基于深度强化学习与决策时间规划的智能拖拉机辅助控制系统优化二次耕作性能研究

推荐：本研究针对农业机械操作复杂、自主化需求迫切的现状，开发了基于土壤-机器响应模型的AI辅助控制系统。通过决策时间规划(DTP)和强化学习(RL)方法优化动力耙二次耕作速度，显著提升作业面积输出(AO)29.1%、降低燃油消耗(FC)8.4%，同时保持土壤粗糙度系数(RC)衡量的种床质量。该研究为农业自动化提供了创新解决方案。

　　

在农业机械化快速发展的今天，如何提升耕作效率同时降低能耗成为亟待解决的关键问题。传统农机操作依赖经验丰富的驾驶员手动调节工作参数，而自动驾驶农机又面临自主优化配置的挑战。特别是在二次耕作过程中，需要同时兼顾种床质量(SQ)、作业面积输出(AO)和燃油消耗(FC)三项关键指标，这对人机协同提出了极高要求。

德国霍恩海姆大学(University of Hohenheim)农业工程人工智能系的Jonas Boysen团队在《Smart Agricultural Technology》发表创新研究，通过开发AI辅助拖拉机控制系统，成功实现了二次耕作过程的智能优化。研究人员创新性地将深度学习方法与决策规划算法相结合，在真实田间试验中验证了该系统相较于人工操作的显著优势。

研究采用多模态数据融合技术，通过安装在Claas Arion 660拖拉机前后的SceneScan Pro立体相机系统采集土壤表面RGB-D图像(512px×512px)，以8Hz频率计算土壤粗糙度系数(RC)。同时整合CAN总线获取的发动机扭矩利用率(M_e)、燃油速率(fr_e)等13项机器参数，构建了包含172,000个数据点的土壤-机器响应模型。研究团队开发了两种控制策略：基于近端策略优化(PPO)的强化学习方法和决策时间规划(DTP)算法，在5个试验田进行对照实验，每种处理设置9次重复。

研究结果部分，"田间试验性能"显示：DTP方案实现了1.82 ha/h的平均面积输出，较基线提升29.1%；燃油消耗降至18.60 l/ha，效率提升8.4%。"模型性能分析"表明：经过微调的土壤-机器响应模型预测RC的相对均方根误差(rRMSE)从18.29%降至12.20%。"RL模型性能"章节指出，优化后的PPO算法在模拟测试中最高可获得0.515的效用值，但实际田间应用仍存在模拟与现实差距的挑战。

这项研究的突破性在于首次将决策时间规划应用于农机速度控制，通过实时预测不同速度配置下的RC、M_e和fr_e，实现了耕作质量与效率的协同优化。研究证实提高作业速度(最高10.5 km/h)不会显著影响种床质量(RC:14.47±1.79mm)和田间出苗率(249.32±10.80株/m²)，这颠覆了传统农艺认知。该系统的模块化设计允许通过调整效用函数权重(β₁=0.5, β₂=0.25, β₃=0.25)适应不同作业目标，为精准农业提供了灵活的技术框架。

这项研究不仅验证了AI控制在复杂农业环境中的实用性，其提出的MLOC(多层级观察控制)架构更为农机自主化提供了普适性方案。未来通过集成TIM(拖拉机实施管理)系统实现直接控制，并引入MWD(平均重量直径)等多维质量指标，有望进一步推动智能农业装备的技术革新。