CN117891261B - 基于智慧农业多机协同的自主种植系统、设备及存储介质 - Google Patents
基于智慧农业多机协同的自主种植系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117891261B CN117891261B CN202410296362.3A CN202410296362A CN117891261B CN 117891261 B CN117891261 B CN 117891261B CN 202410296362 A CN202410296362 A CN 202410296362A CN 117891261 B CN117891261 B CN 117891261B
- Authority
- CN
- China
- Prior art keywords
- planting
- vehicle
- subsystem
- cloud platform
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 42
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 30
- 239000003337 fertilizer Substances 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 24
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 28
- 241000196324 Embryophyta Species 0.000 description 21
- 238000005457 optimization Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 241000229143 Hippophae Species 0.000 description 3
- 235000003145 Hippophae rhamnoides Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于智慧农业多机协同的自主种植系统、设备及存储介质。该系统包括感知子系统、控制子系统、协同子系统、侦察车、种植车、补给车、后遣车及云平台；感知子系统由侦察车搭载，感知子系统用于获取并传输感知数据至控制子系统；云平台设置在控制子系统中，用于根据接收的感知数据进行种植路径的规划并基于规划完成的种植路径对种植车、补给车及后遣车进行统一调度和控制，以完成植物的种植；协同子系统包括无线通信模块，用于实现感知子系统、控制子系统、侦察车、种植车、补给车、后遣车及云平台之间的互相通信。本发明将智慧农业技术和多机协同技术有效地应用到农业种植中，提高了生产效率、资源利用率并降低了人力成本。
Description
技术领域
本发明实施例涉及农业种植技术领域，尤其涉及一种基于智慧农业多机协同的自主种植系统、设备及存储介质。
背景技术
现有传统农业种植生产方式存在诸多问题，如资源浪费、劳动密集度高、生产效率低下等，同时也面临着巨大的挑战，如人口增长、土地有限性、气候变化等。
智慧农业技术是指利用先进的信息技术、传感技术、通信技术和自动化技术，以及大数据分析、人工智能等技术手段，对农业种植生产的各个环节进行智能化、精细化管理和运营的技术。通过智慧农业技术的应用，农民可以更科学、更智能地进行农业种植生产，从而实现可持续发展和农业现代化。
多机协同技术是指利用先进的信息技术、通信技术和控制技术，实现多台农业机械设备之间的协同作业和协同控制。多机协同技术在智慧农业中具有极大的实际应用价值。自主农机的协同作业能力如通过自主驾驶农机之间的通信和协调实现高效的种植、施肥和灌溉等操作。
而如何将智慧农业技术和多机协同技术有效地应用到农业种植中成为亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例提供一种基于智慧农业多机协同的自主种植系统、设备及存储介质，以至少部分解决上述问题。
根据本发明实施例的第一方面，提供了一种基于智慧农业多机协同的自主种植系统，包括感知子系统、控制子系统、协同子系统、侦察车、种植车、补给车、后遣车及云平台；其中，所述感知子系统由所述侦察车搭载，所述感知子系统用于获取并传输感知数据至所述控制子系统；所述云平台设置在所述控制子系统中，用于根据接收的所述感知数据进行种植路径的规划并基于规划完成的种植路径对所述种植车、所述补给车及所述后遣车进行统一调度和控制，以完成植物的种植，其中所述云平台根据接收的所述感知数据进行种植路径的规划，包括：基于边界图像，确定种植地的可种植范围；从预设起点开始，在所述可种植范围内进行随机采样，得到采样点，所述采样点用于路径探索；对所述采样点进行碰撞检测，将与所述采样点距离最近且与所述采样点无障碍连接的点确定为生成点，所述生成点的搜索方向指向无碰撞区域；判断所述生成点与预设目标点的距离是否满足预设距离阈值，若满足所述预设距离阈值，则将所述预设起点、所述采样点、所述生成点及所述预设目标点依次连接，得到无碰撞种植轨迹；根据从所述无碰撞种植轨迹中选择的离散点计算三次样条插值函数的参数，所述离散点包括位置信息、时间信息及速度信息；根据所述三次样条插值函数的参数对所述无碰撞种植轨迹进行插值，生成平滑路径；将所述平滑路径确定为所述规划完成的种植路径；所述协同子系统包括无线通信模块，用于实现所述感知子系统、所述控制子系统、所述侦察车、所述种植车、所述补给车、所述后遣车及所述云平台之间的互相通信。
在一种实现方式中，所述感知子系统包括环境检测模块，所述环境检测模块包括：图像采集单元，用于获取种植地的边界图像；视觉识别单元，用于识别所述种植地中的障碍物；种植温湿度检测单元，用于检测所述种植地的种植温湿度；种植酸碱度检测单元，用于检测所述种植地的种植酸碱度；种植肥效检测单元，用于检测所述种植地的种植肥效；种植水分检测单元，用于检测所述种植地的种植水分；其中，所述感知数据包括所述边界图像、所述障碍物、所述种植温湿度、所述种植酸碱度、所述种植肥效及所述种植水分。
在另一种实现方式中，所述图像采集单元包括二维RGB相机，所述视觉识别单元包括多线激光雷达。
在另一种实现方式中，所述基于规划完成的种植路径对所述种植车、所述补给车及所述后遣车进行统一调度和控制，以完成植物的种植，包括以下步骤：所述云平台将所述规划完成的种植路径和种植指令下发至所述种植车并接收所述种植车每次种植完成后传回的种植数据，所述种植数据包括种植苗数、施肥量及浇水量；所述云平台分析所述种植数据，确定需扶苗修正的植物信息并将所述需扶苗修正的植物信息下发至所述后遣车，以便所述后遣车进行扶苗修正；所述云平台监测所述种植车的水肥剩余信息，当剩余水肥量低于预设剩余水肥量阈值时，所述云平台派遣所述补给车对所述种植车进行补给。
在另一种实现方式中，所述无线通信模块采用SX1262无线通信模组，所述SX1262无线通信模组连接运营商网络用于远程传输信号。
在另一种实现方式中，所述协同子系统还包括训练模块，所述训练模块用于对所述侦察车、所述种植车、所述补给车及所述后遣车进行协同训练。
根据本发明实施例的第二方面，提供了一种用于运行第一方面所述的基于智慧农业多机协同的自主种植系统的设备，包括处理器、存储程序的存储器。其中，程序包括指令，指令在由处理器执行时使处理器执行如第一方面所述的系统所执行的步骤。
根据本发明实施例的第三方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的系统所执行的步骤。
综上，在本发明实施例的方案中，通过感知子系统获取并传输感知数据，通过设置在控制子系统中云平台进行种植路径的规划并基于规划完成的种植路径对种植车、补给车及后遣车进行统一调度和控制，以完成植物的种植；通过协同子系统实现感知子系统、控制子系统、侦察车、种植车、补给车、后遣车及云平台之间的互相通信，本发明将智慧农业技术和多机协同技术有效地应用到农业种植中，提高了生产效率、资源利用率并降低了人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于智慧农业多机协同的自主种植系统的结构示意图。
图2为本发明另一实施例的自主种植场景示意图。
图3为本发明另一实施例的基于协同进化的混合进化算法流程图。
图4为本发明另一实施例的SX1262无线通信模组示意图。
图5为本发明另一实施例的多车协同训练示意图。
图6为本发明另一实施例的通信流程示意图。
图7为根据本发明的另一实施例的一种用于运行第一方面所述的基于智慧农业多机协同的自主种植系统的设备的结构示意图。
具体实施方式
为了对本申请实施例的技术特征、目的和效果有更加清楚的理解，现对照附图说明本申请实施例的具体实施方式。
在本文中，“示例性地”表示“充当实例、例子或说明”，不应将在本文中被描述为“示例性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
为使图面简洁，各图中只示例性地表示出了与本申请相关的部分，它们并不代表其作为产品的实际结构。另外，为使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示例性地绘示了其中的一个或多个，或仅标示出了其中的一个或多个。
为了使本领域的人员更好地理解本发明实施例中的技术方案，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，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、后……）仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
参见图1为本发明实施例的基于智慧农业多机协同的自主种植系统100的结构示意图，该基于智慧农业多机协同的自主种植系统包括感知子系统110、控制子系统120、协同子系统130、侦察车140、种植车150、补给车160、后遣车170及云平台180；
其中，所述感知子系统110由所述侦察车140搭载，所述感知子系统110用于获取并传输感知数据至所述控制子系统120；
所述云平台180设置在所述控制子系统120中，用于根据接收的所述感知数据进行种植路径的规划并基于规划完成的种植路径对所述种植车150、所述补给车160及所述后遣车170进行统一调度和控制，以完成植物的种植，其中所述云平台180根据接收的所述感知数据进行种植路径的规划，包括：
基于边界图像，确定种植地的可种植范围；
从预设起点开始，在所述可种植范围内进行随机采样，得到采样点，所述采样点用于路径探索；
对所述采样点进行碰撞检测，将与所述采样点距离最近且与所述采样点无障碍连接的点确定为生成点，所述生成点的搜索方向指向无碰撞区域；
判断所述生成点与预设目标点的距离是否满足预设距离阈值，若满足所述预设距离阈值，则将所述预设起点、所述采样点、所述生成点及所述预设目标点依次连接，得到无碰撞种植轨迹；
根据从所述无碰撞种植轨迹中选择的离散点计算三次样条插值函数的参数，所述离散点包括位置信息、时间信息及速度信息；
根据所述三次样条插值函数的参数对所述无碰撞种植轨迹进行插值，生成平滑路径；
将所述平滑路径确定为所述规划完成的种植路径；
所述协同子系统130包括无线通信模块，用于实现所述感知子系统110、所述控制子系统120、所述侦察车140、所述种植车150、所述补给车160、所述后遣车170及所述云平台180之间的互相通信。
综上，在本发明实施例的方案中，通过感知子系统获取并传输感知数据，通过设置在控制子系统中云平台进行种植路径的规划并基于规划完成的种植路径对种植车、补给车及后遣车进行统一调度和控制，以完成植物的种植；通过协同子系统实现感知子系统、控制子系统、侦察车、种植车、补给车、后遣车及云平台之间的互相通信，本发明将智慧农业技术和多机协同技术有效地应用到农业种植中，提高了生产效率、资源利用率并降低了人力成本。
在一种实现方式中，所述感知子系统包括环境检测模块，所述环境检测模块包括：图像采集单元，用于获取种植地的边界图像；视觉识别单元，用于识别所述种植地中的障碍物；种植温湿度检测单元，用于检测所述种植地的种植温湿度；种植酸碱度检测单元，用于检测所述种植地的种植酸碱度；种植肥效检测单元，用于检测所述种植地的种植肥效；种植水分检测单元，用于检测所述种植地的种植水分；其中，所述感知数据包括所述边界图像、所述障碍物、所述种植温湿度、所述种植酸碱度、所述种植肥效及所述种植水分。
在另一种实现方式中，所述图像采集单元包括二维RGB相机，所述视觉识别单元包括多线激光雷达。
应理解，本发明的应用场景为划定界限的戈壁滩种植区域。
还应理解，图像采集单元和视觉识别单元采用基于OpenCV的目标识别，并利用滤波算法进行视觉处理。通过图像采集单元进行二维感知，通过视觉识别单元进行三维感知。其中，二维RGB相机获取边界的图像信息给予种植系统范围控制。但二维环境感知技术所获取的平面信息缺乏高度和深度等额外维度的信息，因此在某些沟壑地面种植场景下无法满足精确和全面的环境感知需求，本发明加以三维感知技术，多线激光雷达能够提供种植车在三维空间内周围环境中的坑洼、石子等精确位置、形状和尺寸等信息，在复杂种植场景下依然能实现对周围环境的感知与理解。
示例性地，所述云平台根据接收的所述感知数据进行种植路径的规划，包括基于所述感知数据，所述云平台采用RRT算法和三次样条插补算法进行所述种植路径的规划，得到所述规划完成的种植路径。
具体地：基于边界图像，确定种植地的可种植范围；从预设起点开始，在所述可种植范围内进行随机采样，得到采样点，所述采样点用于路径探索；对所述采样点进行碰撞检测，将与所述采样点距离最近且与所述采样点无障碍连接的点确定为生成点，所述生成点的搜索方向指向无碰撞区域；判断所述生成点与预设目标点的距离是否满足预设距离阈值，若满足所述预设距离阈值，则将所述预设起点、所述采样点、所述生成点及所述预设目标点依次连接，得到无碰撞种植轨迹；根据从所述无碰撞种植轨迹中选择的离散点计算三次样条插值函数的参数，所述离散点包括位置信息、时间信息及速度信息；根据所述三次样条插值函数的参数对所述无碰撞种植轨迹进行插值，生成平滑路径；将所述平滑路径确定为所述规划完成的种植路径。
应理解，RRT算法全称为Rapidly-exploring Random Tree算法，是一种用于路径规划的算法。
示例性地，由于戈壁滩种植区域地形复杂，沟壑石子较多，因此路径规划的有效性和精确性十分重要，采用ROS系统的代码可复用性、便利性和兼容性等优势对种植小车进行路径规划具有较高的有效性和可靠性。
ROS是面向机器人的元操作系统，在种植路径规划前将种植车三维模型转换成URDF文件并导入ROS系统，ROS中的机器人控制工具MoveIt!可通过加载URDF文件读取种植车参数信息，配置种植车运动规划所需重要参数，并生成功能包，配置种植车运动规划组时，使用KDL运动学与动力学库中的算法来进行种植车的正逆运动学求解。
然后在ROS中3D可视化工具Rviz中MotionPlanning核心功能进行运动规划研究，调用OMPL算法库中RRT算法实现。该算法基于随机采样原理进行路径规划，首先通过对随机选择的采样点进行碰撞检测，将生成点的搜索方向指向无碰撞的区域，由此可规划出一条从规定的初始点到目标点无碰撞的有效路径。通过RRT算法的路径规划，可以避免种植车播种去程与石头沟壑碰撞的问题，同时防止种植车返程与已种小苗发生碰撞影响小苗生长。
但是上述路径规划只是计算得出一条无碰撞的空间轨迹即无碰撞种植轨迹，并没有包含运动过程的速度和加速度信息，而运用三次样条对已知空间轨迹进行插值，给定离散点的位置、速度、时间，利用三次样条插补算法（位置-速度-时间(Position-Velocity-Time)模式）可以生成一条连续、平滑的运动路径即规划完成的种植路径，通过Moveit!中的AddTimeParameterization模块，添加空间轨迹进行速度、加速度约束，并且计算运动到每个路点的时间。三次样条插补算法运用在种植车上可以实现种植间距的精确把控，实现小苗在预设种植点的精准种植，同时每个路点的时间预测为各小车之间的交互奠定了基础。
应理解，时间预测指的是通过PVT模式生成运动路径后，小车在每个路点的时间可以得知。
在另一种实现方式中，所述基于规划完成的种植路径对所述种植车、所述补给车及所述后遣车进行统一调度和控制，以完成植物的种植，包括以下步骤：所述云平台将所述规划完成的种植路径和种植指令下发至所述种植车并接收所述种植车每次种植完成后传回的种植数据，所述种植数据包括种植苗数、施肥量及浇水量；所述云平台分析所述种植数据，确定需扶苗修正的植物信息并将所述需扶苗修正的植物信息下发至所述后遣车，以便所述后遣车进行扶苗修正；所述云平台监测所述种植车的水肥剩余信息，当剩余水肥量低于预设剩余水肥量阈值时，所述云平台派遣所述补给车对所述种植车进行补给。
示例性地，参见图2，云平台即农业云端平台是基于云端网络平台构建的信息处理平台，其具有农业数据库，用于信息采集，存储并进行处理相关数据。基于规划完成的种植路径，侦察车、种植车、补给车、后遣车四个车种将依次完成以下步骤：
1. 车种一（侦察车）：
任务：从种植基地出发，通过导航系统到达目标地，采集目标沙棘地的环境信息即感知数据。
行动：将采集的环境信息传输至云端平台和车种二。
2. 农业云端平台：
任务：进行大数据分析，规划最佳路径，并分析车种二所种植的植物情况。
行动：将规划的路径信息传输给车种二，分析车种二传回的数据，规划相关数据，并传输给车种四。
3. 车种二（种植车）：
任务：按照农业云端平台的规划，从基地出发，到达目的地后进行一体化种植，包括打孔、扦插、填土、浇水、施肥。
行动：完成一株植物的种植后，将种植数据传输至农业云端平台，接收并执行农业云端平台的规划，实现自主化的流水线种植。
4. 农业云端平台（第二次）：
任务：根据车种二传回的种植数据，进行大数据分析，分析车种二所种植的植物情况以确定需扶苗修正的植物信息，并规划车种四进行扶苗修正路线。
行动：将需扶苗修正的植物信息即需要被扶苗修正的植物的位置数据和路线数据传输给车种四，以便进行扶苗修正。
5. 车种四（后遣车）：
任务：根据农业云端平台传来的需扶苗修正的植物信息，对车种二所种植的植物进行扶苗修正，监测植物的生长情况。
行动：将监测到的数据包括扶苗修正次数、种植失败的苗数及种植失败的位置传输至农业云端平台，以形成闭环反馈。
6. 农业云端平台（第三次）：
任务：监测车种二的水肥剩余信息，当剩余水肥量低于预设剩余水肥量阈值时，派遣车种三进行补给。
行动：将补给信息传输给车种三。
7. 车种三（补给车）：
任务：检测车种二中的水肥剩余信息，当剩余水肥量低于预设剩余水肥量阈值时，自动前往种植车旁进行补给或根据农业云端平台的派遣前往种植车旁进行补给。
行动：完成补给操作后，将相应补给数据传输至农业云端平台。
8. 交互联系与闭环：
车种一、二、三、四之间进行实时的数据传输和交互联系，形成一个协同工作的闭环系统。
实时数据传回农业云端平台，以实现及时的大数据分析、规划和决策，从而提高农业种植性能效率。
由于本发明包含侦察车、种植车、补给车、后遣车四个车种，车与车之间的协作通信采用ROS的通信模块实现。ROS最核心的概念是节点和节点管理器，每个节点是一个执行具体某项任务的、独立运行的可执行文件。以图像数据的传递为例，定义三个节点：相机节点、图像处理节点和图像显示节点，所有节点注册在节点管理器中，在节点管理器中，各个节点可以查询信息要发送到哪个节点。节点可以发布消息到话题，或通过订阅某个话题来接受消息，侦察车可通过激光雷达、深度摄像头获取地形和土壤信息，并发布到话题上，种植车、补给车和后遣车通过订阅该话题采取行动。同时也可以通过服务通信的方式求方发出信息的接受请求，应答方收到请求后进行数据采集并反馈。
参见图3，采用RRT算法和三次样条插补算法进行种植路径的规划时，为了在较短的时间内求解大规模路径规划的优化问题，本发明提出基于协同进化的混合进化算法。协同进化算法框架利用分-和思想降低原始问题的求解难度，主要包含以下三个步骤：首先是问题串行分解，即将原始高维优化问题分解若干个规模较小的子问题；其次是并行优化，即使用进化算法分别优化各个子问题；最后是问题串行合并，即将子问题串行合并在一起获得完整的解决方案。
在另一种实现方式中，所述无线通信模块采用SX1262无线通信模组，所述SX1262无线通信模组连接运营商网络用于远程传输信号。
具体的，参见图4为SX1262无线通信模组示意图。
在另一种实现方式中，所述协同子系统还包括训练模块，所述训练模块用于对所述侦察车、所述种植车、所述补给车及所述后遣车进行协同训练。
示例性地，训练模块对侦察车、种植车、补给车及后遣车这几个智能小车进行协同训练首先通过各组分之间的两两配合，利用遗传算法解决各自的优化问题。每个车种通过这一优化算法不断调整自身的运行速度和运行时间，当计算结果满足预设的最低或最高值条件时，即可退出自身的优化算法循环。随后，通过借助智能小车物联网系统引入全局函数，将达到优化条件的各个车种的结果传递给全局函数，由其协调各个车种的行动，逐渐将双车协同问题拓展为多车协同问题。智能小车物联网系统在全局函数的引导下，进行循环求解，逐步引入更多的车种参与到协同训练中。
同时，通过实际应用场景对整个协同训练子系统的算法模型进行有效性评估，根据实际的性能指标对智能小车物联网系统进行调整和优化，确保智能小车物联网系统在复杂环境中的适应性和鲁棒性。具体地，通过实际场景所测得的性能指标，即多车通信的响应速度和时间，多车交互通信的协同效率。根据性能指标，调整全局函数或遗传算法的参数，或采用其他相关的局部优化策略。调整循环的阈值，不断优化每类小车的行为，以提高其在智能小车物联网系统的可信力。最终，各个智能小车物联网链组分的优化算法在多车协同训练中得到整合，智能小车物联网系统能够在全局优化的基础上，不断适应不同环境和任务，实现各车种的高效协同工作。这种整体优化的方法使得智能小车在物联网环境中更具灵活性和智能性。
参见图5，本发明采用联邦学习的方式进行多车的协同训练，以优化整个基于智慧农业多机协同的自主种植系统的性能。不同的车种在联邦学习框架下共同学习，实现协同合作的效果。
首先，横向联邦学习（横向协同）的场景下，不同的车种即各种类型的智能小车共享彼此的经验和信息，促使彼此之间形成协同优势。
以侦察车为例，其通过环境感知能力收集了目标沙棘地的气象和土壤特性数据。这些数据不仅为侦察车本身提供了宝贵的信息，而且在横向协同中传递给其他类型的小车。种植车、补给车和后遣车等类型的智能小车通过共享这些经验，形成了协同优势。这种机制使得最终基于智慧农业多机协同的自主种植系统能够更全面地理解农业环境，从而优化任务执行效率。
其次，纵向联邦学习（纵向协同）的方式下，各种类型的智能小车在本地数据集的样本空间相同而特征空间不同时，采用联邦学习的方式进行协同训练子系统的算法模型训练。
通过采用联邦学习的方式进行模型训练，各车型之间更好地适应本地数据的特性，提高了模型的泛化性能。这种纵向协同机制有助于小车在执行任务时更好地适应本地环境的差异，从而提高整个基于智慧农业多机协同的自主种植系统的鲁棒性。
最后，考虑到不同地区的智能小车可能具有较大差异，采用联邦迁移学习的方式进行模型的优化。通过联邦迁移学习，基于智慧农业多机协同的自主种植系统能够从其他地区的智能小车经验中学习，并将这些知识迁移到新地区，提升在新环境中的适应性。这种方式使得整个基于智慧农业多机协同的自主种植系统能够更加灵活地应对不同地理和气象条件下的农业任务，增强了基于智慧农业多机协同的自主种植系统的普适性。
参见图6，在交互通信环境架构中，智能小车通过搭载多类传感器（如视觉、声音、温湿度等）收集各种环境数据。为了实现低功耗和长距离的数据传输，采用了SX1262 LoRa模块即SX1262无线通信模组，确保数据可靠地传送至云端服务器。在云平台，借助边缘计算进行实时数据处理，以减轻云服务器的负担。算法工程师通过自适应算法不断优化模型，提高实时性。为了适应不同场景和任务的需求，神经网络结构经过调整，并使用SX1262 LoRa模块传输网络结构参数。
应理解，SX1262是Semtech公司生产的一款LoRa通信芯片，而SX1262 LoRa模块即SX1262无线通信模组则是指集成了SX1262芯片的具体产品。
在实现多车协同训练的步骤中，联邦学习被引入以提升多车性能。实验得到的环境数据存入库，并进行分块处理以方便管理。为了确保版本更新的安全性，采用SX1262进行安全的无线升级。通过边缘计算和LoRa调制技术，实现了OTA升级。
智能小车在交互通信版本更新后，通过搭载传感器如RGB相机和多线激光雷达的方式进行环境数据采集。采集到的数据经过数字处理，转换为可传输的数字格式。使用SX1262 LoRa模块将数字数据转换成模拟信号，并通过LoRa调制技术进行无线传输。目标智能小车或接收端的SX1262模块接收到信号后，进行解调，将模拟信号还原成数字数据。接收端对数据进行处理，并根据通信需求做出相应的响应或执行相应的控制操作。整个架构通过精心设计和整合，实现了智能小车之间的高效、安全、和可靠的交互通信。
综上，在本发明实施例的方案中，通过感知子系统获取并传输感知数据，通过设置在控制子系统中云平台进行种植路径的规划并基于规划完成的种植路径对种植车、补给车及后遣车进行统一调度和控制，以完成植物的种植；通过协同子系统实现感知子系统、控制子系统、侦察车、种植车、补给车、后遣车及云平台之间的互相通信，本发明将智慧农业技术和多机协同技术有效地应用到农业种植中，提高了生产效率、资源利用率并降低了人力成本。
根据本发明实施例的第二方面，提供了一种用于运行第一方面所述的基于智慧农业多机协同的自主种植系统的设备，参见图7，现将描述可以作为本申请的服务器或客户端的设备700的结构框图，其是可以应用于本申请的各方面的硬件设备的示例。设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
该设备700可以包括：处理器(processor)702、通信接口(CommunicationsInterface)704、存储器(memory)706、以及通信总线708。
处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它电子设备或服务器进行通信。
处理器702，用于执行程序710，具体可以执行上述系统实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是处理器CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行如第一方面的所述的系统所执行的步骤。
此外，程序710中各步骤的具体实现可以参见上述系统实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述系统实施例中的对应过程描述，在此不再赘述。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
本发明示例性实施例还提供一种存储有计算机程序的计算机存储介质，其中，计算机程序被处理器执行时实现本发明各实施例的系统执行的步骤。
上述根据本发明实施例的系统可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的系统可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如ASIC或FPGA）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，RAM、ROM、闪存等），当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的系统。此外，当通用计算机访问用于实现在此示出的系统的代码时，代码的执行将通用计算机转换为用于执行在此示出的系统的专用计算机。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上实施方式仅用于说明本申请实施例，而并非对本申请实施例的限制，有关技术领域的普通技术人员，在不脱离本申请实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请实施例的范畴，本申请实施例的专利保护范围应由权利要求限定。
Claims (8)
1.一种基于智慧农业多机协同的自主种植系统，其特征在于，包括感知子系统、控制子系统、协同子系统、侦察车、种植车、补给车、后遣车及云平台；
其中，所述感知子系统由所述侦察车搭载，所述感知子系统用于获取并传输感知数据至所述控制子系统；
所述云平台设置在所述控制子系统中，用于根据接收的所述感知数据进行种植路径的规划并基于规划完成的种植路径对所述种植车、所述补给车及所述后遣车进行统一调度和控制，以完成植物的种植，其中所述云平台根据接收的所述感知数据进行种植路径的规划，包括：
基于边界图像，确定种植地的可种植范围；
从预设起点开始，在所述可种植范围内进行随机采样，得到采样点，所述采样点用于路径探索；
对所述采样点进行碰撞检测，将与所述采样点距离最近且与所述采样点无障碍连接的点确定为生成点，所述生成点的搜索方向指向无碰撞区域；
判断所述生成点与预设目标点的距离是否满足预设距离阈值，若满足所述预设距离阈值，则将所述预设起点、所述采样点、所述生成点及所述预设目标点依次连接，得到无碰撞种植轨迹；
根据从所述无碰撞种植轨迹中选择的离散点计算三次样条插值函数的参数，所述离散点包括位置信息、时间信息及速度信息；
根据所述三次样条插值函数的参数对所述无碰撞种植轨迹进行插值，生成平滑路径；
将所述平滑路径确定为所述规划完成的种植路径；
所述协同子系统包括无线通信模块，用于实现所述感知子系统、所述控制子系统、所述侦察车、所述种植车、所述补给车、所述后遣车及所述云平台之间的互相通信。
2.根据权利要求1所述的系统，其特征在于，所述感知子系统包括环境检测模块，所述环境检测模块包括：
图像采集单元，用于获取所述种植地的所述边界图像；
视觉识别单元，用于识别所述种植地中的障碍物；
种植温湿度检测单元，用于检测所述种植地的种植温湿度；
种植酸碱度检测单元，用于检测所述种植地的种植酸碱度；
种植肥效检测单元，用于检测所述种植地的种植肥效；
种植水分检测单元，用于检测所述种植地的种植水分；
其中，所述感知数据包括所述边界图像、所述障碍物、所述种植温湿度、所述种植酸碱度、所述种植肥效及所述种植水分。
3.根据权利要求2所述的系统，其特征在于，所述图像采集单元包括二维RGB相机，所述视觉识别单元包括多线激光雷达。
4.根据权利要求1所述的系统，其特征在于，所述基于规划完成的种植路径对所述种植车、所述补给车及所述后遣车进行统一调度和控制，以完成植物的种植，包括以下步骤：
所述云平台将所述规划完成的种植路径和种植指令下发至所述种植车并接收所述种植车每次种植完成后传回的种植数据，所述种植数据包括种植苗数、施肥量及浇水量；
所述云平台分析所述种植数据，确定需扶苗修正的植物信息并将所述需扶苗修正的植物信息下发至所述后遣车，以便所述后遣车进行扶苗修正；
所述云平台监测所述种植车的水肥剩余信息，当剩余水肥量低于预设剩余水肥量阈值时，所述云平台派遣所述补给车对所述种植车进行补给。
5.根据权利要求1所述的系统，其特征在于，所述无线通信模块采用SX1262无线通信模组，所述SX1262无线通信模组连接运营商网络用于远程传输信号。
6.根据权利要求1所述的系统，其特征在于，所述协同子系统还包括训练模块，所述训练模块用于对所述侦察车、所述种植车、所述补给车及所述后遣车进行协同训练。
7.一种用于运行基于智慧农业多机协同的自主种植系统的设备，其特征在于，包括：
处理器；
存储程序的存储器；
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-6中任一项所述的自主种植系统所执行的步骤。
8.一种计算机存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现根据权利要求1-6中任一项所述的自主种植系统所执行的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410296362.3A CN117891261B (zh) | 2024-03-15 | 2024-03-15 | 基于智慧农业多机协同的自主种植系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410296362.3A CN117891261B (zh) | 2024-03-15 | 2024-03-15 | 基于智慧农业多机协同的自主种植系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117891261A CN117891261A (zh) | 2024-04-16 |
| CN117891261B true CN117891261B (zh) | 2024-05-28 |
Family
ID=90652154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410296362.3A Active CN117891261B (zh) | 2024-03-15 | 2024-03-15 | 基于智慧农业多机协同的自主种植系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117891261B (zh) |
Families Citing this family (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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114895707A (zh) * | 2022-05-13 | 2022-08-12 | 华南农业大学 | 基于变频蝙蝠算法的农业无人机路径规划方法及系统 |
| CN115016458A (zh) * | 2022-05-05 | 2022-09-06 | 安徽理工大学 | 一种基于rrt算法的地洞勘探机器人路径规划方法 |
| CN116700286A (zh) * | 2023-07-10 | 2023-09-05 | 蚌埠学院 | 基于插值算法的路径规划方法、装置、设备及介质 |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障系统的无人机系统 |
| WO2024023835A1 (en) * | 2022-07-27 | 2024-02-01 | Sagar Defence Engineering Private Limited | Self-learning command & control module for navigation (genisys) and system thereof |
-
2024
- 2024-03-15 CN CN202410296362.3A patent/CN117891261B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115016458A (zh) * | 2022-05-05 | 2022-09-06 | 安徽理工大学 | 一种基于rrt算法的地洞勘探机器人路径规划方法 |
| CN114895707A (zh) * | 2022-05-13 | 2022-08-12 | 华南农业大学 | 基于变频蝙蝠算法的农业无人机路径规划方法及系统 |
| WO2024023835A1 (en) * | 2022-07-27 | 2024-02-01 | Sagar Defence Engineering Private Limited | Self-learning command & control module for navigation (genisys) and system thereof |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障系统的无人机系统 |
| CN116700286A (zh) * | 2023-07-10 | 2023-09-05 | 蚌埠学院 | 基于插值算法的路径规划方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 一种改进RRT~*结合四次样条的协调路径规划方法;余敏;罗建军;王明明;高登巍;;力学学报;20200716(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117891261A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117891261B (zh) | 基于智慧农业多机协同的自主种植系统、设备及存储介质 | |
| Duckett et al. | Agricultural robotics: the future of robotic agriculture | |
| AU2023201814B2 (en) | Integrated platform and common software structural architecture for autonomous agricultural vehicle and machinery operation | |
| Auat Cheein et al. | Agricultural service unit motion planning under harvesting scheduling and terrain constraints | |
| Hameed | A coverage planner for multi-robot systems in agriculture | |
| Yan et al. | The agrirover: a reinvented mechatronic platform from space robotics for precision farming | |
| Cui et al. | UAV target tracking algorithm based on task allocation consensus | |
| Ahmadi et al. | Bonnbot-i: A precise weed management and crop monitoring platform | |
| Ruth Anita Shirley et al. | Automatic distributed gardening system using object recognition and visual servoing | |
| Ünal et al. | Smart agriculture practices in potato production | |
| CN117546681A (zh) | 引导机器人采摘和运送水果的协同作业方法、系统及平台 | |
| Bechtsis et al. | Scheduling and Control of Unmanned Ground Vehicles for Precision Farming: A Real-time Navigation Tool. | |
| CN117575834A (zh) | 一种油茶智能种植管理系统 | |
| McGlynn et al. | Agricultural robots: Future trends for autonomous farming | |
| Etezadi et al. | A Comprehensive Overview of Control Algorithms, Sensors, Actuators, and Communication Tools of Autonomous All-Terrain Vehicles in Agriculture | |
| Ali et al. | Agricultural production system based on IOT | |
| Lai et al. | A collaborative robot for tea harvesting with adjustable autonomy | |
| Belhassena et al. | Towards an architecture for agricultural autonomous robots’ scheduling | |
| Niu et al. | Sustainable mechatronic solution for agricultural precision farming inspired by space robotics technologies | |
| Karouta et al. | Autonomous platforms | |
| Zhao et al. | Digital twins in smart farming: An autoware-based simulator for autonomous agricultural vehicles | |
| Li et al. | Networked Edge Intelligence for Autonomous Farm Vehicles | |
| Fei | Autonomous Co-Robotic Orchard Platform for Improved Fruit Harvesting Efficiency | |
| Minn et al. | Low-Cost Automatic Machinery Development to Increase Timeliness and Efficiency of Operation for Small-Scale Farmers to Achieve SDGs | |
| Braga et al. | Coordinated Multi-UAV exploration strategy for large areas with communication constrains |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Haobo Inventor after: Wang Junjie Inventor after: Zhuang Zhongyuan Inventor after: Huang Yanjun Inventor before: Huang Yanjun Inventor before: Zhang Haobo Inventor before: Wang Junjie Inventor before: Zhuang Zhongyuan |