基于混合蟻群算法的無(wú)人化農(nóng)機(jī)路徑尋優(yōu)研究

摘要：針對(duì)智慧農(nóng)業(yè)中復(fù)雜環(huán)境下無(wú)人化農(nóng)機(jī)路徑規(guī)劃尋優(yōu)過程中存在的迭代速度慢、路徑安全性較低等問題，融合人工勢(shì)場(chǎng)、量子行為以及基于B樣條的平滑策略提出了混合蟻群算法。該方法在迭代初期引入人工勢(shì)場(chǎng)法，以解決迭代速度慢問題以及實(shí)現(xiàn)全局最優(yōu)平衡；在路徑尋優(yōu)的中期加入量子行為優(yōu)化信息密度閾值，改進(jìn)算法狀態(tài)選擇概率，避免算法陷入局部最優(yōu)，以提高獲取優(yōu)質(zhì)解的能力；在迭代后期融合基于B樣條的平滑策略，優(yōu)化最優(yōu)路徑，提高無(wú)人化農(nóng)機(jī)避障能力。仿真試驗(yàn)結(jié)果表明，基于混合蟻群算法的無(wú)人化農(nóng)機(jī)在復(fù)雜環(huán)境作業(yè)時(shí)，路徑尋優(yōu)能力得到有效提升，路徑優(yōu)化響應(yīng)速度提升了73倍，路徑優(yōu)化后距離縮短超過11.8%。

關(guān)鍵詞：智慧農(nóng)業(yè)；無(wú)人化農(nóng)機(jī)；路徑尋優(yōu)；混合蟻群算法；避障；人工勢(shì)場(chǎng)

中圖分類號(hào)：TP249；S252" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）08-0247-05

DOI：10.14088/j.cnki.issn0439-8114.2024.08.041 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Research on path optimization of unmanned agricultural machinery based on hybrid ant colony algorithm

YANG Hu-jia1，2，ZHANG Ya-jun1， WANG Peng-jie1， WANG Dong2，3， WANG Ya-ping1

（1. Xi’an Aerospace Automation Co.， Ltd.， Xi’an" 710065， China； 2.Shaanxi Union Research Center of University and" Enterprise for Smart Agriculture Data Processing and Service， Xi’an" 710065，China； 3. College of Mechanical and Electronic Engineering， Northwest A amp; F University， Yangling" 712100， Shaanxi， China）

Abstract： In addressing the challenges of slow iteration speed and low path safety in the optimization process of unmanned agricultural machinery path planning under complex environments in smart agriculture， a hybrid ant colony algorithm was proposed， integrating artificial potential fields， quantum behavior and a B-spline-based smoothing strategy. This method introduced artificial potential fields in the early iterations to address the issues of slow iteration speed and balance global optimality. In the mid-term of path optimization， quantum behavior was incorporated to enhance the algorithm’s capability to obtain high-quality solutions by adjusting the information density threshold， improving algorithm state selection probabilities， and avoiding local optima. In the later stages of iteration， the B-spline-based smoothing strategy was integrated to optimize the optimal path and enhance the obstacle avoidance capability of unmanned agricultural machinery. Simulation experiment results demonstrated that the unmanned agricultural machinery based on the hybrid ant colony algorithm showed significantly improved path optimization ability in complex environments. The response speed of path optimization was increased by 73 times， and the distance was reduced by over 11.8% after path optimization.

Key words： smart agriculture； unmanned agricultural machinery； path optimization； hybrid ant colony algorithm； obstacle avoidance； artificial potential fields

隨著科技的不斷進(jìn)步，智慧農(nóng)業(yè)已經(jīng)成為了農(nóng)業(yè)發(fā)展的新趨勢(shì)。其中，無(wú)人化農(nóng)機(jī)作為智慧農(nóng)業(yè)的重要組成部分，應(yīng)用現(xiàn)狀日益受到關(guān)注。這種新型農(nóng)機(jī)不僅可以提高農(nóng)業(yè)生產(chǎn)效率、降低勞動(dòng)強(qiáng)度，還可以減少農(nóng)業(yè)生產(chǎn)過程中的人為誤差，提高農(nóng)產(chǎn)品的質(zhì)量和產(chǎn)量［1］。

無(wú)人化農(nóng)機(jī)在中國(guó)的應(yīng)用已經(jīng)取得了一定的成果，如無(wú)人駕駛拖拉機(jī)、無(wú)人駕駛插秧機(jī)、無(wú)人駕駛收割機(jī)等已經(jīng)在一些地區(qū)進(jìn)行了試驗(yàn)和應(yīng)用。這些無(wú)人化農(nóng)機(jī)在實(shí)際應(yīng)用中表現(xiàn)出了良好的性能，提高了農(nóng)業(yè)生產(chǎn)的效率和質(zhì)量。其中，路徑規(guī)劃是無(wú)人化農(nóng)機(jī)路徑尋優(yōu)的核心問題［2，3］。研究人員提出了多種基于人工智能和機(jī)器學(xué)習(xí)的路徑規(guī)劃方法，如遺傳算法、蟻群算法、粒子群算法等［4-6］。這些方法能夠根據(jù)農(nóng)機(jī)的作業(yè)需求和環(huán)境信息自動(dòng)規(guī)劃出最優(yōu)的作業(yè)路徑，提高了農(nóng)機(jī)的作業(yè)效率。其中，蟻群算法（ACO）是一種依靠信息素的概率型尋優(yōu)算法，具有分布式計(jì)算、魯棒性較強(qiáng)和與其他算法易于結(jié)合的優(yōu)點(diǎn)，但存在在復(fù)雜環(huán)境中無(wú)法獲得最優(yōu)路徑、初期迭代速度慢、易陷入局部最優(yōu)、路徑不平滑等問題。針對(duì)蟻群算法現(xiàn)有缺點(diǎn)，不同學(xué)者提出諸多方向的優(yōu)化策略，主要包括依據(jù)混沌學(xué)原理建立機(jī)器人移動(dòng)模型，使得蟻群在搜索路徑時(shí)考慮模型約束，降低機(jī)器人搜索的隨機(jī)性，從而提高算法的搜索能力［7-9］；建立當(dāng)前點(diǎn)與目標(biāo)點(diǎn)改進(jìn)距離啟發(fā)函數(shù)，增加算法尋優(yōu)方向性，解決算法規(guī)劃路徑時(shí)的死角問題［10-12］；利用B樣條算法對(duì)規(guī)劃后機(jī)器人運(yùn)動(dòng)路徑進(jìn)行平滑操作，使得平滑后的路徑拐點(diǎn)更少［13］；改進(jìn)人工勢(shì)場(chǎng)算法中目標(biāo)點(diǎn)不可達(dá)、局部極小值等缺陷，在倉(cāng)庫(kù)環(huán)境中實(shí)現(xiàn)快速規(guī)劃路徑；利用蟻群算法實(shí)現(xiàn)機(jī)器人路徑規(guī)劃，并在信息素更新機(jī)制中融入安全性、距離性等多目標(biāo)約束，使規(guī)劃路徑能實(shí)現(xiàn)全局最優(yōu)［14］。

綜上，本研究重點(diǎn)針對(duì)無(wú)人化農(nóng)機(jī)在路徑尋優(yōu)過程中存在的局部最優(yōu)、路徑安全性差、路徑拐點(diǎn)多等問題，結(jié)合B樣條曲線、人工勢(shì)場(chǎng)算法等改進(jìn)蟻群算法，形成一種混合蟻群算法，該算法可實(shí)現(xiàn)在路徑尋優(yōu)初期優(yōu)化迭代速度，在路徑尋優(yōu)后期降低拐點(diǎn)數(shù)、平滑路徑、優(yōu)化全局尋優(yōu)機(jī)制，使得最終路徑規(guī)劃最優(yōu)，并有更優(yōu)的避障能力；最終在農(nóng)業(yè)物流場(chǎng)景中的無(wú)人化農(nóng)機(jī)路徑尋優(yōu)中進(jìn)行仿真測(cè)試驗(yàn)證。

1 環(huán)境模型建立

針對(duì)無(wú)人化農(nóng)機(jī)工作環(huán)境的復(fù)雜多變性，采用柵格地圖建模方式構(gòu)建工作環(huán)境模型。構(gòu)建模型中，黑色方塊區(qū)域?yàn)檎系K物區(qū)域，白色柵格區(qū)為自由通道區(qū)，若障礙物未占滿一個(gè)柵格則采用障礙物生長(zhǎng)模型使其占滿一個(gè)柵格。構(gòu)建柵格大小的基本原則為一個(gè)柵格大小可使得無(wú)人化農(nóng)機(jī)自由通過。構(gòu)建的全局二維柵格地圖為障礙物已知的環(huán)境地圖，在每個(gè)白色柵格區(qū)域內(nèi)，無(wú)人化農(nóng)機(jī)皆可自由地朝8個(gè)方向移動(dòng)。

2 混合蟻群算法

為了解決基于基本蟻群算法的無(wú)人化農(nóng)機(jī)在路徑規(guī)劃過程中存在的初始路徑搜索方向隨機(jī)性大的問題，在蟻群算法啟動(dòng)階段融入基于人工勢(shì)場(chǎng)的改進(jìn)啟發(fā)因子，以提高啟動(dòng)階段搜索方向的準(zhǔn)確性；同時(shí)，為進(jìn)一步提高無(wú)人化農(nóng)機(jī)路徑尋優(yōu)的響應(yīng)時(shí)間、降低路徑拐點(diǎn)數(shù)，在融合人工勢(shì)場(chǎng)的蟻群算法執(zhí)行中，進(jìn)一步改進(jìn)偽隨機(jī)數(shù)概率以及信息素閾值的更新；最后，在算法求解得到最優(yōu)路徑后，采用三次B樣條曲線公式對(duì)最優(yōu)路徑再做平滑處理，進(jìn)而提升無(wú)人化農(nóng)機(jī)路徑規(guī)劃的平滑可達(dá)性。

2.1 融合人工勢(shì)場(chǎng)的混合蟻群算法

在無(wú)人化農(nóng)機(jī)路徑規(guī)劃的初始階段融合人工勢(shì)場(chǎng)引力Fatt與斥力Frep形成合力函數(shù)Ftol，改進(jìn)蟻群算法的啟動(dòng)啟發(fā)因子，提高無(wú)人化農(nóng)機(jī)啟發(fā)信息的引導(dǎo)性，使得無(wú)人化農(nóng)機(jī)啟動(dòng)路徑規(guī)劃時(shí)具有良好的路徑搜索性。融合人工勢(shì)場(chǎng)的蟻群?jiǎn)l(fā)函數(shù)（[?s]）計(jì)算式如下。

[?s=aFtol×cosθ]" " " " （1）

式中，[a]為大于1的常數(shù)，[θ]為無(wú)人化農(nóng)機(jī)可前進(jìn)路徑與合力Ftol間的夾角。

為了進(jìn)一步提升人工勢(shì)場(chǎng)在蟻群算法啟動(dòng)階段的作用優(yōu)勢(shì)，在蟻群算法啟發(fā)函數(shù)中引入人工勢(shì)場(chǎng)影響系數(shù)[λ]控制人工勢(shì)場(chǎng)的影響范圍。改進(jìn)后的啟發(fā)函數(shù)[[nijt]]計(jì)算式如下。

[nijt=aFtolcosθd2i，j×Nmax-λ×NcurNmax，λ×Ncur≤NmaxaFtolcosθd2i，j，λ×Ncurgt;Nmax] （2）

式中，Ncur為當(dāng)前迭代次數(shù)；Nmax為最大迭代次數(shù)；d2（ij）為當(dāng)前節(jié)點(diǎn)i到目標(biāo)節(jié)點(diǎn)j的歐氏距離的平方值。當(dāng)λ×Ncur≤Nmax時(shí)，定義為算法迭代初期，此時(shí)加入啟發(fā)信息影響因子[ηs]，其影響作用隨著迭代次數(shù)的增加而減??；當(dāng)λ×Ncurgt;Nmax時(shí)，取消[ηs]對(duì)啟發(fā)信息的影響。[ηs]的計(jì)算式如下。

[ηs=Nmax-λ×NcurNmax]" " " （3）

2.2 偽隨機(jī)選擇概率的改進(jìn)

為了進(jìn)一步改進(jìn)蟻群算法中輪盤賭策略帶來(lái)的偏向搜索導(dǎo)致的路徑尋優(yōu)時(shí)間復(fù)雜度增加、尋優(yōu)難度增大等問題，在其概率選擇中引入了隨機(jī)數(shù)q與固定參數(shù)q0。當(dāng)q≤q0時(shí)，將啟發(fā)式信息和信息素濃度乘積作為評(píng)價(jià)值，并選擇使其數(shù)值最大的路徑；當(dāng)qgt;q0時(shí)，選擇輪盤賭策略選擇概率。改進(jìn)后的概率公式可有效降低無(wú)人化農(nóng)機(jī)探索新路徑產(chǎn)生的時(shí)間消耗，并避免其陷入局部最優(yōu)值。改進(jìn)后的概率（[Pkij]）公式如下。

[Pkij=argmaxτijtα×ηjEtβ，q≤q0τijtα×ηijtβs∈allowedkτistα×ηistβ，s∈allowedk0，s?allowedk，qgt;q0]（4）

式中，q的取值范圍為[[0，1]]；q0的取值范圍為[（0，1）]；ηjE（t）表示t時(shí)刻螞蟻從j節(jié)點(diǎn)轉(zhuǎn)移到E節(jié)點(diǎn)的啟發(fā)信息，其中E指代偏向搜索時(shí)螞蟻可抵達(dá)的下一節(jié)點(diǎn)；ηij（t）表示t時(shí)刻螞蟻從i節(jié)點(diǎn)轉(zhuǎn)移到j(luò)節(jié)點(diǎn)的啟發(fā)信息；ηis（t）表示t時(shí)刻螞蟻從i節(jié)點(diǎn)轉(zhuǎn)移至s節(jié)點(diǎn)的啟發(fā)信息；τij（t）表示t 時(shí)刻螞蟻從i節(jié)點(diǎn)轉(zhuǎn)移到j(luò)節(jié)點(diǎn)的信息素濃度；τis表示t時(shí)刻螞蟻從i節(jié)點(diǎn)轉(zhuǎn)移到s節(jié)點(diǎn)的信息素濃度；s表示在下一時(shí)刻可選擇的路徑點(diǎn)allowedk=｛0，1，2，3，…，m-1｝上的具體取值點(diǎn)。

2.3 信息素更新的改進(jìn)

為了解決融合傳統(tǒng)蟻群算法的無(wú)人化農(nóng)機(jī)路徑規(guī)劃可能存在的過早收斂或者進(jìn)入局部最優(yōu)而停止計(jì)算的問題，融合量子行為原理，引入疊加態(tài)與歸一化對(duì)路徑的信息素含量進(jìn)行閾值控制，當(dāng)信息素濃度（[τ]）小于或等于[τmin]時(shí)，將信息素濃度近似為最小閾值[τmin]，增大搜索到最優(yōu)路徑的概率；當(dāng)信息素濃度大于或等于[τmax]時(shí)，將信息素濃度近似為最大閾值[τmax]，以避免路徑搜索過早陷入局部最優(yōu)。改進(jìn)后的信息素濃度約束范圍如下。

[τ=τmin，τ≤τminτ，τminlt;τlt;τmaxτmax，τ≥τmax]" " " " " "（5）

為了進(jìn)一步降低融合傳統(tǒng)蟻群算法的無(wú)人化農(nóng)機(jī)在路徑尋優(yōu)過程中可能存在的路徑安全性差、穩(wěn)定性差等問題，在信息素更新規(guī)則公式中加入路徑長(zhǎng)度（ω1）、路徑安全性（ω2）和路徑平滑性（ω3）等目標(biāo)約束，從而可得到滿足無(wú)人化農(nóng)機(jī)多約束目標(biāo)的最優(yōu)路徑，具體改進(jìn)如下。

[Δτkij（t）=Q/ω，（i，j）∈visitedk0，其他] （6）

其中，[ω=ω1PL+ω2PS+ω3PM] （7）

[PL=i=1n-1d（qi，qi+1）] （8）

[PS=i=1n-1Si，i+1] （9）

[PM=i=1n-2θ（qi+1，qi+1）-θ（qi，qi+1）] （10）

式中，Q為經(jīng)驗(yàn)常數(shù)，表示信息素強(qiáng)度；ω為路徑總長(zhǎng)度；visitedk為路徑尋優(yōu)坐標(biāo)點(diǎn)的集合；[Δτkij（t）]為信息素更新規(guī)則計(jì)算值；[PL]為路徑長(zhǎng)度約束函數(shù)；d（qi，qi+1）為路徑點(diǎn)qi與qi+1間的幾何距離；[PS]為路徑安全性約束函數(shù)；[Si，i+1]為當(dāng)前節(jié)點(diǎn)與下一節(jié)點(diǎn)的路徑安全度，由式（9）求解，并通過求和方式得到整條路徑的安全性數(shù)值；PM為融合三次B樣條曲線的路徑平滑度約束函數(shù)，根據(jù)PM的計(jì)算式可知，規(guī)劃后的無(wú)人化農(nóng)機(jī)路徑共有n個(gè)路徑點(diǎn)，即根據(jù)[qi（xi，yi）]、[qi+1（xi+1，yi+1）]、[qi+2（xi+2，yi+2）]路徑點(diǎn)坐標(biāo)，利用反三角函數(shù)求取路徑點(diǎn)之間的角度，如式（11）、式（12）所示；θ（qi，qi+1）為相鄰路徑點(diǎn)qi、qi+1間的夾角。

[Si，i+1=1， Si，i+1gt;SDA（i，i+1）0.5， SDA（i，i+1）/2≤Si，i+1≤SDA（i，i+1）0.1，" Si，i+1lt;SDA（i，i+1）/2] （11）

[θ（qi，qi+1）=tan-1yi+1-yixi+1-xi，xi+1≠xiπ2，xi+1=x] （12）

式中，[SDA（i，i+1）]為在路徑點(diǎn)[i]和[i+1]間的無(wú)人化農(nóng)機(jī)安全距離；[Si，i+1]為某路徑的安全度；xi、yi、xi+1、yi+1表示具體的坐標(biāo)點(diǎn)數(shù)值。

2.4 算法實(shí)現(xiàn)

混合蟻群算法（HACO）實(shí)施步驟主要包括環(huán)境建模、算法參數(shù)初始化、信息素更新和路徑平滑?；诨旌舷伻旱臒o(wú)人化農(nóng)機(jī)路徑規(guī)劃算法具體實(shí)施步驟：步驟1，建立無(wú)人化農(nóng)機(jī)的環(huán)境模型，確定其起始點(diǎn)、目的地和障礙物位置；步驟2，初始化混合蟻群算法中的參數(shù)設(shè)置，包括螞蟻數(shù)量（m）、最大迭代次數(shù)（Nmax）、信息素?fù)]發(fā)系數(shù)（ρ）、信息素強(qiáng)度（Q）、引力勢(shì)場(chǎng)系數(shù)（Katt）、斥力勢(shì)場(chǎng)系數(shù)（Krep）和人工勢(shì)場(chǎng)影響系數(shù)（λ）；步驟3，結(jié)合式（5）計(jì)算各路徑點(diǎn)信息素濃度；步驟4，判斷λ×Ncur≤Nmax是否為真，若為真則進(jìn)入步驟5；步驟5，結(jié)合式（4）計(jì)算當(dāng)前位置的轉(zhuǎn)移概率并確定下一步的移動(dòng)位置j，融合量子行為更新信息濃度；步驟6， 確定位置更新禁忌表后，判斷螞蟻是否到達(dá)目的地位置，若抵達(dá)目的地則記錄路徑長(zhǎng)度和路徑信息；步驟7，迭代次數(shù)加1，判斷Ncur是否等于Nmax，若相等則得到當(dāng)前最優(yōu)路徑；步驟8，針對(duì)計(jì)算所得最優(yōu)路徑進(jìn)行三次B樣條曲線平滑處理，給出平滑后的最終路徑規(guī)劃圖。根據(jù)上述步驟描述，繪制無(wú)人化農(nóng)機(jī)路徑尋優(yōu)流程，如圖 1所示。

3 仿真試驗(yàn)及結(jié)果分析

為了驗(yàn)證混合蟻群算法在無(wú)人化農(nóng)機(jī)路徑尋優(yōu)中的有效性，將典型設(shè)施農(nóng)業(yè)大棚內(nèi)農(nóng)產(chǎn)品無(wú)人化收獲輸運(yùn)場(chǎng)景下的無(wú)人化農(nóng)機(jī)路徑規(guī)劃問題進(jìn)行仿真試驗(yàn)驗(yàn)證。根據(jù)設(shè)施農(nóng)業(yè)大棚內(nèi)農(nóng)產(chǎn)品收獲輸運(yùn)場(chǎng)景的復(fù)雜性，將其簡(jiǎn)化為50×50的復(fù)雜柵格環(huán)境模態(tài)。仿真計(jì)算的設(shè)施農(nóng)業(yè)大棚實(shí)際作業(yè)環(huán)境如圖2所示。

為進(jìn)一步驗(yàn)證本研究所提出的混合蟻群算法（HACO）的可行性與高效性，在相同初始化環(huán)境狀態(tài)下同步仿真測(cè)試了傳統(tǒng)蟻群算法（ACO）、基于路徑長(zhǎng)度和路徑平滑約束的改進(jìn)蟻群算法（IACO）、基于初始信息素分布不均的改進(jìn)算法（BACO）。仿真計(jì)算的初始化參數(shù)如表1所示。

復(fù)雜環(huán)境下求解最優(yōu)路徑如圖3所示，各性能指標(biāo)分析結(jié)果如表 2所示。由表2可知，混合蟻群算法在無(wú)人化農(nóng)機(jī)路徑尋優(yōu)時(shí)表現(xiàn)出更好的性能，包括更少的拐點(diǎn)數(shù)、更高的響應(yīng)速度、更平滑的規(guī)劃路徑以及更短的路徑距離。與其他3種蟻群算法相比，HACO算法路徑最優(yōu)值至少縮短11.8%；相較于BACO算法，HACO算法迭代效率提升了約57%；而在響應(yīng)時(shí)間方面，與ACO算法相比，HACO算法的響應(yīng)速度提升了73倍；另外，在不安全路徑點(diǎn)上分析可知，HACO算法不存在不安全路徑，而其他算法都存在一定的不安全路徑點(diǎn)。

綜上，HACO算法在典型設(shè)施農(nóng)業(yè)大棚無(wú)人化收獲輸運(yùn)場(chǎng)景中的無(wú)人化農(nóng)機(jī)路徑尋優(yōu)中表現(xiàn)出了良好的有效性、穩(wěn)定性以及可靠性。HACO算法在顯著提升無(wú)人化農(nóng)機(jī)路徑尋優(yōu)能力的同時(shí)，將更有利于進(jìn)一步提升無(wú)人化農(nóng)機(jī)在智慧農(nóng)業(yè)場(chǎng)景中的應(yīng)用推廣。

4 小結(jié)

為了有效解決智慧農(nóng)業(yè)中無(wú)人化農(nóng)機(jī)路徑規(guī)劃尋優(yōu)難度大、路徑安全性差、時(shí)效性差等問題，本研究針對(duì)傳統(tǒng)蟻群算法進(jìn)行了優(yōu)化改進(jìn)，形成了一種混合蟻群算法，即在蟻群算法啟動(dòng)期融合人工勢(shì)場(chǎng)解決盲目迭代、局部（非全局）最優(yōu)問題，并進(jìn)一步改進(jìn)了狀態(tài)轉(zhuǎn)移概率、融合量子行為改進(jìn)了信息素更新閾值，同時(shí)融合三次B樣條曲線對(duì)最優(yōu)路徑進(jìn)行了平滑優(yōu)化處理。仿真試驗(yàn)結(jié)果表明，在相同試驗(yàn)環(huán)境下，HACO算法響應(yīng)速度相對(duì)傳統(tǒng)蟻群算法提高73倍，路徑距離縮短11.8%，且不存在不安全路徑點(diǎn)，證明該算法簡(jiǎn)潔高效且安全可靠；在典型設(shè)施農(nóng)業(yè)大棚無(wú)人化收獲輸運(yùn)場(chǎng)景中的無(wú)人化農(nóng)機(jī)路徑尋優(yōu)應(yīng)用驗(yàn)證了該算法可實(shí)現(xiàn)快速路徑規(guī)劃與高效避障。

參考文獻(xiàn)：

［1］ 尹彥鑫，孟志軍，趙春江，等.大田無(wú)人農(nóng)場(chǎng)關(guān)鍵技術(shù)研究現(xiàn)狀與展望［J］.智慧農(nóng)業(yè)（中英文），2022，4（4）：1-25.

［2］ 金 娟. 無(wú)人農(nóng)場(chǎng)實(shí)現(xiàn)無(wú)人化還需攻克多項(xiàng)難關(guān)［N］.中國(guó)農(nóng)機(jī)化導(dǎo)報(bào)，2022-08-15（008）.

［3］ 如克亞木·木沙江.無(wú)人農(nóng)用機(jī)械的應(yīng)用前景和發(fā)展趨勢(shì)分析［J］.南方農(nóng)機(jī)，2021，52（2）：25-26.

［4］ JUNG I G， PARK W P， KIM S C， et al. Utilization of laser range measurements for guiding unmanned agricultural machinery［J］. Agricultural and biosystems engineering，2001，2（2）：69-74.

［5］ 王 娜，石 晨.智能草坪修剪機(jī)器人路徑規(guī)劃研究——基于模糊改進(jìn)人工勢(shì)場(chǎng)算法［J］.農(nóng)機(jī)化研究，2023，45（12）：40-44.

［6］ 邵 琪，時(shí)維國(guó).基于改進(jìn)蟻群算法的機(jī)器人路徑規(guī)劃研究［J］.現(xiàn)代制造工程，2023（6）：46-51.

［7］ 唐 林.自動(dòng)采摘目標(biāo)圖像快速識(shí)別算法研究——基于K-means聚類算法［J］.農(nóng)機(jī)化研究，2023，45（5）：32-36.

［8］ 王海琛，吳華瑞，朱華吉，等.基于改進(jìn)蟻群算法的蔬菜大田無(wú)人農(nóng)機(jī)路徑優(yōu)化［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（4）：187-194.

［9］ 張 航.基于改進(jìn)蟻群算法的路徑規(guī)劃問題研究［D］.銀川：北方民族大學(xué)，2023.

［10］ 景 麗. 基于勢(shì)場(chǎng)蟻群算法的智能車路徑規(guī)劃研究［D］.蘭州：蘭州交通大學(xué)，2023.

［11］ 劉子厚. 基于改進(jìn)蟻群算法的機(jī)器人路徑規(guī)劃研究［D］.安徽淮南：安徽理工大學(xué)，2023.

［12］ DENTLER J， ROSALIE M， DANOY G， et al. Collision avoidance effects on the mobility of a UAV swarm using chaotic ant colony with model predictive control［J］. Journal of intelligent amp; robotic systems， 2019， 93： 227-243.

［13］ 李二超，齊款款.B樣條曲線融合蟻群算法的機(jī)器人路徑規(guī)劃［J］.計(jì)算機(jī)應(yīng)用，2021，41（12）：3558-3564.

［14］ WANG W， ZHAO J， LI Z， et al. Smooth path planning of mobile robot based on improved ant colony algorithm［J］. Journal of robotics， 2021， 20： 1-10.

基金項(xiàng)目：陜西省科技廳重點(diǎn)產(chǎn)業(yè)鏈提升計(jì)劃項(xiàng)目（2020zdzx03-04-02）

作者簡(jiǎn)介：楊會(huì)甲（1984-），男，河南濮陽(yáng)人，高級(jí)工程師，博士，主要從事智慧農(nóng)業(yè)與智能制造研究，（電話）15910665263（電子信箱）huijia00123@126.com；共同第一作者，張亞軍（1983-），男，陜西西安人，高級(jí)工程師，碩士，主要從事農(nóng)業(yè)信息化研究，（電話）15829640185（電子信箱）250232703@qq.com。