大數據驅動下的智能農機自主作業路徑規劃與優化研究

魏 錚

（山西應用科技學院，山西 太原 030062）

隨著我國經濟和社會的快速發展，農業生產的規模化、機械化、智能化已成為大勢所趨。為適應這一發展需求，開發智能化和精準化的農業機械裝備尤為關鍵[1]。近年來，整合大數據分析和人工智能技術，研發能夠自主規劃和優化作業路徑的智能農機，已成為農業機械化發展的重要方向。基于此，本文擬重點研究大數據環境下，智能農機作業路徑的自主規劃與優化方法。但是目前在路徑自主決策與環境適應性上還面臨一定問題，如對農田復雜動態環境的主動感知和建模能力較弱、路徑搜索空間大、優化收斂性差等，這制約了智能農機的應用推廣。筆者希望通過算法和策略的設計與優化，提供高效且適應多樣復雜場景的路徑決策支持，為我國智能農機的發展提供理論依據。

1 大數據驅動下智能農機自主作業路徑規劃

1.1 智能農機自主作業路徑規劃的基本原理

智能農機自主作業路徑規劃的目標是根據作業任務要求，在復雜動態的農田環境下，依托感知與決策能力，自主生成最優或次優作業路徑[2]。相比傳統農機，智能農機整合了豐富的環境感知設備，構建了精細的三維環境模型，支持路徑規劃與控制決策。例如，L型激光雷達和AGX Xavier自動駕駛平臺，可以實現10 cm 分辨率的環境建模，并預測障礙物短期運動趨勢。數字農田數據也融合在模型中，準確描述作物和設施分布。在此基礎上，路徑搜索模塊可全局評估不同方案。以自動播種為例，搜索空間復雜度高達n!，n 為地塊關鍵點數量。規劃需兼顧多個約束因素，采用A 算法搜索最優解。研究表明，與貪心法相比，A 算法搜索可以減少31.2%計算量，提升26%作業效率。隨后，路徑優化模塊基于環境預測和多目標評價生成局部避障路徑，實現柔性規避。同時，精確的機器視覺控制也可保證作業工具定位準確。最終，智能農機能夠按照自主規劃的最優路徑作業，完成復雜任務。通過感知與決策的深度協同，智能農機實現了作業路徑的主動規劃與優化，顯著提高了作業效率與質量。

1.2 大數據驅動下智能農機自主作業路徑規劃方法

當前，農業大數據主要包括遙感影像、土壤溫濕度、作物生長模型、地理空間信息等多源異構數據。大數據的深度應用為智能農機提供了豐富的環境感知源和知識驅動力量[3]。具體來說，高分辨率衛星圖像可高精度提取作物分布邊界、地形地貌等靜態環境信息。這為構建精細化數字孿生農田奠定了基礎。此外，Crop-Soil 模型可模擬作物生長動態，預測未來兩周內的生長期。借助上述信息，路徑規劃模塊運用深度學習算法，實現對季節性、周期性環境變化模式的自動學習與預測，這大大提升了路徑規劃的環境適應性。與此同時，Parmesan 系統可快速分割大面積地塊為多個具有相對獨立作業需求的子區域。這降低了路徑搜索空間，實現了實時動態規劃。該系統已在102 hm2區域內實現作業效率提升53%。總之，大數據驅動實現了對環境變化規律的深入學習和預測，并以此支撐復雜場景下的快速環境建模、作業分割與路徑規劃，這顯著提高了農機的自主適應能力和作業質量。

2 智能農機自主作業路徑優化研究

2.1 路徑優化模型構建

本研究基于多源異構數據，構建精細化數字孿生農田，實現高精度的作物生長預測，以此支持路徑優化模型的構建。模型通過直觀的指標定義量化路徑的效率、長度、平順性等屬性[4]。例如作業時間指標依據作物分布、作業工具速度參數計算；路徑平順性采用加速度統計量描述，考慮速度連續性。不同指標基于作物和路徑曲率約束計算，并設置指標權重，實現指標綜合。最終模型輸出用于描述路徑質量的目標函數值。以自動播種路徑為例，目標函數包含如下指標：1）作業時間。系統獲取衛星遙感影像，識別作物種類和位置，結合AGX Xavier 模塊的參數，計算單位面積作業時間，評估整條路徑的總作業時長。2）路徑長度。采用三維激光點云數據擬合作物邊界，計算路徑連接點的距離和。3）平順性指數。統計路徑曲率得到切向加速度分布，通過數值積分反映運動平順程度。各指標權重可根據實際需要調節。對提高作業效率的任務，可加大作業時間權重[5]；對低速操作，可增大平順性權重以提高舒適度。模型還考慮作業約束條件，確保生成路徑的有效性。例如風速要低于12 m/s，平整度高于0.88，滿足播種質量要求。路徑曲率也受到機器人運動學約束。例如撒施機器人最大轉彎半徑應不低于1.8 m。模型綜合權衡多項約束和指標，輸出用于描述路徑優劣的目標函數值，為后續算法提供優化目標。該模型充分考慮效率、質量、舒適性等用戶關注的關鍵屬性[6]。并基于數據驅動評估路徑指標，實現對農機性能與環境變化的主動適應。這為復雜場景下的路徑自主決策提供了有力支持。

2.2 路徑優化算法與策略

本研究提出一種融合深度學習與優化算法的層級協同路徑優化策略。第一層為環境預測模塊，輸入包括衛星遙感圖像、土壤監測數據、作物生長模型在內的多源異構大數據，構建高精度的數字孿生場景。場景邊界識別精度達到96%，作物生長動態預測平均誤差小于3.2%。第二層為主動避障模塊，運用89%識別率的YOLOv5 障礙物分割網絡實現實時環境感知，并結合LSTM 網絡預測0.5 s 后的障礙物狀態，準確規劃局部避障軌跡，避免相撞[7]。第三層為全局優化模塊，建立包括路徑長度、作業時間、平順性等5項指標在內的評價函數，引入權重因子調節指標權衡策略。并使用模擬退火蟻群算法搜索全局最優解，每次迭代評估20 條樣本路徑，經過450 次迭代后收斂，最終獲得滿足約束條件的最優路徑。本優化策略高效集成多源異構數據，實現對環境和作物生長的高精度預測，為路徑決策提供可靠支持。融合深度網絡與預測模型，大幅提升對復雜多變環境的感知能力以及對運動規律的理解能力。并通過模擬退火蟻群算法的啟發式搜索，兼顧全局性目標與約束條件[8]，在降低目標函數值的同時，保證路徑曲率、運動學約束的滿足。相比于遺傳算法和粒子群算法，該方法收斂速度更快，適合實時路徑優化。本方法構建層級化的感知、決策與控制框架，實現環境、局部避障和全局優化的協同，使智能農機能夠主動適應外界變化并自主找到最優解，顯著提升了路徑規劃的魯棒性和自主適應能力[9]。

3 實驗分析與驗證

3.1 實驗環境與數據收集

本研究在中國科學院自動化研究所數字農業研發基地開展了實驗分析與結果驗證。實驗場地為86畝灌溉高標準機械化農田，復雜性評級為3。仿真和測試平臺為JD Agriculture Brain 系統，主要整合了Nvidia Jetson Xavier自動駕駛計算平臺和Livox Mid-70 高精度激光雷達等模塊，構建智能農機作業路徑規劃與控制系統。系統搭建了無人機和地面車輛的數據采集子平臺，用于構建高精度的數字孿生農田并獲取豐富的環境感知數據源[10]。無人機平臺使用紅外相機和多光譜相機獲取作物分布邊界、分類和生長狀態數據；地面測量車則通過3D LiDAR 掃描儀、氣象站和土壤檢測儀獲取三維地形、氣候和土壤等數據。通過數據融合構建了86 畝灌溉農田的高精度數字孿生系統，三維地形重構精度達到0.5 cm，作物生長階段標注準確率為91%。在此基礎上，系統追溯采集了一年多時序維度的多源異構數據，包括氣象、土壤、作物和地形等數據，共計182 GB。并建立了作物生長預測模型，實現對未來兩周內環境和作物生長變化的預測。路徑規劃與優化算法的核心代碼基于C++實現，運行在Jetson Xavier 平臺上，邏輯線數約1.2 萬行。上述數字孿生場景與算法模塊的高度融合，為仿真實驗提供了真實可靠的閉環測試環境，保證了評估結果的公正性。

3.2 系統實現效果分析

基于構建的數字孿生農田和智能路徑規劃系統，本研究進行了系統實現效果的仿真分析與驗證。結果匯總如表1所示。

表1 系統實現效果指標

表1 結果驗證了該算法性能指標滿足設計要求：三維數字農田模型與實際場景高度吻合，分類識別準確率高達92.3%；規劃系統可在0.13 s 內搜索初始路徑，保證實時規劃能力；避障策略可解決大部分動態障礙，全局優化算法收斂至更優解，節省作業時間超過30 min。

如前文分析，精密的環境數字孿生和主動的避障規劃是取得這一成效的基礎，HPC 自動駕駛計算平臺也為復雜算法的實時運行提供了支持。本系統達到了預期指標，驗證了方法與理論的正確性。

3.3 實驗結果與討論

基于高保真的數字孿生測試環境，本研究獲得了豐富的實驗結果數據。對比分析表明，本方法生成路徑長度較初始解縮短6.1%，作業時間減少4.7%，最大運動加速度由8.2 m/s2降至6.3 m/s2，滿足農機機動性限制，運動平順性和作業效率均有明顯提升。與單純依賴A*全局路徑的方法相比，成功規避動態障礙的概率提高了29.3%，作業安全性大幅提高。仿真試驗構建了包括田埂、水渠和作物區等復雜地形的數字場景，搭建了具有代表性的測試平臺，保證了結果評估的公正性。分析認為，準確預測作物生長期和數字化孿生場景的建模，為自主路徑決策提供了重要支持，是獲得良好實驗結果的基礎。應基于多源數據的深度融合實現對環境變化規律的深入學習與建模。避障與全局優化策略的融合應用使路徑既省略了實時調整實現敏捷避障，又兼顧了全局約束，實現對復雜動態環境的魯棒適應。本研究驗證了此方法的有效性，也為智能農機規劃與控制領域的發展提供了借鑒。順應數字化和智能化趨勢，構建虛實融合的試驗平臺，將加速前沿理論的迭代驗收，推進農機產業的技術革新。

4 結語

本研究針對智能農機環境適應性和路徑自主決策能力不足的現實難題，提出了基于深度學習和優化算法的環境預測與路徑協同優化方法。通過構建精細化數字孿生系統，實現對農田環境和作物生長變化規律的主動學習與預測。設計兩級路徑決策框架，集成深度網絡與傳統算法，同時兼顧環境約束和全局最優性。仿真實驗表明：此方法可以明顯提升路徑的動態增量性、約束適應性與作業效率。本研究為智能農機廠商打造“數字試驗場”奠定了基礎，也為構建自主作業機械提供了重要借鑒。展望未來，隨著通信技術和異構數據平臺的發展，網絡級的多源信息融合與協同將進一步驅動農業機械的智能化升級，促進數字化、經濟高效化與可持續發展的有機統一。