基于模型系统工程（MBSE）的农业自主性度量框架：优化农场运营效率的新途径

《Smart Agricultural Technology》：Model-Based Systems Engineering Framework for Maximizing Farm Operational Efficiency with Agricultural Autonomy Metrics

本文针对农业领域缺乏统一自主性评估标准的问题，提出了一种基于模型系统工程（MBSE）的框架，将自主性等级（LoA）概念转化为可操作的农业专用度量指标。研究人员通过SysML建模和仿真，对比分析了从手动到全自主四种收割作业配置。结果表明，优化自主（O.A）配置能显著提升效率，相较于最佳手动基线，能耗降低约10%，时间消耗减少约13%。该研究为农业领域的战略性自主化规划提供了可转移的模板，并对路径规划、感知等子系统的优化具有指导意义。

　　

随着全球人口持续增长而可耕地面积不断缩减，现代农业面临着“以更少资源产出更多”的巨大压力。精准农业，特别是自主机械的部署，被视为提高资源利用效率的一条充满希望的路径。然而，与汽车或航空航天领域拥有明确编码的自主性等级（Levels of Autonomy, LoA）不同，农业领域的研究往往零散且局限于特定工具，导致自主收割机、灌溉控制器等设备的采用显得随意而无序。由于缺乏一个能将LoA概念转化为农业领域可操作指标的特定框架，农民们缺乏客观依据来决定在何时、何地实施自动化，也无法明确手动与自主操作的何种组合能最大化整个农场的效率。这暴露了通用LoA尺度对于田间农业典型的多变、非结构化条件的适用性不足。

为了填补这一空白，一项发表在《Smart Agricultural Technology》上的研究引入了一个创新的解决方案。这项研究由Diptanshu Mann和Juho K?nn?完成，他们提出了一种基于模型系统工程（Model-Based Systems Engineering, MBSE）的框架。该框架采用系统之系统（System of Systems）方法，将自主性度量指标映射到具体的农业任务上。研究人员使用系统建模语言（Systems Modeling Language, SysML）对两个商业化农场的收割工作流进行了建模，模拟了从手动到自主的四种配置，并评估了任务复杂度（Task Complexity, TC）、环境难度（Environmental Difficulty, ED）和人机交互（Human-Machine Interaction, HMI）等指标。

为了开展这项研究，研究人员主要运用了几个关键技术方法。首先，他们采用了模型系统工程（MBSE）原则，构建了一个涵盖数据采集、收割、运输和干燥等子系统的农场系统模型。其次，他们利用系统建模语言（SysML）创建了系统的块定义图（Block Definition Diagram, BDD）和参数图（Parametric Diagram），以形式化地描述系统组件及其相互关系。第三，研究团队集成了MATLAB进行动态仿真，形成了一个模型之模型（Model-of-Models, MoM）框架，用于模拟不同自主性等级下的操作场景。此外，研究还结合了来自芬兰西南部两个商业化农场的真实运营数据（用于建立手动操作基线）和基于NDVI（归一化植被指数）的模拟数据（用于优化和自主场景）。最后，他们定义并计算了一套农业专用的自主性度量指标（TC, ED, HMI），为量化评估提供了基础。

4. 结果

4.1. 跨配置的田间性能指标

仿真和实地数据对比分析表明，优化和自主化能显著提升效率。在较大的Field 1（25公顷，大麦），优化手动（O.M）操作使收割时间从19.5小时减少到15.6小时（约20%），干燥能耗从9971.2 kWh降至9121.8 kWh（约8%）。标准自主（S.A）操作进一步将收割时间缩短至14.8小时。而在优化自主（O.A）配置下，取得了最佳的综合性能，完成了收割任务，并实现了最低的能耗。

4.2. 关键绩效指标（KPI）

在关键绩效指标方面，优化自主（O.A）场景表现最优。在Field 1，相较于标准手动（S.M）场景，O.A场景的总运营时间从82.7小时降至70.4小时，所需人工小时从102.5小时大幅减少至44.3小时，运营成本从5629.1欧元降至3403.6欧元。Field 2（6.5公顷，燕麦）也呈现出类似趋势，O.A场景的人工小时和成本均有显著下降。这表明自主化，尤其是经过优化的自主化，能有效降低对劳动力的依赖和总体运营成本。

4.3. 自主性度量分数

研究还计算了三个自主性核心度量指标。任务复杂度（TC）在所有场景中恒定（3.3），因为它由任务本身决定。环境难度（ED）因田地而异（Field 1为2，Field 2为1）。最能反映自主化水平的是人机交互（HMI）指标。在Field 1，HMI从标准手动（S.M）的1.27降至优化自主（O.A）的0.64；在Field 2，从1.00降至0.45。这清晰地表明，随着自主化程度的提高，需要人类介入的强度显著降低。

5. 讨论

5.1. 性能总结与关键要点

自主性度量指标的变化与运营KPI的增益相互印证。TC-ED-HMI这三元组为比较不同农业任务的自主性需求和效益提供了统一的尺度。优化自主（O.A）配置在时间、人力和成本方面均实现了最佳平衡，显示了其卓越的运营效率。

5.2. 针对性子任务自动化洞察

对子任务的分析揭示了自动化收益的差异。收割子任务通过自动化实现了人力需求的大幅降低。然而，如谷物运输（尤其在Field 2这类距离较远的场景）和干燥过程的装卸等任务，仍然是人力投入较高的瓶颈环节。这为未来优先研发自动化解决方案指明了方向。

5.3. 成本结构比较与投资回报

成本结构分析显示，自主化场景的主要优势在于劳动力成本的大幅削减。虽然自主收割机和干燥系统需要约10万欧元的初始投资，但由此节省的运营成本（尤其在大型农场或多季收割情况下）能在数年内收回投资。敏感性分析表明，即使劳动力成本和能源价格波动，优化自主（O.A）配置的成本优势依然稳健。

5.4. 技术成本降低趋势与未来展望

支持自主化的关键技术（如LiDAR激光雷达）成本正在迅速下降，这将使农业自主化系统变得更加经济可行，加速其在更广泛农场中的推广应用。

综上所述，这项研究成功地开发并验证了一个基于MBSE的框架，用于系统评估和优化农业操作中的自主性等级。通过引入TC、ED、HMI这一套量化指标，该研究为农业自主性提供了客观的评估工具。研究结果明确显示，优化自主（O.A）操作能带来显著的效率提升和成本节约。该框架不仅能指导农场主进行科学的自动化投资决策，识别效益最大的自动化环节，还为农业工程师优化路径规划、机器协调等子系统提供了系统级的视角和工具。随着相关技术成本的持续下降，这项研究为推动农业向更高效、更可持续的自主化未来迈进奠定了重要的方法论基础。