GreenGuard:一种用于温室微气候安全与能量感知调控的神经-符号边缘大语言模型控制器

《Smart Agricultural Technology》:GreenGuard: A Neuro-Symbolic Edge-LLM Controller for Safe and Energy-Aware Greenhouse Microclimate Regulation

【字体: 大 中 小 】 时间:2026年05月15日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  传统温室气候控制需要在不确定天气和硬件约束下,维持适宜的微气候,同时限制能量使用并避免有害指令变化。传统控制器(如PID和模糊逻辑)因简单且计算成本低而仍具吸引力,但它们对随机扰动和缓慢热惯性的响应较差。基于学习的控制更具适应性,但其在农业信息物理系统中的使用

  
传统温室气候控制需要在不确定天气和硬件约束下,维持适宜的微气候,同时限制能量使用并避免有害指令变化。传统控制器(如PID和模糊逻辑)因简单且计算成本低而仍具吸引力,但它们对随机扰动和缓慢热惯性的响应较差。基于学习的控制更具适应性,但其在农业信息物理系统中的使用受限于训练不稳定性、弱安全保证以及机械上的激进驱动。本研究提出GreenGuard,一种神经-符号控制架构,将可边缘部署的大语言模型Qwen2.5-1.5B-Instruct与确定性运行时安全规则及执行器转换速率限制相结合。在该框架中,大语言模型根据过滤后的状态摘要生成结构化控制建议,而确定性监控层强制执行操作边界和机械上可行的指令转换。研究人员使用孟加拉国达卡的历史天气输入,在包含执行器饱和与传感器噪声的扰动驱动热力学温室仿真中评估该方法。为使评估更可靠且具有实际意义,研究使用了20个随机种子,包含模型预测控制(MPC)风格基线,报告了经Holm校正的配对Wilcoxon符号秩检验结果,并使用总变差(Total Variation)量化执行器运动。这些补充有助于评估跟踪精度、能量使用、控制器稳定性、可重复性以及潜在执行器应力。在20个随机种子下,GreenGuard实现了4.35 ± 0.14 °C的均方根误差(RMSE),而PID为12.42 ± 0.11 °C,PPO为8.80 ± 0.93 °C,轻量级MPC风格基线为5.26 ± 0.00 °C。该控制器还将能量成本代理指标相对于PPO降低了45.4%,相对于PID降低了58.7%,相对于MPC风格基线降低了16.0%,同时产生更少的温度边界违反。这些发现表明,严格约束的大语言模型控制可能为慢动态农业环境中的反应式启发式方法与无约束学习控制之间提供实用的中间路径。结果应在基于仿真评估的局限性内进行解释。

研究背景与问题缘起

温室设施农业高度依赖可靠的环境控制,以在变化的室外条件下维持作物生产力、产品质量及资源利用效率。其中,室内温度控制尤为关键,它直接影响植物胁迫、代谢活动及能量消耗。然而,温室气候控制并非简单的温度设定点维持问题,种植者必须在温度精度、能量效率、执行器寿命及安全操作之间取得平衡,同时应对不确定天气、缓慢热动力学、传感器噪声及物理执行器限制。这一平衡仍是保护地栽培的核心挑战。
当前,许多温室仍依赖反应式控制器(如温控规则、PID控制器及手动调整启发式方法),其优势在于易于理解、成本低且部署简单。但由于依赖固定增益和反应式反馈,这些方法在室外条件快速变化或可利用温室热惯性时往往表现不佳,导致超调、振荡及低效的执行器使用。学习型控制器(如深度强化学习,DRL)虽能学习利用被动热行为并适应未来扰动,但在农业信息物理系统中的部署仍面临训练不稳定、性能随随机种子和扰动场景波动、以及可能产生不安全、机械激进或难以诊断的动作等问题。大语言模型(LLM)可提供决策支持,通过结构化摘要推理生成高级动作建议,但其输出具有概率性、可能格式错误,且本身不受植物动力学或执行器限制约束。因此,其实用化需依赖确定性监控层对生成动作进行审计、约束及必要时覆写。

研究内容与方法概述

针对上述问题,研究人员提出了GreenGuard,一种结合边缘部署大语言模型(Qwen2.5-1.5B-Instruct)与确定性控制逻辑的神经-符号温室控制器。其技术路径核心在于“神经提议-符号约束”架构:大语言模型根据过滤后的状态摘要生成结构化驱动建议,随后确定性安全层强制执行温度边界,转换速率限制器约束机械激进行为。研究构建了包含历史天气输入、执行器饱和及传感器噪声的扰动驱动仿真环境,并采用多指标评估体系(包括温度跟踪RMSE、能量成本代理、违规率及执行器总变差TV),对比了PID、模糊逻辑、PPO、屏蔽RL、纯LLM及轻量级MPC等基线。

研究结果与发现

3.1. 问题表述

研究将温室气候控制建模为离散时间问题,观测状态包括室内气温及室外温度、短波辐射等外生扰动,控制输出为归一化的通风开度和加热器指令。优化目标为最小化温度跟踪均方根误差、能量成本、温度违规及执行器总变差(TV)的加权组合。

3.2. 控制架构设计

GreenGuard采用分层设计:首先对传感器数据进行过滤与状态摘要生成,随后由大语言模型生成结构化JSON格式的动作提议,最后经确定性监控层(安全屏蔽与转换速率限制)输出最终指令。该设计不追求闭环系统的形式化验证,而是提供对选定操作约束的确定性运行时强制执行。

3.3. 仿真与评估设置

研究基于孟加拉国达卡的历史天气数据构建仿真环境,引入执行器饱和与传感器噪声以提升部署真实性。评估采用20个随机种子以确保统计可靠性,并使用配对Wilcoxon符号秩检验(Holm校正)进行性能比较,执行器运动通过总变差(TV)量化,以反映机械磨损风险。

4. 性能基准测试

在20个随机种子下,GreenGuard在温度跟踪精度(RMSE = 4.35 ± 0.14 °C)上显著优于PID(12.42 ± 0.11 °C)、PPO(8.80 ± 0.93 °C)及轻量级MPC(5.26 ± 0.00 °C)。在能量效率方面,其能量成本代理较PPO降低45.4%,较PID降低58.7%,较MPC降低16.0%,且温度边界违规更少。执行器总变差(TV)分析表明,确定性监督显著减少了激进与不稳定的驱动模式。

5. 消融与敏感性分析

移除安全屏蔽或转换速率限制会导致温度违规增加及执行器运动加剧,证实了神经-符号架构在约束处理与机械保护中的必要性。延迟边界分析显示,在慢动态温室环境中,该架构在边缘设备上的推理延迟处于可接受范围内。

讨论与结论

讨论:研究对比了不同控制范式的适应性、约束处理能力、边缘可行性及执行器磨损特性。GreenGuard在约束处理与边缘部署间取得了平衡,其性能优势源于大语言模型的上下文推理能力与符号层对物理约束的严格执行。然而,该研究存在局限性:评估基于仿真环境,未包含湿度耦合控制,且边缘部署的长期可靠性需进一步验证。
结论:研究表明,紧密约束的大语言模型控制(GreenGuard)在慢动态农业环境中,为反应式启发式方法与无约束学习控制之间提供了实用的中间路径。该架构通过确定性运行时安全规则与执行器转换速率限制,显著提升了温度跟踪精度、能量效率及操作安全性。尽管结果需在仿真评估的局限内解读,但神经-符号边缘人工智能为资源受限的温室自动化提供了有前景的发展方向。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号