Multi-agent cooperative control for unmanned distributed-drive electric agricultural vehicle in paddy fields: tracking, stability, and energy-aware torque allocation
Wenxiang Xu · Xiaoyu Song · Liling Ye 等 8 人
提出多智能体协同控制框架，实现水田分布式驱动电动农机路径跟踪、稳定性与能耗统一优化。
CFD-DEM泥水轮土模型、MPC专家预训练、MATD3多智能体协同微调、HIL
相比MPC降低牵引电耗29.4%，比未预训练MATD3再降5.4%，提升转向与横摆稳定性。
可探索将物理先验与多智能体强化学习迁移至其他软土农田作业场景，并降低对高保真仿真模型的依赖。
提出物理先验与多智能体协同学习融合的分布式驱动电动农机控制框架，HIL实验验证能耗降低29.4%，方法新颖、数据扎实，对水田智能装备研发有实质参考价值。
随着智能农业与自主田间作业的快速发展，分布式驱动电动植保车辆（DDEPPV）在水稻田植保作业中得到日益广泛的应用。然而，在软土、低附着力和高扰动环境中，路径跟踪、驱动/偏航稳定性与能耗之间的紧密耦合，加之地面参数的不确定性，给传统控制带来了重大挑战。此外，从零开始的强化学习难以部署，因为早期探索可能引发偏航失稳和车轮陷坑。为克服这些局限，我们提出了一种车辆级分布式电驱动控制框架，将物理信息先验与多智能体协同学习相融合。通过CFD-DEM耦合建立了泥水多相轮-土相互作用模型，在本研究所考虑的参数设置和作业条件下识别出兼顾能耗与下陷风险的滑转率窗口，从而为后续控制器设计提供可解释的地面力学边界。在集中训练-分散执行范式下，将任务分解为路径跟踪、稳定性/牵引力调节和能耗最优四轮分配三个智能体，并采用模型预测控制（MPC）专家监督预训练，随后通过多智能体双延迟深度确定性策略梯度（MATD3）进行协同微调。实时硬件在环（HIL）实验验证了转向性能的改善以及偏航/牵引稳定性的增强，同时牵引系统电能消耗较MPC降低29.4%，较未经预训练的MATD3进一步降低5.4%，展示了水稻田中精度-稳定性-能效的统一优化。