摘要：Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and Prospects of Key Navigatio

本文节选自：

何勇, 黄震宇, 杨宁远, 李禧尧, 王玉伟, 冯旭萍. 设施农业机器人导航关键技术研究进展与展望[J]. 智慧农业(中英文), 2024, 6(5): 1-19.

Citation:HE Yong, HUANG Zhenyu, YANG Ningyuan, LI Xiyao, WANG Yuwei, FENG Xuping. Research Progress and Prospects of Key Navigation Technologies for Facility Agricultural Robots[J]. Smart Agriculture, 2024, 6(5): 1-19.

官网全文在线阅读

设施农业机器人全局路径规划

全局路径规划结合传感器感知信息和上层算法，旨在为设施机器人规划安全高效的运动路线。在设施环境中，通过特定算法设计最佳作业路径，确保机器人安全有效地实现任务目标。近年来，众多全局路径规划研究不断涌现，主要包括点到点局部路径规划和全局遍历路径规划。而根据目标数量不同又分为单目标和多目标路径规划。全局路径规划主要算法如表1所示。相比其他算法，遗传算法和深度学习在全局路径规划中的应用更为广泛，尤其是近年来深度学习的应用显著增多。这些算法能有效处理设施环境中的复杂路径规划问题。此外，全局遍历路径规划算法能确保覆盖设施环境中的所有区域，保证动植物的管理。因此，全局遍历路径规划算法在全局路径规划中占有重要地位。从研究分布来看，中国在该领域的研究成果显著领先于其他国家，这反映了中国对设施农业智能化管理的积极探索。随着深度学习等技术的发展，预计中国的研究将继续向前发展，并在全球范围内产生重要影响。

表1 设施农业场景中的主要全局路径规划算法

Table 1 Global path planning algorithms in facility agriculture

“

1 点到点局部路径规划

点到点局部路径规划是从起始点到目标点的路径规划过程。由于仅涉及起点和终点，这种规划任务简单易行，可以快速确定路径，减少计算复杂度和资源消耗。点到点局部路径规划可分为单目标和多目标路径规划，单目标一般用经典算法实现，而多目标通常用于优化算法。

1.1 单目标路径规划

单目标规划只关注一个目标，且路径最短，多采用经典路径规划算法。Dijsktra算法通过逐步扩展最短路径树来寻找起点到所有点的最短路径，是典型的全局最短路径算法。该算法已在任务目标单一、结构简单的设施环境中应用。但通常基于栅格地图实现，需将栅格视为节点，遍历所有可达栅格的最短路径。这使得算法计算复杂度高、内存消耗大，特别在大规模栅格地图中表现不佳，从而限制了其在大面积设施场景中的应用。为了提高算法的灵活性和执行速度，A*算法结合了启发式估计函数和代价函数，使得在搜索过程中能朝目标方向前进。在设施场景中，许多研究者基于A* 及其改进算法进行路径规划。Xu等针对盆栽温室中的路径规划问题，改进传统A*算法，将8邻域扩展到48邻域搜索的同时结合Floyd算法，规划路径的转弯点减少了50%，时间减少了13.53%，距离减少了13.96%，在温室中与Dijsktra算法的规划路径如图1所示。劳彩莲等同样在盆栽温室中结合改进A*算法和动态滑窗算法，改进关键点选取策略并构建最优路径评价函数，最终规划出更平滑、高效的路径。番茄温室移动喷药机器人的路径规划也有类似研究。徐济双等为解决无害处理中心病死动物运输问题，改进A*算法，引入曼哈顿距离法，对启发式函数进行了动态调整，还采用了Bessel函数来优化路径规划，这些改进有效提升了路径规划的效率和精确性。Haotun等提出了改进A*算法的动态路径规划方法，旨在提高饲喂推送机器人在奶牛场中的效率，通过构建网格地图、评估地形成本因子，并根据饲料量动态更新区域成本，机器人能够智能选择最优路径，实验结果验证了该方法能减少运动失控现象并提高饲喂推送效果。

图1 改进A*算法在温室场景中的应用

Fig. 1 Improvement of the A* algorithm in greenhouse scenario

除经典算法外，进化算法在设施环境中的全局路径规划中也有应用。蚁群算法是多点路径规划算法，其分布式协作机制能同时搜索并优化从起点到多个目标点的路径。王红君等提出了一种并行的蚁群算法来解决温室环境中的多点路径规划问题，测试表明该方法可以快速找到距离最短的安全路径。蚁群算法的分布式协作特性不仅能实现多机器人的有效路径规划和协同工作，还提高了效率和路径优化能力。其动态环境的自适应性使其在多机器人场景中能够灵活应对不同情况。然而，蚁群算法可能在设施环境中收敛速度较慢，搜索过程可能受局部最优解影响。此外，算法的参数设置需要针对具体场景做出调整，否则可能会影响路径规划效果。Zhang等以最小能耗为目标，提出了一种基于能耗上限的双交叉算子遗传算法。该算法根据适应度值与能耗上限的关系调整交叉操作，从而在解空间中寻找优化路径。这一方法在家禽智能养殖场的饲喂机器人中进行了验证，显著降低机器人能耗。

单目标路径规划简单易行，专注于优化特定指标，减少计算复杂度和资源消耗。因此，在简单场景中应用单目标算法即可实现规划。然而，单目标路径规划无法考虑环境中的其他因素，需要结合其他算法或策略来解决复杂规划问题。

1.2 多目标路径规划

多目标路径规划需要平衡和优化多个目标，如路径最短和转角最小等。RRT算法是经典的规划方法，通过在搜索空间中随机采样并利用最近邻节点与随机采样点间的连线进行扩展，逐步构建从起点到目标点的可行路径。为了实现多目标优化，通常将经典路径规划与优化算法结合使用。丁久阳在原始RRT算法的基础上将最大转角加入了规划目标，把改进RRT与多目标蚁群算法结合实现多目标路径规划。该算法继承了RRT的随机探索和蚁群算法的并行协作特性，使其即使在复杂的设施环境中也能保持规划的高效性。但该算法的稳定性有待提高，容易陷入局部最优。

多目标进化算法是实现多目标路径规划的常用手段，主要包括超体积估计算法、基于网格的多目标进化算法、拐点驱动进化算法和非支配排序遗传算法等。多目标进化算法能灵活应对设施环境中的复杂布局和障碍物，综合考虑多个优化目标，找到均衡且可行的路径方案。Mahmud等针对盆栽温室内的农药喷洒问题，采用非支配排序遗传算法同时优化路径最短和转角最小这两个目标，结果表明，算法能平衡温室内喷药机器人的不同需求。后续还有研究在盆栽温室中测试不同多目标进化算法的性能（图2）。结果表明，超体积估计算法的计算时间稍长但性能最优。Zangina等提出了一种改进的非支配遗传算法用于温室喷药机器人的多目标路径规划，并与原始非支配排序遗传算法进行对比，结果显示改进算法解质量较差，但计算时间显著缩短。虽然多目标进化算法能够有效平衡各目标间的冲突，但对设施环境的实时感知和动态变化处理能力不足，无法充分考虑动植物与障碍的动态变化。Lei等开发了一种多层次导航系统的死鸡拣选机器人，用于在家禽舍内进行病死鸡的自动检测与移除，该机器人使用了一种新的集线器式多目标路径路由方案，专为行列式鸡舍环境设计，考虑了机器人在行进过程中如何最优地访问多个目标点，减少了路径长度和执行时间，提高了任务执行的效率。Li和Zhou 针对大型叠层笼养鸡舍中的巡检任务提出了一种基于拆分法的机器人巡检方案，通过将巡检路段拆分为若干子段，并在每一段应用控制点法优化机器人的运动状态，这种方法考虑了鸡舍建筑参数、传感器响应要求、电池寿命等因素，能够有效应对复杂环境中的干扰问题。

图2 温室内多点多目标全局路径规划

Fig. 2 Global path planning for multiple points and multiple targets inside greenhouses

除了上述多目标算法，还有针对特定设施场景设计的路径规划算法。如Yao等提出了OpenPlanner路径规划器，算法在考虑常规碰撞等指标的基础上引入了度量路面平整度和植被密度的成本函数。该规划器在多种复杂温室场景中实现了鲁棒的轨迹规划和状态转换。总体而言，多目标路径规划综合考虑多种因素，通过优化算法和决策模型寻找全局最优解。然而，计算复杂度的增加需要消耗更多时间。同时，考虑各项指标间的权衡关系增加了算法设计和实施的难度。提升算法效率并减少对高性能计算机的依赖是未来的主要研究方向。

“

2 全局遍历路径规划

全局遍历旨在规划覆盖环境中每个可达位置的路径，实现全面探索。这种算法适用于农作物施肥、巡检、采摘，以及动物饲料投喂等任务，能有效减轻作业强度，提高作业效率。全局遍历分为经典算法和基于优化的规划算法。

经典全局遍历路径规划算法主要包括“之”字形往复式和“回”字形回行式两种（图3）。往复式路径能够有效覆盖整个设施场景，且易于实现和调整。然而，固定的“之”字形路径可能导致部分区域重复覆盖，每次掉头对设施空间有一定要求。相比之下，回行式全覆盖路径规划算法可以根据设施布局和障碍物位置设计不同形状的路径，减少路径重复，并且路径更加平滑，无需掉头。综合考虑设施环境布局和机器人自主作业要求，往复式路径规划算法在设施环境中更为适用。

图3 设施农业中两种经典的全局遍历路径规划

Fig. 3 Two classic global traversal path planning methods in facility agriculture

由于经典全局遍历规划算法存在灵活性不足、路径重复覆盖等问题，有研究结合传统Dijsktra和A*算法实现单目标全局遍历规划。为实现全局遍历路径生成的自动化，Mazzia等基于深度学习提出一种名为DeepWay的特征学习全卷积模型，该模型可以在占据栅格图中自动生成覆盖作物行的全局路径。在多目标全局遍历路径规划中，有研究改进遗传算法，通过将传统遗传算法的染色体和单点变异扩展为染色体对和多点变异，同时考虑了转弯次数、重复作业面积和能耗等多个目标。Pour等提出了基于树探索的多目标全局遍历路径规划算法，通过相似性检查和最优解选择找到最佳路径，考虑了最大化工作区域，最小化重叠路径、最小化非工作路径长度和行驶时间等多个目标。然而，基于优化算法的全局遍历路径规划通常具有较高的计算复杂度，这会导致实时性下降和延迟响应。此外，一些优化算法对环境信息的准确性和完整性要求较高。Davis等设计了一种混合空中水下机器人系统，用于水产养殖场中的水质监测。该系统结合了无人机和水下测量设备，将提出的路径规划算法与图注意力模型、谷歌线性优化包进行对比，实验结果表明，提出的算法特别适用于大型养殖场。Wang等针对河蟹养殖池塘设计了一种全覆盖轨迹规划方法。基于移动自动喂料船，自动生成反向遍历的喂料轨迹，通过模拟验证，该系统能够满足河蟹池塘自动均匀投喂的要求。Vroegindeweij等设计了用于非均匀重复区域覆盖路径规划的新算法，用于自动化鸡舍地面蛋的收集。该算法基于地面蛋分布概率信息，建立了一个描述鸡蛋潜在分布的空间地图，然后使用动态规划方法规划收集路径，覆盖整个鸡舍地面区域，并频繁访问高潜力的地点。

全局遍历路径规划可以覆盖整个作业区域，提高农业作业的完整性，但在设施场景的应用中面临困难。一方面，复杂多变的设施环境可能导致算法无法充分考虑所有因素，降低路径规划效率和安全性。另一方面，由于设施空间和机器人体积限制，点到点局部路径规划在灵活性和效率上通常优于全局遍历方法。

“

3 小结

设施环境中的智能机器人全局路径规划面临多方面的挑战。第一是实时性。设施机器人需要快速响应环境变化，以确保作业的连续性和有效性，包括快速路径计算和动态环境适应。第二是多目标优化。农业作业具有明确的时间、成本限制和产量目标，机器人路径规划需在路径最短、转角最小、覆盖范围大和重复面积小等多个目标之间取得平衡。第三是环境复杂性。算法需应对复杂的设施农业环境，提高算法在不同设施场景的适应性。第四是作业任务的多样性。机器人需适应不同任务（如巡检、喷洒、采摘、投喂、消毒、运输）的路径规划要求，具备高度灵活性以调整规划策略。这些挑战要求不断改进全局路径规划算法，以提升机器人在设施农业中的应用效果。从应用设施场景角度考虑，点到点局部路径规划主要用于设施种植和设施畜牧。例如，在设施种植中，这种方法常用于自动化播种、施肥等任务，在设施畜牧中则应用于动物喂养和饲料分发。点到点局部路径规划因其计算简单、效率高，适合任务明确、环境相对稳定的场景。在设施渔业中，水下环境的动态性和复杂性使得点到点局部路径规划的适用性降低，因为这种环境需要更复杂的路径调整和实时反馈。全局遍历路径规划则适用于覆盖整个设施环境的任务，如设施种植中的施肥和采摘，设施畜牧中的巡检，而在设施渔业中，也可用于水质监测和喂料。然而，全球遍历路径规划通常计算复杂，适应性和实时性方面存在挑战，特别是在动态环境中。不同场景对路径规划算法的需求不同，因此，在设施种植、设施畜牧和设施渔业中，需要根据具体任务和环境选择合适的路径规划策略。

基于上述挑战，未来的研究方向可以从以下几个方面考虑：首先，针对设施环境特殊性开发特定算法，提升规划算法效率。例如引入启发式思想，采用多层次规划策略和增量式规划方法，以提高规划速度。其次，开发多机器人协作规划算法，研究分布式路径规划和任务分配方法，提升协作效率和作业效果。最后，结合深度学习和强化学习方法，通过大量数据训练，使模型能在不同设施场景和作业任务中自适应地规划路径，将更多复杂因素纳入路径规划目标中，提升算法鲁棒性。

发布征集

来源：智慧农业资讯