基于農(nóng)田環(huán)境的農(nóng)業(yè)機器人群協(xié)同作業(yè)策略

宮金良，王 偉，張彥斐，蘭玉彬

（1. 山東理工大學(xué)機械工程學(xué)院，淄博 255049；2. 山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，淄博 255049）

0 引言

隨著第四次產(chǎn)業(yè)革命的到來，農(nóng)村人口老齡化、人力短缺等問題日趨嚴(yán)峻[1]，這為大型無人農(nóng)場的出現(xiàn)提供了可能[2]。無人農(nóng)場具有精準(zhǔn)化種植、智能決策和智能化操控的特點，是未來農(nóng)業(yè)發(fā)展的主流方向[3]。在無人農(nóng)場的大田作業(yè)中，隨著農(nóng)業(yè)機器人的作業(yè)任務(wù)日益復(fù)雜化，單機器人作業(yè)越發(fā)不能滿足無人農(nóng)場中的工作需求，農(nóng)業(yè)機器人群協(xié)同作業(yè)具有極大應(yīng)用前景。

機器人群協(xié)同作業(yè)需解決任務(wù)分配與全區(qū)域覆蓋2個基本問題，即農(nóng)場主控系統(tǒng)在接收到某一任務(wù)要求時通過任務(wù)分配方案決定哪些機器人參加工作以及確定各參加工作機器人的工作量，并根據(jù)機器人群全區(qū)域覆蓋方案分配各機器人工作區(qū)域與規(guī)劃各機器人工作路徑。

為合理分配各機器人的工作區(qū)域、提高機器人群的工作效率[4]，近些年已有機器人群全區(qū)域覆蓋的相關(guān)研究。Maxim等[5]利用機器人之間相互排斥的策略使其均勻散布在作業(yè)區(qū)域中，從而達(dá)到對目標(biāo)工作區(qū)域的覆蓋。Viet等[6]通過梨耕式移動與A*算法相結(jié)合解決多機器人在線全覆蓋任務(wù)，機器人依次梨耕式移動覆蓋空閑區(qū)域。以上2種方案能夠保證多目標(biāo)區(qū)域的全覆蓋，但是機器人群遍歷時會產(chǎn)生較多重復(fù)路徑。郝宗波等[7]提出基于柵格地圖的內(nèi)螺旋算法（Internal Spiral Coverage，ISC），利用邊界探索獲得環(huán)境邊界之后進行路徑規(guī)劃。Agmon等[8]提出基于構(gòu)造生成樹的方式為每個機器人規(guī)劃好覆蓋路徑，這些路徑聯(lián)合構(gòu)成整個覆蓋地形。Rekleitis等[9]將目標(biāo)二維區(qū)域分解成單元區(qū)域，通過對每個區(qū)域簡單地前后移動完成多機器人的全區(qū)域覆蓋。Acar等[10]通過構(gòu)造不同的Morse方程尋求最合理的區(qū)域分解方式，以適合機器人覆蓋不同形狀的環(huán)境。上述4種方案在優(yōu)化機器人群遍歷面積重復(fù)率的基礎(chǔ)上完成了機器人群對工作區(qū)域的全覆蓋，但并未考慮機器人性能參數(shù)的差異分配各機器人工作量與工作區(qū)域。

本文在考慮農(nóng)業(yè)機器人異質(zhì)性的基礎(chǔ)上，以機器人群整體效能為優(yōu)化目標(biāo)解決機器人群的任務(wù)分配問題。在任務(wù)分配的基礎(chǔ)上以機器人群總遍歷面積重復(fù)率為優(yōu)化目標(biāo)，通過改進的遺傳算法與深度優(yōu)先搜索算法解決農(nóng)田復(fù)雜環(huán)境下異質(zhì)機器人群的全區(qū)域覆蓋問題。

1 機器人作業(yè)任務(wù)分配

隨著農(nóng)業(yè)機器人的更新?lián)Q代和工作損耗的累積，無人農(nóng)場中的農(nóng)業(yè)機器人在歷史任務(wù)量、能耗、故障率、服務(wù)質(zhì)量、工作效率等方面可能存在差異，本文將以上性能參數(shù)不一致的農(nóng)業(yè)機器人定義為異質(zhì)農(nóng)業(yè)機器人，反之為同質(zhì)機器人。本文通過定義機器人團隊整體效能的概念，綜合考慮以上性能因素選擇農(nóng)場中的同質(zhì)與異質(zhì)機器人參加工作并為其分配工作量。

根據(jù)任務(wù)分配的收益（reward）與成本（cost）相減得到任務(wù)分配的效能U，其中機器人i的服務(wù)質(zhì)量isq代表收益，歷史工作量ih、能耗ic與故障率if代表成本，則機器人i的效能iU為

以上4種性能參數(shù)的取值范圍差異較大，數(shù)值較小的性能參數(shù)對機器人效能值的影響會被弱化。為方便調(diào)節(jié)計算機器人效能時4種性能參數(shù)的權(quán)重，在計算機器人i的收益或成本時引入全體機器人的對應(yīng)參數(shù)數(shù)據(jù)，將各參數(shù)所代表的收益或成本控制在0～1之內(nèi)，設(shè)無人農(nóng)場的總機器人數(shù)量為ψ，效能計算公式為

式中 1w，2w，3w，4w分別為各性能參數(shù)的權(quán)重因子，其大小由農(nóng)場管理者根據(jù)機器人的實際狀況設(shè)定，w1+w2+w3+w4=1。

根據(jù)公式（2）確定各機器人的效能值之后確定參加工作的機器人和各機器人工作量，具體步驟為：對各機器人的效能值進行降序排序，依次選擇機器人進入機器人工作團隊，并根據(jù)機器人i的工作效率ie與工作時限要求H計算機器人i的理論工作量Wi（Wi=ei·H），直至機器人團隊工作量WN不小于工作量需求值Wd。機器人i的實際工作量由其理論工作量按比例分配：

2 基于柵格法的環(huán)境建模與矩形分區(qū)

常規(guī)機器人群全區(qū)域覆蓋方案通常基于具有部分障礙物且形狀規(guī)則的單片工作區(qū)域確定，但不適于機器人群在復(fù)雜農(nóng)田環(huán)境的遍歷，本文以山東理工大學(xué)蘭玉彬院士團隊與淄博禾豐種業(yè)公司合作共建的數(shù)字生態(tài)循環(huán)農(nóng)業(yè)農(nóng)場[11]為基礎(chǔ)，重新設(shè)置農(nóng)田中的工作環(huán)境。數(shù)字生態(tài)循環(huán)農(nóng)業(yè)農(nóng)場中存在離散分布且工作區(qū)域不規(guī)則的數(shù)片農(nóng)田，田間道路縱橫交錯，農(nóng)田中存在一些分散障礙物如風(fēng)力發(fā)電機、電線桿、固定安裝的傳感器等[12]，如圖1所示。

為簡化復(fù)雜的農(nóng)田工作環(huán)境以便于規(guī)劃機器人工作區(qū)域與遍歷路徑，本文將田間道路自然分割的單片農(nóng)田作為一級分區(qū)，通過柵格法對單片農(nóng)田建模并對不規(guī)則障礙物進行膨脹處理，在此基礎(chǔ)上劃分單片農(nóng)田內(nèi)的二級分區(qū)并設(shè)置分區(qū)合并規(guī)則。

2.1 柵格化建模與障礙物膨脹處理

定義一個形狀不規(guī)則且障礙物隨機分布的單片農(nóng)田，通過柵格法對農(nóng)田建模時將機器人群共同的工作范圍設(shè)置成柵格圖中單元格的單位長度，柵格建模結(jié)果如圖2a所示，空白單元格表示機器人可自由遍歷的工作區(qū)域。對于障礙物邊緣線與柵格邊緣線不重合的情況，用二值形態(tài)學(xué)中的膨脹運算對不規(guī)則障礙物進行膨脹處理[13]。膨脹結(jié)果如圖2b所示。

2.2 柵格分區(qū)與分區(qū)合并

根據(jù)膨脹處理后的障礙物形狀及位置劃分空閑矩形區(qū)域，如圖3a所示。柵格分區(qū)步驟如下：

1）尋找橫坐標(biāo)或縱坐標(biāo)相同的障礙物邊界，并沿此邊界畫一條連接2個障礙物的分區(qū)線；

2）對于矩形或正方形障礙物，過障礙物左上角頂點畫一條縱向直線，遇到其他障礙物或步驟1）形成的分區(qū)線即停止；過障礙物右下角頂點畫一條橫向直線，遇到其他障礙物或步驟1）形成的分區(qū)線即停止；

3）對于非矩形或正方形障礙物如障礙物D，按矩形障礙物數(shù)量最小化原則設(shè)置縱向虛擬分割線，將不規(guī)則障礙物分割成多個矩形，再轉(zhuǎn)至步驟2）。

在柵格矩形分區(qū)之后進行分區(qū)合并，以盡量減少分區(qū)的數(shù)量。一個柵格分區(qū)與其鄰近分區(qū)共同邊長度相等則可以進行合并[14]，如圖3a中的分區(qū)1、2、3可以合并為圖3b中的分區(qū)4。分區(qū)時先合并可縱向合并的分區(qū)，再合并可橫向合并的分區(qū)。

為保證對農(nóng)田的全區(qū)域覆蓋，在分區(qū)合并的環(huán)境地圖基礎(chǔ)上還原各障礙物的形狀，將障礙物邊緣線、膨脹后的障礙物邊緣線以及分區(qū)線包圍形成的封閉圖形的空白區(qū)域按照“上-下-左-右”的順序合并至鄰近空白分區(qū)，找不到空白分區(qū)的不規(guī)則空白區(qū)域則設(shè)置為單獨分區(qū)，障礙物還原后的分區(qū)效果圖如圖4所示。

3 基于改進遺傳算法的分區(qū)遍歷

在工作區(qū)域涉及多片農(nóng)田時，農(nóng)場中既存在一級分區(qū)（單片農(nóng)田）又存在二級分區(qū)。本文在確定各一級分區(qū)遍歷順序之后再確定各一級分區(qū)內(nèi)二級分區(qū)的遍歷順序，通過深度優(yōu)先搜索算法（Depth First Search，DFS）根據(jù)確定好的遍歷順序在一級分區(qū)以及二級分區(qū)內(nèi)遍歷，同時根據(jù)機器人的工作量為其分配工作區(qū)域，實現(xiàn)工作區(qū)域的全覆蓋。

3.1 基于遺傳算法的分區(qū)遍歷

優(yōu)化DFS算法在一級分區(qū)與二級分區(qū)間的遍歷順序可以增加DFS算法規(guī)劃的機器人工作區(qū)域的連續(xù)性進而減少機器人在環(huán)境地圖中遍歷的重復(fù)率。尋找DFS算法在分區(qū)間的最優(yōu)遍歷順序首先需要通過構(gòu)造對偶圖的方式[15]確定形狀規(guī)則或不規(guī)則的一級分區(qū)與二級分區(qū)的重心坐標(biāo)，進而通過遺傳算法尋找一條遍歷所有分區(qū)重心且每個分區(qū)重心僅遍歷1次的最短路徑[16-18]，此最短路徑中包含的分區(qū)重心遍歷順序即為DFS算法在分區(qū)間的最優(yōu)遍歷順序。

本文通過交叉操作與交叉變異概率2方面改進遺傳算法，旨在提高傳統(tǒng)遺傳算法跳出局部最優(yōu)解的能力，減少迭代次數(shù)，提高遺傳算法求解分區(qū)間遍歷順序的工作效率。

3.2 改進的交叉操作

遺傳算法中的染色體采用整數(shù)編碼，由各分區(qū)編號排列組成[19-21]，染色體適用度值與該染色體對應(yīng)的遍歷各分區(qū)重心的路徑長度成反比[22-24]。傳統(tǒng)遺傳算法的交叉操作中兩兩染色體交叉產(chǎn)生2個新染色體的方式具有隨機性[25]，雖然增加了種群多樣性，但是算法收斂性差[26]。本文將混合粒子群算法的交叉操作應(yīng)用于傳統(tǒng)遺傳算法的交叉操作中，通過染色體與迭代過程中出現(xiàn)的實時最優(yōu)適應(yīng)度值染色體交叉，在保證群體多樣性的基礎(chǔ)之上提高收斂速度。改進的遺傳算法交叉操作如圖5所示。

最優(yōu)染色體與原染色體的交叉方式與傳統(tǒng)遺傳算法交叉操作兩兩染色體交叉的方式相同[27]。檢測經(jīng)過交叉操作的新染色體，若其適應(yīng)度值高于原染色體則接受此新染色體，否則視此次交叉操作無效，保留原染色體。

3.3 自適應(yīng)交叉變異概率

對于高適應(yīng)度染色體，應(yīng)設(shè)置較低的交叉概率 cp與變異概率 mp值以免破壞其染色體的優(yōu)質(zhì)基因結(jié)構(gòu)[28]，對于低適應(yīng)度染色體，則應(yīng)該提高 cp與 mp值以將其淘汰并且生成新染色體[29]；在種群多樣性較低時，應(yīng)該適當(dāng)提高低適應(yīng)度染色體的交叉與變異概率以免算法陷入局部最優(yōu)解。所以 cp與 mp的取值應(yīng)根據(jù)染色體適應(yīng)度值的高低與不同的種群多樣性階段自適應(yīng)變化[30]。

本文根據(jù)種群實時最優(yōu)適應(yīng)度值maxf與種群實時平均適應(yīng)度值avgf的關(guān)系定義當(dāng)前種群多樣性Fβ：

當(dāng) avgf逐漸向 maxf靠攏時，表明種群逐漸進化，各染色體向最優(yōu)解靠攏，此時Fβ減小。

1）自適應(yīng)交叉概率

根據(jù)f(t)與 maxf的關(guān)系，將不同染色體分為3等，自適應(yīng)交叉概率調(diào)節(jié)機制如下：

式中 ctp為染色體t發(fā)生交叉的概率，最大交叉概率 cmaxp與不同時期種群多樣性的大小有關(guān)。

2）自適應(yīng)變異概率

變異概率一般在0.001～0.01之間[31]。自適應(yīng)變異概率與自適應(yīng)交叉概率的設(shè)置方式類似：

式中 mtp為染色體t發(fā)生變異的概率。

4 基于DFS算法的分區(qū)內(nèi)遍歷規(guī)則

DFS算法用來尋找從出發(fā)點至目標(biāo)點的可行路徑。算法通過依次訪問與上一節(jié)點相鄰的可行節(jié)點訪問完圖中所有與出發(fā)點有路徑相通的節(jié)點[32]。

4.1 DFS算法在二級分區(qū)內(nèi)的遍歷順序

設(shè)（m,n）為分區(qū)中的單元格，未被DFS算法遍歷的單元格標(biāo)記為“0”，已遍歷的標(biāo)記為“1”。

為保證機器人工作區(qū)域的連續(xù)性和減少機器人的轉(zhuǎn)彎次數(shù)，建立P、Q兩種分區(qū)遍歷順序矩陣：

DFS算法在分區(qū)內(nèi)搜索下一步要遍歷的單元格的過程如下：

式中下標(biāo)q∈ { 1，2，3，4}，O1q表示矩陣O第1行第q列的元素，2qO表示矩陣O第2行第q列的元素。如果搜索到的新單元標(biāo)記為“0”且在該分區(qū)范圍內(nèi)則以該單元格為新起點繼續(xù)深度搜索并將q初始化為1且將該單元格標(biāo)記為“1”，否則q從1開始依次加1搜索周圍單元格。算法遍歷至死角時則依次回溯已走過的單元格，同時根據(jù)公式（9）～（13）尋找新起點。

4.2 機器人工作區(qū)域與分區(qū)內(nèi)DFS算法遍歷起點與終點的確定

DFS算法搜索機器人作業(yè)路徑的同時根據(jù)蒙特卡洛方法[33]計算當(dāng)前單元格面積并計算已為機器人遍歷的實時總面積，在滿足機器人的工作區(qū)域要求之后記錄算法走過的路徑，繼續(xù)深度搜索下一個工作區(qū)域。

DFS算法遍歷完一個分區(qū)之后，根據(jù)改進的遺傳算法規(guī)定的最優(yōu)分區(qū)遍歷順序，DFS算法跳轉(zhuǎn)至下一個分區(qū)的起點繼續(xù)遍歷。為保證機器人工作區(qū)域的連續(xù)性，選擇下一個分區(qū)中最靠近上一個分區(qū)終點的單元格作為下一個分區(qū)的起點。

4.3 路徑規(guī)劃

通過DFS算法為機器人規(guī)劃的工作區(qū)域可能涉及多個二級分區(qū)。機器人工作區(qū)域縱向跨度大于橫向跨度的稱為縱向區(qū)域，反之為橫向區(qū)域。

機器人在縱向區(qū)域（橫向區(qū)域）內(nèi)從其工作區(qū)域最左端的最下方單元格開始遍歷，在進入一列（一行）單元格遍歷時檢測進入該列（行）單元格的入口與該列（行）單元格兩端的距離，優(yōu)先向距離短的一端遍歷，之后回溯遍歷該列（行）中未遍歷的部分，在未遍歷部分的每個單元格中均按照“左-縱向-右”（“下-橫向-上”）的順序搜索工作區(qū)域進行遍歷。當(dāng)四周無可遍歷單元格時，按照機器人群遍歷面積重復(fù)率最低原則評估未遍歷區(qū)域中的新遍歷起點，并應(yīng)用A*算法和八鄰域搜索法規(guī)劃遍歷到達(dá)新起點的路徑[34]。

5 算法仿真

為驗證改進遺傳算法的收斂能力與尋優(yōu)能力，以及機器人群全區(qū)域覆蓋策略對機器人群總遍歷面積重復(fù)率優(yōu)化效果，本文在設(shè)定多組試驗樣本的基礎(chǔ)上，分別通過MATLAB 2014軟件對改進遺傳算法與機器人群全區(qū)域覆蓋策略進行仿真分析。

5.1 基于路徑代價與收斂速度的不同算法仿真結(jié)果與分析

分別定義10、20、30個分區(qū)的中心點坐標(biāo)，對比傳統(tǒng)遺傳算法、模擬退火算法與本文改進遺傳算法對不同分區(qū)數(shù)量規(guī)模計算得到的遍歷各分區(qū)重心的路徑長度、算法收斂時的迭代次數(shù)與耗時，結(jié)果如表1所示。其中傳統(tǒng)遺傳算法與改進遺傳算法的種群規(guī)模均設(shè)置為75，最大遺傳代數(shù)均設(shè)置為200；傳統(tǒng)遺傳算法的固定交叉與變異概率設(shè)置為0.9與0.01，改進遺傳算法的最小交叉概率與最小變異概率設(shè)置為0.7與0.006；模擬退火算法的初始溫度與終止溫度設(shè)置為1400與 1× 10-6，各溫度下的迭代次數(shù)（鏈長）設(shè)置為1100，降溫速率設(shè)置為0.9。

表1 不同算法對不同分區(qū)規(guī)模的路徑規(guī)劃結(jié)果 Table 1 Planning results of different algorithms for different partition sizes

由表1可知，在分區(qū)規(guī)模為10、20時，傳統(tǒng)遺傳算法與模擬退火算法均能得到與改進遺傳算法相近的路徑長度，但算法收斂時的迭代次數(shù)與耗時均是改進遺傳算法的數(shù)倍。在分區(qū)規(guī)模為30時，改進的遺傳算法所獲得的路徑長度分別比傳統(tǒng)遺傳算法與模擬退火算法減少2.8%與9.3%，收斂時的迭代次數(shù)分別減少69.5%與19.0%，耗時分別減少64.2%與9.9%。

圖6a與圖6b為3種算法在分區(qū)規(guī)模為30時的路徑長度隨迭代次數(shù)的變化曲線。從圖6a中可以看出，在迭代次數(shù)為50次之前，改進的遺傳算法的曲線斜率的絕對值大于傳統(tǒng)遺傳算法，說明改進的遺傳算法收斂速度更快。從圖6b中可以看出，模擬退火算法的實時最優(yōu)路徑長度隨迭代次數(shù)的增加呈現(xiàn)階梯式的下降，且在算法收斂之前出現(xiàn)了5～6個較明顯的平臺期，說明模擬退火算法容易陷入局部最優(yōu)。平臺期的出現(xiàn)容易導(dǎo)致算法得不到全局最優(yōu)解，而改進遺傳算法無較明顯的平臺期，且在收斂速度與尋優(yōu)能力方面均優(yōu)于模擬退火算法。

5.2 路徑遍歷仿真結(jié)果與分析

本小節(jié)重在驗證復(fù)雜環(huán)境下機器人群工作區(qū)域分配以及路徑規(guī)劃方案，故暫不使用本文設(shè)計的任務(wù)分配方案分配各機器人工作量。仿真試驗中將圖4所示農(nóng)田中376.75 m2的總工作量隨機分配至6個機器人，1～6號機器人的工作量分別為75.91 、36.80、52.97、66.77、51.30和93.00 m2。在此基礎(chǔ)上通過改進遺傳算法與DFS算法規(guī)劃各機器人工作區(qū)域繼而規(guī)劃各機器人的工作路徑，最后統(tǒng)計DFS算法對農(nóng)田工作區(qū)域的覆蓋率與機器人群遍歷面積與農(nóng)田面積的重復(fù)率。

DFS算法的遍歷路徑如圖7a所示，在圖7a確定的各機器人工作區(qū)域的基礎(chǔ)上，根據(jù)本文設(shè)置的路徑規(guī)劃方案進行各機器人路徑遍歷仿真，結(jié)果如圖7b所示。因DFS算法/機器人在柵格圖虛擬柵格中遍歷，故在仿真圖中DFS算法/機器人遍歷至一個柵格重心點即表示完成對該單元格的遍歷。

以算法規(guī)劃的遍歷工作區(qū)域面積與原任務(wù)要求的遍歷面積的比值定義面積覆蓋率。由圖7a可知，通過改進的遺傳算法與DFS算法相結(jié)合規(guī)劃的各機器人工作區(qū)域可以保證工作區(qū)域?qū)r(nóng)田的100%覆蓋。機器人的工作區(qū)域是否連續(xù)將影響該機器人的作業(yè)面積重復(fù)率，從圖7a中可以看出，除了3號機器人的工作區(qū)域出現(xiàn)2個分離的子區(qū)域外，其余機器人的工作區(qū)域均為連續(xù)。

定義機器人i的遍歷面積重復(fù)率is為

式中iS表示機器人i的實際遍歷面積。

設(shè)置另外4副與圖7形狀大小相同的環(huán)境地圖，分別在4副地圖中設(shè)置障礙物總面積與圖7中障礙物總面積相等但數(shù)量不等的3、5、9、11個障礙物，1～6號機器人組成的機器人團隊分別在4副環(huán)境地圖中遍歷，各機器人的工作量分別為75.91、36.80、52.97、66.77、51.30和93.00 m2。以地圖中障礙物在X軸與Y軸的標(biāo)準(zhǔn)差表征障礙物的離散度。不同障礙物數(shù)量下的分區(qū)數(shù)量以及機器人總遍歷面積重復(fù)率如表2所示。

由表2可知，障礙物數(shù)量的增多以及障礙物分布離散程度的增加使分區(qū)數(shù)量增加，機器人群總遍歷面積重復(fù)率也隨之增加。在11個障礙物時，分區(qū)數(shù)量達(dá)到21個，機器人群總面積重復(fù)率達(dá)到23.4%。

表2 不同障礙物數(shù)量下的機器人群遍歷面積重復(fù)率 Table 2 Repetition rate of the traversal area of the robot groups with different number of obstacles

在圖7障礙物數(shù)量、位置、形狀不變的基礎(chǔ)上，設(shè)置3種形狀不同的農(nóng)田，其中第一種環(huán)境地圖僅有1個一級分區(qū)，后2種環(huán)境地圖分別由縱向與T形田間道路將農(nóng)田分割成2個二級分區(qū)。各環(huán)境地圖的總工作面積均為376.75 m2，1～6號機器人組成的機器人團隊分別在3種環(huán)境地圖中遍歷，各機器人的工作量分別為：75.91、36.80、52.97、66.77、51.30與93.00 m2。機器人群的遍歷路徑如圖8所示。

由圖8可知，3種農(nóng)田環(huán)境下通過DFS算法規(guī)劃的工作區(qū)域均可以實現(xiàn)對農(nóng)田的100%覆蓋，機器人群進行全區(qū)域覆蓋的面積重復(fù)率分別為13.1%、11.9%和6.7%，說明本文設(shè)計的機器人群全區(qū)域覆蓋方案對多片工作區(qū)域、形狀多元化、多種異形障礙物分布的農(nóng)田環(huán)境具有較好的適應(yīng)性。

6 驗證試驗

為驗證本文任務(wù)分配方案下機器人群能否在規(guī)定的時限要求內(nèi)完成目標(biāo)任務(wù)量，以及機器人群全區(qū)域覆蓋策略在實際應(yīng)用中對遍歷面積重復(fù)率的優(yōu)化作用，以數(shù)字生態(tài)農(nóng)業(yè)農(nóng)場中的信息采集機器人為對象進行任務(wù)分配與全區(qū)域覆蓋遍歷試驗。試驗地點為山東理工大學(xué)圖書館南側(cè)草坪。通過數(shù)字生態(tài)農(nóng)業(yè)農(nóng)場云平臺人機交互界面將整體工作區(qū)域劃分為圖9由虛擬道路分割成的3個子區(qū)域，并在整體工作區(qū)域中設(shè)置8個異形障礙物。

實際農(nóng)業(yè)生產(chǎn)過程中有關(guān)任務(wù)分配的4個性能參數(shù)權(quán)重因子根據(jù)農(nóng)場管理者對各性能參數(shù)的偏好制定，本文試驗中設(shè)定4個性能參數(shù)權(quán)重因子均為0.25，根據(jù)農(nóng)場中各機器人的歷史工作記錄統(tǒng)計各機器人的工作效率（hm2/h）、服務(wù)質(zhì)量（取值范圍：0～100）、能耗（W）、故障率（取值范圍：0～1）以及歷史工作量（hm2）等參數(shù)數(shù)據(jù)，總工作量需求值設(shè)置為1 hm2，任務(wù)時限要求為25 min。信息采集機器人搭載RMONCAM HD600紅外攝像頭進行農(nóng)情勘測遍歷試驗，各機器人的攝像頭對地工作范圍均設(shè)置為1.5 m。

根據(jù)本文任務(wù)分配方案對農(nóng)場中現(xiàn)有的10臺信息采集機器人進行任務(wù)分配，最終選擇7～10號機器人參加工作，根據(jù)公式（3）計算各機器人的實際工作量，如表 3所示。4臺機器人的工作效率分別為0.810、0.594、0.648和0.702 hm2/h。以整體工作區(qū)域的左下角為起點。實際遍歷面積表示機器人從進入草坪至駛出草坪全過程中遍歷的面積；覆蓋率為機器人在目標(biāo)工作區(qū)域上的遍歷面積與目標(biāo)工作區(qū)域面積的比值；遍歷面積重復(fù)率的定義與5.2 節(jié)一致；實際工作時間為機器人從起點至遍歷完其工作區(qū)域的時間。機器人群現(xiàn)場遍歷試驗如圖9所示。

通過各信息采集機器人實時回傳至云平臺的工作信息統(tǒng)計各機器人的實際遍歷面積、對原定工作區(qū)域的覆蓋率、機器人群總遍歷面積重復(fù)率以及完成遍歷任務(wù)的實際工作時間，結(jié)果如表3所示。

表3 各機器人工作數(shù)據(jù)統(tǒng)計 Table 3 Working data statistics of robots

由表3可知，4個試驗機器人對目標(biāo)工作區(qū)域的覆蓋率均為100%，且能在規(guī)定的時限要求內(nèi)完成分配的任務(wù)量，遍歷面積重復(fù)率分別為5.77%、4.14%、6.75%以及4.85%，說明本文設(shè)計的農(nóng)業(yè)機器人群任務(wù)分配與全區(qū)域覆蓋方案能在保證機器人群任務(wù)完成度與優(yōu)化機器人群遍歷面積重復(fù)率的基礎(chǔ)上，實現(xiàn)機器人的協(xié)同作業(yè)。

7 結(jié)論

1）本文在考慮遺傳算法不同種群多樣性階段與染色體適應(yīng)度值差異的基礎(chǔ)上提出了自適應(yīng)交叉變異概率，將混合粒子群算法與傳統(tǒng)遺傳算法相結(jié)合建立改進的遺傳算法交叉操作。仿真試驗表明，改進遺傳算法所獲得的遍歷各分區(qū)重心的路徑長度分別比傳統(tǒng)遺傳算法與模擬退火算法減少2.8%與9.3%，算法收斂時的迭代次數(shù)分別減少69.5%與19.0%，收斂到最優(yōu)解的耗時分別減少64.2%與9.9%。

2）本文綜合考慮農(nóng)業(yè)機器人的異質(zhì)性差異設(shè)計機器人群任務(wù)分配方案；通過分區(qū)簡化工作環(huán)境，并分別通過改進遺傳算法與深度優(yōu)先搜索算法解決分區(qū)間與分區(qū)內(nèi)的遍歷順序問題并根據(jù)機器人工作量分配其工作區(qū)域；通過設(shè)計機器人在其工作區(qū)域內(nèi)的路徑規(guī)劃方案實現(xiàn)機器人群對整體工作區(qū)域的全覆蓋。仿真試驗結(jié)果表明，在包含3、5、7、9和11個障礙物的不同環(huán)境地圖中，機器人群總遍歷面積重復(fù)率分別為6.3%、8.9%、16.7%、21.7%和23.4%；障礙物數(shù)量、形狀、位置相同而農(nóng)田形狀不同的環(huán)境地圖中，機器人群總遍歷面積重復(fù)率分別為16.7%、13.1%、11.9%與6.7%。

實際農(nóng)業(yè)生產(chǎn)過程中，各機器人的性能參數(shù)不可能完全一致，同質(zhì)機器人只在理論上存在。對于同質(zhì)機器人群系統(tǒng)、異質(zhì)與同質(zhì)并存的機器人系統(tǒng)的協(xié)同作業(yè)策略，依然可以使用本文設(shè)計的任務(wù)分配方案根據(jù)各機器人性能參數(shù)與工作效率等選擇機器人參加工作并計算各機器人工作量，確定任務(wù)分配結(jié)果后根據(jù)本文設(shè)計的全區(qū)域覆蓋方案確定各機器人工作區(qū)域和路徑規(guī)劃。