基于深度强化学习的簇生猕猴桃机械化采收策略优化研究

为解决簇生猕猴桃因紧密排列和相邻干扰导致的采收成功率低、效率差问题，研究人员提出基于深度强化学习（DRL）的采收策略，结合ZED2立体相机与改进DQN算法（Improve-DQN），实现簇生区域智能划分、采收路径优化及末端执行器姿态预测。实验表明，该方法将采收效率提升43.73%，成功率达82.93%，为农业智能化提供了新思路。

　　

在全球农业现代化进程中，水果采收的机械化水平直接影响生产效率和经济效益。簇生猕猴桃因其果实紧密排列的特性，采收过程中易出现相邻干扰和碰撞，传统设备难以应对。现有技术多针对非簇生水果（如苹果），导致簇生水果的自动化采收进展缓慢。为此，中国的研究团队在《Computers and Electronics in Agriculture》发表研究，提出基于深度强化学习（Deep Reinforcement Learning, DRL）的智能化采收策略，旨在解决簇生猕猴桃的采收难题。

研究团队采用ZED2立体相机获取猕猴桃三维空间分布数据，结合深度学习算法实现果实定位；创新性改进深度Q网络算法（Improved-DQN），将采收顺序规划转化为旅行商问题（TSP），提升路径规划效率26.06%；同时设计末端执行器抓取策略，通过接触方向向量计算优化抓取姿态，减少果实损伤。

Trellis-based operating environment and clustered characteristics
通过分析棚架种植环境（行距2 m，架高1.8 m），发现猕猴桃果实高度集中且分布有序，为机械化操作提供了可控空间。

Method for planning the harvesting sequence of clustered areas
利用Improve-DQN算法划分簇生区域，其准确率稳定在89.00%-96.33%；与传统DQN相比，采收速度提升43.73%，路径规划效率提高26.06%。

Discussion
实验显示，姿态预测误差标准差为0.91-2.44度，采收成功率82.93%，损伤率8.38%，验证了该方法在复杂簇生环境中的鲁棒性。

Conclusion
该研究通过融合三维定位、智能路径规划和姿态预测，显著提升簇生猕猴桃采收效率，为农业机器人策略设计提供了理论支撑。其创新性在于将DRL应用于簇生水果的全局-局部协同优化，未来可扩展至其他高密度作物采收场景。