面向農(nóng)田環(huán)境的農(nóng)業(yè)多機(jī)器人協(xié)同技術(shù)研究進(jìn)展

摘要：單一農(nóng)業(yè)機(jī)器人工作效率不足，難以有效解決農(nóng)業(yè)勞動力供應(yīng)減少、勞動力成本增加等問題，智能化、高精度、低成本、強(qiáng)魯棒性及高抗干擾能力的多機(jī)器人協(xié)同技術(shù)，可以顯著提高整體機(jī)器人系統(tǒng)的作業(yè)效率，滿足精準(zhǔn)農(nóng)業(yè)的發(fā)展需求。從農(nóng)業(yè)多機(jī)器人系統(tǒng)架構(gòu)的角度出發(fā)，梳理近年農(nóng)業(yè)多機(jī)器人在定位、任務(wù)分配、路徑規(guī)劃和多機(jī)通信四種協(xié)同技術(shù)的代表性研究成果，分析農(nóng)業(yè)多機(jī)器人協(xié)同的作業(yè)效率、通信受損、故障監(jiān)測、資源沖突等問題，并對其在集中和分布式相結(jié)合的協(xié)同技術(shù)、快速精準(zhǔn)的環(huán)境感知、合理實(shí)時(shí)的任務(wù)分配、動態(tài)可靠的路徑規(guī)劃和多機(jī)器人通信技術(shù)等重點(diǎn)方向的未來發(fā)展進(jìn)行展望。

關(guān)鍵詞：農(nóng)業(yè)機(jī)器人；定位技術(shù)；任務(wù)分配；路徑規(guī)劃；多機(jī)通信

中圖分類號：S126； TP242.3" " " 文獻(xiàn)標(biāo)識碼：A" " " 文章編號：2095?5553 （2024） 10?0289?09

Research progress of agricultural multi?robot collaboration technology for

farmland environment

Deng Wenqian， Lai Yingjie， Zhang Shi'ang， Zhu Lixue

（School of Mechanical and Electrical Engineering， Zhongkai College of Agricultural Engineering， Guangzhou， 510225， China）

Abstract： Compared with the lack of work efficiency of a single agricultural robot， it is difficult to effectively solve the problems of reducing the supply of agricultural labor and increasing labor costs， the multi?robot collaborative technology with" intelligent， high?precision， low?cost， strong robustness and high anti?interference ability can significantly improve the operation efficiency of the overall robot system and meet the development needs of precision agriculture. From the perspective of agricultural multi?robot system architecture， this paper reviews the representative research results of four collaborative technologies of agricultural multi?robot positioning， task allocation， path planning and multi?robot communication in recent years， and analyzes the operation efficiency， communication damage， fault monitoring， resource conflict and other issues of agricultural multi?robot collaboration. The future development of key directions such as centralized and distributed collaborative technology， fast and accurate environmental perception， reasonable real?time task allocation， dynamic and reliable path planning and multi?robot communication technology is prospected.

Keywords： agricultural robot; positioning technology; task allocation; path planning; multi?machine communication

0 引言

隨著城市化和工業(yè)化的不斷發(fā)展，農(nóng)村青年勞動力的可持續(xù)轉(zhuǎn)移導(dǎo)致了農(nóng)業(yè)勞動力的下降。同時(shí)，農(nóng)業(yè)勞動力的老齡化問題導(dǎo)致農(nóng)村有效勞動力的供應(yīng)顯著減少，季節(jié)性勞動力短缺的現(xiàn)象增加了農(nóng)業(yè)勞動力的成本。加強(qiáng)農(nóng)業(yè)科技創(chuàng)新，用智能農(nóng)業(yè)機(jī)械或機(jī)器人取代人工操作迫在眉睫。隨著計(jì)算機(jī)技術(shù)、傳感器技術(shù)和控制的日益成熟，涌現(xiàn)出不同類型的農(nóng)業(yè)機(jī)器人，如水果蔬菜采摘機(jī)器人、噴灑機(jī)器人和收割機(jī)器人。這些農(nóng)業(yè)機(jī)器人可以部分取代傳統(tǒng)的人力從事各種勞動密集型和復(fù)雜的農(nóng)業(yè)生產(chǎn)活動。然而，單一農(nóng)業(yè)機(jī)器人的運(yùn)作業(yè)效率太低，在沒有人工輔助或其他機(jī)器人的協(xié)調(diào)配合的情況下，難以滿足繁忙季節(jié)的作業(yè)需求，因此多機(jī)器人協(xié)同技術(shù)應(yīng)運(yùn)而生。本文對農(nóng)業(yè)多機(jī)器人定位、任務(wù)分配、路徑規(guī)劃和多機(jī)通信四種協(xié)同技術(shù)的相關(guān)應(yīng)用研究進(jìn)行歸納總結(jié)，并對現(xiàn)有的技術(shù)進(jìn)行分析，總結(jié)其存在的一些問題，并提出相應(yīng)的解決方法。

1 農(nóng)業(yè)多機(jī)器系統(tǒng)架構(gòu)

合理的體系結(jié)構(gòu)可以保證農(nóng)業(yè)多機(jī)器人系統(tǒng)的信息流和控制流的穩(wěn)定性，使多機(jī)器人之間的有效合作成為可能[1]。目前，農(nóng)業(yè)多機(jī)器人的架構(gòu)可分為集中式架構(gòu)和分布式架構(gòu)。最早記錄的農(nóng)業(yè)多機(jī)器人系統(tǒng)結(jié)構(gòu)來自于農(nóng)田的干草收獲和運(yùn)輸機(jī)器人，這些多機(jī)器人系統(tǒng)是在集中架構(gòu)的原則下運(yùn)行的[2]。

1.1 集中式農(nóng)業(yè)多機(jī)器人系統(tǒng)架構(gòu)

集中式架構(gòu)多機(jī)器人又稱為引導(dǎo)跟隨模式，在引導(dǎo)—跟隨模式中，選擇一個(gè)主機(jī)器人執(zhí)行特定的運(yùn)動規(guī)劃，剩余的機(jī)器人分析和處理感官信息，不會自主行動或相互協(xié)調(diào)。在該模式下的每個(gè)機(jī)器人都可以獨(dú)立執(zhí)行任務(wù)，并由中央控制器發(fā)出指令控制[3]，其中從機(jī)器人跟隨主動機(jī)器人的行進(jìn)路徑。另一種引導(dǎo)跟隨模式則是從機(jī)器人被主機(jī)器人控制去另一條路。這種集中式架構(gòu)的優(yōu)點(diǎn)是實(shí)現(xiàn)方式直觀，但其靈活性、容錯(cuò)性和適應(yīng)性都較差[4]。

1.2 分布式農(nóng)業(yè)多機(jī)器人系統(tǒng)架構(gòu)

與Unmanned Ground Vehicle（無人地面機(jī)器人）的操作環(huán)境相比，無人機(jī)的操作區(qū)域具有沒有障礙的優(yōu)勢，因此這些系統(tǒng)一般采用分布式結(jié)構(gòu)。多機(jī)器人系統(tǒng)中的三架無人機(jī)分別在各個(gè)工作空間中進(jìn)行農(nóng)業(yè)態(tài)勢監(jiān)測；每個(gè)機(jī)器人的系統(tǒng)具有較高的自主操作能力，能夠根據(jù)其目標(biāo)完成總體任務(wù)；機(jī)器之間可以相互通信、交換信息、協(xié)調(diào)行為從而完成給定的任務(wù)[5]。該結(jié)構(gòu)具有較強(qiáng)的可擴(kuò)展性，在實(shí)時(shí)運(yùn)行、容錯(cuò)性、可靠性等方面具有一定的優(yōu)勢，適合于處理與空間狀態(tài)相關(guān)的任務(wù)[6]，其中每個(gè)機(jī)器人都可與其他機(jī)器人交換信息，并自主做出決策。

集中式架構(gòu)可分為一個(gè)引導(dǎo)者和跟隨者機(jī)器人，適合于高度協(xié)調(diào)的任務(wù)，并且在一個(gè)完全已知的環(huán)境中具有優(yōu)勢。分布式架構(gòu)在機(jī)器人之間不存在關(guān)聯(lián)，適用于弱協(xié)調(diào)任務(wù)，在大規(guī)模、復(fù)雜和變化的環(huán)境中具有優(yōu)勢。

綜上所述，農(nóng)業(yè)多機(jī)器系統(tǒng)架構(gòu)是指通過將多個(gè)農(nóng)業(yè)機(jī)器和設(shè)備進(jìn)行協(xié)同操作和數(shù)據(jù)交換，以提高農(nóng)業(yè)生產(chǎn)效率和加強(qiáng)農(nóng)田管理。需要將硬件設(shè)備、網(wǎng)絡(luò)通信、數(shù)據(jù)管理、協(xié)同算法、傳感器技術(shù)、機(jī)器視覺、云計(jì)算、自動化、用戶界面和安全性等方面進(jìn)行整合并提供更精確、高效的農(nóng)業(yè)作業(yè)策略，減少資源浪費(fèi)，為農(nóng)業(yè)生產(chǎn)提供可持續(xù)的解決方案。

2 農(nóng)業(yè)機(jī)器人定位技術(shù)

定位是多個(gè)農(nóng)業(yè)機(jī)器人協(xié)同運(yùn)行的前提。農(nóng)業(yè)機(jī)器人可以使用自身攜帶的傳感器，包括內(nèi)部傳感器和外部傳感器，其中內(nèi)部傳感器包括里程表、磁羅盤、慣性導(dǎo)航和全球定位系統(tǒng)，用來確定機(jī)器人在環(huán)境中的速度、位置和方向；外部傳感器包括超聲、紅外、激光和視覺，用于感知周圍信息，獲取周圍環(huán)境信息，提取環(huán)境內(nèi)的有效特征信息進(jìn)行處理和分析，并實(shí)時(shí)建立環(huán)境模型。該技術(shù)主要涉及協(xié)同定位、數(shù)據(jù)融合和環(huán)境建設(shè)[6]。共同定位是機(jī)器人“共享”其定位結(jié)果，其他移動機(jī)器人使用這個(gè)共享信息并整合信息結(jié)果來提高定位的準(zhǔn)確性。根據(jù)協(xié)同定位方法，可分為主動定位技術(shù)和被動定位技術(shù)[7]。

2.1 主動定位技術(shù)

在沒有信息交換的情況下，機(jī)器人依靠其傳感器觀察相鄰的機(jī)器人來獲得相對的距離和角度，以實(shí)現(xiàn)自定位。由領(lǐng)頭機(jī)器人引導(dǎo)跟隨機(jī)器人的作業(yè)路線，例如可將黑白棋盤特征板固定在領(lǐng)頭機(jī)器人上，通過固定在跟隨機(jī)器人上的雙目視覺攝像機(jī)獲得黑白棋盤特征板上各角點(diǎn)的三維信息，分析信息，得到機(jī)器人相對于領(lǐng)頭機(jī)器人的縱向間距、橫向偏移和航向偏角。利用該導(dǎo)航信息實(shí)現(xiàn)對機(jī)器人的自動跟蹤。

2.2 被動定位技術(shù)

在信息交換的環(huán)境下，機(jī)器人通過相鄰機(jī)器人提供的“觀測”數(shù)據(jù)，間接獲得相對距離和角度，從而進(jìn)行定位。

被動定位模式通常與運(yùn)動學(xué)控制模型相結(jié)合，是主從機(jī)器人中最常用的定位模式之一。例如，借助北斗衛(wèi)星對多個(gè)機(jī)器人進(jìn)行了定位，以領(lǐng)頭機(jī)器人的行走軌跡為主要軌跡。在可溝通的前提下，可以采用運(yùn)動學(xué)模型估計(jì)機(jī)器人的運(yùn)動軌跡，傳感器定位與估計(jì)定位值的差值由其他機(jī)器人計(jì)算，并根據(jù)差值調(diào)整每個(gè)機(jī)器人的橫向和縱向位移。上述定位方法高度依賴于領(lǐng)頭機(jī)器人的定位精度，這需要良好的穩(wěn)定性和魯棒性[8， 9]。當(dāng)領(lǐng)頭機(jī)器人失敗時(shí)，很容易導(dǎo)致整個(gè)團(tuán)隊(duì)的定位精度下降，甚至定位失敗[10， 11]。

由此可見農(nóng)業(yè)多機(jī)器人的協(xié)同定位技術(shù)主要采用主動定位和被動定位，計(jì)算量較小，易于實(shí)現(xiàn)。還有一種協(xié)同定位屬于交互式定位，通過機(jī)器人之間的通信，可以實(shí)現(xiàn)信息共享，從而糾正機(jī)器人的定位誤差，實(shí)現(xiàn)準(zhǔn)確的定位。但該方法計(jì)算量大，算法復(fù)雜，難以實(shí)現(xiàn)。更實(shí)際的應(yīng)用表明，農(nóng)業(yè)中多個(gè)機(jī)器人的協(xié)同定位被中央控制器或任務(wù)管理器協(xié)調(diào)機(jī)制所取代[12， 13]。每個(gè)機(jī)器人的工作區(qū)域和移動路徑都由任務(wù)管理器或中央控制器根據(jù)所建立的環(huán)境地圖進(jìn)行規(guī)劃。這些多個(gè)機(jī)器人的工作區(qū)域和工作路徑通常不相交，每個(gè)機(jī)器人只需要基于其傳感器進(jìn)行定位和導(dǎo)航。Hao等[2]根據(jù)任務(wù)管理器將葡萄園區(qū)域劃分為3個(gè)無人機(jī)監(jiān)控的葡萄園區(qū)域，并對單個(gè)無人機(jī)操作的子區(qū)域進(jìn)行路徑規(guī)劃，每個(gè)無人機(jī)在不同的高度飛行，以避免無人機(jī)之間的碰撞。

綜上所述，農(nóng)業(yè)機(jī)器人定位技術(shù)能夠使機(jī)器人在農(nóng)業(yè)環(huán)境中實(shí)現(xiàn)精確定位和位置同步，以實(shí)現(xiàn)更高效、智能的農(nóng)業(yè)生產(chǎn)管理。主動定位的優(yōu)點(diǎn)是數(shù)據(jù)量相對較小，缺點(diǎn)是魯棒性和準(zhǔn)確度較低，無信息交互。被動定位的優(yōu)點(diǎn)是有信息交互，缺點(diǎn)是數(shù)據(jù)量較大。除了以上兩種定位，還可通過增加網(wǎng)絡(luò)定位系統(tǒng)，在農(nóng)田或農(nóng)業(yè)環(huán)境中分布多個(gè)節(jié)點(diǎn)，通過機(jī)器之間的通信和測距，實(shí)現(xiàn)機(jī)器人的協(xié)同定位。這些節(jié)點(diǎn)可以是傳感器、攝像頭或其他具有定位功能的設(shè)備或是通過多傳感器融合（結(jié)合使用北斗系統(tǒng)、激光雷達(dá)、視覺識別和慣性導(dǎo)航等傳感器）來提供更全面和精確的定位信息。

3 多機(jī)器人任務(wù)分配

多機(jī)器人任務(wù)分配（Multi?robot task allocation），MRTA提供了多機(jī)器人系統(tǒng)、任務(wù)集和系統(tǒng)性能的評價(jià)指標(biāo)，并為每個(gè)子任務(wù)找到合適的機(jī)器人來執(zhí)行，使機(jī)器人系統(tǒng)能夠完成大部分復(fù)雜任務(wù)。因此，MRTA結(jié)果的好壞直接影響到整個(gè)系統(tǒng)的效率，以及系統(tǒng)中每個(gè)機(jī)器人能否最大限度地發(fā)揮自己的能力[14]。解決MRTA問題涉及到系統(tǒng)成員的能力屬性、任務(wù)的結(jié)構(gòu)屬性、機(jī)器人的協(xié)調(diào)機(jī)制、任務(wù)分配策略等多個(gè)方面。該方法基于中央控制器的決策，將農(nóng)業(yè)多機(jī)器人的分配劃分多個(gè)集中組件[15， 16]。

3.1 集中式任務(wù)分配

集中式分配是指由系統(tǒng)的主導(dǎo)機(jī)器人或控制中心對全局任務(wù)進(jìn)行分解，然后將分解后的子任務(wù)按照相應(yīng)的分配方法發(fā)送給各個(gè)機(jī)器人[17]。

Moorehead等[18]研究了基于柑橘園地圖遠(yuǎn)程監(jiān)控兩輛ugv（無人地面車輛）的工作區(qū)域劃分和任務(wù)分配。然而，隨著機(jī)器人數(shù)量的增加，當(dāng)機(jī)器人撞到樹上或無法進(jìn)行可靠的轉(zhuǎn)彎時(shí)，任務(wù)分配就會停止。Kim等[19]從劃分地圖的角度解決了人工將任務(wù)分配給多個(gè)機(jī)器人的問題，即需要多少個(gè)機(jī)器人就劃分多少個(gè)子區(qū)域。這些子區(qū)域的邊緣是由地圖邊界上的離散果樹點(diǎn)和k均值聚類點(diǎn)使用整數(shù)規(guī)劃方法生成的。但是，這種觀點(diǎn)過于理想，沒有考慮機(jī)器人數(shù)量大于或小于任務(wù)總數(shù)的情況。D'Urso等[20]提出關(guān)于機(jī)器人數(shù)量與任務(wù)數(shù)量的研究則是采用一種基于分支定界方法的近似任意時(shí)間算法，得到多機(jī)器人協(xié)同工作的任務(wù)序列，再根據(jù)機(jī)器人的行走規(guī)則和排隊(duì)等待的總時(shí)間成本函數(shù)，計(jì)算路徑長度距離的極限值作為算法節(jié)點(diǎn)的上下界，在迭代過程中刪除下限大于或等于最優(yōu)上限的子節(jié)點(diǎn)，得到最優(yōu)解。仿真試驗(yàn)表明，該方法可以得到資源利用的最優(yōu)近似解，但難以應(yīng)用于農(nóng)業(yè)的噴灑作業(yè)。張子迎等[21]利用Dyna-Q+算法尋找從當(dāng)前點(diǎn)到終點(diǎn)的最優(yōu)搜索路徑，即多個(gè)機(jī)器人隨機(jī)選擇動作（前、后、左、右）并記錄每個(gè)動作，根據(jù)障礙物的存在與否對機(jī)器人選擇的動作進(jìn)行獎勵(lì)和懲罰，從而獲得最優(yōu)路徑。然后使用加權(quán)圖來表示網(wǎng)格模型，包括機(jī)器當(dāng)前位置、網(wǎng)格集合、網(wǎng)格間是否有路徑等參數(shù)。利用Dijkstra算法計(jì)算最優(yōu)路徑下的最小代價(jià)時(shí)間，最后根據(jù)最優(yōu)路徑和時(shí)間獲得搜索空間，并按空間大小比例分配給多個(gè)機(jī)器。Wan等[22]提出強(qiáng)化學(xué)習(xí)是一種馬爾可夫式?jīng)Q策過程，其基本思想都是關(guān)于使用函數(shù)對更復(fù)雜的決策問題建模或擬合策略。但該方法需要大量的樣品，需要運(yùn)算的時(shí)間較長。

此外，在農(nóng)業(yè)環(huán)境中工作的多個(gè)機(jī)器人經(jīng)常會發(fā)生資源共享沖突[23]。對于可預(yù)測的沖突，僅依靠中央任務(wù)分配方法來避免沖突，多機(jī)器人的適應(yīng)性非常有限，因而增加決策支持系統(tǒng)（Decision?making Support System，DSS）為多機(jī)器人協(xié)作提供選項(xiàng)，基于明確的目標(biāo)，識別問題并建立或修改決策模型以避免資源沖突。Emmi等[3]在基于大型田野中靜態(tài)障礙物的位置、播種方法、種子密度、中央控制器的位置和機(jī)器人數(shù)量等輸入，構(gòu)建了一個(gè)多機(jī)器人播種地圖。根據(jù)該地圖，精確定位每顆種子的位置和密度，并將播種任務(wù)分配給多個(gè)機(jī)器人。當(dāng)機(jī)器人完成工作后，記錄機(jī)器人路徑。特別是當(dāng)一個(gè)或多個(gè)機(jī)器人故障時(shí)，需要將故障機(jī)器人的任務(wù)重新分配給其他機(jī)器人，并更新機(jī)器人播種路徑。還可以在多機(jī)器人即將發(fā)生碰撞時(shí)停止機(jī)器人的運(yùn)動，并限制故障機(jī)器人的運(yùn)動區(qū)域。但是，該任務(wù)分配方法是在仿真環(huán)境中實(shí)現(xiàn)的，還需要在實(shí)際應(yīng)用中進(jìn)一步驗(yàn)證。

3.2 分布式任務(wù)分配

一般來說，分布式任務(wù)分配方法的特點(diǎn)是每個(gè)機(jī)器人不具備任務(wù)的全局知識，而是根據(jù)傳感器獲得的局部信息進(jìn)行單獨(dú)的計(jì)算和規(guī)劃，同時(shí)采用中心化實(shí)體對整個(gè)播種過程進(jìn)行監(jiān)控，避免機(jī)器人之間發(fā)生碰撞。如Khamis等[24]在模擬環(huán)境中，就是使用一個(gè)集中實(shí)體來規(guī)劃不同機(jī)器人的播種任務(wù)、播種模式和播種密度。整個(gè)系統(tǒng)的效果不僅與個(gè)體密切相關(guān)，而且取決于個(gè)體的綜合效應(yīng)。李曉靜等[25]當(dāng)任務(wù)數(shù)量大于農(nóng)機(jī)數(shù)量時(shí)，可以使用蟻群算法為多個(gè)機(jī)器人找到合適的任務(wù)序列。首先，根據(jù)每個(gè)地塊的指定坐標(biāo)信息計(jì)算地塊之間的距離，并設(shè)置蟻群算法的相關(guān)參數(shù)，然后隨機(jī)生成多個(gè)路徑包的起點(diǎn)，根據(jù)狀態(tài)轉(zhuǎn)移概率式進(jìn)行路徑選擇，并將生成的路徑包放入禁止表中。最后計(jì)算圖的路徑距離，并根據(jù)設(shè)定的規(guī)則不斷更新路徑上的信息素，重復(fù)迭代，直到找到多個(gè)機(jī)器人的最優(yōu)任務(wù)規(guī)劃。該方法主要應(yīng)用于模擬農(nóng)田環(huán)境，尚未得到實(shí)際應(yīng)用。Drenjanac等[26]采用語義空間在任務(wù)存儲中描述了一種基于資源描述框架（RDF）和SPARQL。RDF開發(fā)了一種查詢語言和數(shù)據(jù)采集協(xié)議的任務(wù)分配數(shù)據(jù)模型，其中RDF用于構(gòu)造嵌套空白節(jié)點(diǎn)，SPARQL用于條目的查詢、更新和交互。一個(gè)任務(wù)被映射到一個(gè)嵌套的空白節(jié)點(diǎn)，在任務(wù)分配模型中生成一個(gè)語義元組（條目）。該條目存儲在任務(wù)存儲區(qū)中，其內(nèi)部ID包含（uniform resource locator，URL統(tǒng)一資源定位器）。然后根據(jù)機(jī)器人的功能和任務(wù)需求的關(guān)系，使用URL選擇條目。仿真試驗(yàn)結(jié)果表明，隨著任務(wù)數(shù)量的增加，執(zhí)行時(shí)間相應(yīng)增加，生產(chǎn)效率逐漸降低，為保證生產(chǎn)率，需要臨時(shí)增加新的機(jī)器人，但生產(chǎn)成本也會增加，所以需要提前設(shè)定任務(wù)。

Barrientos等[5]提出系統(tǒng)中的每個(gè)機(jī)器人都是先初提出最大可能的任務(wù)分配，然后根據(jù)談判機(jī)制逐漸減少自己的提議，直到完成交易。研究者基于Rubinstein協(xié)商協(xié)議開發(fā)了基于市場和拍賣的任務(wù)細(xì)分和分配方法。這種協(xié)議的優(yōu)點(diǎn)是拍賣師機(jī)器人必須在談判過程中將任務(wù)拆分為子任務(wù)。在每一輪談判中，每個(gè)機(jī)器人最初開始為自己提出最大可能的任務(wù)分配，并在每一輪談判中根據(jù)成本函數(shù)（折扣因子）的談判降低其報(bào)價(jià)，直到另一方表示接受。在該協(xié)議下，通過分布式任務(wù)分配，每個(gè)機(jī)器人都有一個(gè)數(shù)據(jù)分發(fā)口，每個(gè)機(jī)器人可以根據(jù)實(shí)際情況動態(tài)調(diào)整以獲得合適的任務(wù)。但由于任務(wù)區(qū)域的面積、機(jī)器人離目標(biāo)的距離、工作區(qū)域重疊等折現(xiàn)因素的影響，任務(wù)分配結(jié)果一般為近似最優(yōu)解。

結(jié)合以上農(nóng)業(yè)多機(jī)器人近年在任務(wù)分配技術(shù)方面的研究進(jìn)展，可以得出目前農(nóng)業(yè)多機(jī)器人的任務(wù)分配方法以集中式為主，并在大部分仿真試驗(yàn)中實(shí)現(xiàn)了。集中任務(wù)式分配主要采用整數(shù)規(guī)劃方法，通過建立目標(biāo)函數(shù)和約束條件來描述任務(wù)分配問題。積分規(guī)劃（IP）和混合整數(shù)規(guī)劃（MIP）問題是運(yùn)籌學(xué)領(lǐng)域的一個(gè)重要分支，它包括分支定界法、切割平面算法、圖論方法等[27]，其思想是確定從一個(gè)搜索點(diǎn)到另一個(gè)搜索點(diǎn)的傳遞方法和傳遞關(guān)系，得到唯一的最優(yōu)解，適用小規(guī)模。當(dāng)規(guī)模擴(kuò)大時(shí)，計(jì)算量以指數(shù)增長。通常情況下，在任務(wù)分配問題上很難滿足實(shí)時(shí)需求。分布式任務(wù)分配主要采用基于行為激勵(lì)的方法和基于市場的方法。前者適用于自主性強(qiáng)的多機(jī)器人系統(tǒng)，但系統(tǒng)分配效率低。后者基于經(jīng)濟(jì)學(xué)的資源優(yōu)化配置思想而應(yīng)用廣泛，但該研究方法的難點(diǎn)在于如何設(shè)計(jì)協(xié)商機(jī)制，合理確定任務(wù)的成本收益模型[28]。

綜上所述，農(nóng)業(yè)多機(jī)器人任務(wù)分配技術(shù)應(yīng)用于農(nóng)業(yè)領(lǐng)域中的不同任務(wù)和活動，如在土壤分析和作物評估、播種和種植、雜草識別和除草、病蟲害監(jiān)測和防治、收獲和采摘、灌溉和水資源管理、數(shù)據(jù)收集和分析、農(nóng)產(chǎn)品的倉儲和物流等領(lǐng)域應(yīng)用廣泛。其中集中式任務(wù)分配的優(yōu)點(diǎn)在于算法更簡單，可求全局最優(yōu)解，缺點(diǎn)是通信集中，易出現(xiàn)數(shù)據(jù)堵塞，影響算法工作效率，實(shí)時(shí)性較差，適用于已知的靜態(tài)環(huán)境和小規(guī)模情景。而分布式任務(wù)分配的優(yōu)點(diǎn)在于通信更加分散，可以避免由于通信堵塞而影響算法效率的問題，缺點(diǎn)則是求解的結(jié)果很容易變成局部最優(yōu)，適用于未知的動態(tài)環(huán)境和中大規(guī)模情景。

4 路徑規(guī)劃

路徑規(guī)劃是多個(gè)機(jī)器人共同完成任務(wù)的根本保證。該技術(shù)是指利用已知的靜態(tài)環(huán)境信息，或傳感器獲得的動態(tài)環(huán)境信息，自主地為每個(gè)機(jī)器人規(guī)劃從已知起點(diǎn)到目標(biāo)點(diǎn)的無碰撞最優(yōu)路徑，不僅需要單個(gè)機(jī)器人避障，還需要多個(gè)機(jī)器人之間有滿足避撞的方案。單機(jī)器人避障路徑規(guī)劃方法主要包括傳統(tǒng)方法、智能方法和其他方法。傳統(tǒng)的方法有構(gòu)造空間法、V-graphic（可見圖）、V-oronoi圖、網(wǎng)格法、A*算法、人工勢場[29]等。智能方法包括蟻群算法、粒子群算法（PSO）、強(qiáng)化學(xué)習(xí)算法、免疫算法、遺傳算法（GA）、神經(jīng)網(wǎng)絡(luò)和模糊邏輯算法等。其他方法包括動態(tài)規(guī)劃（DP）和最優(yōu)控制算法等。多機(jī)器人之間的避碰策略包括優(yōu)先級法、費(fèi)率調(diào)整法、交通管理規(guī)則和咨詢法。其中路徑規(guī)劃又可分為集中式路徑規(guī)劃和分布式路徑規(guī)劃[30， 31]。

4.1 集中式路徑規(guī)劃

集中路徑式規(guī)劃方法是利用一個(gè)集中控制單元來規(guī)劃多機(jī)器人的最優(yōu)路徑。該方法可以提高機(jī)器人之間的緊密協(xié)調(diào)和最優(yōu)協(xié)調(diào)能力[32]。然而，隨著機(jī)器人數(shù)量、任務(wù)難度和空間復(fù)雜度的增加，還會遇到諸如“維數(shù)”“計(jì)算復(fù)雜度”“非確定性多項(xiàng)式問題（NP）困難”等問題。特別是“NP困難”問題，理論上還沒有得到簡單或快速的解決方案[33， 34]，將已知的路徑點(diǎn)連接成一條線，并模擬到拓?fù)淠Ｐ椭?，讓多個(gè)機(jī)器人沿著各自的路徑行走，這是最簡單、最容易實(shí)現(xiàn)的路徑規(guī)劃方法之一。但該方法需要提前獲得準(zhǔn)確的已知點(diǎn)信息，需要較大的前期工作，不適用于機(jī)器人數(shù)量較多或作業(yè)面積較大的情況。一種類似于點(diǎn)對點(diǎn)的方法是可見地圖法，其目的是減少碰撞，即提前獲取每個(gè)障礙物的邊緣投影點(diǎn)信息，分別用邊和節(jié)點(diǎn)表示機(jī)器人自由行走的路徑、可以組合或斷開的路徑點(diǎn)。然后將起始節(jié)點(diǎn)連接到目標(biāo)節(jié)點(diǎn)，或者將起始節(jié)點(diǎn)連接到每個(gè)障礙物邊緣的凸起點(diǎn)，直到到達(dá)目標(biāo)節(jié)點(diǎn)，形成多機(jī)器人行走路徑。最后，根據(jù)機(jī)器人的大小，適當(dāng)增加或減少路徑寬度[35]。同樣，由于測量點(diǎn)的工作量較大，當(dāng)障礙物較多時(shí)不適用。在映射上規(guī)劃多機(jī)器人路徑是全局路徑規(guī)劃的另一種方法。例如，在網(wǎng)格法中，將地圖劃分為多個(gè)網(wǎng)格單元，并以每個(gè)網(wǎng)格單元為中心向八個(gè)方向擴(kuò)展路徑，將網(wǎng)格中心垂直呈對角地與其他網(wǎng)格單元的中心連接，形成路徑段。為了獲得網(wǎng)格內(nèi)的全局最優(yōu)路徑，采用A*算法搜索路徑段中行程成本最小的路徑段，其中自由空間單元格的行程成本設(shè)為0，有障礙物單元格的行程成本設(shè)為最大，行程成本為該路徑段上所有網(wǎng)格單元格的和，當(dāng)和最小時(shí)，設(shè)為全局最優(yōu)路徑。

由于農(nóng)田信息是動態(tài)變化的，多個(gè)機(jī)器人需要每次根據(jù)不同的信息重新規(guī)劃多條路徑。該多機(jī)器人時(shí)間窗路徑規(guī)劃問題也屬于求解一個(gè)多目標(biāo)優(yōu)化問題。西班牙Gonzalez?de?Santos等[36]聯(lián)合研制了包括2個(gè)空中機(jī)器人和3個(gè)地面機(jī)器人在內(nèi)的多機(jī)器人系統(tǒng)。該系統(tǒng)采用集中控制單元，在網(wǎng)格地圖上為多個(gè)機(jī)器人提供全局路徑規(guī)劃，并提供雜草信息，提前劃分多個(gè)機(jī)器人的操作順序。利用NSGA-II算法（No-劣勢排序遺傳算法）[37， 38]協(xié)調(diào)機(jī)器人行走路徑的距離、轉(zhuǎn)彎數(shù)、機(jī)器人數(shù)量、除草劑用量和能力函數(shù)之間的關(guān)系，得到多個(gè)機(jī)器人所花費(fèi)的時(shí)間和金錢與雜草處理成本之間的近似最優(yōu)解。其主要是模擬自然選擇和遺傳過程中發(fā)生的交叉、變異和遺傳現(xiàn)象，結(jié)合自然的優(yōu)劣規(guī)律，根據(jù)結(jié)果推導(dǎo)出每代的候選解，最后得出最優(yōu)解。但該方法計(jì)算量較大，不適用于非結(jié)構(gòu)化字段。

4.2 分布式路徑規(guī)劃

分布式路徑規(guī)劃方法計(jì)算量小，魯棒性好，但效率低，只能得到次優(yōu)解。在完全已知的環(huán)境中，需要考慮每個(gè)機(jī)器人的避障方法和機(jī)器人之間的避撞策略，即首先選擇一個(gè)機(jī)器人進(jìn)行路徑規(guī)劃，然后將其路徑廣播給其他機(jī)器人，最后自行規(guī)劃其他機(jī)器人的路徑。但是對于大量的機(jī)器人來說，這種方法很難實(shí)現(xiàn)。在未知環(huán)境下，首選的方法是在忽略環(huán)境中其他移動機(jī)器人運(yùn)動的基礎(chǔ)上，為每個(gè)機(jī)器人規(guī)劃避開靜態(tài)障礙物的路徑，然后使用多機(jī)器人避碰策略來解決移動機(jī)器人之間的沖突問題[39]。

目前，關(guān)于農(nóng)業(yè)多機(jī)器人分布式路徑規(guī)劃的研究很少。Bouzouita等[5]開發(fā)了無人機(jī)監(jiān)測葡萄園的農(nóng)業(yè)信息，無人機(jī)的路徑規(guī)劃基于網(wǎng)格圖和A*算法。在地圖上根據(jù)無人機(jī)轉(zhuǎn)彎次數(shù)、覆蓋網(wǎng)格訪問次數(shù)、完成單個(gè)分區(qū)的時(shí)間等約束條件構(gòu)建UAV路徑規(guī)劃函數(shù)。使用A*算法，通過對每個(gè)節(jié)點(diǎn)的生成值進(jìn)行分組來獲得下一個(gè)要擴(kuò)展的最佳節(jié)點(diǎn)。然后，利用寬度優(yōu)先搜索算法，根據(jù)單元間的距離尋找函數(shù)的局部最大值，得出從環(huán)境中的任何起點(diǎn)到目標(biāo)單元的路徑。實(shí)踐表明，該方法能找到近似最優(yōu)解，減少重復(fù)訪問同一單元的可能，便于避開已知障礙。但是要考慮當(dāng)?shù)氐沫h(huán)境條件，才能找到廣泛的適用性。

近年來農(nóng)業(yè)多機(jī)器人在路徑規(guī)劃方法方面，主要是在已知條件下進(jìn)行的，集中規(guī)劃下的網(wǎng)格法和V-Graphic法是最常用的方法。農(nóng)業(yè)機(jī)器人之間的避障策略通常不考慮路徑的變化，單個(gè)機(jī)器人的避障策略主要包括速度調(diào)整和優(yōu)先級原則，多機(jī)器人的路徑規(guī)劃一般不考慮農(nóng)業(yè)生產(chǎn)中存在的障礙[40?42]。

綜上所述，農(nóng)業(yè)多機(jī)器人路徑規(guī)劃是一個(gè)復(fù)雜的問題，需要綜合考慮農(nóng)場布局、機(jī)器人能力和任務(wù)需求等多個(gè)因素。其中集中式路徑規(guī)劃在環(huán)境信息完全已知情景下應(yīng)用更為廣泛，而在環(huán)境情況不完全已知時(shí)，用分布式的路徑規(guī)劃效果更好。通過場景建模（對農(nóng)田或農(nóng)場進(jìn)行建模，將其表示為一個(gè)離散或連續(xù)的空間?？梢允褂脰鸥竦貓D或連續(xù)空間的網(wǎng)格表示來模擬農(nóng)場的布局）、碰撞檢測（在路徑規(guī)劃過程中，需要避免機(jī)器人之間的碰撞。通過使用碰撞檢測算法和避障策略，確保機(jī)器人能夠安全地在農(nóng)場中移動）、實(shí)時(shí)更新（在實(shí)際執(zhí)行過程中，需要實(shí)時(shí)更新機(jī)器人的路徑，以應(yīng)對變化的環(huán)境和任務(wù)需求。實(shí)時(shí)更新可以通過傳感器數(shù)據(jù)、地圖信息和任務(wù)變化等來實(shí)現(xiàn)）以及合適的路徑規(guī)劃算法和優(yōu)化策略，從而進(jìn)一步提高農(nóng)業(yè)作業(yè)效率，減少資源浪費(fèi)。

5 多機(jī)器人通信

通信是多個(gè)機(jī)器人之間進(jìn)行信息交互和協(xié)作的基礎(chǔ)。在農(nóng)業(yè)生產(chǎn)中，影響農(nóng)業(yè)機(jī)器人精細(xì)操作的因素很多，為了保持多個(gè)機(jī)器人之間的協(xié)調(diào)合作，更全面地了解多個(gè)機(jī)器人執(zhí)行任務(wù)的環(huán)境，機(jī)器人之間需要通過信息進(jìn)行交互，更好地完成給定的任務(wù)[43]。Arkin等[44]通過試驗(yàn)得出結(jié)論，即使是少量的通信也能極大地提高多機(jī)器人系統(tǒng)的性能。目前，農(nóng)業(yè)多機(jī)器人通信技術(shù)主要涉及3部分：多機(jī)器人通信方式、通信網(wǎng)絡(luò)和通信協(xié)議。

5.1 多機(jī)器人通信方式

多機(jī)器人通信模式從宏觀上分為顯式通信、隱式通信、顯式與隱式通信。顯式通信是一種交互方式，通過通信作為媒介，要求交互各方之間有明確的通信協(xié)議。這種方法常用于機(jī)器人之間的協(xié)調(diào)通信，但其成本相當(dāng)大。隱式通信是通過外部環(huán)境和內(nèi)部傳感器獲取所需的信息，而不進(jìn)行顯式的數(shù)據(jù)交換，因此無法使用一些先進(jìn)的協(xié)調(diào)策略，從而影響執(zhí)行某些復(fù)雜任務(wù)的能力。

由于顯式通信和隱式通信各有優(yōu)點(diǎn)[45]，上層采用顯式通信對機(jī)器人進(jìn)行集成控制，底層可以考慮采用隱式通信對機(jī)器人進(jìn)行集成控制。顯式通信是指機(jī)器人通過無線網(wǎng)絡(luò)直接或間接地與其他機(jī)器人通信。例如，在廣播通信中，機(jī)器人1向通信范圍內(nèi)的所有機(jī)器人發(fā)送了一條消息，即沒有指定特定的機(jī)器人，不需要該消息的機(jī)器人2也會接收該消息。在隱式通信中，機(jī)器人之間通信的中介往往是周圍環(huán)境。例如，無人機(jī)可以提前得知農(nóng)田情況，建立農(nóng)田環(huán)境模型，地面機(jī)器人根據(jù)該農(nóng)田模型在地面上作業(yè)[46]。將這兩種通信方式結(jié)合起來，可以發(fā)揮各自的優(yōu)勢，提高面對各種動態(tài)未知環(huán)境的靈活性，完成農(nóng)業(yè)生產(chǎn)中的許多復(fù)雜任務(wù)。在文獻(xiàn)[23]中，兩架空中無人機(jī)配備了GPS、可見光和近紅外光譜相機(jī)，在一組有序的路徑點(diǎn)拍攝農(nóng)田，并上傳到云端，后端將處理后的農(nóng)田雜草信息發(fā)送給地面機(jī)器人。地面機(jī)器人配備了RTK-GPS、RGB攝像機(jī)和激光雷達(dá)。RTK-GPS為地面機(jī)器人提供精確的方向，RGB攝像機(jī)檢測雜草和作物行，激光雷達(dá)檢測車輛軌跡上的障礙物。當(dāng)?shù)孛鏅C(jī)器人沿著各自設(shè)定的路徑安全行走時(shí)，如果攝像機(jī)檢測到的雜草與農(nóng)田中的雜草信息相同，則開始除草操作。期間，空中無人機(jī)與地面機(jī)器人不直接通信，而是通過環(huán)境信息的交互完成協(xié)同操作。

5.2 多機(jī)器人無線通信網(wǎng)絡(luò)

農(nóng)業(yè)多機(jī)器人需要實(shí)時(shí)調(diào)整姿態(tài)。因此，在農(nóng)業(yè)生產(chǎn)中，多個(gè)機(jī)器人之間的通信數(shù)據(jù)交換主要基于無線通信技術(shù)。該技術(shù)主要涉及無線局域網(wǎng)（WLAN）和無線個(gè)人局域網(wǎng)（WPAN），如WI-FI、藍(lán)牙、ZigBee、IRDA（紅外數(shù)據(jù)關(guān)聯(lián)）等。其中，WI-FI技術(shù)在農(nóng)業(yè)多機(jī)器人中發(fā)展最為迅速。

5.3 多機(jī)器人的無線通信協(xié)議

無線通信協(xié)議主要是基于無線通信標(biāo)準(zhǔn)免許可頻段使用。以無線局域網(wǎng)為例，多采用IEEE 802.11系列標(biāo)準(zhǔn)和2.4 GHz或5 GHz頻段進(jìn)行通信。WPAN采用IEEE 802.15系列傳輸技術(shù)協(xié)議。近10年來農(nóng)業(yè)多機(jī)器人在通信方面多以計(jì)算機(jī)作為中心控制器，通過通信發(fā)送ugv和UAv控制單元的初始路徑。感知數(shù)據(jù)在多個(gè)機(jī)器人和計(jì)算機(jī)之間交換，IEEE 802.11a標(biāo)準(zhǔn)工作在5 GHz頻段，數(shù)據(jù)傳輸速率為54 mb/s。IEEE 802.11b標(biāo)準(zhǔn)工作在2.4 GHz頻段，數(shù)據(jù)傳輸速率為11 mb/s，與IEEE 802.11a不兼容。IEEE 802.11g是將802.11b的傳輸速率由11 mb/s提升到54 mb/s的標(biāo)準(zhǔn)。IEEE 802.11p標(biāo)準(zhǔn)是由IEEE 802.11標(biāo)準(zhǔn)擴(kuò)展而來的通信協(xié)議，主要應(yīng)用于汽車電子的無線通信。

除了上述無線通信技術(shù)外，Albani等[47， 48]還采用了一種移動自組網(wǎng)（peer?to?peer）網(wǎng)絡(luò)，該網(wǎng)絡(luò)將無人機(jī)視為網(wǎng)絡(luò)中的通信節(jié)點(diǎn)，采用簡單、泛洪、地理感知三種通信策略解決了無人機(jī)飛行的通信問題。最簡單的通信策略是單廣播模式，即源節(jié)點(diǎn)向最近的節(jié)點(diǎn)發(fā)送信息，泛洪是一種多播模式，即源節(jié)點(diǎn)向多個(gè)代理發(fā)送信息。Geo?aware選擇利用率最高的源節(jié)點(diǎn)發(fā)送消息。這三種溝通策略都忽略了溝通錯(cuò)誤，關(guān)注的是溝通范圍和協(xié)議對工作效率的影響。仿真結(jié)果表明，該方法能以最少的無人機(jī)數(shù)量傳遞有效的雜草監(jiān)測信息。但是，該通信策略會丟棄分布式架構(gòu)無人機(jī)獲取的新信息，在大范圍通信（如在大范圍的農(nóng)田上）時(shí)無法有效地傳輸信息。農(nóng)業(yè)多機(jī)器人在農(nóng)田工作時(shí)經(jīng)常遇到信號遮擋、非典型天氣等問題。在大田工作的大型農(nóng)業(yè)多機(jī)器人很少遇到信號遮擋和非典型天氣等問題。但在其他農(nóng)業(yè)環(huán)境中，如溫室、果園等，當(dāng)多機(jī)器人的尺寸小于作物的高度時(shí)，其通信信號強(qiáng)度會受到作物種植、生長特性、種植規(guī)模、自然天氣等因素的影響。文獻(xiàn)[49， 50]表明，農(nóng)業(yè)多機(jī)器人WI-FI通信系統(tǒng)的測試結(jié)果在很大程度上因受到作物的反射散射效應(yīng)影響，導(dǎo)致WI-FI信號強(qiáng)度衰減，在成熟麥田、玉米地、桃園等環(huán)境下，有效通信距離小于50 m（遠(yuǎn)小于300 m的理論通信距離）。

綜上所述，農(nóng)業(yè)多機(jī)器人通信技術(shù)是一項(xiàng)關(guān)鍵技術(shù)，可以實(shí)現(xiàn)農(nóng)田中多個(gè)機(jī)器人之間的信息交流和協(xié)作，農(nóng)業(yè)多機(jī)器人通信技術(shù)的應(yīng)用可以有效提高農(nóng)業(yè)生產(chǎn)效率、減輕農(nóng)民勞動負(fù)擔(dān)，并促進(jìn)農(nóng)業(yè)的智能化發(fā)展。其中在機(jī)器通信過程中，紅外通信滿足不了農(nóng)業(yè)多機(jī)器人移動方面的需求，藍(lán)牙性能也低于ZigBee，而ZigBee和WiFi各有特色，可能更多應(yīng)用于農(nóng)業(yè)多機(jī)器人領(lǐng)域，短距離類的通信技術(shù)依舊是農(nóng)業(yè)多機(jī)器人首選的通信方式。但隨著技術(shù)的發(fā)展和新一代通信標(biāo)準(zhǔn)的推出，各項(xiàng)技術(shù)也表現(xiàn)出了融合的趨勢，如何根據(jù)具體應(yīng)用場景選擇合適的協(xié)議、建立高效的網(wǎng)絡(luò)拓?fù)洹⒓訌?qiáng)頻譜管理、提高安全性和隱私保護(hù)，從而使多機(jī)器人通信系統(tǒng)更加穩(wěn)定、數(shù)據(jù)傳輸更加高效顯得尤為關(guān)鍵。

6 存在問題

1） 當(dāng)作業(yè)環(huán)境信息復(fù)雜時(shí)如何解決農(nóng)業(yè)多機(jī)器人協(xié)同中的作業(yè)效率問題。農(nóng)業(yè)多機(jī)器人協(xié)同決策需要考慮機(jī)器人所處的環(huán)境多變，信息不能充分收集利用以及通信系統(tǒng)受到影響的情況下，如何改善多機(jī)器人決策的智能化程度，從而提高機(jī)器人作業(yè)的效率。可通過引入角色概念的思路來解決：第一是通過利用部分可觀的馬爾科夫決策過程和對一些不確定環(huán)境信息及行為效果的分析構(gòu)建出多機(jī)器協(xié)同的決策角色模型；第二是通過隱式多機(jī)器人協(xié)同決策，當(dāng)機(jī)器人的交互通信條件受到限制時(shí)，模仿人類協(xié)同的方式，通過一種基于角色的隱協(xié)同框架來實(shí)現(xiàn)決策；第三是提出一種控制思想驅(qū)動的多機(jī)器人協(xié)同決策優(yōu)化方法，采用輸出或?qū)?shù)反饋的手段來使算法收斂性更好。

2） 當(dāng)機(jī)器人通信受影響時(shí)如何解決農(nóng)業(yè)多機(jī)器人分布式協(xié)同的控制問題。因系統(tǒng)模型是強(qiáng)非線性的，所以在農(nóng)業(yè)多機(jī)器人分布式協(xié)同控制時(shí)會存在通信受影響或通信不可測量的情況，針對此問題，可通過改變坐標(biāo)和重構(gòu)的方法簡化系統(tǒng)模型，借助分布式框架來解決信息不全對多機(jī)器人協(xié)同任務(wù)的影響。也可用輸出反饋的狀態(tài)控制法，設(shè)計(jì)機(jī)器人的狀態(tài)觀測和控制器的架構(gòu)，使其具備控制跟蹤功能，從而增加整機(jī)的穩(wěn)定性。

3） 當(dāng)監(jiān)測到某個(gè)農(nóng)業(yè)機(jī)器人出現(xiàn)故障時(shí)如何保證剩下的機(jī)器能否完成作業(yè)的問題。協(xié)同的故障監(jiān)測和診斷發(fā)現(xiàn)所構(gòu)成的多機(jī)器人網(wǎng)絡(luò)節(jié)點(diǎn)出現(xiàn)故障，導(dǎo)致網(wǎng)絡(luò)出現(xiàn)異常時(shí)，及時(shí)進(jìn)行相應(yīng)診斷。解決此問題的主要方法是協(xié)同檢測方法，簡單來說就是針對一個(gè)多節(jié)點(diǎn)的系統(tǒng)模型，通過得到的輸入輸出信號來進(jìn)行檢測設(shè)計(jì)。例如當(dāng)某個(gè)機(jī)器人出現(xiàn)問題時(shí)，整體的多機(jī)器人系統(tǒng)就要評估剩下的機(jī)器人能否完成原本指定的任務(wù)，并調(diào)整作業(yè)路線，保證作業(yè)任務(wù)的完成。

4） 當(dāng)農(nóng)業(yè)機(jī)器人數(shù)量過多產(chǎn)生資源沖突導(dǎo)致系統(tǒng)工作效率不高的問題。多機(jī)器人在同一個(gè)環(huán)境下運(yùn)行會產(chǎn)生資源沖突的問題，如果缺乏對應(yīng)的解決策略會對系統(tǒng)效率產(chǎn)生影響，尤其是系統(tǒng)中機(jī)器人數(shù)量過多時(shí)，系統(tǒng)之間通信的頻率更高，單純靠機(jī)器之間的通信，系統(tǒng)工作效率不高，此時(shí)對機(jī)器人本身的傳感器信息的利用就至關(guān)重要。

7 展望

目前，農(nóng)業(yè)多機(jī)器人協(xié)同技術(shù)取得了一定的研究成果，在特定的農(nóng)業(yè)場景中實(shí)現(xiàn)多機(jī)器人協(xié)同作業(yè)。但隨著農(nóng)業(yè)作業(yè)需求的不斷增加，多機(jī)器人協(xié)同技術(shù)在農(nóng)業(yè)應(yīng)用中未來仍有較大的發(fā)展空間。

7.1 集中式和分布式相結(jié)合的農(nóng)業(yè)多機(jī)器人協(xié)同技術(shù)是系統(tǒng)作業(yè)的基礎(chǔ)

農(nóng)業(yè)多機(jī)器人系統(tǒng)主要集中在集中式或分布式架構(gòu)上，以在預(yù)定義的條件下完成協(xié)同操作。這兩種架構(gòu)都有各自的優(yōu)缺點(diǎn)，但隨著機(jī)器人數(shù)量的增加（如多個(gè)空中機(jī)器人與多個(gè)地面機(jī)器人合作）和新的農(nóng)業(yè)操作需求的增加（如海洋環(huán)境中的采樣、丘陵山區(qū)的貨物裝卸、果園的害蟲控制等），僅依賴于一種架構(gòu)的多機(jī)器人系統(tǒng)的可擴(kuò)展性和靈活性是有限的。將集中式架構(gòu)和分布式架構(gòu)的優(yōu)點(diǎn)結(jié)合起來，形成混合式架構(gòu)，或者根據(jù)任務(wù)屬性動態(tài)選擇應(yīng)用架構(gòu)，可以克服分布式架構(gòu)中自中心導(dǎo)致的低性能，減少集中式架構(gòu)中缺乏控制靈活性的問題。

7.2 快速精確的環(huán)境感知是農(nóng)業(yè)多機(jī)器人協(xié)同作業(yè)的關(guān)鍵

在環(huán)境感知中，定位和傳感器融合回答了“我在哪里”的問題，構(gòu)建地圖回答了“我周圍有什么”的問題，而這兩個(gè)問題的答案是機(jī)器人開始行動的先決條件。農(nóng)業(yè)多機(jī)器人的定位與傳感器融合技術(shù)在室外信號暢通時(shí)可以根據(jù)傳感器獲得準(zhǔn)確的定位、航向、速度、障礙物等信息。但機(jī)器人在丘陵山地和果園作業(yè)時(shí)，當(dāng)機(jī)器人故障或通信受阻的情況下，如何保證機(jī)器人的準(zhǔn)確定位，使多機(jī)器人系統(tǒng)具有良好的魯棒性，也是迫切需要解決的問題。

7.3 合理實(shí)時(shí)的任務(wù)分配是農(nóng)業(yè)多機(jī)器人作業(yè)的實(shí)際需要

任務(wù)分配與多機(jī)器人協(xié)調(diào)協(xié)作機(jī)制有關(guān)，簡單的機(jī)器人分區(qū)分配不能適應(yīng)動態(tài)變化的作業(yè)任務(wù)。此外，機(jī)器人的數(shù)量、操作時(shí)間和機(jī)器人操作的成本需要根據(jù)操作任務(wù)進(jìn)行動態(tài)調(diào)整。根據(jù)操作的目標(biāo)進(jìn)行不同的調(diào)整，即使依靠先驗(yàn)知識，也不可能根據(jù)這些不確定性的變化得到快速合理的響應(yīng)。如何通過與動態(tài)環(huán)境的實(shí)時(shí)交互，使多機(jī)器人能夠及時(shí)對動態(tài)任務(wù)變化進(jìn)行自我調(diào)整，獲得合理的作業(yè)任務(wù)是農(nóng)業(yè)多機(jī)器人任務(wù)分配有待解決的關(guān)鍵問題。

7.4 動態(tài)可靠的農(nóng)業(yè)多機(jī)器人路徑規(guī)劃符合多場景需求

農(nóng)業(yè)多機(jī)器人作業(yè)路徑是為完成動態(tài)作業(yè)任務(wù)而設(shè)計(jì)的，機(jī)器人的行走規(guī)則通常是固定的。多機(jī)器人離線規(guī)劃的全局路徑只考慮了固定的行程規(guī)則，如點(diǎn)到點(diǎn)法、圖像法等，可以避開靜態(tài)障礙物，但無法推廣應(yīng)用于非結(jié)構(gòu)化農(nóng)業(yè)場景。特別是在農(nóng)業(yè)環(huán)境動態(tài)變化較快（如雨季后田間有雜草生長）且農(nóng)業(yè)信息不充分（如構(gòu)建的映射通常不包含動態(tài)障礙）的情況下，固定路徑規(guī)劃無法滿足復(fù)雜任務(wù)的需求（如雜草不在規(guī)劃路徑上）。因此，如何基于時(shí)間特征明顯的操作任務(wù)，對多個(gè)機(jī)器人進(jìn)行可靠的路徑規(guī)劃，是農(nóng)業(yè)多機(jī)器人路徑規(guī)劃需要解決的問題。

7.5 多機(jī)器人通信技術(shù)是農(nóng)業(yè)非結(jié)構(gòu)化環(huán)境作業(yè)的根本保證

可靠的通信是農(nóng)業(yè)多機(jī)器人協(xié)作的基礎(chǔ)，無論是多機(jī)器人定位、協(xié)同控制，還是遠(yuǎn)程監(jiān)督，通信都不可或缺。農(nóng)業(yè)環(huán)境缺乏通信基礎(chǔ)設(shè)施，直接使用的工業(yè)通信系統(tǒng)大多沒有考慮室外植物生長與通信信號的關(guān)系，其通信范圍和信號在農(nóng)業(yè)環(huán)境中會有不同程度的衰減。因此，構(gòu)建適應(yīng)農(nóng)業(yè)多機(jī)器人作業(yè)環(huán)境的通信系統(tǒng)是多機(jī)器人通信需要解決的問題。

參 考 文 獻(xiàn)

[ 1 ] 張子迎. 多機(jī)器人協(xié)作及環(huán)境建模技術(shù)研究[D]. 哈爾濱： 哈爾濱工程大學(xué)， 2009.

[ 2 ] Hao Y， Laxton B， Benson E R， et al. Differential flatness?based formation following of a simulated autonomous small grain harvesting system [J]. Transactions of the ASAE， 2004， 47（3）： 933-941.

[ 3 ] Emmi L， Gonzalez?de?Soto M， Pajares G， et al. New trends in robotics for agriculture： Integration and assessment of a real fleet of robots [J]. The Scientific World Journal， 2014（1）： 404059.

[ 4 ] 韓藝琳， 王麗麗， 楊洪勇， 等. 基于強(qiáng)化學(xué)習(xí)的多機(jī)器人系統(tǒng)的環(huán)圍編隊(duì)控制[J]. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)， 2023， 20（3）： 97-102.

[ 5 ] Barrientos A， Colorado J， Cerro J， et al. Aerial remote sensing in agriculture： A practical approach to area coverage and path planning for fleets of mini aerial robots [J]. Journal of Field Robotics， 2011， 28（5）： 667-689.

[ 6 ] 蔣朝陽， 蘭天然， 鄭曉妮， 等. 分布式多車協(xié)同視覺SLAM系統(tǒng)[J]. 汽車工程， 2022， 44（12）： 1809-1817， 1833.

[ 7 ] 王耀南， 江一鳴， 姜嬌， 等. 機(jī)器人感知與控制關(guān)鍵技術(shù)及其智能制造應(yīng)用[J]. 自動化學(xué)報(bào)， 2023， 49（3）： 494-513.

[ 8 ] Parker L E. Path planning and motion coordination in multiple mobile robot teams [J]. Encyclopedia of complexity and system science， 2009： 5783-5800.

[ 9 ] Du X， Tan K K. Vision?based approach towards lane line detection and vehicle localization [J]. Machine Vision and Applications， 2016， 27： 175-191.

[10] 胡釗政， 劉佳蕙， 黃剛， 等. 融合WiFi、激光雷達(dá)與地圖的機(jī)器人室內(nèi)定位[J]. 電子與信息學(xué)報(bào)， 2021， 43（8）： 2308-2316.

Hu Zhaozheng， Liu Jiahui， Huang Gang， et al. Integration of WiFi， laser， and map for robot indoor localization [J]. Journal of Electronics and Information Technology， 2021， 43（8）： 2308-2316.

[11] 董勝龍， 陳衛(wèi)東， 席裕庚. 多移動機(jī)器人編隊(duì)的分布式控制系統(tǒng)[J]. 機(jī)器人， 2000（6）： 433-438.

[12] 高繼勛， 黃全振， 趙媛媛. 基于領(lǐng)航跟隨的多機(jī)器人編隊(duì)控制方法[J]. 中國測試， 2021， 47（11）： 8-13.

[13] 張瑞雷， 李勝， 陳慶偉， 等. 復(fù)雜地形環(huán)境下多機(jī)器人編隊(duì)控制方法[J]. 控制理論與應(yīng)用， 2014， 31（4）： 531-537.

[14] 韓青， 張常亮. Leader?Followers多機(jī)器人編隊(duì)控制方法[J]. 機(jī)床與液壓， 2017， 45（9）： 1-4， 22.

[15] Matari? M J， Sukhatme G S， ?stergaard E H. Multi?robot task allocation in uncertain environments [J]. Autonomous Robots， 2003， 14： 255-263.

[16] Guerrero J， Mi?ana J J， Valero O， et al. Indistinguishability operators applied to task allocation problems in multi?agent systems [J]. Applied Sciences， 2017， 7（10）： 963.

[17] 昝杰. 多自主移動機(jī)器人協(xié)作的關(guān)鍵技術(shù)研究[D]. 西安： 長安大學(xué)， 2014.

[18] Moorehead S J， Wellington C K， Gilmore B J， et al. Automating orchards： A system of autonomous tractors for orchard maintenance [C]. Proceedings of the IEEE International Conference of Intelligent Robots and Systems Workshop on Agricultural Robotics， 2012.

[19] Kim J， Son H I. A voronoi diagram?based workspace partition for weak cooperation of multi?robot system in orchard [J]. IEEE Access， 2020， 8： 20676-20686.

[20] D'Urso G， Smith S L， Mettu R， et al. Multi?vehicle refill scheduling with queueing [J]. Computers and Electronics in Agriculture， 2018， 144： 44-57.

[21] 張子迎， 陳云飛， 王宇華， 等. 基于啟發(fā)式深度Q學(xué)習(xí)的多機(jī)器人任務(wù)分配算法[J]. 哈爾濱工程大學(xué)學(xué)報(bào)， 2022， 43（6）： 857-864.

Zhang Ziying， Chen Yunfei， Wang Yuhua， et al. Multi?robot task allocation algorithm b Multirobot task allocation algorithm based on heuristically accelerated deep Q network [J]. Journal of Harbin Engineering University， 2022， 43（6）： 857-864.

[22] Wan L， Lan X， Zhang H， et al. A review of deep reinforcement learning theory and application [J]. Pattern Recognition and Artificial Intelligence， 2019， 32（1）： 67-81.

[23] Blender T， Buchner T， Fernandez B， et al. Managing a mobile agricultural robot swarm for a seeding task [C]. Conference of the IEEE Industrial Electronics Society. IEEE， 2016： 6879-6886.

[24] Khamis A， Hussein A， Elmogy A. Multi?robot task allocation： A review of the state?of?the?art [J]. Cooperative Robots and Sensor Networks， 2015： 31-51.

[25] 李曉靜， 余東滿. 基于自適應(yīng)蟻群算法的農(nóng)用智能機(jī)器人路徑規(guī)劃[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（9）： 189-193.

Li Xiaojing， Yu Dongman. Path planning of agricultural intelligent robots based on an algorithm of self?adaptive ant colony [J]. Journal of Chinese Agricultural Mechanization， 2019， 40（9）： 189-193.

[26] Drenjanac D， Klausner L， Kühn E， et al. Semantic shared spaces for task allocation in a robotic fleet for precision agriculture [C]. 7th Metadata and Semantics Research Conference （MTSR）， 2013： 440-446.

[27] Sherali H D， Driscoll P J. Evolution and state?of?the?art in integer programming [J]. Journal of Computational amp; Applied Mathematics， 2000， 124（1-2）： 319-340.

[28] Guillet A， Lenain R， Thuilot B， et al. Formation control of agricultural mobile robots： A bidirectional weighted constraints approach [J]. Journal of Field Robotics， 2017， 34（7）： 1260-1274.

[29] 姚竟發(fā)， 劉靜， 滕桂法， 等. 機(jī)群協(xié)同作業(yè)路徑動態(tài)優(yōu)化[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（6）： 103-110.

Yao Jingfa， Liu Jing， Teng Guifa， et al. Dynamic optimization of cooperative operation path for agricultural fleet [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（6）： 103-110.

[30] 王志偉， 許江淳， 李玉惠， 等. 基于PSO-EACO的農(nóng)業(yè)機(jī)器人路徑規(guī)劃仿真研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2018， 39（10）： 103-106.

Wang Zhiwei， Xu Jiangchun， Li Yuhui， et al. Simulation research on agricultural robot path planning based on PSO-EACO [J]. Journal of Chinese Agricultural Mechanization， 2018， 39（10）： 103-106.

[31] 雷艷敏. 多機(jī)器人系統(tǒng)的動態(tài)路徑規(guī)劃方法研究[D]. 哈爾濱： 哈爾濱工程大學(xué)， 2011.

[32] 高明， 唐洪， 張鵬. 機(jī)器人集群路徑規(guī)劃技術(shù)研究現(xiàn)狀[J]. 國防科技大學(xué)學(xué)報(bào)， 2021， 43（1）： 127-138.

[33] 張丹露， 孫小勇， 傅順， 等. 智能倉庫中的多機(jī)器人協(xié)同路徑規(guī)劃方法[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2018， 24（2）： 410-418.

[34] Kolendo P， ?mierzchalski R， Jaworski B. Fitness function scaling in the evolutionary method of path planning [C]. 2011 IEEE International Symposium on Industrial Electronics， 2011： 1989-1994.

[35] Chiddarwar S S， Babu N R. Conflict free coordinated path planning for multiple robots using a dynamic path modification sequence [J]. Robotics amp; Autonomous Systems， 2011， 59（7-8）： 508-518.

[36] Gonzalez?De?Santos P， Ribeiro A， Fernandez?Quintanilla C， et al. Fleets of robots for environmentally?safe pest control in agriculture [J]. Precision Agriculture， 2017.

[37] Conesa?Mu?oz J， Gonzalez?de?Soto M， Gonzalez?de?Santos P， et al. Distributed multi?level supervision to effectively monitor the operations of a fleet of autonomous vehicles in agricultural tasks [J]. Sensors， 2015， 15（3）： 5402-5428.

[38] Conesa?Mu?oz J， Ribeiro A， Andujar D， et al. Multi?path planning based on a NSGA-II for a fleet of robots to work on agricultural tasks [C]. 2012 IEEE Congress on Evolutionary Computation， 2012： 1-8.

[39] Hasegawa J， Kurihara K， Nishiuchi N. Collision?free path planning method for mobile robot [C]. IEEE International Conference on Systems， Man and Cybernetics， 2002， 3： 6.

[40] 李文鑫， 張璠， 姚竟發(fā)， 等. 聯(lián)合收割機(jī)與運(yùn)糧車協(xié)同作業(yè)調(diào)度技術(shù)研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（2）： 119-125.

Li Wenxin， Zhang Fan， Yao Jingfa， et al. Research on the cooperative operation scheduling technology of combine harvester and grain truck [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（2）： 119-125.

[41] Noguchi N， Will J， Ishii K， et al. Development of master?slave robot system?obstacle avoidance algorithm [C]. Automation Technology for Off?Road Equipment Proceedings of the 2002 Conference， 2002： 432.

[42] 劉福琳， 李慶鑫. 多移動機(jī)器人混合避障算法的編隊(duì)策略[J]. 系統(tǒng)仿真學(xué)報(bào)， 2024， 36（3）： 726-734.

[43] 劉志杰， 劉恒， 毛文菊， 等. 面向多機(jī)器人的傳統(tǒng)蘋果園無線通信信號傳播特性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（8）： 283-293.

Liu Zhijie， Liu Heng， Mao Wenju， et al. Wireless signal propagation characteristics of traditional apple orchard for multi?robot [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（8）： 283-293.

[44] Arkin R C， Balch T， Nitz E. Communication of behavorial state in multi?agent retrieval tasks [C]. Proceedings IEEE International Conference on Robotics and Automation. IEEE， 1993： 588-594.

[45] Pitla S K， Luck J D， Shearer S A. Multi?robot system control architecture （MRSCA） for agricultural production [C]. 2010 Pittsburgh， Pennsylvania， 2010： 1.

[46] Ju C， Son H I. Modeling and control of heterogeneous agricultural field robots based on Ramadge?Wonham theory [J]. IEEE Robotics and Automation Letters， 2019， 5（1）： 48-55.

[47] Albani D， Ijsselmuiden J， Haken R， et al. Monitoring and map** with robot swarms for agricultural applications [C]. 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. IEEE， 2017： 1-6.

[48] Albani D， Nardi D， Trianni V. Field coverage and weed map** by UAV swarms [C]. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2017： 4319-4325.

[49] 周渝. 農(nóng)業(yè)多機(jī)器人系統(tǒng)無線通信技術(shù)研究[D]. 楊凌： 西北農(nóng)林科技大學(xué)， 2014.

[50] 朱海. 農(nóng)業(yè)多機(jī)器人無線通信平臺的研究與設(shè)計(jì)[D]. 楊凌： 西北農(nóng)林科技大學(xué)， 2015.