一种面向不规则环境的无人农机全局路径规划方法

本发明涉及路径规划，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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；

7、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。

8、进一步的，步骤s2具体包括以下步骤：

9、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；

10、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；

11、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；

12、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；

13、步骤s2.5、模型保存：当模型达到满意的效果后，将模型保存。

14、进一步的，步骤s2.2具体为：

15、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)；

16、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

17、

18、

19、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；

20、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。

21、进一步的，步骤s3具体包括以下步骤：

22、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；

23、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；

24、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；

25、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]；

26、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。

27、进一步的，步骤s4具体步骤如下：

28、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；

29、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；

30、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

31、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。

32、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。

33、进一步的，步骤s5具体步骤如下：

34、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；

35、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；

36、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；

37、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；

38、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。

39、本发明具有有益效果：

40、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。