A - 一种农机作业路径规划方法及系统 - Google Patents
一种农机作业路径规划方法及系统 Download PDFInfo
- Publication number
- CN117490703A CN117490703A CN202311843446.6A CN202311843446A CN117490703A CN 117490703 A CN117490703 A CN 117490703A CN 202311843446 A CN202311843446 A CN 202311843446A CN 117490703 A CN117490703 A CN 117490703A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- neuron
- state
- agricultural machinery
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000002569 neuron Anatomy 0.000 claims abstract description 103
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000002964 excitative effect Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000002401 inhibitory effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010845 search algorithm Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06N3/0409—Adaptive resonance theory [ART] 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种农机作业路径规划方法及系统,方法包括数据采集、数据预处理、预定义、路径生成和参数搜索。本发明属于路径规划技术领域,具体是指一种农机作业路径规划方法及系统,本方案根据不同神经网络空间作为农机运动空间,通过不断地优化外部输入和神经元之间的连接权重,基于神经网络对路径搜索实现并行化处理和自适应调整,以达到路径规划的精准性和提高避障性能;基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略,实现搜索算法的高效精准。
Description
技术领域
本发明涉及路径规划技术领域,具体是指一种农机作业路径规划方法及系统。
背景技术
农机作业路径规划方法是基于机器学习和自主导航技术的应用之一,旨在优化农机在农田或农作物中的行走路径,提高农田作业效率和减少资源浪费;但是一般农机路径规划方法存在鲁棒性差,路径搜素不精准以及避障能力欠缺的问题;一般搜索方法存在欠缺搜索多样性、无法实现局部搜索和全局搜索的平衡从而导致搜索准确性差的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种农机作业路径规划方法及系统,针对一般农机路径规划方法存在鲁棒性差,路径搜素不精准以及避障能力欠缺的问题,本方案将根据不同神经网络空间作为农机运动空间,通过不断地优化外部输入和神经元之间的连接权重,基于神经网络对路径搜索实现并行化处理和自适应调整,以达到路径规划的精准性和提高避障性能;针对一般搜索方法存在欠缺搜索多样性、无法实现局部搜索和全局搜索的平衡从而导致搜索准确性差的问题,本方案基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略,实现搜索算法的高效精准。
本发明采取的技术方案如下:本发明提供的一种农机作业路径规划方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:预定义;
步骤S4:路径生成;
步骤S5:参数搜索。
进一步地,在步骤S1中,所述数据采集是采集位置信息、地形信息、障碍物信息和农田信息;所述位置信息包括起始点和目标点的位置;所述障碍物信息包括障碍物的形状、尺寸和位置;所述农田信息包括农田的位置和形状。
进一步地,在步骤S2中,所述数据预处理是对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理。
进一步地,在步骤S3中,所述预定义具体包括以下步骤:
步骤S31:确定农机形状特征,使用39×39的矩阵来描述T形农机的形状特征,其中每个元素代表一个神经元;神经元的值表示农机所占据的位置和自由空间中的位置;农机的前进方向离散为24个方向,通过矩阵旋转建立24个标记为Wθ的神经元矩阵,分别对应不同的前进角度;农机的形状与核矩阵的维数对应;
步骤S32:建立神经网络空间,通过连接神经活动,以创建一个稳定的三维活动空间;神经元之间的连接表示农机的运动;基本的运动形式包括前进、后退、向左转和向右转;神经网络中的每个神经元代表了一种特定的农机运动;通过调节连接权重控制神经元之间的相互作用;
步骤S33:定义农机状态,用三维向量R=(m,n,θ)来表示农机的状态,其中R是神经元,m和n分别是农机的水平位置和垂直位置,θ是农机的运动方向;建立一个三维神经网络;神经元之间的连接反映了农机的运动,农机的运动分为向前移动、向后移动、向左转和向右转四种基本形式;因此在网络中,给定一个神经元,它与其相邻神经元有四种局部连接;农机的运动是可逆的,连接是双向的;
步骤S34:定义神经元的状态,根据农机是否与障碍物碰撞,神经元的状态分为两种情况:自由和障碍物;神经元的状态取决于农机的位置、形状、方向和周围的障碍物;
步骤S35:加入卷积操作,将从网络中提取农机的形状特征转化为识别网络中神经元的状态;加入卷积计算用于识别神经元的状态,即自由或障碍物;通过在神经网络上进行卷积操作,提取农机形状特征并转化为神经元状态的识别;农机根据神经网络中神经元的状态来避免与障碍物的碰撞;
步骤S36:定义激活函数,所用公式如下:
;
式中,f(·)是激活函数,x是输入。
进一步地,在步骤S4中,所述路径生成具体包括以下步骤:
步骤S41:输出特征映射,神经网络空间以kernel矩阵作为滤波器,表示如下:
;
式中,是表示输出特征映射中第(m,n)个神经元的值,θ是当前农机的方向;
Sp,q是神经网络中位置为(p,q)的神经元的状态,若是障碍物则值为1,否则为0;Wθ是kernel
矩阵,用于对输入数据进行卷积运算提取特征;是卷积操作,b是偏置;
步骤S42:定义外部输入,表示如下:
;
式中,Ii是外部输入,tas是目标状态,obs是障碍状态,otherwise是其他状态,E是外部刺激的强度;
步骤S43:定义兴奋性输入,表示如下:
;
式中,是兴奋性输入;[·]+定义为[a]+=max{a,0},a是定义用参数;ωij是相邻
神经元j到当前神经元i的连接权重,由于农机的平移和旋转是可逆的,权重ωij是对称的,
即ωij=ωji;j是相邻神经元的索引,k是相邻神经元的总数,Ii和Ij是不同神经元的外部输
入;
步骤S44:定义抑制性输入,抑制性输入仅来自障碍状态,即仅当输入Ii
小于等于零,表明当前状态为障碍状态时,才会对变量xi产生抑制性影响;
步骤S45:定义路径生成算法,连接权重ωij=(ωi1,ωi2,ωi3,ωi4)分别决定农机向前移动、右转、向后移动和左转的活动强度;通过神经元模型对外部输入进行感知,并根据输入的强度和连接权重来调整神经元的活动,通过调整神经元的活动,农机根据环境的变化实现路径规划和避障,路径生成算法如下所示;
;
式中,A是控制对输入响应程度的参数,B是偏置项,D是额外偏移量;xi是神经元的活动,t是时间步长,zi和zj是不同神经元的输入影响项;[·]-定义为[a]-=max{-a,0};
步骤S46:路径生成,通过卷积计算和阈值设定,将农机与障碍物的碰撞情况转化为神经元的状态表示,将目标状态和障碍状态的神经元作为神经网络的兴奋性和抑制性输入;基于内部神经连接的定义,生成的神经网络活动空间确保目标状态的神经元保持在峰值处,从而能够全局吸引农机朝向目标状态;同时,保证障碍状态的神经元保持在谷底,以避免碰撞;通过依次选择具有最大活动强度的相邻神经元,生成一条从起始位置到目标位置的无碰撞路径。
进一步地,在步骤S5中,所述参数搜索具体包括以下步骤:
步骤S51:初始化,基于模型参数建立搜索空间,随机初始化参数搜索位置,将基于参数位置实现的路径搜索性能作为参数位置个体适应度值;将适应度值最高的个体定义为全局最优个体;
步骤S52:定义自适应惯性权重,所用公式如下:
;
式中,wI(t)是第I个参数位置在第t次迭代中的权重,wmax是最大权重,wmin是最小权重,SfI(t)是第I个参数位置在第t次迭代的个体适应度值;SfGbest(t)是第t次迭代全局最优个体的适应度值;Sfave(t)是第t次迭代的所有参数个体平均适应度值;Sfibest(t)是第t次迭代的个体历史最优适应度值;
步骤S53:定义自适应参数位置移动策略,所用公式如下:
;
;
式中,XI(t+1)和XI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的位置;VI(t+1)和VI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的速度;Pibest是个体历史最优位置,Gbest是全局最优位置,Sfave(t)是第t次迭代的所有参数个体平均适应度值,Sfbad是低适应度阈值,Sfgood是高适应度阈值;η是学习率,C1和C2是控制参数位置间影响的参数,R1和R2是用于控制随机性的参数;
步骤S54:搜索判定,预先设有最大迭代次数和模型适应度阈值,当存在参数个体适应度值高于模型适应度阈值时,基于参数个体位置进行路径搜索;若达到最大迭代次数,则重新初始化参数位置进行搜索;否则继续迭代搜索。
本发明提供的一种农机作业路径规划系统,包括数据采集模块、数据预处理模块、预定义模块、路径生成模块和参数搜索模块;
所述数据采集模块采集位置信息、地形信息、障碍物信息和农田信息,并将数据发送至数据预处理模块;
所述数据预处理模块对定位系统采集的数据进行数据清洗,对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理,并将数据发送至预定义模块;
所述预定义模型将农机形状特征转化为神经网络输入、构建神经网络空间、定义农机状态和神经元状态,并通过卷积操作提取农机形状特征,最后定义激活函数,并将数据发送至路径生成模块;
所述路径生成模块通过设计输出特征映射,定义外部输入、兴奋性输入和抑制性输入得到路径生成算法,最终实现路径生成策略,并将数据发送至参数搜索模块;
所述参数搜索模块基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略。
采用上述方案本发明取得的有益效果如下:
(1)针对一般农机路径规划方法存在鲁棒性差,路径搜素不精准以及避障能力欠缺的问题,本方案将根据不同神经网络空间作为农机运动空间,通过不断地优化外部输入和神经元之间的连接权重,基于神经网络对路径搜索实现并行化处理和自适应调整,以达到路径规划的精准性和提高避障性能。
(2)针对一般搜索方法存在欠缺搜索多样性、无法实现局部搜索和全局搜索的平衡从而导致搜索准确性差的问题,本方案基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略,实现搜索算法的高效精准。
附图说明
图1为本发明提供的一种农机作业路径规划方法的流程示意图;
图2为本发明提供的一种农机作业路径规划系统的示意图;
图3为步骤S4流程示意图;
图4为步骤S5流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种农机作业路径规划方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:预定义,将农机形状特征转化为神经网络输入、构建神经网络空间、定义农机状态和神经元状态,并通过卷积操作提取农机形状特征,最后定义激活函数;
步骤S4:路径生成,通过设计输出特征映射,定义外部输入、兴奋性输入和抑制性输入得到路径生成算法,最终实现路径生成策略;
步骤S5:参数搜索,基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是采集位置信息、地形信息、障碍物信息和农田信息;所述位置信息包括起始点和目标点的位置;所述障碍物信息包括障碍物的形状、尺寸和位置;所述农田信息包括农田的位置和形状。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,数据预处理是对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理;
所述数据清洗是处理数据中的异常值、缺失值和重复值;所述数据转化是将采集到的原始数据转换为统一的格式和单位;所述数据标准化是基于最小最大归一化对数据进行标准化处理;所述数据平滑是基于平滑算法对数据进行平滑处理,以减少数据的波动性。
实施例四,参阅图1,该实施例基于上述实施例,在步骤S3中,预定义具体包括以下步骤:
步骤S31:确定农机形状特征,使用39×39的矩阵来描述T形农机的形状特征,其中每个元素代表一个神经元;神经元的值表示农机所占据的位置和自由空间中的位置;农机的前进方向离散为24个方向,通过矩阵旋转建立24个标记为Wθ的神经元矩阵,分别对应不同的前进角度;农机的形状与核矩阵的维数对应;
步骤S32:建立神经网络空间,通过连接神经活动,以创建一个稳定的三维活动空间;神经元之间的连接表示农机的运动;基本的运动形式包括前进、后退、向左转和向右转;神经网络中的每个神经元代表了一种特定的农机运动;通过调节连接权重控制神经元之间的相互作用;
步骤S33:定义农机状态,用三维向量R=(m,n,θ)来表示农机的状态,其中R是神经元,m和n分别是农机的水平位置和垂直位置,θ是农机的运动方向;建立一个三维神经网络;神经元之间的连接反映了农机的运动,农机的运动分为向前移动、向后移动、向左转和向右转四种基本形式;因此在网络中,给定一个神经元,它与其相邻神经元有四种局部连接;农机的运动是可逆的,连接是双向的;
步骤S34:定义神经元的状态,根据农机是否与障碍物碰撞,神经元的状态分为两种情况:自由和障碍物;神经元的状态取决于农机的位置、形状、方向和周围的障碍物;
步骤S35:加入卷积操作,将从网络中提取农机的形状特征转化为识别网络中神经元的状态;加入卷积计算用于识别神经元的状态,即自由或障碍物;通过在神经网络上进行卷积操作,提取农机形状特征并转化为神经元状态的识别;农机根据神经网络中神经元的状态来避免与障碍物的碰撞;
步骤S36:定义激活函数,所用公式如下:
;
式中,f(·)是激活函数,x是输入。
实施例五,参阅图1和图3该实施例基于上述实施例,在步骤S4中,路径生成具体包括以下步骤:
步骤S41:输出特征映射,神经网络空间以kernel矩阵作为滤波器,表示如下:
;
式中,是表示输出特征映射中第(m,n)个神经元的值,θ是当前农机的方向;
Sp,q是神经网络中位置为(p,q)的神经元的状态,若是障碍物则值为1,否则为0;Wθ是kernel
矩阵,用于对输入数据进行卷积运算提取特征;是卷积操作,b是偏置;
步骤S42:定义外部输入,表示如下:
;
式中,Ii是外部输入,tas是目标状态,obs是障碍状态,otherwise是其他状态,E是外部刺激的强度;
步骤S43:定义兴奋性输入,表示如下:
;
式中,是兴奋性输入;[·]+定义为[a]+=max{a,0},a是定义用参数;ωij是相邻
神经元j到当前神经元i的连接权重,由于农机的平移和旋转是可逆的,权重ωij是对称的,
即ωij=ωji;j是相邻神经元的索引,k是相邻神经元的总数,Ii和Ij是不同神经元的外部输
入;
步骤S44:定义抑制性输入,抑制性输入仅来自障碍状态,即仅当输入Ii
小于等于零,表明当前状态为障碍状态时,才会对变量xi产生抑制性影响;
步骤S45:定义路径生成算法,连接权重ωij=(ωi1,ωi2,ωi3,ωi4)分别决定农机向前移动、右转、向后移动和左转的活动强度;通过神经元模型对外部输入进行感知,并根据输入的强度和连接权重来调整神经元的活动,通过调整神经元的活动,农机根据环境的变化实现路径规划和避障,路径生成算法如下所示;
;
式中,A是控制对输入响应程度的参数,B是偏置项,D是额外偏移量;xi是神经元的活动,t是时间步长,zi和zj是不同神经元的输入影响项;[·]-定义为[a]-=max{-a,0};
步骤S46:路径生成,通过卷积计算和阈值设定,将农机与障碍物的碰撞情况转化为神经元的状态表示,将目标状态和障碍状态的神经元作为神经网络的兴奋性和抑制性输入;基于内部神经连接的定义,生成的神经网络活动空间确保目标状态的神经元保持在峰值处,从而能够全局吸引农机朝向目标状态;同时,保证障碍状态的神经元保持在谷底,以避免碰撞;通过依次选择具有最大活动强度的相邻神经元,生成一条从起始位置到目标位置的无碰撞路径。
通过执行上述操作,针对一般农机路径规划方法存在鲁棒性差,路径搜素不精准以及避障能力欠缺的问题,本方案将根据不同神经网络空间作为农机运动空间,通过不断地优化外部输入和神经元之间的连接权重,基于神经网络对路径搜索实现并行化处理和自适应调整,以达到路径规划的精准性和提高避障性能。
实施例六,参阅图1和图4,该实施例基于上述实施例,在步骤S5中,参数搜索具体包括以下步骤:
步骤S51:初始化,基于模型参数建立搜索空间,随机初始化参数搜索位置,将基于参数位置实现的路径搜索性能作为参数位置个体适应度值;将适应度值最高的个体定义为全局最优个体;
步骤S52:定义自适应惯性权重,所用公式如下:
;
式中,wI(t)是第I个参数位置在第t次迭代中的权重,wmax是最大权重,wmin是最小权重,SfI(t)是第I个参数位置在第t次迭代的个体适应度值;SfGbest(t)是第t次迭代全局最优个体的适应度值;Sfave(t)是第t次迭代的所有参数个体平均适应度值;Sfibest(t)是第t次迭代的个体历史最优适应度值;
步骤S53:定义自适应参数位置移动策略,所用公式如下:
;
;
式中,XI(t+1)和XI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的位置;VI(t+1)和VI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的速度;Pibest是个体历史最优位置,Gbest是全局最优位置,Sfave(t)是第t次迭代的所有参数个体平均适应度值,Sfbad是低适应度阈值,Sfgood是高适应度阈值;η是学习率,C1和C2是控制参数位置间影响的参数,R1和R2是用于控制随机性的参数;
步骤S54:搜索判定,预先设有最大迭代次数和模型适应度阈值,当存在参数个体适应度值高于模型适应度阈值时,基于参数个体位置进行路径搜索;若达到最大迭代次数,则重新初始化参数位置进行搜索;否则继续迭代搜索。
通过执行上述操作,针对一般搜索方法存在欠缺搜索多样性、无法实现局部搜索和全局搜索的平衡从而导致搜索准确性差的问题,本方案基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略,实现搜索算法的高效精准。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种农机作业路径规划系统,包括数据采集模块、数据预处理模块、预定义模块、路径生成模块和参数搜索模块;
所述数据采集模块采集位置信息、地形信息、障碍物信息和农田信息,并将数据发送至数据预处理模块;
所述数据预处理模块对定位系统采集的数据进行数据清洗,对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理,并将数据发送至预定义模块;
所述预定义模型将农机形状特征转化为神经网络输入、构建神经网络空间、定义农机状态和神经元状态,并通过卷积操作提取农机形状特征,最后定义激活函数,并将数据发送至路径生成模块;
所述路径生成模块通过设计输出特征映射,定义外部输入、兴奋性输入和抑制性输入得到路径生成算法,最终实现路径生成策略,并将数据发送至参数搜索模块;
所述参数搜索模块基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.一种农机作业路径规划方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:预定义;
步骤S4:路径生成;
步骤S5:参数搜索;
在步骤S4中,所述路径生成具体包括以下步骤:
步骤S41:输出特征映射,神经网络空间以kernel矩阵作为滤波器,表示如下:
;
式中,是表示输出特征映射中第(m,n)个神经元的值,θ是当前农机的方向;Sp,q是神经网络中位置为(p,q)的神经元的状态,若是障碍物则值为1,否则为0;Wθ是kernel矩阵,用于对输入数据进行卷积运算提取特征;/>是卷积操作,b是偏置;
步骤S42:定义外部输入,表示如下:
;
式中,Ii是外部输入,tas是目标状态,obs是障碍状态,otherwise是其他状态,E是外部刺激的强度;
步骤S43:定义兴奋性输入,表示如下:
;
式中,是兴奋性输入;[·]+定义为[a]+=max{a,0},a是定义用参数;ωij是相邻神经元j到当前神经元i的连接权重,由于农机的平移和旋转是可逆的,权重ωij是对称的,即ωij=ωji;j是相邻神经元的索引,k是相邻神经元的总数,Ii和Ij是不同神经元的外部输入;
步骤S44:定义抑制性输入,抑制性输入仅来自障碍状态,即仅当输入Ii小于等于零,表明当前状态为障碍状态时,才会对变量xi产生抑制性影响;
步骤S45:定义路径生成算法,连接权重ωij=(ωi1,ωi2,ωi3,ωi4)分别决定农机向前移动、右转、向后移动和左转的活动强度;通过神经元模型对外部输入进行感知,并根据输入的强度和连接权重来调整神经元的活动,通过调整神经元的活动,农机根据环境的变化实现路径规划和避障,路径生成算法如下所示;
;
式中,A是控制对输入响应程度的参数,B是偏置项,D是额外偏移量;xi是神经元的活动,t是时间步长,zi和zj是不同神经元的输入影响项;[·]-定义为[a]-=max{-a,0};
步骤S46:路径生成,通过卷积计算和阈值设定,将农机与障碍物的碰撞情况转化为神经元的状态表示,将目标状态和障碍状态的神经元作为神经网络的兴奋性和抑制性输入;基于内部神经连接的定义,生成的神经网络活动空间确保目标状态的神经元保持在峰值处,从而能够全局吸引农机朝向目标状态;同时,保证障碍状态的神经元保持在谷底,以避免碰撞;通过依次选择具有最大活动强度的相邻神经元,生成一条从起始位置到目标位置的无碰撞路径。
2.根据权利要求1所述的一种农机作业路径规划方法,其特征在于:在步骤S5中,所述参数搜索具体包括以下步骤:
步骤S51:初始化,基于模型参数建立搜索空间,随机初始化参数搜索位置,将基于参数位置实现的路径搜索性能作为参数位置个体适应度值;将适应度值最高的个体定义为全局最优个体;
步骤S52:定义自适应惯性权重,所用公式如下:
;
式中,wI(t)是第I个参数位置在第t次迭代中的权重,wmax是最大权重,wmin是最小权重,SfI(t)是第I个参数位置在第t次迭代的个体适应度值;SfGbest(t)是第t次迭代全局最优个体的适应度值;Sfave(t)是第t次迭代的所有参数个体平均适应度值;Sfibest(t)是第t次迭代的个体历史最优适应度值;
步骤S53:定义自适应参数位置移动策略,所用公式如下:
;
;
式中,XI(t+1)和XI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的位置;VI(t+1)和VI(t)分别是第I个参数位置在第t+1次迭代和第t次迭代的速度;Pibest是个体历史最优位置,Gbest是全局最优位置,Sfave(t)是第t次迭代的所有参数个体平均适应度值,Sfbad是低适应度阈值,Sfgood是高适应度阈值;η是学习率,C1和C2是控制参数位置间影响的参数,R1和R2是用于控制随机性的参数;
步骤S54:搜索判定,预先设有最大迭代次数和模型适应度阈值,当存在参数个体适应度值高于模型适应度阈值时,基于参数个体位置进行路径搜索;若达到最大迭代次数,则重新初始化参数位置进行搜索;否则继续迭代搜索。
3.根据权利要求1所述的一种农机作业路径规划方法,其特征在于:在步骤S3中,所述预定义具体包括以下步骤:
步骤S31:确定农机形状特征,使用39×39的矩阵来描述T形农机的形状特征,其中每个元素代表一个神经元;神经元的值表示农机所占据的位置和自由空间中的位置;农机的前进方向离散为24个方向,通过矩阵旋转建立24个标记为Wθ的神经元矩阵,分别对应不同的前进角度;农机的形状与核矩阵的维数对应;
步骤S32:建立神经网络空间,通过连接神经活动,以创建一个稳定的三维活动空间;神经元之间的连接表示农机的运动;基本的运动形式包括前进、后退、向左转和向右转;神经网络中的每个神经元代表了一种特定的农机运动;通过调节连接权重控制神经元之间的相互作用;
步骤S33:定义农机状态,用三维向量R=(m,n,θ)来表示农机的状态,其中R是神经元,m和n分别是农机的水平位置和垂直位置,θ是农机的运动方向;建立一个三维神经网络;神经元之间的连接反映了农机的运动,农机的运动分为向前移动、向后移动、向左转和向右转四种基本形式;因此在网络中,给定一个神经元,它与其相邻神经元有四种局部连接;农机的运动是可逆的,连接是双向的;
步骤S34:定义神经元的状态,根据农机是否与障碍物碰撞,神经元的状态分为两种情况:自由和障碍物;神经元的状态取决于农机的位置、形状、方向和周围的障碍物;
步骤S35:加入卷积操作,将从网络中提取农机的形状特征转化为识别网络中神经元的状态;加入卷积计算用于识别神经元的状态,即自由或障碍物;通过在神经网络上进行卷积操作,提取农机形状特征并转化为神经元状态的识别;农机根据神经网络中神经元的状态来避免与障碍物的碰撞;
步骤S36:定义激活函数,所用公式如下:
;
式中,f(·)是激活函数,x是输入。
4.根据权利要求1所述的一种农机作业路径规划方法,其特征在于:在步骤S1中,所述数据采集是采集位置信息、地形信息、障碍物信息和农田信息;所述位置信息包括起始点和目标点的位置;所述障碍物信息包括障碍物的形状、尺寸和位置;所述农田信息包括农田的位置和形状。
5.根据权利要求1所述的一种农机作业路径规划方法,其特征在于:在步骤S2中,所述数据预处理是对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理。
6.一种农机作业路径规划系统,用于实现如权利要求1-5中任一项所述的一种农机作业路径规划方法,其特征在于:包括数据采集模块、数据预处理模块、预定义模块、路径生成模块和参数搜索模块。
7.根据权利要求6所述的一种农机作业路径规划系统,其特征在于:
所述数据采集模块采集位置信息、地形信息、障碍物信息和农田信息,并将数据发送至数据预处理模块;
所述数据预处理模块对定位系统采集的数据进行数据清洗,对采集的数据进行数据清洗、数据转化、数据标准化和数据平滑处理,并将数据发送至预定义模块;
所述预定义模型将农机形状特征转化为神经网络输入、构建神经网络空间、定义农机状态和神经元状态,并通过卷积操作提取农机形状特征,最后定义激活函数,并将数据发送至路径生成模块;
所述路径生成模块通过设计输出特征映射,定义外部输入、兴奋性输入和抑制性输入得到路径生成算法,最终实现路径生成策略,并将数据发送至参数搜索模块;
所述参数搜索模块基于个体适应度值、全局适应度值和个体历史适应度值设计自适应惯性权重,从而设计自适应参数位置移动策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311843446.6A CN117490703B (zh) | 2023-12-29 | 2023-12-29 | 一种农机作业路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311843446.6A CN117490703B (zh) | 2023-12-29 | 2023-12-29 | 一种农机作业路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117490703A true CN117490703A (zh) | 2024-02-02 |
CN117490703B CN117490703B (zh) | 2024-03-08 |
Family
ID=89685337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311843446.6A Active CN117490703B (zh) | 2023-12-29 | 2023-12-29 | 一种农机作业路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490703B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273253A1 (en) * | 2004-06-03 | 2005-12-08 | Norbert Diekhans | Route planning system and method for agricultural working machines |
CN106843216A (zh) * | 2017-02-15 | 2017-06-13 | 北京大学深圳研究生院 | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 |
CN109668566A (zh) * | 2018-12-05 | 2019-04-23 | 大连理工大学 | 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法 |
CN110502006A (zh) * | 2019-07-22 | 2019-11-26 | 中国矿业大学 | 一种矿区废弃地移动机器人全覆盖路径规划方法 |
CN114384916A (zh) * | 2022-01-13 | 2022-04-22 | 华中科技大学 | 一种越野车路径规划的自适应决策方法及系统 |
CN117008620A (zh) * | 2023-08-16 | 2023-11-07 | 天津大学 | 一种无人驾驶自适应路径规划方法、系统、设备及介质 |
-
2023
- 2023-12-29 CN CN202311843446.6A patent/CN117490703B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273253A1 (en) * | 2004-06-03 | 2005-12-08 | Norbert Diekhans | Route planning system and method for agricultural working machines |
CN106843216A (zh) * | 2017-02-15 | 2017-06-13 | 北京大学深圳研究生院 | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 |
CN109668566A (zh) * | 2018-12-05 | 2019-04-23 | 大连理工大学 | 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法 |
CN110502006A (zh) * | 2019-07-22 | 2019-11-26 | 中国矿业大学 | 一种矿区废弃地移动机器人全覆盖路径规划方法 |
CN114384916A (zh) * | 2022-01-13 | 2022-04-22 | 华中科技大学 | 一种越野车路径规划的自适应决策方法及系统 |
CN117008620A (zh) * | 2023-08-16 | 2023-11-07 | 天津大学 | 一种无人驾驶自适应路径规划方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
许志远: "基于改进神经网络的船舶航行路径规划", 《舰船科学技术》, vol. 44, no. 14, 31 July 2022 (2022-07-31), pages 57 - 60 * |
Also Published As
Publication number | Publication date |
---|---|
CN117490703B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3405845B1 (en) | Object-focused active three-dimensional reconstruction | |
CN108247637B (zh) | 一种工业机器人手臂视觉防撞操控方法 | |
CN108196453B (zh) | 一种机械臂运动规划群体智能计算方法 | |
Zivkovic et al. | Hierarchical map building and planning based on graph partitioning | |
Chatterjee et al. | A Geese PSO tuned fuzzy supervisor for EKF based solutions of simultaneous localization and mapping (SLAM) problems in mobile robots | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN103413352A (zh) | 基于rgbd多传感器融合的场景三维重建方法 | |
Chen et al. | Multi-scale bio-inspired place recognition | |
Zeng et al. | Mobile robot exploration based on rapidly-exploring random trees and dynamic window approach | |
CN117490703B (zh) | 一种农机作业路径规划方法及系统 | |
CN111739066B (zh) | 一种基于高斯过程的视觉定位方法、系统及存储介质 | |
CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及系统 | |
Jerbć et al. | Autonomous agent based on reinforcement learning and adaptive shadowed network | |
Schiotka et al. | Robot localization with sparse scan-based maps | |
Mazzia et al. | Deepway: a deep learning estimator for unmanned ground vehicle global path planning | |
CN106096565A (zh) | 基于传感网络的移动机器人与静态传感器的任务协作方法 | |
CN113741461B (zh) | 一种面向受限通信的复杂场景下多机器人避障方法 | |
Cao et al. | An end-to-end localizer for long-term topological localization in large-scale changing environments | |
Chandra et al. | Garbage detection and path-planning in autonomous robots | |
CN114186112A (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
Wurm et al. | Improved Simultaneous Localization and Mapping using a Dual Representation of the Environment. | |
Zhou et al. | Topological segmentation for indoor environments from grid maps using an improved NJW algorithm | |
Okamoto et al. | GENERATION OF OBSTACLE AVOIDANCE BASED ON IMAGE FEATURES AND EMBODIMENT Yuichi Kobayashi | |
Korthals et al. | Path evaluation via hmm on semantical occupancy grid maps | |
Pandey et al. | A Literature Review of Non-Herbicide, Robotic Weeding: A Decade of Progress |
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 |