Prescription-Map-Guided Bi-Level Multi-Objective Path Planning for UAV–UGV Collaborative Spraying and Fertilization in Smart Agriculture
Shiyang Li · Jisong Lv · Yuchen Lu 等 4 人
提出处方图引导的无人机-无人车协同变量喷洒施肥双层多目标路径规划方法，实现高效协同作业。
双层框架：上层TNSAOO求解任务序列与补给点，下层自适应Theta*和Hybr
协同规划较独立作业减少9.32%时间、7.21%能耗，覆盖率约99%，处方符合率高，冲突少。
可探索实际田间验证、动态处方图更新、多机协同鲁棒性，以及将方法扩展至其他农业任务。
提出处方图引导的无人机-无人车协同变量喷施与施肥双层规划框架，仿真验证效果显著，对智慧农业装备协同作业有参考价值。
变量率农药喷洒与施肥作业要求异构农业机械协同运行，尤其是在不规则农田中，任务需求、车辆机动性、载重能力、能耗及补给需求均存在空间差异。然而，现有研究大多分别优化空中喷洒或地面施肥，未联合考虑处方图需求、空地同步、农药飘移风险及农业车辆约束。本研究将无人机喷洒与无人车施肥的协同作业建模为多目标混合整数非线性规划问题，包含三个优化目标：最小化系统总完工时间、加权能耗及农药飘移惩罚。提出一种处方图引导的双层规划框架。在上层，问题专用求解器TNSAOO确定无人机与无人车的任务序列及协同补给点激活方案；在下层，自适应Theta*算法与行约束Hybrid A*算法分别生成无人机喷洒与无人车施肥轨迹，同时沿有效作业段分配依赖处方图的施药指令，并通过时间窗机制检测和修正残余空地冲突。该框架基于30个真实农田边界和90个随机处方场景进行评估。无人机喷洒与无人车施肥的平均几何覆盖率分别达到98.82%和98.95%，平均处方符合性误差分别为6.21%和2.13%。此外，96.7%的批次运行中检测到的空地冲突不超过一次，平均修正等待时间为1.07秒。与传统独立作业相比，协同规划使平均系统完工时间降低9.32%，加权能耗降低7.21%，模型化飘移惩罚降低3.62%，总路径长度降低5.79%。在多目标对比中，TNSAOO获得的平均超体积（hypervolume）为0.597，平均反转世代距离（inverted generational distance）为0.375，相较于既有对比算法（尤其是NSGA-II）展现出具有竞争力的Pareto搜索性能。额外的地形与飘移敏感性分析表明，在受控参数扰动下，能耗、完工时间及模型化飘移风险均产生系统性变化。上述研究结果验证了在共享处方图下对异构变量率喷洒与施肥进行联合规划的仿真可行性。